CN109933721B - 一种融合用户隐式物品偏好与隐式信任的可解释推荐方法 - Google Patents

Abstract

本发明公开了一种融合用户隐式物品偏好与隐式信任的可解释推荐方法，针对推荐系统存在的评分数据稀疏和冷启动的问题，通过利用用户评论挖掘用户的隐式物品偏好和隐式信任，可以极大的提高评分预测的准确性和可解释性。本发明利用主题模型LDA和方面矩阵分解模型AMF在评论中挖掘用户方面偏好和物品方面质量，其次利用用户方面偏好和物品方面质量捕捉用户的隐式物品偏好，再通过用户评分和评论捕捉用户隐式信任。最后将用户的隐式物品偏好和用户隐式信任修正预测的评分，可以提高推荐的准确性和可解释性。

Description

一种融合用户隐式物品偏好与隐式信任的可解释推荐方法

技术领域

本发明设计物品推荐方法，具体是一种融合用户隐式物品偏好与隐式信任的可解释推荐方法。

背景技术

随着近年来互联网技术的高速发展，推荐系统已经应用到我们生活中中的各个方面。例如：在日常的网络购物中，电子商务网站如淘宝、京东、当当，经常会向用户推荐感兴趣的物品。每天浏览新闻时，一些新闻平台如今日头条、一点资讯，会从成千上万的新闻中向用户推荐感兴趣的新闻资讯。一些音乐平台如网易云音乐，会根据用户听歌记录为其推荐一份专属歌单。

个性化推荐系统成为网络应用中不可缺少的重要组成部分，而个性化推荐系统又分为几个类型，其中包括how、what、when、where以及why，对于可解释推荐，指的是在给用户推荐商品的同时，要给出推荐该商品的解释，通过给出推荐的解释，来提示用户的信任度以及用户满意度，而不是仅仅只是给出推荐的物品列表。传统的推荐系统往往缺乏对推荐结果的解释，通过向用户解释推荐某种物品的原因，可以增加系统的透明度和用户的信任度，帮助用户更快速更准确地做出选择，以此提高用户购买的机率。

经过研究发现，用户对物品的评论不断增加，这些评论数据反映了用户对物品潜在的偏好，因此利用用户评论数据为推荐做出解释是现有很多可解释推荐工作的研究兴趣点之一。虽然近年来很多相关学者已经进行了可解释推荐评分预测的研究，但是现有的研究工作仍然存在一些问题。问题一是：对于为何向用户推荐物品，利用用户评分解释推荐结果缺乏说服力和可信度。例如：某个用户同时给两部电影都打了5分，并不一定代表该用户对这两部电影有着相同的重视程度，用户可能看中第一部电影的导演和看中第二部电影的场景，所以给两者打了相同的分数，因此不能仅仅根据用户评分来解释推荐结果。问题二是用于解释的信息没有被有效利用到评分预测中，因此评分预测的准确性仍然存在一定的提升空间。对于可解释评分预测，现有的方法主要是将辅助信息加入评分预测中，加入评论信息的方法认为用户对所有物品的不同方面重视程度一样，致使这些方法对用户偏好建模存在偏差，从而影响评分预测的性能。社交网络中用户信任关系主要来源于用户显示信任和用户隐式信任，显示信任是指用户与用户之间有明确表示信任值，隐式信任是指用户与用户之间没有明确表示信任值，需要根据用户间的特征相似性或者用户间的交互推断出信任值。根据我们观察，实际生活中用户信任关系常被看做用户的隐私问题，不同用户对同一物品的评分数据稀疏，难以获取用户显式信任和推断用户隐式信任，致使这些方法影响基于隐式信任关系的推荐，从而影响评分预测的性能。

发明内容

本发明的目的在于克服上述物品推荐现有方法中存在的问题和不足，提供一种融合用户隐式物品偏好与隐式信任的可解释推荐方法，本发明利用主题模型和方面矩阵分解模型AMF在评论中挖掘用户方面偏好和物品方面质量，其次利用用户方面偏好和物品方面质量捕捉用户的隐式物品偏好，再通过用户评分和评论挖掘用户隐式信任。最后将用户的隐式物品偏好和用户隐式信任修正预测的评分，可以提高推荐的准确性和可解释性。

为实现本发明的目的，本发明是一种融合用户隐式物品偏好与隐式信任的可解释推荐方法，其中用户方面偏好矩阵和物品方面质量矩阵用主题模型LDA和方面矩阵分解模型AMF获得，再根据矩阵分解的方法进行潜特征分解，物品推荐包括以下步骤：

步骤1：从互联网中采集用户数据对其进行预处理，生成用户行为数据存放到用户行为信息数据库。

步骤2：基于训练集构建用户—方面偏好矩阵P和物品—方面质量矩阵Q。

步骤3：利用基于评分的矩阵分解方法将步骤2中的用户—方面偏好矩阵P分解成用户—潜特征矩阵U和方面—潜特征矩阵X的乘积，将物品—方面质量矩阵Q分解成物品—潜特征矩阵V和方面—潜特征矩阵Y的乘积。

步骤4：将用户潜特征和物品潜特征融合得到预测的用户评分矩阵，将其作为用户原始评分矩阵R的近似。

步骤5：利用步骤2中的用户方面偏好矩阵P和物品方面质量矩阵Q构建用户的隐式物品偏好Z矩阵，

步骤6：利用观测到的用户评分和评论信息挖掘用户隐式信任。

步骤7：将隐式物品偏好和隐式信任融入矩阵分解算法修正算法模型，得到最终预测的评分值。

步骤8：利用RMSE和MAE对本方法的性能好坏进行评估；

步骤9：给用户预测评分推荐Top-k个物品，同时根据用户对物品偏好和用户隐式信任来给出推荐解释。

所述步骤1采集的数据至少包括用户唯一ID、物品唯一的ID、用户对物品的评论文本内容、评论文本内容唯一的ID存放于用户行为信息数据库中。

所述步骤2中的用户—方面偏好矩阵P和物品—方面质量矩阵Q是根据基于评论的方面矩阵分解的AMF模型得到的。

所述步骤3是根据矩阵分解方法将步骤2中的用户—方面偏好矩阵P分解成用户—潜特征矩阵U和方面—潜特征矩阵X的乘积，将物品—方面质量矩阵Q分解成物品—潜特征矩阵V和方面—潜特征矩阵Y的乘积。

所述步骤4是将用户潜特征和物品潜特征融合得到预测的用户评分矩阵，将其作为用户原始评分矩阵R的近似:

R≈UV^T (1)

所述步骤5是利用步骤2中的用户方面偏好矩阵P和物品方面质量矩阵Q构建用户的隐式物品偏好Z矩阵，其计算方式如下：

z_u,i,k是用户u对物品i的第k个方面的隐式方面偏好，z_u,i是用户u对物品i的隐式物品偏好(z_u,i∈Z)，p_u,k是用户u对第k个方面的方面偏好值(p_u,k∈P)，q_i,k是物品i关于第k个方面的方面质量值(q_i,k∈Q)，L是方面数。

利用观测到的用户评分和评论信息挖掘用户隐式信任。

首先利用观测到的用户评分计算用户的信任因子和用户间的相似度，两者进行调和平均得到用户的评分信任度。公式计算如下：

其中t_b是用户b的评分信任因子，T_s(a,b)是用户a对用户b的评分信任度，I_ab,I_a,I_b分别是用户a和用户b共同评分的物品个数，用户a评分的物品个数，用户b评分的物品个数，sim_s(a,b)是根据皮尔逊相关系数计算出的用户a和用户b的评分相似度。

其次利用用户评论计算用户的方面偏好信任因子和用户间的方面偏好相似度，两者进行调和平均得到用户的方面偏好信任度。

公式计算如下：

其中

是用户b的方面偏好信任因子，T_r(a,b)是用户a对用户b的方面偏好信任度。A_ab,A_a,A_b分别代表用户a和用户b共同提到的方面数，用户a提到的方面数，用户b提到的方面数，由于步骤2中构建的用户方面偏好矩阵P中每个元素代表的是每个用户对物品各方面的评分，因此可根据用户方面偏好矩阵P利用皮尔逊相关系数计算出的用户a和用户b的方面偏好相似度sim_r(a,b)。

最后将用户评分信任度和用户方面偏好信任度加权计算用户间的信任度。计算公式如下：

T_a,b＝σT_s(a,b)+(1-σ)T_r(a,b)(σ∈(0,1),T_a,b∈T) (8)

其中T_a,b是用户a对用户b的隐式信任度，σ是一个可调的参数，取值在0到1之间。最后根据计算出的用户隐式信任度构建用户—用户隐式信任矩阵T。

将隐式物品偏好和隐式信任融入矩阵分解算法修正算法模型，得到最终预测的评分值，模型的参数可以通过优化如下模型得到：

其中，

代表弗罗贝尼乌斯范数，β₁,β₂,λ₁,λ₂是为了防止模型过拟合设置来控制各部分贡献的参数，该模型的参数U,V,X,Y可根据梯度下降法更新，T_i,j是指用户i对用户j的隐式信任度，T_i,j∈T，U_i,U_j分别代表用户i和用户j的潜特征向量，U_i,U_j∈U，M是用户数。

所述评估推荐模型的好坏用RMSE和MAE表示，其计算公式如下：

其中y_i和

分别表示物品i的真实评分和预测的评分，n表示测试集的大小，两者的值都是越小表示模型预测越精确。

根据预测评分推荐Top-k个物品，同时根据用户对物品偏好和用户隐式信任来给出推荐解释。

附图说明

图1为本发明的物品推荐方法详细论述流程图。

图2作为本发明的物品推荐方法直观流程图。

为了在发明书摘要中直观表述本发明的思想，本文将图1中方法详细实施步骤精简成图2中表述的内容，因此采用图2作为本发明的物品推荐方法直观流程图，方便用户理解本发明主要的思想。由于图2和图1的表述思想一致，本文根据图1对本发明的原理及实施方式已进行了详细的阐述，故不再对图2进行赘述。

具体实施方式

为实现本发明的目的，本发明一种融合用户隐式物品偏好与隐式信任的可解释推荐方法，其中用户方面偏好矩阵和物品方面质量矩阵用主题模型LDA和方面矩阵分解模型AMF获得，再根据矩阵分解的方法进行潜特征分解，物品推荐包括以下步骤：

步骤1：从互联网中采集用户数据对其进行预处理，生成用户行为数据存放到用户行为信息数据库。

步骤2：基于训练集构建用户—方面偏好矩阵P和物品—方面质量矩阵Q。

步骤3：利用基于评分的矩阵分解方法将步骤2中的用户—方面偏好矩阵P分解成用户—潜特征矩阵U和方面—潜特征矩阵X的乘积，将物品—方面质量矩阵Q分解成物品—潜特征矩阵V和方面—潜特征矩阵Y的乘积。

步骤4：将用户潜特征和物品潜特征融合得到预测的用户评分矩阵，将其作为用户原始评分矩阵R的近似。

步骤5：利用步骤2中的用户方面偏好矩阵P和物品方面质量矩阵Q构建用户的隐式物品偏好Z矩阵，

步骤6：利用观测到的用户评分和评论信息挖掘用户隐式信任。

步骤7：将隐式物品偏好和隐式信任融入矩阵分解算法修正算法模型，得到最终预测的评分值。

步骤8：利用RMSE和MAE对本方法的性能好坏进行评估；

步骤9：给用户预测评分推荐Top-k个物品，同时根据用户对物品偏好和用户隐式信任来给出推荐解释。

所述步骤1采集的数据至少包括用户唯一ID、物品唯一的ID、用户对物品的评论文本内容、评论文本内容唯一的ID存放于用户行为信息数据库中。

所述步骤2中的用户—方面偏好矩阵P和物品—方面质量矩阵Q是根据基于评论的方面矩阵分解的AMF模型得到的。

所述步骤3是根据矩阵分解方法将步骤2中的用户—方面偏好矩阵P分解成用户—潜特征矩阵U和方面—潜特征矩阵X的乘积，将物品—方面质量矩阵Q分解成物品—潜特征矩阵V和方面—潜特征矩阵Y的乘积。

所述步骤4是将用户潜特征和物品潜特征融合得到预测的用户评分矩阵，将其作为用户原始评分矩阵R的近似:

R≈UV^T (1)

所述步骤5是利用步骤2中的用户方面偏好矩阵P和物品方面质量矩阵Q构建用户的隐式物品偏好Z矩阵，其计算方式如下：

z_u,i,k是用户u对物品i的第k个方面的隐式方面偏好，z_u,i是用户u对物品i的隐式物品偏好(z_u,i∈Z)，p_u,k是用户u对第k个方面的方面偏好值(p_u,k∈P)，q_i,k是物品i关于第k个方面的方面质量值(q_i,k∈Q)，L是方面数。

利用观测到的用户评分和评论信息挖掘用户隐式信任。

首先利用观测到的用户评分计算用户的信任因子和用户间的相似度，两者进行调和平均得到用户的评分信任度。公式计算如下：

其中t_b是用户b的评分信任因子，T_s(a,b)是用户a对用户b的评分信任度，I_ab,I_a,I_b分别是用户a和用户b共同评分的物品个数，用户a评分的物品个数，用户b评分的物品个数，sim_s(a,b)是根据皮尔逊相关系数计算出的用户a和用户b的评分相似度。

其次利用用户评论计算用户的方面偏好信任因子和用户间的方面偏好相似度，两者进行调和平均得到用户的方面偏好信任度。

公式计算如下：

其中

是用户b的方面偏好信任因子，T_r(a,b)是用户a对用户b的方面偏好信任度。A_ab,A_a,A_b分别代表用户a和用户b共同提到的方面数，用户a提到的方面数，用户b提到的方面数，由于步骤2中构建的用户方面偏好矩阵P中每个元素代表的是每个用户对物品各方面的评分，因此可根据用户方面偏好矩阵P利用皮尔逊相关系数计算出的用户a和用户b的方面偏好相似度sim_r(a,b)。

最后将用户评分信任度和用户方面偏好信任度加权计算用户间的信任度。计算公式如下：

T_a,b＝σT_s(a,b)+(1-σ)T_r(a,b)(σ∈(0,1),T_a,b∈T) (8)

其中T_a,b是用户a对用户b的隐式信任度，σ是一个可调的参数，取值在0到1之间。最后根据计算出的用户隐式信任度构建用户—用户隐式信任矩阵T。

将隐式物品偏好和隐式信任融入矩阵分解算法修正算法模型，得到最终预测的评分值，模型的参数可以通过优化如下模型得到：

其中，

代表弗罗贝尼乌斯范数。β₁,β₂,λ₁,λ₂是为了防止模型过拟合设置来控制各部分贡献的参数，该模型的参数U,V,X,Y可根据梯度下降法更新，T_i,j是指用户i对用户j的隐式信任度，T_i,j∈T，U_i,U_j分别代表用户i和用户j的潜特征向量，U_i,U_j∈U，M是用户数。

所述评估推荐模型的好坏用RMSE和MAE表示，其计算公式如下：

其中y_i和

分别表示物品i的真实评分和预测的评分，n表示测试集的大小，两者的值都是越小表示模型预测越精确。

根据预测评分推荐Top-k个物品，同时根据用户对物品偏好和用户隐式信任来给出推荐解释。

具体地，本发明实施例的系统相关功能模块的工作原理可参见方法实施例的相关描述，这里不再赘述。

采用本发明实施例中的实施方法，有益效果如下：(1)方法融合多源信息，充分利用用户和项目丰富的元数据、评分和评论等数据，利用矩阵分解的思想从方面中提取辅助信息更准确的重构原始评分矩阵，不仅缓解数据稀疏和冷启动问题，而且提升了评分预测的准确率，能更好地为用户做出推荐和解释；(2)通过由皮尔逊相关系数和信任因子计算得到的调和信任度来度量用户之间的隐式信任关系，在一定程度上缓解显式信任较难获取和数据稀疏的缺点，将捕捉的用户隐式信任关系作为辅助信息修正预测的评分，一定程度上缓解了数据稀疏和冷启动问题，并提高了推荐准确率。

另外，以上对本发明实施所提供的一种融合用户隐式物品偏好与隐式信任的可解释推荐方法进行了详细介绍，本文对本发明的原理及实施方式进行了阐述，以上实施的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。

Claims (9)

1.一种融合用户隐式物品偏好与隐式信任的可解释推荐方法，其特征在于包括以下步骤：

步骤1：从互联网中采集用户数据对其进行预处理，生成用户行为数据存放到用户行为信息数据库；

步骤2：基于训练集构建用户—方面偏好矩阵P和物品—方面质量矩阵Q；

步骤3：利用基于评分的矩阵分解方法将步骤2中的用户—方面偏好矩阵P分解成用户—潜特征矩阵U和方面—潜特征矩阵X的乘积，将物品—方面质量矩阵Q分解成物品—潜特征矩阵V和方面—潜特征矩阵Y的乘积；

步骤4：将用户潜特征和物品潜特征融合得到预测的用户评分矩阵，将其作为用户原始评分矩阵R的近似；

步骤5：利用步骤2中的用户方面偏好矩阵P和物品方面质量矩阵Q构建用户的隐式物品偏好Z矩阵；

步骤6：利用观测到的用户评分和评论信息挖掘用户隐式信任；

步骤7：将隐式物品偏好和隐式信任修正预测的评分，得到最终预测的评分值，模型的参数可以通过优化如下模型得到：

其中，

代表弗罗贝尼乌斯范数，β₁,β₂,λ₁,λ₂是为了防止模型过拟合设置来控制各部分贡献的参数，该模型的参数U,V,X,Y可根据梯度下降法更新，T_i,j是指用户i对用户j的隐式信任度，T_i,j∈T，U_i,U_j分别代表用户i和用户j的潜特征向量，U_i,U_j∈U，M是用户数；

步骤8：利用RMSE和MAE对本方法的性能好坏进行评估；

步骤9：给用户预测评分推荐Top-k个物品，同时根据用户对物品偏好和用户隐式信任来给出推荐解释。

2.根据权利要求1所述的融合用户隐式物品偏好与隐式信任的可解释推荐方法，其特征在于：所述步骤1采集的数据至少包括用户唯一ID、物品唯一的ID、用户对物品的评论文本内容、用户评分数据存放于用户行为信息数据库中。

3.根据权利要求1所述的融合用户隐式物品偏好与隐式信任的可解释推荐方法，其特征在于：所述步骤2中的用户—方面偏好矩阵P和物品—方面质量矩阵Q是根据基于评论的方面矩阵分解的AMF模型得到的。

4.根据权利要求1所述的融合用户隐式物品偏好与隐式信任的可解释推荐方法，其特征在于：所述步骤3是根据矩阵分解方法将步骤2中的用户—方面偏好矩阵P分解成用户—潜特征矩阵U和方面—潜特征矩阵X的乘积，将物品—方面质量矩阵Q分解成物品—潜特征矩阵V和方面—潜特征矩阵Y的乘积。

5.根据权利要求1所述的融合用户隐式物品偏好与隐式信任的可解释推荐方法，其特征在于：所述步骤4是将用户潜特征和物品潜特征融合得到预测的用户评分矩阵，将其作为用户原始评分矩阵R的近似:

R≈UV^T (1)。

6.根据权利要求1所述的融合用户隐式物品偏好与隐式信任的可解释推荐方法，其特征在于：利用步骤2中的用户方面偏好矩阵P和物品方面质量矩阵Q构建用户的隐式物品偏好Z矩阵，其计算方式如下：

z_u,i,k是用户u对物品i的第k个方面的隐式方面偏好，z_u,i是用户u对物品i的隐式物品偏好(z_u,i∈Z)，p_u,k是用户u对第k个方面的方面偏好值(p_u,k∈P)，q_i,k是物品i关于第k个方面的方面质量值(q_i,k∈Q)，L是方面数。

7.根据权利要求1所述的融合用户隐式物品偏好与隐式信任的可解释推荐方法，其特征在于：利用观测到的用户评分和评论信息挖掘用户隐式信任：

首先利用观测到的用户评分计算用户的信任因子和用户间的相似度，两者进行调和平均得到用户的评分信任度，公式计算如下：

其中t_b是用户b的评分信任因子，T_s(a,b)是用户a对用户b的评分信任度，I_ab,I_a,I_b分别是用户a和用户b共同评分的物品个数，用户a评分的物品个数，用户b评分的物品个数，sim_s(a,b)是根据皮尔逊相关系数计算出的用户a和用户b的评分相似度；

其次利用用户评论计算用户的方面偏好信任因子和用户间的方面偏好相似度，两者进行调和平均得到用户的方面偏好信任度，公式计算如下：

其中

是用户b的方面偏好信任因子，T_r(a,b)是用户a对用户b的方面偏好信任度，A_ab,A_a,A_b分别代表用户a和用户b共同提到的方面数，用户a提到的方面数，用户b提到的方面数，由于步骤2中构建的用户方面偏好矩阵P中每个元素代表的是每个用户对物品各方面的评分，因此可根据用户方面偏好矩阵P利用皮尔逊相关系数计算出的用户a和用户b的方面偏好相似度sim_r(a,b)；

最后将用户评分信任度和用户方面偏好信任度加权计算用户间的信任度，计算公式如下：

T_a,b＝σT_s(a,b)+(1-σ)T_r(a,b)(σ∈(0,1),T_a,b∈T) (8)

T_a,b是用户a对用户b的隐式信任度，σ是一个可调的参数，取值在0到1之间，最后根据计算出的用户隐式信任度构建用户—用户隐式信任矩阵T。

8.根据权利要求1所述的融合用户隐式物品偏好与隐式信任的可解释推荐方法，其特征在于：评估推荐模型的好坏用RMSE和MAE表示，其计算公式如下：

其中y_i和

分别表示物品i的真实评分和预测的评分，n表示测试集的大小，两者的值都是越小表示模型预测越精确。

9.根据权利要求1所述的融合用户隐式物品偏好与隐式信任的可解释推荐方法，其特征在于：根据预测评分推荐Top-k个物品，同时根据用户对物品偏好和用户隐式信任给出推荐解释。

Images