CN110069713B - 一种基于用户上下文感知的个性化推荐方法 - Google Patents

一种基于用户上下文感知的个性化推荐方法 Download PDF

Info

Publication number
CN110069713B
CN110069713B CN201910331887.5A CN201910331887A CN110069713B CN 110069713 B CN110069713 B CN 110069713B CN 201910331887 A CN201910331887 A CN 201910331887A CN 110069713 B CN110069713 B CN 110069713B
Authority
CN
China
Prior art keywords
user
context
information
similarity
item
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201910331887.5A
Other languages
English (en)
Other versions
CN110069713A (zh
Inventor
暴建民
蒋研
丁飞
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanjing University of Posts and Telecommunications
Original Assignee
Nanjing University of Posts and Telecommunications
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Nanjing University of Posts and Telecommunications filed Critical Nanjing University of Posts and Telecommunications
Priority to CN201910331887.5A priority Critical patent/CN110069713B/zh
Publication of CN110069713A publication Critical patent/CN110069713A/zh
Application granted granted Critical
Publication of CN110069713B publication Critical patent/CN110069713B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/953—Querying, e.g. by the use of web search engines
    • G06F16/9535—Search customisation based on user profiles and personalisation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures

Abstract

本发明公开了一种基于用户上下文感知的个性化推荐方法，首先对获取社会网络中的信息数据进行预处理，聚类得到用户信息、项目信息，同时融入上下文信息；并提取用户信息、项目信息以及上下文信息的信息特征分别进行模型构建；然后，分别计算用户‑用户、项目‑项目、上下文‑上下文之间的相似度；并基于得到的相似度计算用户‑上下文、用户‑项目、上下文‑项目三者之间潜在相似度；使用LCP‑RM算法对用户‑项目、用户‑上下文和项目‑上下文的模型进行离线调优操作和在线调优操作；最后，在Last.fm数据集上对LCP‑RM算法和三维推荐模型进行测试，防止LCP‑RM算法和三维推荐模型的过拟合，实现个性化推荐；本发明解决了推荐过程数据稀疏性问题，提高个性化推荐的精度。

Description

一种基于用户上下文感知的个性化推荐方法
技术领域
本发明属于数据挖掘技术领域，应用于网络的个性化推荐，具体涉及一种基于用户上下文感知的个性化推荐方法。
背景技术
随着信息技术和互联网的发展，人们逐渐从信息匮乏的时代走入了信息过载(Information-Overload)的时代。在这个时代，无论是信息消费者还是信息生产者都遇到了很大的挑战：作为信息消费者，如何从大量信息中找到自己感兴趣的信息是一件非常困难的事情；作为信息生产者，如何让自己生产的信息脱颖而出，受到广大用户的关注，也是一件非常困难的事情。推荐系统(Recommended System)就是解决上述问题的重要工具。推荐系统的任务是联系用户和信息，一方面帮助用户发现对自己有价值的信息，另一方面让信息能够展现在对它感兴趣的用户面前，更好的发掘出物品的长尾，进而实现信息消费者和信息生产者的双赢。推荐系统的本质可以概括为：自动联系用户和物品的工具。它帮助使用者在信息过载的环境背景下，精准且便捷地发现感兴趣的信息，也可以将信息推送给对他们有兴趣的用户。在当下的时代背景下，推荐系统相关技术在互联网产品和应用中被广泛采用，包括现在人们经常使用的相关搜索、话题的推荐、在线音乐的推荐、社交网络的好友推荐、电子商务的商品推荐，如淘宝、亚马逊等，可以看出个性化推荐的应用范围正在变的日益广泛。所以，在互联网大数据环境下，个性化推荐技术正在扮演着愈加重要的角色。
推荐系统在网络媒体和网站下被广泛的应用在个性化的信息或物品推荐中。譬如，在网站应用中，其主要依赖用户的行为日志，并对该信息进行挖掘，进而提高网站的点击率和转化率。其中，推荐系统性能优越性主要依赖其采用的推荐算法。该类算法的本质为：通过一定的方法将用户和物品联系起来，进而降低了用户的搜索成本。其按照用户的行为数据可以分为：协同过滤(Collaborative Filtering)、内容过滤(ContentFiltering)和社会化过滤(Social Filtering)等。其按照采用的算法可以分为：基于邻域的算法、基于图的算法、基于矩阵分解的算法和基于概率模型的算法等。协同过滤推荐(CollaborativeFiltering Recommendation)是目前比较成熟和有效的推荐方法。其采用数据挖掘技术，挖掘用户的历史行为信息，譬如：购物记录、评价\分记录、观看记录等，来发现相似的用户或项目，随后采用相关算法并计算出评分(Rating)结果，对待推荐的项目进行推荐。所以，协同过滤算法与其他的推荐算法相比具有如下两个方面的优点：第一，对推荐对象无特殊要求，对于复杂、抽象的对象也能够实现推荐；第二，不依赖于抽取“推荐对象”的特征信息来了解用户的兴趣，能够发现用户的潜在兴趣，具备较高的个性化程度，只需要显式的或者隐式的用户历史行为数据，而不需要用户本身相关的属性信息，基本不会对用户的体验带来负面影响。尽管协同过滤推荐有如上的优越性，但是仍然存在诸多关键问题亟待解决，主要包括数据稀疏性问题、冷启动问题、可扩展性问题、鲁棒性问题等等。在传统的推荐系统领域，人们往往只关注“用户-项目”之间的关联关系，而较少考虑它们所处的上下文环境(如时间、位置、周围人员、情绪、活动状态、网络条件等等)。但是，随着计算机处理能力的飞速发展，各种终端设备的感知能力得到了大幅度的提升，推荐系统可以从这些设备中获取大量的上下文信日志和用户偏好信息。并且在许多应用场景下，仅仅依靠"用户-项目"二元关系并不能生成有效推荐。例如，有的用户更喜欢在早上而不是中午被推荐合适的新闻信息；有的用户在不同的心情可能会希望被推荐不同类型的音乐。即一个优秀的推荐系统应该在不同场景为用户推荐不同的项目，不能在冬季的时节为用户推荐夏季的衣物，或者不能因用户一个电影评价了很高的分数而将该电影经常推荐给用户。所以，上下文信息这一重要因素应该被纳入推荐系统中，即推荐依据评分应该动态的反应用户的行为信息。
对于提高上下文推荐算法的准确性和性能，目前国内外许多研究人员做出了很多尝试，取得了丰富的成果。Woerndl等人将基于内容的过滤，协同过滤和混合方法的组合应用于移动应用程序推荐系统的数据集。提出了应用混合方法作为一种成功的方法来容纳上下文类型的信息的有效性。Campos等人结合了CBF和CF的推荐模型，将上下文也认为是一个内容特征，并且假设上下文元素之间相互独立，使用Bayesian网络算法来为用户进行推荐。Lekakos和Caravelas提出了另一种上下文推荐方法，通过分析用户之间的内容和协作关系来推荐电影。Bogers将用户评级和标签，电影类型和演员作为为图中的上下文信息，提出了基于马尔可夫随机游走算法。蔡等人提取了web文档中可用的情感标签，以便与音乐歌词匹配。Hyung等人使用潜在语义分析方法(LSA)和概率潜在语义分析(PLSA)来查找类似文档，来进行更好的音乐推荐。韩等人提出了一种利用重新编码的音乐，将用户的情感状态从一种转换到另一种的音乐推荐方法，并提出了一种基于本体的音乐项目与情感关系模型。
发明内容
针对现有技术，本发明提供一种基于用户上下文感知的个性化推荐方法，该方法通过借助用户在社交关系网络中对项目的注释和标注行为，可有效减少整个推荐过程的计算复杂度，同时具有更好的推荐精度、推荐召回率以及更佳的推荐平均度；具体技术方案如下：
一种基于用户上下文感知的个性化推荐方法，所述方法包括步骤：
S1、获取社会网络中的信息数据，预处理所述信息数据，聚类得到用户信息、项目信息，并基于所述用户信息和项目信息融入上下文信息构建用户-项目-上下文的三维推荐模型；
S2、分别提取所述用户信息、项目信息以及上下文信息的信息特征，并基于所述信息特征构建用户-项目模型、用户-上下文模型以及项目-上下文模型；
S3、分别计算用户-用户之间的第一相似度、项目-项目之间的第二相似度、上下文-上下文之间的第三相似度；并基于所述第一相似度、第二相似度以及所述第三相似度计算用户-上下文之间的第一潜在相似度、用户-项目之间的第二潜在相似度、上下文-项目三者之间的第三潜在相似度；
S4、使用LCP-RM算法对所述用户-项目模型、用户-上下文模型和所述项目-上下文模型进行离线调优操作，并根据用户在线的上下文行为，实时对所述用户-项目模型、用户-上下文模型和所述项目-上下文模型进行在线调优操作；
S5、在Last.fm数据集上对所述LCP-RM算法和所述三维推荐模型进行测试，并计算所述LCP-RM算法在推荐精度、推荐召回率以及推荐平均精度的平均值来防止算法和模型的过拟合。
进一步的，所述第二相似度通过公式：
Figure BDA0002037950140000051
计算获取得到；或者通过公式：
Figure BDA0002037950140000052
计算得到，其中k表示自相关矩阵的维度,rux表示用户u对项目x的评分，同理ruy表示用户u对项目y的评分，
Figure BDA0002037950140000053
和
Figure BDA0002037950140000054
表示用户对项目x和y的平均评分，Ux×y表示同时对项目x和y评分的用户集合。
进一步的，所述第一相似度和所述第三相似度同样采用所述公式：
Figure BDA0002037950140000055
计算得到。
进一步的，所述第一潜在相似度通过公式：
Figure BDA0002037950140000061
Figure BDA0002037950140000062
计算获得，其中，LUtC(u,c)表示用户-上下文之间的潜在相似度，
Figure BDA0002037950140000063
是一个标准化过程，其目的是为了降低稀疏或偏僻上下文对用户的扰动影响；nu,c表示在特定的项目中上下文cj在用户ui所选择的项目列表中出现的次数；fi,j是一个布尔函数，表示用户ui是否选择了上下文cj；(CtC)T表示上下文-上下文相似度矩阵的转置；
所述第二潜在相似度通过公式：
Figure BDA0002037950140000064
Figure BDA0002037950140000065
计算获得，其中，LCtI(c,i)表示上下文-项目之间的潜在相似度，
Figure BDA0002037950140000066
是一个标准化过程，其目的是为了降低稀疏或偏僻上下文对项目的扰动影响；nc,i表示在特定的用户下，上下文cj出现在项目列表中的次数；γi,j是一个布尔函数，表示上下文cj是否出现在了项目列表ii中；(ItI)T表示项目-项目相似度矩阵的转置；
所述第三潜在相似度通过公式：
Figure BDA0002037950140000071
Figure BDA0002037950140000072
计算获得，其中，LUtI(u,i)表用户-项目之间的潜在相似度，
Figure BDA0002037950140000073
是一个标准化过程，其目的是为了降低稀疏或偏僻项目对用户的扰动影响；nu,i表示在特定的上下文下，用户ui选择项目ii的次数；δi,j是一个布尔函数，表示用户ui是否选择项目ii；(UtU)T表示用户-用户相似度矩阵的转置。
进一步的，步骤S2中还包括：使用公式：
Figure BDA0002037950140000074
综合所述用户-项目模型、用户-上下文模型以及项目-上下文模型，其中，Ranku,c(i)表示用户u在特定上下文c中推荐的项目i，α和β为平衡所述用户-上下文模型和所述用户-项目模型的平衡因子。
进一步的，步骤S4中的所述离线调优操作包括：
S41、初始化所述平衡因子α和β，并设置所述LCP-RM算法的迭代计数器t；
S42、计算rating1＝Rankc,i(u)，rating2＝Ranku,i(c)；其中，
Figure BDA0002037950140000075
Figure BDA0002037950140000076
S43、由公式score(u,c)＝(α·rating1)×(β·rating2)计算用户u在指定上下文c中对项目的排名score(u,c)，并更新所述迭代计算器t＝t+1；
S44、重复步骤S42～S43，直到完整遍历对应的项目信息、用户信息和上下文信息，设定一最大迭代值，迭代计算Ranku,c(i)，并更新所述平衡因子α和β；
S45、重复步骤S42～S44，若Ranku,c(i)-Rankt u,c(i)＞0，且步骤S44中迭代次数未超过所述最大迭代值，则完成迭代过程，并按Ranku,c(i)从高到低顺序输出推荐的项目表。
与现有技术相比，本发明基于用户上下文感知的个性化推荐方法的有益效果为：本发明借助用户在社交关系网络中对项目的注释和标注行为，使得算法无需高昂的计算复杂度来对数据进行特征提取，在初始评分矩阵稀疏的情况下，引入用户上下文信息构建用户-项目-上下文信息三维推荐模型，采用张量分解技术对模型降维，构建用户-项目、用户-上下文、项目-上下文模型，来挖掘三者之间的隐藏信息，进一步改善推荐系统的数据稀疏性问题；本发明提出了一个全新的实时推荐模型，通过LCP-RM算法对模型进行离线调优、利用上层用户的实时反馈对模型进行在线调优，使得推荐精度得到了很大的改善。
附图说明
图1为本发明实施例中所述基于用户上下文感知的个性化推荐方法实现模型框架图示意；
图2为本发明实施例中所述LCP-RM算法的实现流程图示意；
图3为将本发明方法与现有三种上下文推荐方法在Last.fm数据集上的推荐精度对比图示意；
图4为本发明方法与现有三种上下文推荐方法在Last.fm数据集上的推荐召回率对比图示意；
图5为本发明方法与现有三种上下文推荐方法在Last.fm数据集上的推荐平均精度对比图示意；
图6为本发明方法在Last.fm数据集上α和β参数对推荐平均度影响图示意。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述。
在本发明实施例中，提供了一种基于用户上下文感知的个性化推荐方法，本发明方法应用于社会网络中对数据的用户的个性化推荐项目，参阅图1，方法的具体过程为在数据接入层中接入相关数据，通过特征提取层提取得到数据特征后构建个性化推荐模型，然后在相似度计算层中计算用户与项目、用户与上下文以及项目与上下文之间的相似度；然后依次进行离线调优和在线调优操作，实现对用户的个性化项目推荐操作。具体包括如下步骤：
S1、获取社会网络中的信息数据，预处理信息数据，聚类得到用户信息、项目信息，并基于用户信息和项目信息融入上下文信息构建用户-项目-上下文的三维推荐模型；在实施例中，预处理主要用于过滤信息数据中的冗余干扰信息，具体可采用例如对信息数据进行清洗操作等，当然，也可以采用其他现有的方式进行信息数据中冗余干扰信息的处理，本发明对此并不进行限制和固定，只要可实现对；聚类通过k-means将用户信息与项目信息分离；上下文信息是通过对社会关系网络中进行数据挖掘，得到用户对项目的语义标签。融合后的信息将会有之前的用户-项目二维信息转为用户-项目-上下文三维信息，基于三维信息构建得到三维推荐模型。其中，三维推荐模型定义为：
Figure BDA0002037950140000101
其中，L(U,I,C)表示综合了用户、项目、上下文因素后，经过发明的算法得出的推荐列表。tu表示用户u的测试集合，
Figure BDA0002037950140000102
表示用户选择的项目是否出现在推荐的top-N列表中，λ参数主要线性回归约束。基于所提出的三维推荐模型，本发明成功地将上下文信息与用户和项目关联起来，来为用户进行个性化推荐。
S2、分别提取用户信息、项目信息以及上下文信息的信息特征，并基于信息特征构建用户-项目模型、用户-上下文模型以及项目-上下文模型；在本实施例中，信息特征的提取的过程：先基于用户-项目-上下文三维信息，分别抽取出独立的用户、项目和上下文的特性信息，具体包括用户-用户特征矩阵、项目-项目特征矩阵、上下文-上下文特征矩阵；然后将用户-用户特征矩阵、项目-项目特征矩阵、上下文-上下文特征矩阵两两之间相互融合，得到用户-项目特征矩阵、用户-上下文特征矩阵、上下文-项目特征矩阵；最后，计算最终的潜在特征矩阵，即用户-上下文潜在特征矩阵、上下文-项目特征矩阵、用户-项目特征矩阵。
其中，在实际操作中，为了缓解在在网络数据的推荐过程中，仅使用用户-项目模型、用户-上下文模型以及项目-上下文模型中任一模型导致推荐的精度不高的问题，本发明通过使用公式：
Figure BDA0002037950140000111
实现对用户-项目模型、用户-上下文模型以及项目-上下文模型的综合操作，通过结合用户-项目模型、用户-上下文模型以及项目-上下文模型来提升整体的推荐精度，保证用户可以获取得到最佳的项目推荐；其中，Ranku,c(i)表示用户u在特定上下文c中推荐的项目i，α和β为平衡所述用户-上下文模型和所述用户-项目模型的平衡因子。
S3、分别计算用户-用户之间的第一相似度、项目-项目之间的第二相似度、上下文-上下文之间的第三相似度；并基于第一相似度、第二相似度以及第三相似度计算用户-上下文之间的第一潜在相似度、用户-项目之间的第二潜在相似度、上下文-项目三者之间的第三潜在相似度；其中，第二相似度通过公式：
Figure BDA0002037950140000112
计算获取得到；或者通过公式：
Figure BDA0002037950140000113
计算得到，其中k表示自相关矩阵的维度,rux表示用户u对项目x的评分，同理ruy表示用户u对项目y的评分，
Figure BDA0002037950140000114
和
Figure BDA0002037950140000115
表示用户对项目x和y的平均评分，Ux×y表示同时对项目x和y评分的用户集合；同样的，本发明实施例中，第一相似度和第三相似度也可通过公式：
Figure BDA0002037950140000121
计算得到。
在本发明实施例中，第一潜在相似度通过公式：
Figure BDA0002037950140000122
Figure BDA0002037950140000123
计算获得，其中，LUtC(u,c)表示用户-上下文之间的潜在相似度，
Figure BDA0002037950140000124
是一个标准化过程，其目的是为了降低稀疏或偏僻上下文对用户的扰动影响；nu,c表示在特定的项目中上下文cj在用户ui所选择的项目列表中出现的次数；fi,j是一个布尔函数，表示用户ui是否选择了上下文cj；(CtC)T表示上下文-上下文相似度矩阵的转置；第二潜在相似度通过公式：
Figure BDA0002037950140000125
Figure BDA0002037950140000126
计算获得，其中，LCtI(c,i)表示上下文-项目之间的潜在相似度，
Figure BDA0002037950140000131
是一个标准化过程，其目的是为了降低稀疏或偏僻上下文对项目的扰动影响；nc,i表示在特定的用户下，上下文cj出现在项目列表中的次数；γi,j是一个布尔函数，表示上下文cj是否出现在了项目列表ii中；(ItI)T表示项目-项目相似度矩阵的转置；第三潜在相似度通过公式：
Figure BDA0002037950140000132
Figure BDA0002037950140000133
计算获得，其中，LUtI(u,i)表用户-项目之间的潜在相似度，
Figure BDA0002037950140000134
是一个标准化过程，其目的是为了降低稀疏或偏僻项目对用户的扰动影响；nu,i表示在特定的上下文下，用户ui选择项目ii的次数；δi,j是一个布尔函数，表示用户ui是否选择项目ii；(UtU)T表示用户-用户相似度矩阵的转置。
在本发明实施例中，根据计算获取得到的第一潜在相似度、第二潜在相似度和第三潜在相似度上述的潜在特征矩阵，即用户-上下文潜在特征矩阵、上下文-项目特征矩阵和用户-项目特征矩阵。
S4、使用LCP-RM算法对用户-项目模型、用户-上下文模型和项目-上下文模型进行离线调优操作，并根据用户在线的上下文行为，实时对用户-项目模型、用户-上下文模型和项目-上下文模型进行在线调优操作；优选的，本发明实施例中，上下文行为包括用户对项目的评价信息、用户在选择项目所处于的心情；例如，系统让用户选择现在的心情，根据心情为用户推荐项目；以及用户选择项目所处于的时间、用户选择上下文所处于的地理环境，例如，若用户想看视频，在用户上班、下班、或者在家里以及在单位分别推荐不同的项目给用户。
在本发明实施例中，为了进一步优化推荐列表的精度，本发明采用标准梯度下降法对参数进行调优；具体的，离线调优操作包括：
S41、初始化平衡因子α和β，并设置LCP-RM算法的迭代计数器t；
S42、计算rating1＝Rankc,i(u)，rating2＝Ranku,i(c)；其中，
Figure BDA0002037950140000141
Figure BDA0002037950140000142
S43、由公式score(u,c)＝(α·rating1)×(β·rating2)计算用户u在指定上下文c中对项目的排名score(u,c)，并更新迭代计算器t＝t+1；
S44、重复步骤S42～S43，直到完整遍历对应的项目信息、用户信息和上下文信息，设定一最大迭代值，迭代计算Ranku,c(i)，并更新所述平衡因子α和β；
S45、重复步骤S42～S44，若Ranku,c(i)-Rankt u,c(i)＞0，且步骤S44中迭代次数未超过所述最大迭代值，则完成迭代过程，并按Ranku,c(i)从高到低顺序输出推荐的项目表。
S5、在Last.fm数据集上对LCP-RM算法和三维推荐模型进行测试，并计算LCP-RM算法在推荐精度、推荐召回率以及推荐平均精度的平均值来防止算法和模型的过拟合，实现个性化推荐操作；其中，本发明计算的平均值是多次试验后的平均推荐精度、平均推荐召回率、平均推荐平均精度；在实验过程中，将Last.fm数据集按平均分布随机分为了M份(M由随机函数生成)，取其中的一份作为测试集，剩下的M-1份作为训练集；具体的，通过多次训练得到Rank()公式中α和β的全局最优解；即本发明通过多次试验的过程，实现算法和模型的过拟合现象出现。
下面将结合实际仿真对上述的基于用户上下文感知的个性化推荐方法的有效性和有益效果进行具体说明，具体的，在仿真过程中，实验环境是CentOS操作系统，处理器为Intel(R)Core(TM)i7-4710QM，12GB内存，使用Python进行结果仿真实验；具体如下：
在本实施例中，数据采用的是开源的Last.fm数据集，Last.fm数据集记录748位用户对4965首歌曲的反馈，6385个上下文标记和38213个项目注释；同时，Last.fm也建立了一个社交网络，让用户能够和其他用户建立联系，同时也能让用户给好友推荐自己喜欢的歌曲。具体的，该数据集的基础上进行了数据清洗和预处理，将数据集拆分为70％的训练集、30％测试集、60％的训练集、40％测试集和50％的训练集、50％测试集，进行三次仿真实验并计算Precision、Recall和MAP的平均值，其中，Precision代表推荐的精度，该值越大则表示推荐的精度越高，Recall代表推荐的召回率，该值越大表示推荐的覆盖面越大。MAP表示推荐的平均精度，其值越高表示推荐系统的整体性能更加优越；具体的，Precision、Recall和MAP的平均值的计算公式分别为：
Figure BDA0002037950140000161
Figure BDA0002037950140000162
Figure BDA0002037950140000163
其中，ri表示相关的项目，rtop-n表示相关的top-N的项目，0.5tanh(recall)表示对recall做平滑处理，来进一步减轻推荐的噪声干扰。
结合图3～图6，将本发明方法与现有的三种个性推荐方法分别对同一数据集进行多次实验，计算推荐指标的平均值，具体的，将本发明方法与TCCF、HPRCK、COTF三种主流的上下文推荐方法进行对比实验，每个方法进行10次实验并计算记录Precision、Recall和MAP的平均值，最后与本发明的结果进行比较，且设定在离线调优和在线调优过程中各个参数的值为：α＝0.3,β＝0.4,N＝55；则通过仿真结果对比图可以看出，本发明方法计算得到的Precision、Recall和MAP的平均值均高于其他三种方法，即本发明相较于现有技术具有更加精准的个性推荐操作。
与现有技术相比，本发明基于用户上下文感知的个性化推荐方法的有益效果为：本发明借助用户在社交关系网络中对项目的注释和标注行为，使得算法无需高昂的计算复杂度来对数据进行特征提取，在初始评分矩阵稀疏的情况下，引入用户上下文信息构建用户-项目-上下文信息三维推荐模型，采用张量分解技术对模型降维，构建用户-项目、用户-上下文、项目-上下文模型，来挖掘三者之间的隐藏信息，进一步改善推荐系统的数据稀疏性问题；本发明提出了一个全新的实时推荐模型，通过LCP-RM算法对模型进行离线调优、利用上层用户的实时反馈对模型进行在线调优，使得推荐精度得到了很大的改善。
以上仅为本发明的较佳实施例，但并不限制本发明的专利范围，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员而言，其依然可以对前述各具体实施方式所记载的技术方案进行修改，或者对其中部分技术特征进行等效替换。凡是利用本发明说明书及附图内容所做的等效结构，直接或间接运用在其他相关的技术领域，均同理在本发明专利保护范围之内。

Claims (5)

1.一种基于用户上下文感知的个性化推荐方法，其特征在于，所述方法包括步骤：
S1、获取社会网络中的信息数据，预处理所述信息数据，聚类得到用户信息、项目信息，并基于所述用户信息和项目信息融入上下文信息构建用户-项目-上下文的三维推荐模型；
S2、分别提取所述用户信息、项目信息以及上下文信息的信息特征，并基于所述信息特征构建用户-项目模型、用户-上下文模型以及项目-上下文模型；
S3、分别计算用户-用户之间的第一相似度、项目-项目之间的第二相似度、上下文-上下文之间的第三相似度；并基于所述第一相似度、第二相似度以及所述第三相似度计算用户-上下文之间的第一潜在相似度、用户-项目之间的第二潜在相似度、上下文-项目三者之间的第三潜在相似度；
S4、使用LCP-RM算法对所述用户-项目模型、用户-上下文模型和所述项目-上下文模型进行离线调优操作，并根据用户在线的上下文行为，实时对所述用户-项目模型、用户-上下文模型和所述项目-上下文模型进行在线调优操作；
S5、在Last.fm数据集上对所述LCP-RM算法和所述三维推荐模型进行测试，并计算所述LCP-RM算法在推荐精度、推荐召回率以及推荐平均精度的平均值来防止算法和模型的过拟合；
所述第一潜在相似度通过公式：
Figure FDA0003864297570000011
Figure FDA0003864297570000012
计算获得，其中，LUtC(u,c)表示用户-上下文之间的潜在相似度，u指用户，c指特定上下文；
Figure FDA0003864297570000013
是一个标准化过程，其目的是为了降低稀疏或偏僻上下文对用户的扰动影响；nu,c表示在特定的项目中上下文cj在用户ui所选择的项目列表中出现的次数；fi,j是一个布尔函数，表示用户ui是否选择了上下文cj；(CtC)T表示上下文-上下文相似度矩阵的转置；
所述第二潜在相似度通过公式：
Figure FDA0003864297570000021
Figure FDA0003864297570000022
计算获得，其中，LCtI(c,i)表示上下文-项目之间的潜在相似度，
Figure FDA0003864297570000023
是一个标准化过程，其目的是为了降低稀疏或偏僻上下文对项目的扰动影响；nc,i表示在特定的用户下，上下文cj出现在项目列表中的次数；γi,j是一个布尔函数，表示上下文cj是否出现在了项目列表ii中；(ItI)T表示项目-项目相似度矩阵的转置；
所述第三潜在相似度通过公式：
Figure FDA0003864297570000024
Figure FDA0003864297570000025
计算获得，其中，LUtI(u,i)表用户-项目之间的潜在相似度，
Figure FDA0003864297570000026
是一个标准化过程，其目的是为了降低稀疏或偏僻项目对用户的扰动影响；nu,i表示在特定的上下文下，用户ui选择项目ii的次数；δi,j是一个布尔函数，表示用户ui是否选择项目ii；(UtU)T表示用户-用户相似度矩阵的转置。
2.如权利要求1所述的基于用户上下文感知的个性化推荐方法，其特征在于，所述第二相似度通过公式：
Figure FDA0003864297570000031
计算获取得到；或者通过公式：
Figure FDA0003864297570000032
计算得到，其中k表示自相关矩阵的维度,rux表示用户u对项目x的评分，同理ruy表示用户u对项目y的评分，
Figure FDA0003864297570000033
和
Figure FDA0003864297570000034
表示用户对项目x和y的平均评分，Ux×y表示同时对项目x和y评分的用户集合。
3.如权利要求2所述的基于用户上下文感知的个性化推荐方法，其特征在于，所述第一相似度和所述第三相似度同样采用所述公式：
Figure FDA0003864297570000035
计算得到。
4.如权利要求1所述的基于用户上下文感知的个性化推荐方法，其特征在于，步骤S2中还包括：使用公式：
Figure FDA0003864297570000036
综合所述用户-项目模型、用户-上下文模型以及项目-上下文模型，其中，Ranku,c(i)表示用户u在特定上下文c中推荐的项目i，α和β为平衡因子，其分别平衡所述用户-上下文模型和所述用户-项目模型。
5.如权利要求4所述的基于用户上下文感知的个性化推荐方法，其特征在于，步骤S4中的所述离线调优操作包括：
S41、初始化所述平衡因子α和β，并设置所述LCP-RM算法的迭代计数器t；
S42、计算rating1＝Rankc,i(u)，rating2＝Ranku,i(c)；其中，
Figure FDA0003864297570000041
Figure FDA0003864297570000042
S43、由公式score(u,c)＝(α·rating1)×(β·rating2)计算用户u在指定上下文c中对项目的排名score(u,c)，并更新所述迭代计数器t＝t+1；
S44、重复步骤S42～S43，直到完整遍历对应的项目信息、用户信息和上下文信息，设定一最大迭代值，迭代计算Ranku,c(i)，并更新所述平衡因子α和β；
S45、重复步骤S42～S44，若
Figure FDA0003864297570000043
且步骤S44中迭代次数未超过所述最大迭代值，则完成迭代过程，并按Ranku,c(i)从高到低顺序输出推荐的项目表。
CN201910331887.5A 2019-04-24 2019-04-24 一种基于用户上下文感知的个性化推荐方法 Active CN110069713B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910331887.5A CN110069713B (zh) 2019-04-24 2019-04-24 一种基于用户上下文感知的个性化推荐方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910331887.5A CN110069713B (zh) 2019-04-24 2019-04-24 一种基于用户上下文感知的个性化推荐方法

Publications (2)

Publication Number Publication Date
CN110069713A CN110069713A (zh) 2019-07-30
CN110069713B true CN110069713B (zh) 2023-02-10

Family

ID=67368641

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910331887.5A Active CN110069713B (zh) 2019-04-24 2019-04-24 一种基于用户上下文感知的个性化推荐方法

Country Status (1)

Country Link
CN (1) CN110069713B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111079009B (zh) * 2019-12-11 2023-05-26 中国地质大学（武汉） 一种用于政务地图服务的用户兴趣检测方法及系统
CN113221003B (zh) * 2021-05-20 2023-05-02 北京建筑大学 一种基于对偶理论的混合过滤推荐方法及系统
CN113449210B (zh) * 2021-07-01 2023-01-31 深圳市数字尾巴科技有限公司 基于时空特征的个性化推荐方法、装置、电子设备及存储介质
EP4325421A1 (en) * 2021-08-23 2024-02-21 Samsung Electronics Co., Ltd. Electronic device and method for providing personalized user context aware service

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103559197A (zh) * 2013-09-23 2014-02-05 浙江大学 基于上下文预过滤的实时音乐推荐方法
IL243026A0 (en) * 2015-12-10 2016-02-29 Rokach Lior Designing recommendation systems based on hidden context
CN106649657B (zh) * 2016-12-13 2020-11-17 重庆邮电大学 面向社交网络基于张量分解的上下文感知推荐系统及方法

Also Published As

Publication number Publication date
CN110069713A (zh) 2019-07-30

Similar Documents

Publication Publication Date Title
Guo et al. Attentive long short-term preference modeling for personalized product search
Zhao et al. Connecting social media to e-commerce: Cold-start product recommendation using microblogging information
CN110069713B (zh) 一种基于用户上下文感知的个性化推荐方法
Abdel-Hafez et al. A survey of user modelling in social media websites
Kanwal et al. A review of text-based recommendation systems
CN110083764A (zh) 一种协同过滤算法冷启动问题的解决方法
Lv et al. FeRe: Exploiting influence of multi-dimensional features resided in news domain for recommendation
Mu et al. Collaborative filtering recommendation algorithm based on knowledge graph
Tang et al. Content‐based and knowledge graph‐based paper recommendation: Exploring user preferences with the knowledge graphs for scientific paper recommendation
Xu et al. Do adjective features from user reviews address sparsity and transparency in recommender systems?
CN113495991A (zh) 一种推荐方法和装置
Chen et al. A multitask recommendation algorithm based on DeepFM and Graph Convolutional Network
Jelodar et al. Natural language processing via LDA topic model in recommendation systems
CN116010696A (zh) 融合知识图谱和用户长短期兴趣的新闻推荐方法、系统及介质
Suhaim et al. Directional user similarity model for personalized recommendation in online social networks
Kim et al. TrendsSummary: a platform for retrieving and summarizing trendy multimedia contents
Chew et al. Recommender System for Retail Domain: An Insight on Techniques and Evaluations
Li et al. Collaborative filtering recommendation based on multi-domain semantic fusion
Mao et al. TCR: Temporal-CNN for reviews based recommendation system
Yang et al. Personalized recommendation in social media: a profile expansion approach
Li et al. Aspect mining with rating bias
Wang Application of E-Commerce Recommendation Algorithm in Consumer Preference Prediction
Wu et al. Sigra: a new similarity computation method in recommendation system
Wang et al. Probabilistic attribute mapping for cold-start recommendation
Zhang et al. A movie recommendation method based on knowledge graph and time series

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant