CN110334284B - 一种新型融合多因素决策的推荐方法 - Google Patents

Abstract

一种新型融合多因素决策的推荐方法，包括如下步骤：1)针对项目和用户进行信息收集、整理汇成带项目标签的用户‑项目评分矩阵；2)将原始矩阵分别进行处理转化为用户‑标签评分矩阵和项目‑标签关联矩阵；3)分别采用多因素相似度计算公式得到每个用户与其他所有用户的相似度数值和每个项目与其他所有项目的相似度数值；4)对于原始矩阵，采用填补公式得到基于用户层面的带项目标签的用户‑项目评分矩阵和基于项目层面的带项目标签的用户‑项目评分矩阵；5)将步骤4)中得到的两个矩阵进行求和再取平均值，得到完整的带项目标签的用户‑项目评分矩阵；分别以用户层面或项目层面产生最合适的推荐集。本发明能改善推荐方法的准确性、实用性。

Description

一种新型融合多因素决策的推荐方法

技术领域

本发明涉及人工智能数据挖掘领域领域，涉及到当今众多电商平台或是软件后台中根据用户信息进行喜好分析从而推荐潜在兴趣项目的方法，特别是指一种新型融合多因素决策的推荐方法。

背景技术

协同过滤算法(CF:collaborative filtering)，如今已经广泛应用于电商用户推荐。从最直观的角度解释，该算法是根据用户自身的喜好在大量人群中找到与用户喜好相似的部分人群，寻找到受这些人群喜爱且本用户未接触过的项目将其推荐给本用户。

参见图1，若是从数学算法的角度出发，该算法是作用于如上的用户-项目矩阵，其中u_a表示a用户，i_j表示j项目，P_aj表示a用户对于j项目的评分。该算法针对选定的某一用户向量，利用一些最近邻向量计算公式，寻找与当前用户兴趣喜好相似度较高的邻居用户群，并且计算出相似度数值，之后根据要求选出相似度最高的前若干用户再利用一定的公式加权计算邻居用户的喜好评分值来预测当前用户对于对未接触项目的评分值，最后再将评分较高的若干项推荐给本用户。如图2的流程图可以直观表明协同过滤算法的作用。

CF协同过滤算法具体可以分为基于用户的分析以及基于项目的分析两种，两种算法的计算流程有所相似，但是实际效果有所差异：

·基于用户的协同过滤算法(user-based CF)：主要是根据用户对于项目的喜好找到兴趣相似的近邻用户，然后将近邻用户感兴趣且本用户未曾接触过的项目推荐给本用户。具体计算角度来说，是将一个用户对所有项目的喜好评分作为一个向量来计算各个用户之间的相似度数值，以此找到相似度较高的前K个近邻，根据邻居的相似度权值以及他们对物品的喜好评分来预测当前用户未接触过无喜好评分的物品，由此计算分析得到一个按照评分高低排序的项目列表推荐给本用户。该算法在实际的电商应用中，更注重于找到喜好相似的用户，由此本用户可以接触到一些较新或从未尝试的项目。

·基于项目的协同过滤算法(item-based CF)：主要是根据用户对不同项目的历史打分数据，针对某一项目找到最近邻相似的若干项目，根据类似项目寻找到该项目从未有关联的但是可能会对该项目喜爱的若干用户，将该项目推荐给这些用户。具体从计算角度来看，计算的流程方法是类似的，但是分析对象转为了所有用户对某个物品喜好评分的列向量，经过同样的计算后完善该项目的列向量，并且找到评分相对较高的若干用户，由此得到一个按照接受度高到低排序的用户列表进行推荐。该项目在如今的电商中，往往更注重于发掘用户可能喜欢的类似项目，并且将这些从未接触的项目推荐给用户。

上述的两种方法，用最直观的实际效果对比，基于用户的协同过滤算法可给用户带来一些从未接触过但可能会感兴趣的项目，而基于项目的协同过滤算法则更多是带给与用户喜爱项目类似的项目，往往在实际的电商推荐中，是将两种算法根据特征应用到不同的具体场景中，从而带来更加高效并且具有针对性的推荐效果。

此处将详细介绍CF算法中基于用户的协同过滤算法，在研究群体中针对某一个用户找到兴趣喜好相似的若干用户，根据这些用户的评分预测填补该用户的评分空缺，从而完善整体的用户—评分矩阵用于后续的分析。基于项目的协同过滤算法过程原理与此类似，仅是替换对象而已，此处将不再赘述。

基于用户的协同过滤算法具体计算实现过程如下：

·输入如下的用户-项目评分矩阵，其中u_a表示a用户，i_j表示j项目，P_aj表示a用户对于j项目的评分。参见图3。

·针对某一用户u的行向量计算其与用户v的行向量相似度，此处的相似度有如下5种常用可选的计算公式：

(1)Pearson相似度(pearson correlation coefficient,PCC)：

(2)修正的Pearson相似度(constrained pearson correlation coefficient,CPCC)：

(3)Cosine相似度(COS)：

(4)调整的Cosine相似度(adjusted cosine,ACOS):

(5)Jaccard相似度(Jaccard):

上述公式中，P_ui为用户u针对项目i的评分数值，

为用户u评分数值的均值；P_mid表示给定的评分数值区间的中位数；I_u表示用户u有给予有效评分项目的集合；C_uv表示用户u和用户v均有给予有效评分的项目集合。

在此，可以得到用户u相对其他用户的相似度大小，由此可以从大到小作出排列，选出相似度较大的前k个用户作为用户u的邻近用户群体U′，进入下一步评分预测。

·针对用户u，结合上一步得到的最近邻k用户群体U′，可以对用户u未接触的项目进行评分预测，常用可选择的公式有如下三种：

(1)均值预测：

(2)相似度加权预测：

(3)带均分修正的相似度加权预测：

·至此，可以填补用户u的空缺评分，对于新填充的项目评分可以推选出若干预测评分高的项目推荐给该用户，另外用同样的方法作用于所有用户后，可以完善整个评分矩阵，应用于后续的研究。

上述为基于用户协同过滤算法的详细步骤，整个算法的核心步骤在于相似度的计算，不同的公式对于相似度的计算结果会有所差异，也会导致后续的评分预测产生差异，因此相似度的合理计算相当重要。

但是经过近年来对推荐算法的不断探索研究，我们发现传统的推荐算法使用效果并不理想，并且可以集中归纳为以下几点代表性缺点：

·计算结果的数值常常太过于统一，无法充分反映实际的相似度大小，相似度数值难以用于后续计算分析；

·在部分算法中由于考虑的因素相对单一因此实际相似度更高的向量计算得到的相似度却较低，与实际的变化趋势相违背；

·由于未完全考虑相似矩阵的各个因素构成，导致一些实际重叠部分少，评分相似度不高的向量反而计算的相似度数值较高，与实际的情况完全相反，不可取……

实际上近年的研究成果也针对上述提出的若干问题给出了如下的原因解释：

·传统的公式计算中考虑的因素比较单一，有些仅仅考虑数值差异，有些仅仅考虑重叠项目因素，因此并不能综合反映主观认为的相似度。

·并未考虑到一些用户的评分趋势问题，有些问题的评分相对较低且密集，有些用户的评分则相对集中在高分区，还有些用户的评分能够比较均匀分布在高低数值段，因此合理考虑这个评分趋势问题对于相似度的估计也相当重要。

·对于空缺较大的向量，往往会使得所有计算关注点仅集中在仅有的几个评分，从而忽略了这些仅有评分的项目与其他用户是否重叠，以及单个用户的评分趋势或者可能存在的后续喜好发展，对于这部分问题，如今较多的研究着重于用机器学习的方法来辅助计算用户之间的相似度，从而更好的满足人为主观判断的相似度。

由此可见，传统的推荐算法在实际应用中受到公式考虑因素单一的局限性往往无法有效真实分析出用户的喜好特征从而进行推荐，因此本专利方案真是为了解决这个问题从而提出了一种新型融合多因素决策的复合推荐算法来提升该算法的实用推荐效果。

发明内容

本发明的主要目的在于克服现有技术中的上述缺陷，提出一种新型融合多因素决策的推荐方法。

本发明采用如下技术方案：

一种新型融合多因素决策的复合推荐方法，首先，针对我们要研究的项目、用户进行信息收集、整理，汇成“带项目标签的用户-项目评分”矩阵，同样对于用户未接触过的项目则是评分为空值，将该矩阵作为方法分析的基础。

开始分析之后，分为用户层面以及项目层面两个方向进行相似度计算：

用户层面：将“带项目标签的用户-项目评分”矩阵经过一定的方法处理，转化构造成“用户-标签评分”矩阵，即该矩阵体现了每一位用户对各个标签为内容的喜好程度，并且以此“用户-标签评分”矩阵作为基础利用创新的多因素相似度计算公式可以分析出基于标签内容，每个用户与其他各个用户之间的相似度数值，记录下每个用户对应相似度最高的前三名用户编号以及相似度数值；

项目层面：将“带项目标签的用户-项目评分”矩阵经过一定的方法处理，转化构造成“项目-标签关联”矩阵，即该矩阵体现了每一个项目基于标签内容的相似程度，同样以此“项目-标签关联”矩阵作为基础利用与之前用户层面一样的多因素相似度计算公式可以分析计算出基于标签内容，每个项目与其他各个项目之间的相似度数值，记录下每个项目对应相似度最高的前三名项目编号以及相似度数值；

此处再具体补充说明下使用的创新多因素相似度计算公式，是将两个向量的相似度从“评分数值相似度”、“兴趣倾向相似度”、“重叠置信度”进行综合考虑计算，从而提升相似度的计算准确性。

在完成了两个方向的相似度计算之后，需要进行汇总从而填补原有的“带项目标签的用户-项目评分”矩阵。

针对用户层面计算的相似度结果，将每一个用户的评分向量空值的部分，以之前计算对应相似度最高的3名用户在该用户空值位置的分数情况按相似度作为权值利用“按相似度加权用平均分修正的分数填补公式”进行计算，在针对所有用户均完成该处理步骤后则可以得到基于用户层面填补的完整的“带项目标签的用户-项目评分”矩阵。

针对项目层面计算的相似度结果，同样将每一个项目的评分向量空值的部分，以之前计算对应相似度最高的3个项目在该项目空值位置的分数情况按相似度作为权值利用“按相似度加权用平均分修正的分数填补公式”进行计算，在针对所有项目均完成该处理步骤后则可以得到基于项目层面填补的完整的“带项目标签的用户-项目评分”矩阵。

最后将上述两方向计算得到的完整的“带项目标签的用户-项目评分”矩阵进行矩阵相加然后均值处理，由此便可得到该方法方案需要最后得到的完整的“带项目标签的用户-项目评分”矩阵。

此时便可以针对每个用户，在过去评分空值的项目中，找出预测评分最高的若干项目作为该用户可能会喜欢的潜在项目推荐给用户，从而就完成了推荐方法的工作过程。当然也可以将主体换为项目，以同样的过程原理把该项目推荐给可能会受到喜欢的若干潜在客户。

本发明的方法，使得作为推荐方法基础的用户-项目评分矩阵可以从多角度挖掘更多信息，将用户层面以及项目层面借助“项目标签”作为桥梁同时进行分析考量，并且在具体的相似度计算公式中也从“评分数值相似度”、“兴趣倾向相似度”、“重叠置信度”这三个数值特征角度进行创新改进，从而从多因素来挖掘用户的潜在喜好信息从而改善推荐方法的准确性、实用性。

该方法方案中，相比传统推荐方法需要使用的“用户-项目评分”矩阵还需要在原有基础上针对每一个项目增加“项目标签”的信息，即由于我们进行分析考量的项目均属于一类别，但是同一类别中也可以对不同的项目有不同的标签。举个例子，假设我们的研究项目是电影，那么对应的项目与标签之间关系为：《前任攻略3》——标签：情感、喜剧、都市，《捉妖记2》——标签：神话、喜剧、家庭，《西虹市首富》——标签：喜剧、都市、励志……如上所示，为了能适应我们提出的创新方法，所以在前期的“用户-项目评分”矩阵信息整合阶段，需要对每个项目旁边补上相应的标签描述，从而作为后续方法的实施基础。

附图说明

图1为用户-项目评分矩阵；

图2为CF协同过滤算法原理图；

图3为需要输入的用户-项目评分矩阵；

图4为本发明流程图；

以下结合附图和具体实施例对本发明作进一步详述。

具体实施方式

以下通过具体实施方式对本发明作进一步的描述。

一种新型融合多因素决策的推荐方法，包括如下内容：

1)汇总带空缺值的原始“带项目标签的用户-项目评分”矩阵

首先，针对我们要研究的项目、用户进行信息收集、整理，汇成“带项目标签的用户-项目评分”矩阵，同样对于用户未接触过的项目则是评分为空值，将该矩阵作为方法分析的基础

2)转化计算出“用户-标签评分”矩阵

根据用户对项目的平均评分R。将项目分成两部分，大于等于用户平均评分的项目集合(积极项目集合)和小于用户平均评分的项目集合(消极项目集合)，积极项目集合表示用户u较为喜欢的项目集合，而消极项目集合则表示用户u较不喜欢的项目集合。

定义用户的标签集合为T＝{t₁，t₂，...，t_v}，用户u在项目i上对标签t的权重w_u，j可以利用如下公式求得:

其中R_u，i代表了用户u对项目i的评分。

标签和项目之间是多对多的关系，一个标签能够标记多个项目，同时一个项目也能够拥有多个标签。因此，考量用户和标签之间的关系时应该分别考量用户在该标签标记的项目上的权重，而这些项目上标签对应的权重是不同的。因此，为了衡量用户对某一个标签的整体偏好水平，必须分别计算该用户在积极项目集合与消极项目集合当中对该标签的平均偏好水平。把用户在积极项目集合和消极项目集合上标签权重分别记为

和

具体计算方式如下:

其中

是用户u使用标签t标记的积极项目集合，

是用户u使用标签t标记的消极项目集合。最终，可以通过

和

获得用户u对标签t的整体偏好水平:

至此，可以根据用户u对标签t的整体偏好水平初步建立起“用户-标签评分”矩阵。·转化计算出“项目-标签关联”矩阵

本节参考词频-逆文档频率的思想度量标签和项目之间的相关程度:令N_t代表拥有标签t的项目的个数，N代表项目的总数，Freq_t，i代表使用标签t标注项目i的频率，

代表项目i被标签集里面的标签标记过的次数之和。那么标签t和项目i之间的关联程度q_t，i可以表示成:

由此，便可以建立起“项目-标签关联”矩阵。

3)多因素相似度计算公式

在得到“用户-标签评分”矩阵以及“项目-标签关联”矩阵之后需要计算出基于标签内容，每个用户与其他各个用户之间的相似度数值以及每个项目与其他各个项目之间的相似度数值，记录下每个用户对应相似度最高的前三名用户编号以及相似度数值，同样记录下每个项目对应相似度最高的前三名项目编号以及相似度数值。

如下公式是多因素相似度的计算公式，其中的u,v分别代表两向量：

(1)其中sim1代表评分数值相似度：

其中，u表示主向量u，v表示相应分析的向量v，i表示当前针对的位置i，P_ui表示向量u在位置i的数值，之所以引入参数2是为了使相似度在区间(0,1)间变化。

(2)其中sim2代表兴趣倾向相似度：

其中，u表示主向量u，v表示相应分析的向量v，i表示当前针对的位置i，P_ui表示向量u在位置i的数值，

表示向量u的数值均值。之所以引入参数2是同样为了使相似度在区间(0,1)间变化。

(3)其中sim3代表重叠置信度：

其中，I_u表示向量u的有效非空值元素集合。

4)按相似度加权用平均分修正的分数填补公式

在得到上述的相似度计算结果后，回到原始的“带标签的用户-项目评分”矩阵，将每一个用户的评分向量空值的部分，以之前计算对应相似度最高的3名用户在该用户空值位置的分数情况按相似度作为权值利用“按相似度加权用平均分修正的分数填补公式”进行计算，在针对所有用户均完成该处理步骤后则可以得到基于用户层面填补的完整的“带项目标签的用户-项目评分”矩阵，对于项目层面同样做次处理，具体的计算公式如下：

U代表此时的主体对象(用户或者项目)，i代表该主体对象对应的当前位置(若主体是用户则i代表项目，若主体是项目则i代表用户)，P代表分数值，U’代表该主体的3个最高相似度相关主体合集。

5)得到最终的完整的“带标签的用户-项目评分”矩阵，进行推荐。

最后将上述两方向计算得到的完整的“带项目标签的用户-项目评分”矩阵进行矩阵相加然后均值处理，由此便可得到该方法方案需要最后得到的完整的“带项目标签的用户-项目评分”矩阵。

此时便可以针对每个用户，在过去评分空值的项目中，找出预测评分最高的若干项目作为该用户可能会喜欢的潜在项目推荐给用户，从而就完成了推荐方法的工作过程。当然也可以将主体换为项目，以同样的过程原理把该项目推荐给可能会受到喜欢的若干潜在客户。

上述仅为本发明的具体实施方式，但本发明的设计构思并不局限于此，凡利用此构思对本发明进行非实质性的改动，均应属于侵犯本发明保护范围的行为。

Claims (6)

1.一种新型融合多因素决策的推荐方法，其特征在于，包括如下步骤：

1)针对项目和用户进行信息收集、整理汇成带项目标签的用户-项目评分矩阵构成原始矩阵，该项目为电影，标签包括情感、喜剧、都市、神话、家庭、励志；

2)将原始矩阵分别进行处理转化为用户-标签评分矩阵和项目-标签关联矩阵；

3)对于用户-标签评分矩阵和项目-标签关联矩阵，分别采用多因素相似度计算公式得到每个用户与其他所有用户的相似度数值和每个项目与其他所有项目的相似度数值；记录每个用户相应的相似度最高的3个用户及其用户编号和相似度数值，记录每个项目相应的相似度最高的3个项目及其项目编号和相似度数值；

4)对于原始矩阵中的每个用户评分向量空值的部分，采用填补公式结合相似度最高的3名用户进行填补得到基于用户层面的带项目标签的用户-项目评分矩阵；对于原始矩阵中的每个项目评分向量空值的部分，用填补公式结合相似度最高的3个项目进行填补得到基于项目层面的带项目标签的用户-项目评分矩阵；

5)将步骤4)中得到的两个矩阵进行求和再取平均值，得到完整的带项目标签的用户-项目评分矩阵；分别以用户层面或项目层面产生最合适的推荐集。

2.如权利要求1所述的一种新型融合多因素决策的推荐方法，其特征在于，在步骤5)中，对于原始矩阵中的每个用户评分向量空值的部分，采用相应的相似度最高的3名用户在原始矩阵中该位置的分数情况按相似度作为权值，利用相似度加权用平均分修正的分数填补公式进行填补。

3.如权利要求1所述的一种新型融合多因素决策的推荐方法，其特征在于，在步骤5)中，对于原始矩阵中的每个项目评分向量空值的部分，采用相应的相似度最高的3个项目在原始矩阵中该位置的分数情况按相似度作为权值，利用相似度加权用平均分修正的分数填补公式进行填补。

4.如权利要求1所述的一种新型融合多因素决策的推荐方法，其特征在于，在步骤3)中，所述多因素相似度计算公式为：

u,v分别代表两向量，C_uv表示向量u和向量v均有给予有效评分的项目集合，i表示当前针对的位置，sim1为评分数值相似度、sim2为兴趣倾向相似度、其中sim3为重叠置信度。

5.如权利要求1所述的一种新型融合多因素决策的推荐方法，其特征在于，在步骤2)中，根据用户对标签的整体偏好水平建立所述用户-标签评分矩阵。

6.如权利要求1所述的一种新型融合多因素决策的推荐方法，其特征在于，在步骤2)中，根据标签和项目之间的关联程度建立所述项目-标签关联矩阵。

Images