CN110413880A - 基于用户人格分层结构的单分类协同过滤方法 - Google Patents

基于用户人格分层结构的单分类协同过滤方法 Download PDF

Info

Publication number
CN110413880A
CN110413880A CN201910619057.2A CN201910619057A CN110413880A CN 110413880 A CN110413880 A CN 110413880A CN 201910619057 A CN201910619057 A CN 201910619057A CN 110413880 A CN110413880 A CN 110413880A
Authority
CN
China
Prior art keywords
user
matrix
layer
personality
article
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.)
Granted
Application number
CN201910619057.2A
Other languages
English (en)
Other versions
CN110413880B (zh
Inventor
孙见山
宋建
刘业政
姜元春
凌海峰
孙春华
陈夏雨
刘春丽
应蓉蓉
耿杰
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.)
Hefei University of Technology
Hefei Polytechnic University
Original Assignee
Hefei Polytechnic University
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 Hefei Polytechnic University filed Critical Hefei Polytechnic University
Priority to CN201910619057.2A priority Critical patent/CN110413880B/zh
Publication of CN110413880A publication Critical patent/CN110413880A/zh
Application granted granted Critical
Publication of CN110413880B publication Critical patent/CN110413880B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90Details of database functions independent of the retrieved data types
    • G06F16/95Retrieval from the web
    • G06F16/953Querying, e.g. by the use of web search engines
    • G06F16/9535Search customisation based on user profiles and personalisation
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06QINFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00Commerce
    • G06Q30/06Buying, selling or leasing transactions
    • G06Q30/0601Electronic shopping [e-shopping]
    • G06Q30/0631Item recommendations

Landscapes

  • Engineering & Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Development Economics (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明提供一种基于用户人格分层结构的单分类协同过滤方法,涉及计算机数据处理领域。本发明提供的用户人格分层结构应用在单分类协同过滤算法中的方法,适用于对隐式反馈数据的处理。传统的单分类协同过滤方法没有融合用户的分层结构,本发明提出的方法基于加权矩阵分解,通过引入人格特质信息对用户进行分层,构建用户的分层结构,充分利用已有信息,缓解了数据的稀疏问题,减轻了推荐系统对新用户的不友好,使得商品对用户的个性化推荐更加准确。

Description

基于用户人格分层结构的单分类协同过滤方法
技术领域
本发明涉及计算机数据处理技术领域,具体是一种基于用户人格分层结构的单分类协同过滤方法。
背景技术
随着电子商务的发展,各大购物网站上的商品极大丰富,如何帮助用户轻松地从各色各样的商品中挑选喜欢的物品成为一个重大的挑战。在这种环境下,推荐系统逐渐成为应对这一挑战的工具之一,被应用到各大电子商务购物网站、视频音乐网站,增加了消费者和商家的双向经济效益和整体满意度。
协同过滤方法是最流行的商品推荐方法之一,只需要用户的历史浏览数据或打分数据就可以预测用户对物品偏好情况。然而,在购物和音乐视频网站中,用户对于物品的打分数据是难以获取的,不能直观地获得用户对某个物品的偏好得分,因而传统个性化推荐模型的实用型受到很大的限制。同时,用户在浏览点击和购买过程中会经常产生隐式反馈数据,例如看电影的记录、商品的购买记录、浏览网页的历史记录,这种数据更容易获得,有更多的使用场景。单分类协同过滤方法适用于处理这类隐式反馈数据,可以对用户的隐式反馈数据进行分析进而预测用户可能感兴趣的物品。
虽然现有的单分类协同过滤方法为推荐系统提供了有效的理论和实践,其仍然存在着很多的问题,例如用户和物品交互信息稀疏导致推荐效果不佳,并且对缺少历史信息的新用户不够友好,因此现有技术不能准确为用户提供个性化推荐。
发明内容
(一)解决的技术问题
针对现有技术的不足,本发明提供了一种基于用户人格分层结构的单分类协同过滤方法,解决了现有技术不能准确为用户提供个性化推荐的问题。
(二)技术方案
为实现以上目的,本发明通过以下技术方案予以实现:
本发明解决其技术问题所提供的一种基于用户人格分层结构的单分类协同过滤方法,所述过滤方法由计算机执行,包括以下步骤:
S1、获取用户与物品的交互信息数据和人格特质数据,形成历史交互信息数据和历史人格特质数据;
S2、基于所述历史人格特质数据对用户进行分类,得到用户人格分层结构;
S3、基于所述用户人格分层结构获取相邻层次间的分层结构矩阵;
S4、基于所述历史交互信息数据获取用户与物品的交互矩阵;
S5、基于加权矩阵分解算法对所述交互矩阵进行处理,得到第一层的两个层次矩阵,包括:用户特征矩阵和物品特征矩阵;
S6、基于基础矩阵分解算法对所述用户特征矩阵进行处理,得到第二层的两个层次矩阵,包括:所述分层结构矩阵的转置、第二层子分类的特征矩阵;
S7、基于所述分层结构矩阵和所述第二层的两个层次矩阵获取子分类特征矩阵;以最小化所述子分类特征矩阵和所述第二层子分类的特征矩阵之间的差值为目标,基于最小化损失函数获取目标函数;
S8、基于预设的更新规则对所述目标函数进行迭代计算,直到所述目标函数达到收敛,得到收敛函数;
S9、基于所述收敛函数对所述交互矩阵进行重构,重构后的交互矩阵用于向用户推荐商品。
优选的,所述历史交互信息数据包括:
用户信息数据,表示为U={u1,u2,...,un},其中,ui表示第i个访问用户,1≤i≤n;
物品信息数据,表示为V={v1,v2,...,vm},其中,vj表示第j个物品,1≤j≤m;
用户对物品的隐式反馈数据,第i个访问用户ui对第j个物品vj的隐式反馈记为X(i,j);若用户ui购买或点击过vj,则X(i,j)=1,否则X(i,j)=0。
优选的,所述历史人格特质数据表示为P={p1,p2,...,pn},pn表示第n个用户un的人格特质,且:
其中:
J表示量化人格特质的维度个数;
表示第n个用户un的第j个人格特质得分。
优选的,在S2中,所述用户人格分层结构的获取方法为:根据J个人格特质维度,通过使用K-means算法将相似用户汇聚到k个簇中,将用户划分到k个不同的分组中,得到基于人格特质的用户人格分层结构。
优选的,所述S3具体为:
表示用户人格特质分层后的层次之间关系,基于所述层次之间关系获取分层结构矩阵,对所述分层结构矩阵进行标准化:
其中:
n表示用户数量;
k表示第2层的子分类个数;
Q(i,j)表示分层结构中第1层的第j个用户与第2层中第i个子分类的从属关系,若存在从属关系,则值为1,否则为0。
优选的,在S5中,所述加权矩阵分解方法的目标函数为:
其中:
⊙表示哈达玛积;
W表示用户对物品点击或购买情况的权重矩阵;
λ为正则化系数;
表示正则化项;
W=1+c*rij
其中:
rij表示用户ui对物品vj的点击或购买次数,c为人为设置的正数。
优选的,在S6中,使用基础的矩阵分解算法将用户特征矩阵分解为U≈U1U2
其中:
m1表示的第一层的各个物品在第二层被划分的潜在子分类数量;
U1表示由基础的矩阵分解得到的第一层和第二层之间的分层结构矩阵的转置;
U2表示第二层子分类在k个维度上的得分,是子分类的特征矩阵;
其中,基础的矩阵分解方法的目标函数为:
其中:
λ为正则化系数;
表示正则化项。
优选的,在S7中,所述目标函数为:
其中:
⊙表示哈达玛积;
W表示用户对物品点击或购买情况的权重矩阵;
α是人为设置的参数;
λ为正则化系数;
表示正则化项。
优选的,在S8中,所述预设的更新规则为:
其中:
⊙表示哈达玛积;
W表示用户对物品点击或购买情况的权重矩阵;
T表示矩阵的转置。
优选的,所述S9具体为:将用户物品的打分矩阵重构为Xpred=U1U2V,用户ui对物品vj的偏好预测为Xpred(i,j);
其中:
U1表示由基础的矩阵分解得到的第一层和第二层之间的分层结构矩阵的转置;
U2表示第二层子分类在k个维度上的得分,是子分类的特征矩阵;
V为物品特征矩阵;
ui表示第i个访问用户;
vj表示第j个物品。
(三)有益效果
本发明提供了一种基于用户人格分层结构的单分类协同过滤方法。与现有技术相比,具备以下有益效果:
本发明提出了用户人格分层结构应用在单分类协同过滤算法中的方法,适用于对隐式反馈数据的处理。传统的单分类协同过滤方法没有融合用户的分层结构,本发明提出的方法基于加权矩阵分解,通过引入人格特质信息对用户进行分层,构建用户的分层结构,充分利用已有信息,缓解了数据的稀疏问题,减轻了推荐系统对新用户的不友好,使得商品对用户的个性化推荐更加准确。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的基于用户人格分层结构的单分类协同过滤方法的流程图;
图2为本发明实施例提供的基于用户人格分层结构的单分类协同过滤方法的示意图;
图3为本发明实施例中分层结构中相邻层次间的示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本申请实施例通过提供一种基于用户人格分层结构的单分类协同过滤方法,解决了现有技术不能准确为用户提供个性化推荐的问题,实现了对用户准确提供个性化推荐。
本申请实施例中的技术方案为解决上述技术问题,总体思路如下:
本发明实施例提出了用户人格分层结构应用在单分类协同过滤算法中的方法,适用于对隐式反馈数据的处理。传统的单分类协同过滤方法没有融合用户的分层结构,本发明实施例提出的方法基于加权矩阵分解,通过引入人格特质信息对用户进行分层,构建用户的分层结构,充分利用已有信息,缓解了数据的稀疏问题,减轻了推荐系统对新用户的不友好,使得商品对用户的个性化推荐更加准确。
为了更好的理解上述技术方案,下面将结合说明书附图以及具体的实施方式对上述技术方案进行详细的说明。
本发明实施例提供了一种基于用户人格分层结构的单分类协同过滤方法,所述过滤方法由计算机执行,如图1和图2所示,包括以下步骤:
S1、获取用户与物品的交互信息数据和人格特质数据,形成历史交互信息数据和历史人格特质数据;
S2、基于所述历史人格特质数据对用户进行分类,得到用户人格分层结构;
S3、基于所述用户人格分层结构获取相邻层次间的分层结构矩阵;
S4、基于所述历史交互信息数据获取用户与物品的交互矩阵;
S5、基于加权矩阵分解算法对所述交互矩阵进行处理,得到第一层的两个层次矩阵,包括:用户特征矩阵和物品特征矩阵;
S6、基于基础矩阵分解算法对所述用户特征矩阵进行处理,得到第二层的两个层次矩阵,包括:所述分层结构矩阵的转置、第二层子分类的特征矩阵;
S7、基于所述分层结构矩阵和所述第二层的两个层次矩阵获取子分类特征矩阵;以最小化所述子分类特征矩阵和所述第二层子分类的特征矩阵的差值为目标,基于最小化损失函数获取目标函数;
S8、基于预设的更新规则对所述目标函数进行迭代计算,直到所述目标函数达到收敛,得到收敛函数;
S9、基于所述收敛函数对所述交互矩阵进行重构。
本发明实施例提出了用户人格分层结构应用在单分类协同过滤算法中的方法,适用于对隐式反馈数据的处理。传统的单分类协同过滤方法没有融合用户的分层结构,本发明实施例提出的方法基于加权矩阵分解,通过引入人格特质信息对用户进行分层,构建用户的分层结构,充分利用已有信息,缓解了数据的稀疏问题,减轻了推荐系统对新用户的不友好,使得商品对用户的个性化推荐更加准确。
下面对各步骤进行详细描述,本发明实施例可以由计算机执行。
在步骤S1中,获取用户与物品的交互信息数据和人格特质数据,形成历史交互信息数据和历史人格特质数据。
具体的,所述历史交互信息数据包括:
用户信息数据,表示为U={u1,u2,…,un},其中,ui表示第i个访问用户,1≤i≤n;
物品信息数据,表示为V={v1,v2,…,vm},其中,vj表示第j个物品,1≤j≤m;
用户对物品的隐式反馈数据,第i个访问用户ui对第j个物品vj的隐式反馈记为X(i,j);若用户ui购买或点击过vj,则X(i,j)=1,否则X(i,j)=0。
所述历史人格特质数据表示为P={p1,p2,...,pn},pn表示第n个用户un的人格特质,且:
其中:
J表示量化人格特质的维度个数;
表示第n个用户un的第j个人格特质得分。
j=1,2,…,J,每个人格特质得分的取值范围都相同。在人格特制的量化上,常用的是大五人格特质,这种量化方式将人格划分为五个维度,分别是开放性、严谨性、外向型、宜人性和神经质这五维度,这五个维度都由一个大于1小于5的小数表示,代表用户在每个人格维度上的倾向程度,数值越大,表示这种人格的倾向越高。
在步骤S2中,基于所述历史人格特质数据对用户进行分类,得到用户人格分层结构。
具体的,对于n个用户,u1,u2,...,un,其人格分组P={p1,p2,...,pn},根据J个人格特质维度,通过使用K-means算法将相似用户汇聚到k个簇中,将用户划分到k个不同的分组中,得到基于人格特质的用户人格分层结构。
在步骤S3中,基于所述用户人格分层结构获取相邻层次间的分层结构矩阵。
具体的,用表示用户人格特质分层后的层次之间关系,基于所述层次之间关系获取分层结构矩阵,对所述分层结构矩阵进行标准化:
其中:
n表示用户数量;
k表示第2层的子分类个数;
Q(i,j)表示分层结构中第1层的第j个用户与第2层中第i个子分类的从属关系,若存在从属关系,则值为1,否则为0。
如图3所示,第一层用户数为n,第二层聚类后的子分类数为k',在分层结构中,第一层表示各用户,每个用户是相互独立的。第二层是根据用户的人格信息进行的分层后情况。表示第一层与第二层之间的分层结构关系。以用户3为例,Q(1,3)=0、Q(2,3)=1、Q(3,3)=1,…,Q(k',3)=0,其他用户使用相同的规则,从而产生分层结构中层次节点之间的分层结构矩阵。
在步骤S4中,基于所述历史交互信息数据获取用户与物品的交互矩阵。
具体的,所有访问用户对所有物品的交互信息组成用户与物品交互矩阵,表示为
在步骤S5中,基于加权矩阵分解算法对所述交互矩阵进行处理,得到第一层的两个层次矩阵,包括:用户特征矩阵和物品特征矩阵。
在本发明实施例中,使用加权矩阵分解方法将用户隐式反馈交互矩阵分解为用户特征矩阵和物品特征矩阵其中k为设定的维度数量,m为物品数,n为用户数。
加权矩阵分解方法的目标函数为:
其中:
⊙表示哈达玛积;
W表示用户对物品点击或购买情况的权重矩阵;
λ为正则化系数;
表示正则化项。
如果用户ui对物品vj点击或购买了rij次,则:
W=W(i,j)=1+c*rij
其中:
rij表示用户ui对物品vj的点击或购买次数,c为人为设置的正数。
在步骤S6中,基于基础矩阵分解算法对所述用户特征矩阵进行处理,得到第二层的两个层次矩阵,包括:所述分层结构矩阵的转置、第二层子分类的特征矩阵。
具体的,使用基础的矩阵分解算法将用户特征矩阵分解,得到第二层的两个层次矩阵,一个是由矩阵分解得到的第一层和第二层的分层结构矩阵的转置,另一个是第二层子分类的特征矩阵,分别为U≈U1U2
其中:
m1表示的第一层的各个物品在第二层被划分的潜在子分类数量;
U1表示由基础的矩阵分解得到的第一层和第二层之间的分层结构矩阵的转置;
U2表示第二层子分类在k个维度上的得分,是子分类的特征矩阵;
其中,基础的矩阵分解方法的目标函数为:
其中:
λ为正则化系数;
表示正则化项。
在步骤S7中,基于所述分层结构矩阵和所述第二层的两个层次矩阵获取子分类特征矩阵;以最小化所述子分类特征矩阵和所述第二层子分类的特征矩阵之间的的差值为目标,基于最小化损失函数获取目标函数。
具体的,将相邻层次间的分层结构矩阵和第二层的两个层次矩阵相乘,计算得到子分类特征矩阵。
令所述子分类特征矩阵和所述第二层子分类的特征矩阵的差值最小,构建出对用户推荐商品的目标函数。
目标函数具体为:
其中:
⊙表示哈达玛积;
W表示用户对物品点击或购买情况的权重矩阵;
α是人为设置的参数;
λ为正则化系数;
表示正则化项。
在步骤S8中,基于预设的更新规则对所述目标函数进行迭代计算,直到所述目标函数达到收敛,得到收敛函数。
具体的,使用拉格朗日函数和Karush-Kuhn-Tucker互补条件,计算得到预设置的更新规则,更新规则为:
其中:
⊙表示哈达玛积;
W表示用户对物品点击或购买情况的权重矩阵;
T表示矩阵的转置。
通过更新规则对目标函数进行迭代计算,直到商品推荐目标函数达到收敛,得到收敛函数。
在步骤S9中,基于所述收敛函数对所述交互矩阵进行重构,重构后的交互矩阵用于向用户推荐商品。
具体的,将用户物品的打分矩阵重构为Xpred=U1U2V,用户ui对物品vj的偏好预测表示为Xpred(i,j)。
其中:
U1表示由基础的矩阵分解得到的第一层和第二层之间的分层结构矩阵的转置;
U2表示第二层子分类在k个维度上的得分,是子分类的特征矩阵;
V为物品特征矩阵;
ui表示第i个访问用户;
vj表示第j个物品。
综上所述,与现有技术相比,具备以下有益效果:
1、本发明实施例提出了用户人格分层结构应用在单分类协同过滤算法中的方法,适用于对隐式反馈数据的处理。传统的单分类协同过滤方法没有融合用户的分层结构,本发明实施例提出的方法基于加权矩阵分解,通过引入人格特质信息对用户进行分层,构建用户的分层结构,充分利用已有信息,缓解了数据的稀疏问题,减轻了推荐系统对新用户的不友好,使得商品对用户的个性化推荐更加准确。
2、本发明实施例使用人格信息作为用户的额外信息,相对于传统推荐算法中使用的用户群组、用户职业和用户搜索记录等信息,更可以深层次得反映用户的偏好信息,对于因数据稀疏导致的缺失数据可以提供更为真实的预测评分。并且,对于人格特质相似的用户,其偏好也是类似的,对于新加入的用户,可以从人格特质这一角度出发,为新用户计算出其适合的分组,从而一定程度上解决冷启动的问题。
3、本发明实施例可用于各类实体商品以及音乐和视频等数字化商品,也可用于旅行度假类的服务型行业的推荐系统中,可在浏览器端或手机应用端多平台使用,从而提高商家的广告点击和商品销量,增加企业的收益,同时也提高了消费者的满意度。
需要说明的是,通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
在此处所提供的说明书中,说明了大量具体细节。然而,能够理解,本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中,并未详细示出公知的方法、结构和技术,以便不模糊对本说明书的理解。
在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例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同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (10)

1.一种基于用户人格分层结构的单分类协同过滤方法,其特征在于,所述过滤方法由计算机执行,包括以下步骤:
S1、获取用户与物品的交互信息数据和人格特质数据,形成历史交互信息数据和历史人格特质数据;
S2、基于所述历史人格特质数据对用户进行分类,得到用户人格分层结构;
S3、基于所述用户人格分层结构获取相邻层次间的分层结构矩阵;
S4、基于所述历史交互信息数据获取用户与物品的交互矩阵;
S5、基于加权矩阵分解算法对所述交互矩阵进行处理,得到第一层的两个层次矩阵,包括:用户特征矩阵和物品特征矩阵;
S6、基于基础矩阵分解算法对所述用户特征矩阵进行处理,得到第二层的两个层次矩阵,包括:所述分层结构矩阵的转置、第二层子分类的特征矩阵;
S7、基于所述分层结构矩阵和所述第二层的两个层次矩阵获取子分类特征矩阵;以最小化所述子分类特征矩阵和所述第二层子分类的特征矩阵之间的差值为目标,基于最小化损失函数获取目标函数;
S8、基于预设的更新规则对所述目标函数进行迭代计算,直到所述目标函数达到收敛,得到收敛函数;
S9、基于所述收敛函数对所述交互矩阵进行重构,重构后的交互矩阵用于向用户推荐商品。
2.如权利要求1所述的基于用户人格分层结构的单分类协同过滤方法,其特征在于,所述历史交互信息数据包括:
用户信息数据,表示为U={u1,u2,...,un},其中,ui表示第i个访问用户,1≤i≤n;
物品信息数据,表示为V={v1,v2,...,vm},其中,vj表示第j个物品,1≤j≤m;
用户对物品的隐式反馈数据,第i个访问用户ui对第j个物品vj的隐式反馈记为X(i,j);若用户ui购买或点击过vj,则X(i,j)=1,否则X(i,j)=0。
3.如权利要求2所述的基于用户人格分层结构的单分类协同过滤方法,其特征在于,所述历史人格特质数据表示为P={p1,p2,...,pn},pn表示第n个用户un的人格特质,且:
其中:
J表示量化人格特质的维度个数;
表示第n个用户un的第j个人格特质得分。
4.如权利要求3所述的基于用户人格分层结构的单分类协同过滤方法,其特征在于,在S2中,所述用户人格分层结构的获取方法为:根据J个人格特质维度,通过使用K-means算法将相似用户汇聚到k个簇中,将用户划分到k个不同的分组中,得到基于人格特质的用户人格分层结构。
5.如权利要求4所述的基于用户人格分层结构的单分类协同过滤方法,其特征在于,所述S3具体为:
表示用户人格特质分层后的层次之间关系,基于所述层次之间关系获取分层结构矩阵,对所述分层结构矩阵进行标准化:
其中:
n表示用户数量;
k表示第2层的子分类个数;
Q(i,j)表示分层结构中第1层的第j个用户与第2层中第i个子分类的从属关系,若存在从属关系,则值为1,否则为0。
6.如权利要求5所述的基于用户人格分层结构的单分类协同过滤方法,其特征在于,在S5中,所述加权矩阵分解方法的目标函数为:
其中:
⊙表示哈达玛积;
W表示用户对物品点击或购买情况的权重矩阵;
λ为正则化系数;
表示正则化项;
W=1+c*rij
其中:
rij表示用户ui对物品vj的点击或购买次数,c为人为设置的正数。
7.如权利要求6所述的基于用户人格分层结构的单分类协同过滤方法,其特征在于,在S6中,使用基础的矩阵分解算法将用户特征矩阵分解为U≈U1U2
其中:
m1表示的第一层的各个物品在第二层被划分的潜在子分类数量;
U1表示由基础的矩阵分解得到的第一层和第二层之间的分层结构矩阵的转置;
U2表示第二层子分类在k个维度上的得分,是子分类的特征矩阵;
其中,基础的矩阵分解方法的目标函数为:
其中:
λ为正则化系数;
表示正则化项。
8.如权利要求7所述的基于用户人格分层结构的单分类协同过滤方法,其特征在于,在S7中,所述目标函数为:
其中:
⊙表示哈达玛积;
W表示用户对物品点击或购买情况的权重矩阵;
α是人为设置的参数;
λ为正则化系数;
表示正则化项。
9.如权利要求8所述的基于用户人格分层结构的单分类协同过滤方法,其特征在于,在S8中,所述预设的更新规则为:
其中:
⊙表示哈达玛积;
W表示用户对物品点击或购买情况的权重矩阵;
T表示矩阵的转置。
10.如权利要求9所述的基于用户人格分层结构的单分类协同过滤方法,其特征在于,所述S9具体为:将用户物品的打分矩阵重构为Xpred=U1U2V,用户ui对物品vj的偏好预测为Xpred(i,j);
其中:
U1表示由基础的矩阵分解得到的第一层和第二层之间的分层结构矩阵的转置;
U2表示第二层子分类在k个维度上的得分,是子分类的特征矩阵;
V为物品特征矩阵;
ui表示第i个访问用户;
vj表示第j个物品。
CN201910619057.2A 2019-07-10 2019-07-10 基于用户人格分层结构的单分类协同过滤方法 Active CN110413880B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910619057.2A CN110413880B (zh) 2019-07-10 2019-07-10 基于用户人格分层结构的单分类协同过滤方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910619057.2A CN110413880B (zh) 2019-07-10 2019-07-10 基于用户人格分层结构的单分类协同过滤方法

Publications (2)

Publication Number Publication Date
CN110413880A true CN110413880A (zh) 2019-11-05
CN110413880B CN110413880B (zh) 2021-09-14

Family

ID=68360907

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910619057.2A Active CN110413880B (zh) 2019-07-10 2019-07-10 基于用户人格分层结构的单分类协同过滤方法

Country Status (1)

Country Link
CN (1) CN110413880B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111310028A (zh) * 2020-01-19 2020-06-19 浙江连信科技有限公司 基于心理化特征的推荐方法及装置
CN114881689A (zh) * 2022-04-26 2022-08-09 驰众信息技术(上海)有限公司 基于矩阵分解的楼宇推荐方法和系统
CN115935068A (zh) * 2022-12-12 2023-04-07 杭州洋驼网络科技有限公司 互联网平台的商品推荐方法以及装置

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103093376A (zh) * 2013-01-16 2013-05-08 北京邮电大学 基于奇异值分解算法的聚类协同过滤推荐系统
US20140074639A1 (en) * 2011-05-16 2014-03-13 Nokia Corporation Method and apparatus for holistic modeling of user item rating with tag information in a recommendation system
CN104199818A (zh) * 2014-07-01 2014-12-10 华中科技大学 一种基于分类的社会化推荐方法
CN108109058A (zh) * 2018-01-11 2018-06-01 合肥工业大学 一种融合人格特质和物品标签的单分类协同过滤方法
CN108334592A (zh) * 2018-01-30 2018-07-27 南京邮电大学 一种基于内容与协同过滤相结合的个性化推荐方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140074639A1 (en) * 2011-05-16 2014-03-13 Nokia Corporation Method and apparatus for holistic modeling of user item rating with tag information in a recommendation system
CN103093376A (zh) * 2013-01-16 2013-05-08 北京邮电大学 基于奇异值分解算法的聚类协同过滤推荐系统
CN104199818A (zh) * 2014-07-01 2014-12-10 华中科技大学 一种基于分类的社会化推荐方法
CN108109058A (zh) * 2018-01-11 2018-06-01 合肥工业大学 一种融合人格特质和物品标签的单分类协同过滤方法
CN108334592A (zh) * 2018-01-30 2018-07-27 南京邮电大学 一种基于内容与协同过滤相结合的个性化推荐方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
WANG S ET AL.: "Exploring implicit hierarchical structures for recommender systems", 《IEEE TRANSACTIONS ON KNOWLEDGE AND DATA ENGINEERING》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111310028A (zh) * 2020-01-19 2020-06-19 浙江连信科技有限公司 基于心理化特征的推荐方法及装置
CN114881689A (zh) * 2022-04-26 2022-08-09 驰众信息技术(上海)有限公司 基于矩阵分解的楼宇推荐方法和系统
CN115935068A (zh) * 2022-12-12 2023-04-07 杭州洋驼网络科技有限公司 互联网平台的商品推荐方法以及装置
CN115935068B (zh) * 2022-12-12 2023-09-05 杭州洋驼网络科技有限公司 互联网平台的商品推荐方法以及装置

Also Published As

Publication number Publication date
CN110413880B (zh) 2021-09-14

Similar Documents

Publication Publication Date Title
CN108629665B (zh) 一种个性化商品推荐方法和系统
Rafailidis et al. Modeling users preference dynamics and side information in recommender systems
Bauer et al. Recommender systems based on quantitative implicit customer feedback
Panniello et al. Incorporating context into recommender systems: an empirical comparison of context-based approaches
US20190012719A1 (en) Scoring candidates for set recommendation problems
CN110413880A (zh) 基于用户人格分层结构的单分类协同过滤方法
CN107230098A (zh) 一种业务对象的分时推荐方法和系统
CN108198045A (zh) 基于电子商务网站数据挖掘的混合推荐系统的设计方法
CN108109058B (zh) 一种融合人格特质和物品标签的单分类协同过滤方法
CN110619559B (zh) 基于大数据信息在电子商务中精准推荐商品的方法
CN105894310A (zh) 一种个性化推荐方法
Khodabandehlou Designing an e-commerce recommender system based on collaborative filtering using a data mining approach
Barros et al. A method for hardware software partitioning
Guha Improving the performance of an artificial intelligence recommendation engine with deep learning neural nets
CN108052534A (zh) 一种基于地理特征的房地产推荐方法
Wu et al. An enhanced recommendation scheme for online grocery shopping
CN111104606A (zh) 一种基于权重的条件游走图推荐方法
CN108763515B (zh) 一种基于概率矩阵分解的时间敏感个性化推荐方法
CN110555719B (zh) 一种基于深度学习的商品点击率预测方法
CN110020918B (zh) 一种推荐信息生成方法和系统
Peixoto et al. Integrating a data mining engine into recommender systems
CN114676348A (zh) 一种商品时效期推荐方法
CN115115391A (zh) 针对多任务推荐系统的少样本学习
Kumar et al. Context-aware social popularity based recommender system
Prabakaran et al. A survey on recommendation systems using collaborative filtering techniques

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