CN110570267A - 一种协同过滤物品推荐方法 - Google Patents

一种协同过滤物品推荐方法 Download PDF

Info

Publication number
CN110570267A
CN110570267A CN201910663530.7A CN201910663530A CN110570267A CN 110570267 A CN110570267 A CN 110570267A CN 201910663530 A CN201910663530 A CN 201910663530A CN 110570267 A CN110570267 A CN 110570267A
Authority
CN
China
Prior art keywords
item
matrix
vector
user
collaborative filtering
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
CN201910663530.7A
Other languages
English (en)
Other versions
CN110570267B (zh
Inventor
吴哲夫
李泽农
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.)
Zhejiang University of Technology ZJUT
Original Assignee
Zhejiang University of Technology ZJUT
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 Zhejiang University of Technology ZJUT filed Critical Zhejiang University of Technology ZJUT
Priority to CN201910663530.7A priority Critical patent/CN110570267B/zh
Publication of CN110570267A publication Critical patent/CN110570267A/zh
Application granted granted Critical
Publication of CN110570267B publication Critical patent/CN110570267B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06F16/9536—Search customisation based on social or collaborative filtering
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION 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
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION 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
    • G06Q30/00—Commerce
    • G06Q30/06—Buying, selling or leasing transactions
    • G06Q30/0601—Electronic shopping [e-shopping]
    • G06Q30/0631—Item recommendations

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • Human Resources & Organizations (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Development Economics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Pure & Applied Mathematics (AREA)
  • Software Systems (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • Educational Administration (AREA)
  • Finance (AREA)
  • Accounting & Taxation (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Health & Medical Sciences (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Game Theory and Decision Science (AREA)
  • Biophysics (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Algebra (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

一种协同过滤物品推荐方法，包括以下步骤：步骤1：建立m×n用户‑物品评分矩阵A，m为用户数量，n为物品数量；步骤2：学习n×n物品‑物品相似度矩阵W；步骤3：将矩阵W分解为矩阵P和矩阵Q；步骤4：根据如下公式预测用户u对物品j的评分；步骤5：使用训练集训练模型，然后在测试集上检验推荐的准确度。本发明能够克服稀疏性问题，并更准确地为用户推荐物品。

Description

一种协同过滤物品推荐方法
技术领域
本发明涉及个性化物品推荐领域，具体涉及一种协同过滤物品推荐方法。
背景技术
在协同过滤物品推荐中，为了预测用户下一步将购买什么物品，需要同时考虑长期和短期动态。现有的将矩阵分解和马尔科夫链结合的方法FPMC遇到了稀疏性问题，而且没有考虑到物品外观特征。
发明内容
为了克服现有协同过滤推荐方法面临的稀疏性问题和未利用物品外观特征的缺点，本发明提出了一种协同过滤推荐方法，克服了稀疏性问题，还利用了物品的外观特征，能更准确地为用户推荐物品。
本发明解决其技术问题所采用的技术方案是：
一种协同过滤物品推荐方法，包括以下步骤：
步骤1：建立m×n用户-物品评分矩阵A，m为用户数量，n为物品数量；
步骤2：学习n×n物品-物品相似度矩阵W；
步骤3：将矩阵W分解为矩阵P和矩阵Q；
步骤4：根据如下公式预测用户u对物品j的评分：
其中，βj为物品j的偏差(标量)，为用户u点击、购买过物品的集合，α为权重因子，Pj′为物品j′的潜在向量，Pi为物品i的潜在向量，i为用户u最近点击、购买的一个物品，Qj为物品j的潜在向量，η和ηu分别为全局权重向量和个性化权重向量，θu为用户u的视觉因子向量，E为嵌入矩阵，将深度卷积神经网络特征空间嵌入到视觉空间，β′为视觉偏差向量，fj为物品j的深度卷积神经网络视觉特征向量；
步骤5：使用训练集训练模型，然后在测试集上检验推荐的准确度。
进一步，所述步骤2中，学习n×n物品-物品相似度矩阵W的过程为将下式最小化：
从而满足wj≥0，wj,j＝0
其中wj是矩阵W的第j列，aj是矩阵A的第j列。“‖‖2”是向量的L2范数，‖wj‖1等于
更进一步，所述步骤4中，fj是用应用了深度卷积神经网络架构的Caffe模型得到的。
更进一步，所述步骤5中，训练模型使用的方法是随机梯度下降法。检验指标为AUC值。
本发明的有益效果为：结合基于相似度的模型和马尔科夫链，克服了稀疏性问题，还利用了物品的外观特征，能更准确地为用户推荐物品。
附图说明
图1是本发明提出的一种协同过滤推荐方法的框图；
图2是步骤3矩阵分解示意图。
具体实施方式
下面结合附图对本发明的较佳实施例进行详细阐述，以使本发明的优点和特征能更易于被本领域技术人员理解，从而对本发明的保护范围做出更为清楚明确的界定。
参照图1和图2，一种协同过滤物品推荐方法，包括以下步骤：
步骤1：建立m×n用户-物品评分矩阵A，m为用户数量，n为物品数量；
步骤2：学习n×n物品-物品相似度矩阵W；
步骤3：将矩阵W分解为矩阵P和矩阵Q；
步骤4：根据如下公式预测用户u对物品j的评分：
其中，βj为物品j的偏差(标量)，为用户u点击、购买过物品的集合，α为权重因子，Pj′为物品j′的潜在向量，Pi为物品i的潜在向量，i为用户u最近点击、购买的一个物品，Qj为物品j的潜在向量，η和ηu分别为全局权重向量和个性化权重向量，θu为用户u的视觉因子向量，E为嵌入矩阵，将深度卷积神经网络特征空间嵌入到视觉空间，β′为视觉偏差向量，fj为物品j的深度卷积神经网络视觉特征向量；
步骤5：使用训练集训练模型，然后在测试集上检验推荐的准确度。
进一步，所述步骤2中，学习n×n物品-物品相似度矩阵W的过程为将下式最小化：
从而满足wj≥0，wj,j＝0；
其中wj是矩阵W的第j列，aj是矩阵A的第j列。“‖‖2”是向量的L2范数，‖wj‖1等于
更进一步，所述步骤4中，fj是用应用了深度卷积神经网络架构的Caffe模型得到的。
更进一步，所述步骤5中，训练模型使用的方法是随机梯度下降法。检验指标为AUC值。
本实例中，模型参数更新过程如下：
其中，Θ表示参数，∈为学习速率，σ为sigmoid函数，λΘ为正则化超参数，为用户对感兴趣物品的评分，为用户对不感兴趣物品的评分。
以上所述仅为本发明的实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (4)

1.一种协同过滤物品推荐方法，其特征在于，该方法包括如下步骤：
步骤1：建立m×n用户-物品评分矩阵A
步骤2：学习n×n物品-物品相似度矩阵W
步骤3：将矩阵W分解为矩阵P和矩阵Q
步骤4：根据如下公式预测用户u对物品j的评分：
其中，βj为物品j的偏差，为用户u点击、购买过物品的集合，α为权重因子，Pj′为物品j′的潜在向量，Pi为物品i的潜在向量，i为用户u最近点击、购买的一个物品，Qj为物品j的潜在向量，η和ηu分别为全局权重向量和个性化权重向量，θu为用户u的视觉因子向量，E为嵌入矩阵，将深度卷积神经网络特征空间嵌入到视觉空间，β′为视觉偏差向量，fj为物品j的深度卷积神经网络视觉特征向量；
步骤5：使用训练集训练模型，然后在测试集上检验推荐的准确度。
2.如权利要求1所述的一种协同过滤物品推荐方法，其特征在于，所述步骤2中，学习n×n物品-物品相似度矩阵W的过程为将下式最小化：
从而满足wj≥0，wj,j＝0；
其中wj是矩阵W的第j列，aj是矩阵A的第j列，“‖‖2”是向量的L2范数，‖wj‖1等于
3.如权利要求1或2所述的一种协同过滤物品推荐方法，其特征在于，所述步骤4中，fj是用应用了深度卷积神经网络架构的Caffe模型得到的。
4.如权利要求1或2所述的一种协同过滤物品推荐方法，其特征在于，所述步骤5中，训练模型使用的方法是随机梯度下降法,检验指标为AUC值。
CN201910663530.7A 2019-07-22 2019-07-22 一种协同过滤物品推荐方法 Active CN110570267B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910663530.7A CN110570267B (zh) 2019-07-22 2019-07-22 一种协同过滤物品推荐方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910663530.7A CN110570267B (zh) 2019-07-22 2019-07-22 一种协同过滤物品推荐方法

Publications (2)

Publication Number Publication Date
CN110570267A true CN110570267A (zh) 2019-12-13
CN110570267B CN110570267B (zh) 2022-04-08

Family

ID=68773863

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910663530.7A Active CN110570267B (zh) 2019-07-22 2019-07-22 一种协同过滤物品推荐方法

Country Status (1)

Country Link
CN (1) CN110570267B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111414555A (zh) * 2020-01-06 2020-07-14 浙江工业大学 一种基于协同过滤的个性化推荐方法
CN111523045A (zh) * 2020-03-09 2020-08-11 浙江工业大学 一种协同过滤推荐方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20170011963A (ko) * 2015-07-23 2017-02-02 한양대학교 산학협력단 아이템 추천 방법 및 서버
CN108509573A (zh) * 2018-03-27 2018-09-07 陕西科技大学 基于矩阵分解协同过滤算法的图书推荐方法及系统
CN108681947A (zh) * 2018-05-21 2018-10-19 辽宁师范大学 基于物品的时间关联度和覆盖度的协同过滤推荐方法
CN109308654A (zh) * 2018-11-20 2019-02-05 辽宁师范大学 基于物品能量扩散和用户偏好的协同过滤推荐方法
CN109740655A (zh) * 2018-12-26 2019-05-10 西安电子科技大学 基于矩阵分解及神经协同过滤的物品评分预测方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20170011963A (ko) * 2015-07-23 2017-02-02 한양대학교 산학협력단 아이템 추천 방법 및 서버
CN108509573A (zh) * 2018-03-27 2018-09-07 陕西科技大学 基于矩阵分解协同过滤算法的图书推荐方法及系统
CN108681947A (zh) * 2018-05-21 2018-10-19 辽宁师范大学 基于物品的时间关联度和覆盖度的协同过滤推荐方法
CN109308654A (zh) * 2018-11-20 2019-02-05 辽宁师范大学 基于物品能量扩散和用户偏好的协同过滤推荐方法
CN109740655A (zh) * 2018-12-26 2019-05-10 西安电子科技大学 基于矩阵分解及神经协同过滤的物品评分预测方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
NITIN PRADEEP KUMAR ET AL.: "Hybrid user-item based collaborative filtering", 《19TH INTERNATIONAL CONFERENCE ON KNOWLEDGE BASED AND INTELLIGENT INFORMATION AND ENGINEERING》 *
STEFFEN RENDLE ET AL.: "Factorizing Personalized Markov Chains for Next-Basket Recommendation", 《19TH INTERNATIONAL WORLD WIDE WEB CONFERENCE & THE 4TH WORKSHOP ON INFORMATION CREDIBILITY ON THE WEB》 *
石京京 等: "改进的基于物品的协同过滤推荐算法", 《天津理工大学学报》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111414555A (zh) * 2020-01-06 2020-07-14 浙江工业大学 一种基于协同过滤的个性化推荐方法
CN111523045A (zh) * 2020-03-09 2020-08-11 浙江工业大学 一种协同过滤推荐方法

Also Published As

Publication number Publication date
CN110570267B (zh) 2022-04-08

Similar Documents

Publication Publication Date Title
CN109299396B (zh) 融合注意力模型的卷积神经网络协同过滤推荐方法及系统
CN108509573B (zh) 基于矩阵分解协同过滤算法的图书推荐方法及系统
CN107168945B (zh) 一种融合多特征的双向循环神经网络细粒度意见挖掘方法
CN107341687B (zh) 一种基于多维标签与分类排序的推荐算法
CN111222332B (zh) 一种结合注意力网络和用户情感的商品推荐方法
CN104834748B (zh) 一种利用基于深度语义排序哈希编码的图像检索方法
CN102982107B (zh) 一种融合用户、项目和上下文属性信息的推荐系统优化方法
CN111079985B (zh) 一种基于bert并融合可区分属性特征的刑事案件刑期预测方法
CN109408823B (zh) 一种基于多通道模型的特定目标情感分析方法
CN108647226B (zh) 一种基于变分自动编码器的混合推荐方法
CN110533024B (zh) 基于多尺度roi特征的双二次池化细粒度图像分类方法
CN106202377B (zh) 一种基于随机梯度下降的在线协同排序方法
CN110532355A (zh) 一种基于多任务学习的意图与槽位联合识别方法
CN108647216A (zh) 基于开发人员社交网络的软件众包任务推荐系统及方法
WO2020256854A1 (en) Data sampling for model exploration
CN110570267B (zh) 一种协同过滤物品推荐方法
CN108664658A (zh) 一种考虑用户偏好动态变化的协同过滤视频推荐方法
CN108334943A (zh) 基于主动学习神经网络模型的工业过程半监督软测量建模方法
CN106844665A (zh) 一种基于引用关系分布式表达的论文推荐方法
CN110046356B (zh) 标签嵌入的微博文本情绪多标签分类方法
CN104424247A (zh) 一种产品信息过滤推荐方法和装置
CN111414555A (zh) 一种基于协同过滤的个性化推荐方法
CN111695024A (zh) 对象评估值的预测方法及系统、推荐方法及系统
CN105809474A (zh) 一种层次化商品信息过滤推荐方法
CN107391577A (zh) 一种基于表示向量的作品标签推荐方法和系统

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