CN111209489A - 一种基于差异化资源分配的二部图推荐方法 - Google Patents

Abstract

本发明请求保护一种基于差异化资源分配的二部图推荐方法。首先将推荐系统建模成二部图，节点的两个集合分别代表用户集U和项目集O；然后对项目初始资源进行差异化设置，利用评分规范化和最大最小值的方法对初始评分进行修正，在此基础上引用艾宾浩斯遗忘函数来量化用户“兴趣偏移”所带来的影响；其次利用用户评分相似性函数和用户偏好函数对资源分配系数进行差异化设置，使资源流转变得更加合理；最后按照项目所获资源的大小生成推荐列表。本发明在传统二部图推荐方法的基础上进行改进，分别对项目初始资源和资源分配系数进行差异化设置，能够在保证推荐准确率的同时还能提高推荐的多样性。

Description

一种基于差异化资源分配的二部图推荐方法

技术领域

本发明属于个性化推荐领域，具体的说是一种基于差异化资源分配的二部图推荐方法。

背景技术

随着通信信息技术和互联网的急速发展，人们逐渐从信息匮乏的年代步入了信息过剩的年代，致使能满足用户需求的推荐系统迅速发展。推荐系统是为用户推荐所需物品的软件工具和技术。提供的推荐旨在通过各种决策过程来支持用户，例如，买什么物品、听什么歌曲或读什么新闻。推荐系统的价值在于帮助用户解决信息过载和做出更好的选择，也是现在互联网领域最强大和最流行的信息发现工具之一。推荐算法是推荐系统的核心，它用于处理输入信息并将其形成推荐信息。

近年来，基于二部图的推荐算法受到越来越多研究者的关注，算法借鉴了物理上物质扩散和热传导的思想，将用户和物品抽象为节点，他们之间的选择关系抽象为连边，这些节点和由于选择关系产生的边构成二部图网络结构。基于二部图的推荐算法认为，用户已购买的物品具有向用户推荐其他物品的能力，这种能力是物品依据被选择的情况赋予一定的资源量，通过用户—物品网络向其他物品进行传递。二部图网络结构推荐算法相比很多传统推荐算法推荐效率和精准度都要高，却也存在着初始资源设置不合理，以及仅仅依靠项目度和用户度来调整资源分配系数的问题。

发明内容

本发明旨在解决传统二部图存在的初始资源设置不合理，以及仅仅依靠项目度和用户度来调整资源分配系数的问题。本发明的技术方案如下：

一种基于差异化资源分配的二部图推荐方法，其包括以下步骤：

步骤一：将推荐系统建模成二部图；

步骤二：对项目初始资源进行差异化设置；

步骤三：对资源分配系数进行差异化设置，实现两阶段资源流转；

步骤四：按照项目所获资源的大小生成推荐列表。

进一步的，步骤一中所述将推荐系统建模成二部图，其中节点的两个集合分别代表用户集U和项目集O，当用户选择了项目则将它们相连，即两者形成连边。一个由n个用户U＝{u₁,u₂…u_n}和m个项目O＝{o₁,o₂,...,o_m}构成的二部图可以用邻接矩阵A＝{a_αi}_n,m表示，如果用户u_α选择了项目o_i则a_αi＝1，未选择则a_αi＝0。

进一步的，步骤二中所述对项目初始资源进行差异化设置，先利用评分规范化和最大最小值法对初始评分进行修正，在此基础上引用艾宾浩斯遗忘函数来量化用户“兴趣偏移”所带来的影响。其计算如公式(12)所示：

ω_α,i＝f_α,i(t)×ω'_α,i (12)

式中，ω_α,i表示调整后的项目初始资源值。ω'_α,i表示评分规范化和最大最小值法修正以后的评分，f_α,i(t)表示时间衰减函数。

进一步的，所述利用评分规范化和最大最小值法对初始评分进行修正，具体包括以下步骤：

(1)评分规范化的预处理如公式(13)所示：

式中，r_αi为用户u_α对项目o_i的初始评分，P_i为项目o_i得到的平均评分值，Q_α为用户u_α对所有项目评分的均值。预处理以后更能体现用户的真实喜好。若P_i＞Q_α则代表项目o_i受用户的喜爱，因此对评分进行增强修正，反之对评分进行削弱修正。

(2)采用最大最小值法对评分进一步修正，如公式(14)所示：

式中，r'_αi表示用户u_α对项目o_i的评分规范化预处理后的评分，r_max、r_min分别表示用户u_α在系统中给出的最大和最小评分值，为了预防分母为0，设定极小值p为0.001，同时为了实验方便，设定极小值q为0.01。

进一步的，所述引用艾宾浩斯遗忘函数来量化用户“兴趣偏移”，其计算如公式(15)所示：

式中，f_α,i(t)表示当时间为t时，用户u_α对项目o_i“兴趣偏移”的衰减率，t_α表示用户u_α在系统中初次评分的时间，t_α,i表示用户u_α对项目o_i进行评分操作的时间。f_α,i(t)的取值范围在e^-1到1之间，符合衰减率的要求，并且随着时间推移，t值的增大，衰减函数会趋向于e^-1的定值。

进一步的，步骤三中所述对资源分配系数进行差异化设置，先利用用户评分相似性函数得到第一阶段资源分配系数，再利用用户偏好函数得到第二阶段资源分配系数，进而实现两阶段资源流转。

进一步的，所述利用用户评分相似性函数得到第一阶段资源分配系数，结合项目比例系数、交互关系以及评分偏差得到用户评分相似性函数，进而实现第一步资源流转，具体步骤如下：

(1)两个用户共同选择的项目比例系数如公式(16)所示：

式中，I_α和I_β分别表示用户u_α和u_β所选择的项目的集合，两个用户共同选择的项目比例越大，他们的兴趣就可能越相近。

(2)交互用户指的是有公共选择的用户，他们的交互关系指的是对于项目的喜爱程度是否一致。本发明通过积极评分还是消极评分判定用户交互成功还是失败。如果用户对项目评分小于他给出的评分均值，说明它为消极评分；反之则为积极评分。倘若用户u_α和u_β对相同项目o_i给出的都是积极或消极评分，说明交互用户间持有相同观点，他们交互是成功的；反之交互是失败的。交互关系判定方法如公式(17)所示：

其中，

表示积极评分，

表示消极评分。G(α,β)为1或0分别代表交互成功和失败。

(3)计算两个用户评分相似性，需要收集双方交互间历史总记录。假设s和f分别代表交互用户彼此间成功和失败次数即每次交互用户间项目交互成功，那么s+1(i∈I_s)，否则f+1(i∈I_f)。

结合项目比例系数、交互关系以及评分偏差最终得到用户评分相似性函数，如公式(18)所示：

式中，I_s表示两用户交互成功的项目集合，I_f表示交互失败的项目集合。

(4)利用新构建的用户评分相似性函数得到第一阶段的资源分配系数，如公式(19)所示：

式中，H_α,βi表示用户u_β与目标用户u_α的相似度占所有选择了项目o_i的用户与目标用户u_α的相似度之和的比例，取值在0到1之间，H_α,βi越大表示在所有已经选择项目o_i的用户群体中，用户u_α与u_β比其他用户更为相似，则项目o_i上的初始资源就会较多的传递到用户u_β。

(5)假设选定用户u_α为目标用户并为其推荐，则在第一阶段资源流转以后传递到任意用户u_β的资源量如公式(20)所示：

进一步的，所述利用用户偏好函数得到第二阶段资源路径权重，进而实现第二步资源流转，具体步骤如下：

(1)用户偏好函数如公式(21)所示：

式中，r_β,j是用户u_β对项目o_j的评分，Max(β)是用户u_β在系统中给出的最大评分，z_β,j越大则认为用户更加愿意推荐该项目给其他用户。由此所有作为邻居用户的推荐者推荐的项目都是各自认为最好的项目，并且避免了用户的评分尺度不一的问题。

(2)在第二阶段资源流转后传递到任意项目o_j的资源如公式(22)所示：

式中，k(β)代表用户u_β的度，f(u_β)为第一步资源流转以后用户u_β所获得的资源。

进一步的，步骤四中所述生成推荐列表，将目标用户未选择过的项目按照步骤三中得到的f(o_j)的大小进行排序，将所获资源最多的前L项推荐给用户，L为推荐列表长度。

本发明的优点及有益效果如下：

1、本发明通过对项目初始资源和资源分配系数差异化设置，优化了传统二部图存在的初始资源设置不合理，以及仅仅依靠项目度和用户度来调整资源分配系数的问题，能够在保证推荐准确率的同时还能提高推荐的多样性。

2、本发明在步骤二中对项目初始资源进行差异化设置，先利用评分规范化和最大最小值法对项目初始评分进行修正，在此基础上引用艾宾浩斯遗忘函数来量化用户“兴趣偏移”所带来的影响。这种处理有助于更好的体现用户的真实偏好。

3、本发明在步骤三中对资源分配系数进行差异化设置，先利用用户评分相似性函数得到第一阶段资源分配系数，再利用用户偏好函数得到第二阶段资源分配系数，进而实现两阶段资源流转。这种处理有助于资源的流转更加合理，增强推荐的可解释性。

附图说明

图1是本发明提供优选实施例流程示意图。

具体实施方式

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、详细地描述。所描述的实施例仅仅是本发明的一部分实施例。

本发明解决上述技术问题的技术方案是：

在本实施例中，一种基于用户社区和评分联合社区的推荐方法是按如下步骤进行的。

步骤1：将推荐系统建模成二部图

将推荐系统建模成二部图，其中节点的两个集合分别代表用户集U和项目集O，当用户选择了项目则将它们相连，即两者形成连边。一个由n个用户U＝{u₁,u₂…u_n}和m个项目O＝{o₁,o₂,...,o_m}构成的二部图可以用邻接矩阵A＝{a_αi}_n,m表示，如果用户u_α选择了项目o_i则a_αi＝1，未选择则a_αi＝0。

步骤2：对项目初始资源进行差异化设置

在现实生活中可能存在着恶意评分等特殊因素，在这种情况下评分不能代表用户的真实偏好。利用规范化对评分进行处理，消除评分不利影响。评分规范化的预处理方法如公式(23)所示：

其中，r_αi为用户u_α对项目o_i的初始评分，P_i为项目o_i得到的平均评分值，Q_α为用户u_α对所有项目评分的均值。预处理以后更能体现用户的真实喜好。若P_i＞Q_α则代表项目o_i受用户的喜爱，因此对评分进行增强修正，反之对评分进行削弱修正。

为了减小由于用户评分尺度不同而带来的计算误差，进一步优化评分数据，采用最大最小值法进行修正，如公式(24)所示：

其中，r'_αi表示用户u_α对项目o_i的评分规范化预处理后的评分，r_max、r_min分别表示用户u_α在系统中给出的最大和最小评分值，为了预防分母为0，设定极小值p为0.001，同时为了实验方便，设定极小值q为0.01。

传统的大多数推荐算法都没有考虑到“兴趣偏移”问题，即用户的兴趣会随着时间的变化而改变，项目的流行度也会随时代而变。时间因素在推荐系统中也是一个重要信息，对用户的喜好有着很大的影响。本文基于德国心理学家艾宾浩斯所提出的记忆遗忘曲线，将时间衰减函数定义为公式(25)所示(时间计量单位为天)：

式中，f_α,i(t)表示当时间为t时，用户u_α对项目o_i“兴趣偏移”的衰减率，t_α表示用户u_α在系统中初次评分的时间，t_α,i表示用户u_α对项目o_i进行评分操作的时间。f_α,i(t)的取值范围在e^-1到1之间，符合衰减率的要求，并且随着时间推移，t值的增大，衰减函数会趋向于e^-1的定值。

经过评分规范化、最大最小值修正以及时间衰减函数的量化，最终实现了项目初始资源的差异化设置，如公式(26)所示：

ω_α,i＝f_α,i(t)×ω'_α,i (26)

步骤3：对资源分配系数进行差异化设置，实现两阶段资源流转

步骤3.1：第一阶段资源分配

在基于二部图的推荐算法中，项目将资源根据用户项目相互之间的选择关系平均分配给相应的用户，考虑到以下两点：(1)如果两个用户共同选择的项目数比较多，那么他们的兴趣相似性可能比较高；(2)如果两个用户对项目的评分大小比较接近，代表其偏好更加的相近。基于此，本文利用修正后的用户评分相似性函数对第一阶段资源分配系数进行差异化设置，使得与目标用户兴趣相似的用户能够得到更多的资源。

两个用户共同选择的项目比例如公式(27)所示：

其中，I_α和I_β分别表示用户u_α和u_β所选择的项目的集合，两个用户共同选择的项目比例越大，他们的兴趣就可能越相近。

交互用户指的是有公共选择的用户，他们的交互关系指的是对于项目的喜爱程度是否一致。本发明通过积极评分还是消极评分判定用户交互成功还是失败。如果用户对项目评分小于他给出的评分均值，说明它为消极评分；反之则为积极评分。倘若用户u_α和u_β对相同项目o_i给出的都是积极或消极评分，说明交互用户间持有相同观点，他们交互是成功的；反之交互是失败的。交互关系判定方法如公式(28)所示：

其中，

表示积极评分，

表示消极评分。G(α,β)为1或0分别代表交互成功和失败。

计算两个用户评分相似性，需要收集双方交互间历史总记录。假设s和f分别代表交互用户彼此间成功和失败次数即每次交互用户间项目交互成功，那么s+1(i∈I_s)，否则f+1(i∈I_f)。

结合项目比例系数、交互关系以及评分偏差最终得到用户评分相似性函数，如公式(29)所示：

其中，I_s表示两用户交互成功的项目集合，I_f表示交互失败的项目集合。

利用新构建的用户评分相似性函数得到第一阶段的资源分配系数，如公式(30)所示：

其中，H_α,βi表示用户u_β与目标用户u_α的相似度占所有选择了项目o_i的用户与目标用户u_α的相似度之和的比例，取值在0到1之间，H_α,βi越大表示在所有已经选择项目o_i的用户群体中，用户u_α与u_β比其他用户更为相似，则项目o_i上的初始资源就会较多的传递到用户u_β。

假设选定用户u_α为目标用户并为其推荐，则在第一阶段资源流转以后传递到任意用户u_β的资源量如公式(31)所示：

步骤3.2：第二阶段资源分配

在第二阶段资源分配中，推荐者是与目标用户有共同选择的用户，这些用户更倾向于推荐自己喜爱的项目。因此在第二阶段资源分配中也加入了用户的显性偏好，把资源分配系数定义成用户对项目的评分比例z_β,j，如公式(32)所示：

其中，r_β,j是用户u_β对项目o_j的评分，Max(β)是用户u_β在系统中给出的最大评分，z_β,j越大则认为用户更加愿意推荐该项目给其他用户。由此所有作为邻居用户的推荐者推荐的项目都是各自认为最好的项目，并且避免了用户的评分尺度不一的问题。则在第二阶段资源流转后传递到任意项目o_j的资源如公式(33)所示：

在上式中，k(β)代表用户u_β的度，f(u_β)由步骤3.1所得。

步骤4：生成推荐列表

生成推荐列表，将目标用户未选择过的项目按照步骤3.2中得到的f(o_j)的大小进行排序，将所获资源最多的前L项推荐给用户，L为推荐列表长度。

Claims (9)

1.一种基于差异化资源分配的二部图推荐方法，其特征在于，包括以下步骤：

步骤一：将推荐系统建模成二部图；

步骤二：对项目初始资源进行差异化设置；

步骤三：对资源分配系数进行差异化设置，实现两阶段资源流转；

步骤四：按照项目所获资源的大小生成推荐列表。

2.根据权利要求1所述的基于差异化资源分配的二部图推荐方法，其特征在于，步骤一中所述将推荐系统建模成二部图，其中节点的两个集合分别代表用户集U和项目集O，当用户选择了项目则将它们相连，即两者形成连边；一个由n个用户U＝{u₁,u₂…u_n}和m个项目O＝{o₁,o₂,...,o_m}构成的二部图可以用邻接矩阵A＝{a_αi}_n,m表示，如果用户u_α选择了项目o_i则a_αi＝1，未选择则a_αi＝0。

3.根据权利要求1所述的基于差异化资源分配的二部图推荐方法，其特征在于，步骤二中所述对项目初始资源进行差异化设置，先利用评分规范化和最大最小值法对初始评分进行修正，在此基础上引用艾宾浩斯遗忘函数来量化用户“兴趣偏移”所带来的影响；其计算如公式(1)所示：

ω_α,i＝f_α,i(t)×ω'_α,i (1)

式中，ω_α,i表示调整后的项目初始资源值；ω'_α,i表示评分规范化和最大最小值法修正以后的评分，f_α,i(t)表示时间衰减函数。

4.根据权利要求3所述的基于差异化资源分配的二部图推荐方法，其特征在于，所述利用评分规范化和最大最小值法对初始评分进行修正，具体包括以下步骤：

(1)评分规范化的预处理如公式(2)所示：

式中，r_αi为用户u_α对项目o_i的初始评分，P_i为项目o_i得到的平均评分值，Q_α为用户u_α对所有项目评分的均值；预处理以后更能体现用户的真实喜好；若P_i＞Q_α则代表项目o_i受用户的喜爱，因此对评分进行增强修正，反之对评分进行削弱修正；

(2)采用最大最小值法对评分进一步修正，如公式(3)所示：

式中，r'_αi表示用户u_α对项目o_i的评分规范化预处理后的评分，r_max、r_min分别表示用户u_α在系统中给出的最大和最小评分值，为了预防分母为0，设定极小值p为0.001，同时为了实验方便，设定极小值q为0.01。

5.根据权利要求3所述的基于差异化资源分配的二部图推荐方法，其特征在于，所述引用艾宾浩斯遗忘函数来量化用户“兴趣偏移”，其计算如公式(4)所示：

式中，f_α,i ^(t)表示当时间为t时，用户u_α对项目o_i“兴趣偏移”的衰减率，t_α表示用户u_α在系统中初次评分的时间，t_α,i表示用户u_α对项目o_i进行评分操作的时间；f_α,i ^(t)的取值范围在e^-1到1之间，符合衰减率的要求，并且随着时间推移，t值的增大，衰减函数会趋向于e^-1的定值。

6.根据权利要求1所述的基于差异化资源分配的二部图推荐方法，其特征在于，步骤三中所述对资源分配系数进行差异化设置，先利用用户评分相似性函数得到第一阶段资源分配系数，再利用用户偏好函数得到第二阶段资源分配系数，进而实现两阶段资源流转。

7.根据权利要求6所述的基于差异化资源分配的二部图推荐方法，其特征在于，所述利用用户评分相似性函数得到第一阶段资源分配系数，结合项目比例系数、交互关系以及评分偏差得到用户评分相似性函数，进而实现第一步资源流转，具体步骤如下：

(1)两个用户共同选择的项目比例系数如公式(5)所示：

式中，I_α和I_β分别表示用户u_α和u_β所选择的项目的集合，两个用户共同选择的项目比例越大，他们的兴趣就可能越相近；

(2)交互用户指的是有公共选择的用户，他们的交互关系指的是对于项目的喜爱程度是否一致；本发明通过积极评分还是消极评分判定用户交互成功还是失败；如果用户对项目评分小于他给出的评分均值，说明它为消极评分；反之则为积极评分；倘若用户u_α和u_β对相同项目o_i给出的都是积极或消极评分，说明交互用户间持有相同观点，他们交互是成功的；反之交互是失败的；交互关系判定方法如公式(6)所示：

其中，

表示积极评分，

表示消极评分；G(α,β)为1或0分别代表交互成功和失败；

(3)计算两个用户评分相似性，需要收集双方交互间历史总记录；假设s和f分别代表交互用户彼此间成功和失败次数即每次交互用户间项目交互成功，那么s+1(i∈I_s)，否则f+1(i∈I_f)；

结合项目比例系数、交互关系以及评分偏差最终得到用户评分相似性函数，如公式(7)所示：

式中，I_s表示两用户交互成功的项目集合，I_f表示交互失败的项目集合；

(4)利用新构建的用户评分相似性函数得到第一阶段的资源分配系数，如公式(8)所示：

H_α,βi表示用户u_β与目标用户u_α的相似度占所有选择了项目o_i的用户与目标用户u_α的相似度之和的比例，取值在0到1之间，H_α,βi越大表示在所有已经选择项目o_i的用户群体中，用户u_α与u_β比其他用户更为相似，则项目o_i上的初始资源就会较多的传递到用户u_β；

(5)假设选定用户u_α为目标用户并为其推荐，则在第一阶段资源流转以后传递到任意用户u_β的资源量如公式(9)所示：

8.根据权利要求6所述的基于差异化资源分配的二部图推荐方法，其特征在于，所述利用用户偏好函数得到第二阶段资源分配系数，进而实现第二步资源流转，具体步骤如下：

(1)用户偏好函数如公式(10)所示：

式中，r_β,j是用户u_β对项目o_j的评分，Max(β)是用户u_β在系统中给出的最大评分，z_β,j越大则认为用户更加愿意推荐该项目给其他用户；由此所有作为邻居用户的推荐者推荐的项目都是各自认为最好的项目，并且避免了用户的评分尺度不一的问题；

(2)在第二阶段资源流转后传递到任意项目o_j的资源如公式(11)所示：

式中，k(β)代表用户u_β的度，f(u_β)为第一步资源流转以后用户u_β所获得的资源。

9.根据权利要求1所述的基于差异化资源分配的二部图推荐方法，其特征在于，步骤四中所述生成推荐列表，将目标用户未选择过的项目按照权利要求8中得到的f(o_j)的大小进行排序，将所获资源最多的前L项推荐给用户，L为推荐列表长度。

Images