CN111723290A - 基于多角度非传递偏好关系的用户个性化偏好预测方法 - Google Patents

Abstract

一种基于多角度非传递偏好关系的用户个性化偏好预测方法及装置，该方法包括如下步骤：通过多角度偏好的差异特征模型对用户偏好进行建模，建立符合用户个性化的用户多角度非传递偏好模型；构建与所述用户多角度非传递偏好模型对应的用户打分模型，用于获得用户对目标对象实际给出的分数；通过综合所述用户多角度非传递偏好模型和所述用户打分模型，实现多角度下的偏好评分预测模型，以用于计算用户偏好评分数据。本发明能够在个性化推荐场景中提升用户偏好预测的准确度，并可验证推荐结果的有效性。

Description

基于多角度非传递偏好关系的用户个性化偏好预测方法

技术领域

本发明涉及在个性化推荐方法，特别是涉及基于多角度非传递偏好关系的用户个性化偏好预测方法。

背景技术

迈入互联网时代，个性化推荐开始融入人类物质文化生活的方方面面。各种图文、音视频内容也逐渐来到以个性化推荐为目标的定向投放时代。诸如“网易云音乐”在线音乐歌单推荐，“美团点评”餐厅美食推荐，“小红书”美妆经验推荐，“抖音”趣味短视频推荐等，这些隐藏在应用程序幕后的“更懂人心”的智能系统，在很大程度上提升用户的使用积极性，优化用户的消费体验，获得全社会的广泛认可。

通常来看，用户对于某一商品或内容的喜好并非“非黑即白”，而是会通过对与其他同类商品的比较，从多个不同的角度进行思考，择优选取。以服装商品为例，用户在挑选服装时，不仅仅追求其基本的防寒保暖功能，而是更加注重个性化的着装喜好和情感体验。服装的版型、面料、质感、色彩搭配等外观样式，与服装背后的自己所代表的社会身份、价值观以及个人素质等情感内涵都是所需考虑的因素。

在具体分析时，单纯判断用户对某一个物品的偏好是没有意义的，因为偏好是一种发生在物品之间的比较关系，只有通过比较才能知道更喜欢哪一方。但两两物品之间判断偏好，上述也阐述到其包含的因素可能极为复杂的。从单一角度评价时，预测用户偏好结果很可能符合传递性，但多角度同时评价时，用户偏好可能就不再满足传递性特征。

亟需一种能满足用户个性需求的普适化的科学、定量的标准评价方法。

以上背景技术内容的公开仅用于辅助理解本发明的发明构思及技术方案，其并不必然属于本专利申请的现有技术，在没有明确的证据表明上述内容在本专利申请的申请日已经公开的情况下，上述背景技术不应当用于评价本申请的新颖性和创造性。

发明内容

本发明的主要目的在于克服上述技术缺陷中的至少一种，提供一种基于多角度非传递偏好关系的用户个性化偏好标准评分方法及装置。

为实现上述目的，本发明采用以下技术方案：

一种基于多角度非传递偏好关系的用户个性化偏好预测方法，包括如下步骤：

S1、通过多角度偏好的差异特征模型对用户偏好进行建模，建立符合用户个性化的用户多角度非传递偏好模型；

S2、构建与所述用户多角度非传递偏好模型对应的用户打分模型，用于获得用户对目标对象实际给出的分数；

S3、通过综合所述用户多角度非传递偏好模型和所述用户打分模型，实现多角度下的偏好评分预测模型，以用于计算用户偏好评分数据。

进一步地：

步骤S1中，所述建模的方法包括：定义用户的目标对象偏好矩阵F^u，设有D个比较角度评价目标对象，令用户偏好矩阵

在每个角度中受到

个不同因素影响，即含有

个比较维度，其中

值不唯一，在不同角度中具有差异性，表示为不同角度下用户偏好矩阵

F^u为一个D×d大小的矩阵，其中

定义用户u的内容偏好在不同角度下，有个性化的多角度潜在评分特征

表征为对于整体偏好而言，

角度具有的贡献值占比，设整体偏好贡献总值为1；用户u对于同一角度的不同维度有个性化的多维度潜在评分特征，对应为

表征为对于

角度而言，

维度应当具有的贡献值占比，设

角度贡献总值为1。

获得用户对目标对象实际给出的分数包括：确定需评价的对象样本；确定评价的不同角度和维度；由用户观察对象，对应不同角度、维度分别打分，完整对象合集中所有目标的打分，获得打分集。

步骤S2中，定义用户对一系列目标对象v，a_ij表示在第i角度的第j维度下目标对象的对应分值，a_ij与

维度、

角度具有一一对应关系，得到用户对目标对象v的打分矩阵

用户打分矩阵A^v与用户偏好矩阵F^u一一对应；当用户完成对所有目标对象打分后，得到对象样本的打分集A。

步骤S2中，形成一偏好评价基准矩阵F^u，用户u₁得到用户服装偏好评价表，根据自己的个性化需求，对不同角度和维度的属性偏好程度进行打分，得到对于用户u₁的多角度潜在评分特征

和多维度潜在评分特征

表明不同角度和同一角度不同维度下，该属性值在用户需求中的贡献度，随着用户u₁对对象的打分依次完成，得到针对不同对象的打分矩阵

步骤S3中，结合使用用户偏好矩阵F^u和目标对象的打分矩阵A^v，其中，引入多维度潜在特征

得到

角度下不同维度的评分

获得多角度评分矩阵

引入多角度潜在特征

得到

C^v仅含一个元素，用户u对于目标对象v的偏好评分值

也记作

其中t表示一段时间范围，当遍历打分集A后，评分计算完成，获得该用户对于对象样本V的偏好评分合集

步骤S3中，通过D-MuCri评分模型，引入多维度潜在特征

反映不同属性对同一角度的贡献度不同，计算用户u₁对目标对象v₁的多角度评分矩阵

经过计算得到用户u₁对各个角度的潜在偏好评分，随后，引入多角度潜在特征

计算用户u₁的偏好评分值

上述方法还包括如下步骤：

对通过模型计算后得到的用户偏好评分数据，进行评分有效性检验；其中，使用相同的对象样本，两两一组由用户进行偏好比较，根据用户对样本内容的两两比较结果，按偏好情况可对样本排序，第一原则为按用户选择的次数由高到低依次排列，第二原则是同样的选择次数时按实际偏好情况排列；由此得到用户两两偏好序列，将用户两两比较的偏好结果作为实际基准，与统计结果显示的模型结果进行校验；

优选地，引入二分类器原理进行模型的检验，根据得到的二分类问题的混淆矩阵结果，分别计算精度、查全率和查准率中的一种或多种。

上述方法还包括如下步骤：

根据用户偏好评价模型验证评分具有非传递偏好环(PA)情况；

其中，以检验出评价结果中存在多角度非传递偏好环进行验证，评价选取的用户偏好矩阵F^u，根据用户个性化多维度潜在特征

及对不同对象的偏好打分矩阵，计算后得到用户对于不同对象的多角度潜在偏好评分，随机选取两个角度进行偏好值相加，通过两角度偏好值相加，得到用户的潜在偏好关系：形成多角度潜在非传递偏好环，通过偏好环的产生验证该预测方法满足用户个性化的偏好心理。

一种基于多角度非传递偏好关系的用户个性化偏好预测装置，包括计算机可读存储介质和处理器，所述计算机可读存储介质存储有可执行程序，所述可执行程序由所述处理器执行时，实现所述的基于多角度非传递偏好关系的用户个性化偏好预测方法。

本发明具有如下有益效果：

本发明提供一种基于多角度非传递偏好关系的用户个性化偏好预测方法，该方法能够减少在个性化推荐场景中，因用户主观不确定因素多重影响下，导致的用户偏好与用户评分不一致的情况，提升用户偏好预测的准确度，并可验证推荐结果的有效性。

本发明遵循用户多变的偏好心理，提出合理有效地评价方案，以消除出现多个角度综合评价时，造成的内容选择的不确定性，得到用户对该对象的相对喜好关系。与此同时，多角度偏好存在的客观事实，也有助于得到更精准的用户偏好画像，衡量推荐效果的好坏。

相较于传统的简单评分、单纯偏好排序、两两比较等偶然误差极大的用户偏好确定方法，本发明的方案保证了评分系统的科学性，利用多角度非传递偏好关系构建用户潜在偏好模型，并设计相应有效的评分模型，充分考虑了用户在偏好决策时的不确定和多面性心理。本发明的方案可以根据用户的个性化评分，量化其差异化心理，构建更清晰的用户画像，最大程度消除不可控的主观偶然误差。同时，该方案具有普适性，能用于不同对象、不同场景的用户偏好评价实验，通过实验数据，还能进一步量化用户个性化的需求。以上优势可使得用户对目标对象的偏好预测更为准确，可以更好适应用户选择时的复杂心理，提升个性化推荐研究的准确性。

附图说明

图1为本发明一种实施例的用户非传递性偏好情况示意。

图2为本发明一种实施例的以服装对象举例的用户多角度偏好示意图。

图3为本发明一种实施例的用户打分及评分过程示意。

图4为本发明一种实施例的用户偏好评价表样例。

图5为本发明一种实施例的模型二元分类器检验情况。

图6为本发明一种实施例的检验出一个潜在非传递偏好环示意。

具体实施方式

以下对本发明的实施方式做详细说明。应该强调的是，下述说明仅仅是示例性的，而不是为了限制本发明的范围及其应用。

非传递偏好关系问题(IntransitivePreferenceRelation，简称IPR)的范畴，比如判断某用户对两两服装的偏好情况：同样是一件女式大衣，v_A是黑色的皮革面料，v_B是白色的针织款式，不妨用＞_u来表示用户u当前的偏好选择结果。当u比较两者的偏好程度时，若从[颜色]角度，表现为黑色＞_u白色，即v_A＞_uv_B；若从[材质]角度，表现为针织＞_u皮革，即v_A＜_uv_B。这样两个相互矛盾的结果导致无法判断出当前时刻下用户会更喜欢哪一件商品，如图1所示。

在非传递偏好关系中，用户还是会判断出一个偏好结果。因为在选择时很可能某一个角度的比较结果占据上风，凸显了其优势而被选择。可用＜_u或者＞_u来表示当前非传递偏好选择结果。即u更偏向于颜色角度，得到v_A＞_uv_B的偏好结果。

非传递偏好关系的产生，简而言之，是由于用户性格中的多面性，让他们难以确认自己对某类商品或内容的真正需求，无法理性地对自己的偏好继续评分。由于个体差异，用户对于服装在某一方面或某一时间的偏好和情感需求必然是多样化的。

不确定的个人需求导致无法科学客观地了解用户对内容的偏好程度。因用户对个性化内容的偏好情况，可以最为客观的反映用户对其需求程度，而在现有的推荐系统研究中，往往无法客观确定或预测用户真实偏好，以验证推荐内容的有效。对此，本发明提供一种能满足用户个性需求的普适化的科学、定量的标准预测评价方法。

传统在判断用户对不同对象的偏好关系中，往往不会考虑多角度主观因素存在评分差异。他们将用户一次性的评分或评价作为准绳，直接用来衡量推荐效果，同时又根据这些评分进行协同过滤，寻找相似用户进行推荐，从而造成了更大的误差。

为了更好的确定用户对具有非传递偏好关系的不同对象的真实偏好意图，进一步提升验证个性化推荐系统在该类内容中产生的推荐结果的有效性，本发明对获得用户偏好评价标准方法进行优化设计，主要包含三个方面：

其一，满足每位用户的多角度且主观无法分辨的心理状态，综合考虑影响用户偏好的各方面影响因素。用户受到其消费背景、爱好、心理等主观因素影响，对内容的偏好评分或排序很有可能不具有一致性；且不同用户评分之间也没有必然联系，具有不可比较性。在这样的前提下，若简单使用某分值的评价标准，为不同对象进行打分，结果过于草率，会产生很大的主观偶然误差，影响科学性，难以验证推荐商品的质量。

其二，有效规避因存在非传递偏好关系而导致的用户偏好和用户评价准则不一致的情况。具体而言，优化的评价方法不能忽略或不考虑用户在评价时可能存在的非传递偏好关系，因为这正是用户个性化的重要组成部分。传统的图片排序方法中，用户的选择具有随机性和时变性，同时不同角度对用户偏好的刺激强度不同，这些显然都可能导致用户偏好选择的不准确。

其三，普遍适用于所有用户的个性化需求，评价结果具有说服力。优化后的评价方法是一套标准方法，可被无差异地广泛使用。不只对图片等平面内容推荐有效，诸如音乐推荐、美食推荐等多种个性化推荐场景中，都可以作为科学的偏好基准进行使用。

另外，利用多角度非传递性偏好关系，也对优化用户偏好的评价的标准方法起到了帮助作用。

符合用户个性化的非传递偏好评价模型

非传递偏好心理

对于多个物品或内容的用户偏好，用户的心理状态通常是多变且不确定的。对于一件大衣的喜好，会从颜色、外观款式、穿着场合等多角度考虑；对于某一角度如颜色，又会从色彩搭配、色系偏好等多个维度考量，而与此同时不同用户对于不同角度和维度的侧重程度又有所不同。这样的复杂选择心理正是用户个性化的重要体现。

而在多对象进行比较的同时，客观影响因素需要规避。以图片偏好为例，近年来，基于视觉视角的图像质量评估在计算机视觉、机器学习和图像处理领域得到了发展。基于图像检索偏好内容的搜索技术已开始成熟，用户不仅希望检索图像，而且将获得较高的质量的图片内容指定为优先事项。这表明，在用户偏好问题中，需要保证比较对象具有相同的图像质量、内容元素等，才能公平地确定用户偏好关系。

多角度多维度偏好问题描述

多角度偏好模型

要确定用户在进行多角度多维度评分的效果，必须有相对客观准确的偏好评价标准，即评分。该偏好评价模型应具有可延展性，以适应用户在针对不同品类内容比较时变化的需求。显然，用户偏好有以下表现：

·需要考虑多个方面因素，即用户对物品或内容的偏好具有多面性；

·两两比较不同物品或内容(尤其是内容特征相似)时，用户会更倾向采用不同的角度来综合比较；

·在比较过程中，用户选取评价角度的行为是不确定的。

因此，为保证用户多角度多维度的差异化偏好心理依然成立，在此可使用多角度偏好的差异特征模型(DifferenceMulti-Criterionpreferencemodel，简称D-MuCri模型)对用户服装偏好进行建模，并可以设计标准化的评分策略，以最大程度消除偶然误差，确定用户偏好评价标准。

具体的方法是：定义用户的物品或内容偏好矩阵F^u，假设有D个比较角度评价一件物品，如外观、品质、风格等。令用户偏好矩阵

在每个角度中受到

个不同因素影响，即含有

个比较维度，其中

值不唯一，在不同角度中具有差异性，表示为不同角度下用户偏好矩阵

于是可以得到F^u为一个D×d大小的矩阵，其中

根据之前的分析可知，用户对物品或内容的偏好在各个角度各个维度的青睐程度体现个性化，故还需要引入另一个参数，来描述其潜在评分影响因素。定义：用户u的内容偏好在不同角度下，有个性化的多角度潜在评分特征，对应为

表征为对于内容整体偏好而言，

角度应当具有的贡献值占比(设整体偏好贡献总值为1)；同理，用户u对于同一角度的不同维度也有个性化的多维度潜在评分特征，对应为

表征为对于

角度而言，

维度应当具有的贡献值占比(设

角度贡献总值为1)。需要注意的是，不同用户具有差异化的潜在评分特征，因人而异，故在具体评分时不可使用统一定值。图2为多角度偏好模型示例。

用户打分模型

为做区别，本文统一将用户的实际给出的分数称作“打分”，将通过模型计算后得到的分数称为“评分”。

对于用户偏好有了差异化的多角度模型后，相应需要构建对应的用户打分模型。同理，定义用户对一系列目标物品或内容v进行打分，称为对象样本V，v∈V，用a_ij表示在第i角度的第j维度下目标对象的对应分值，此时用户u自主评判对象v，分值可自定义，但为便于统计计算，设定为0～10之间的自然数，依次表示喜爱程度递增，满足0≤a_ij≤10∧a_ij∈N。需要注意，a_ij与

维度、

角度具有一一对应关系。因此，显然得到用户对目标对象v的打分矩阵

显然，用户打分矩阵A^v与用户偏好矩阵F^u一一对应。当用户完成对所有目标对象打分后，得到对象样本的打分集A。

用户偏好评分流程设计

评分模型

在第一节中，我们对用户选择喜好物品时的多角度多维度偏好心理进行了描述。基于此架构上我们将综合利用用户偏好矩阵和目标对象打分矩阵来计算，实现多角度下的科学的偏好评分指导模型。

即，将用户服装偏好矩阵F^u的潜在评分特征和该服装v的打分矩阵A^v两两结合。根据计算科学性要求，首先需要引入多维度潜在特征

得到

角度下不同维度的评分

获得多角度评分矩阵

随后引入多角度潜在特征

得到

此时C^v仅含一个元素，则有用户u对于目标对象v的偏好评分值

也可记作

其中t表示一段时间范围内，不表示具体时刻，因为默认人对服装的偏好在一定时间范围内不会变化。当遍历打分集A后，评分计算完成，获得该用户对于对象样本V的偏好评分合集

图3为用户偏好评分流程示意。

用户偏好评价表设计

为便于优化后的用户偏好标准评分方法的使用，实现多用户的综合反馈，实验者需根据评分模型设计相应的用户偏好评价表，辅助用户打分。在表中首先需要明确评价对象的考察角度和维度。这部分内容为固定指标，选择的角度与维度需完整全面地包括各要素。表格设计应简洁、明了。

打分者根据个人的个性化需求按次序，依次确认自己的潜在评分特征，明确该特征数值决定了这一评价维度所占的局部权重。随后完成对目标评价对象的打分任务。图4为评价表的设计样例。

模型检验方法

模型检验问题描述

通过模型计算后得到的用户偏好评分数据，需要进行检验，以验证该评价方法可以实现科学、公正的输出结果。这包含两部分的检验内容，一是根据最终评分得到的数据有效地反映了当前用户真实的个性偏好，二是数据同样有效反映了用户对目标存在着非传递性偏好关系的心理。

检验评分有效性方法

在用户完成了一系列的目标对象打分后，对于对象样本已经具备初步认识。此时使用相同的对象样本，两两一组进行偏好比较。当样本数量较少时，可按笛卡尔乘积进行比较，即样本V中所有物品两两相比；若样本数量较大时，可进行抽样比较，但需指明稀疏度

情况。

根据用户对样本内容的两两比较结果，按偏好情况可对样本排序，第一原则为按用户选择的次数由高到低依次排列，第二原则是同样的选择次数时按实际偏好情况排列。由此可得到用户两两偏好序列，设置偏好阈值为50％，即该序列中前50％为偏好物品，后50％为非偏好物品。

将用户两两比较的偏好结果作为实际基准，与统计结果显示的模型结果进行校验。模型结果同样可以按用户偏好评分高低依次排序得到评分模型偏好序列，同样的，规定该序列中前50％为偏好物品，后50％为非偏好物品，该结果为预测情况。

在此引入二分类器原理进行模型的检验，如附图5所示，根据得到的二分类问题的混淆矩阵结果，分别计算精度(Accuracy)、查全率(Recall)和查准率(Precision)，其比例值越高模型效果越理想。本发明中偏好阈值可根据实际进行调整。

检验非传递性偏好关系方法

在用户偏好比较中，由于参照角度的多样性，可能出现偏好链条，也称偏好环(Preference Annulus，简称PA)。如v_A＞_uv_B＞_uv_C，而一旦发生头尾相连的情况，就被成为形成一个传递偏好环，如v_A＞_uv_B＞_uv_C＞_uv_A，注意这仅是单一角度而言；当多个角度共同作用下，也可能会出现偏好环，此时称为非传递偏好环，如v_A＞_uν_B＞_uν_C＞_uν_A，这是针对不同角度的潜在传递偏好关系而言。我们设计的偏好评分方案也充分考虑了这种情况的产生。根据用户偏好评价模型可以验证出评分具有非传递偏好环(PA)情况。若发现数据集中偏好环数量越多，则表示该用户样本中的非传递性偏好关系越明显，用户选择偏好越“纠结”。但对我们最终计算得到的偏好评分没有影响。附图6为检验出一个潜在非传递偏好环示意。具体选择对象v_a,v_b,v_c的打分矩阵

进行三个物品之间的偏好比较。

实例

用户偏好评分流程将面向全新用户使用，即评分对象对用户而言未知。选择的目标样本应具有相似性和特异性，即属于同类物品或内容，但具有明显的外观或功能区别。

如图2所示，由设计者结合影响用户选择的众多因素，首先定义用户偏好矩阵关系，以评价对象的具体特质和属性，确认不同考察角度，与对应角度的不同考察维度。用户通过对目标对象按偏好矩阵中规定的属性进行独立评分，对某一属性越喜爱，则相应分值、权重越高。矩阵计算的结果反映用户对该目标服装的偏好强烈程度。

以“服装偏好”为例进行评价：

判断用户对不同女式大衣的偏好情况，以验证电商平台中此类型商品的个性化推荐效果。因服装的外观是影响网络消费者购买选择的关键因素，用户第一眼看到的商品信息，即是外观图片和服装搭配。因此，通过图片样本用为评价对象。服装图片中需要包含各种颜色、风格、材质、款型的女士大衣，同时为减少误差，所有图片中不出现试穿模特或其他配件，且图片质量、尺寸标准、饱和度等保持一致。

结合图3与图4模拟评价流程。已知评价诉求后，通过专家知识和实验诉求等原则，选定“颜色”、“外观”、“适合场景”三个角度进行评价。对于颜色角度，引入“色彩搭配”和“色系喜好”两个维度，在于挖掘用户审美的个人素质，也会因为成长环境、人生阅历的不同产生相应的独特性；对于外观角度，引入“款型”、“面料”、“质感”三个维度，在于把握用户针对服装本身属性的偏好进行评价，是对服装内容感知的当即判断；对于适合场景角度，引入“休闲场景”和“正式场景”两个维度，这反映了用户对该服装可穿着场景的想象，表现在不同场合下对穿着服装的偏好不同。此时，D＝3，d＝3，形成一个3×3的服装偏好评价基准矩阵F^u。

评价开始后，用户u₁得到如图4所示的用户服装偏好评价表，首先根据自己的个性化需求，对不同角度和维度的属性偏好程度进行打分，按图4中灰底数值所标，由此可以得到对于用户u₁的多角度潜在评分特征

和多维度潜在评分特征

表明不同角度和同一角度不同维度下，该属性值在用户需求中的贡献度。这一特征的确认有效维护了用户的个性化需求。

随着用户u₁对对象的打分依次完成，可以得到针对不同对象的打分矩阵

以对象v₁为例：

该女士大衣的色彩搭配属性得分3，色系喜好属性得分5，款型属性得分8，面料属性得分5，质感属性得分6，休闲场景下得分4，正式场景下得分2。其中，该服装在款式属性中得分最高，说明用户u₁对这件女式大衣的外观款式偏好程度很高；而正是场景中得分最低，说明用户u₁在正式场景下愿意穿着这件大衣的偏好程度很低。

接下来通过发明设计的D-MuCri评分模型，引入多维度潜在特征

反映不同属性对同一角度的贡献度不同，计算用户u₁对女式大衣v₁的多角度评分矩阵

经过计算后，得到用户u₁对女式大衣v₁在颜色、外观、适合场景三个角度的潜在偏好评分分别为4.2，5.9和3.0。表明该大衣在外观上用户潜在偏好最高，若在两两偏好选择中胜出，则最有可能的判断角度是外观。随后，引入多角度潜在特征

计算用户u₁对女式大衣v₁的偏好评分值

由于偏好程度按0～10递增的前提没有因为引入潜在特征而改变，因此用户u₁对女式大衣v₁的偏好评分为5.1，处于中等水平。故在物品的两两偏好比较中，胜算一般。

以“音乐偏好”为例进行非传递偏好关系验证：

根据前章提到的检验非传递性偏好关系方法，当多种角度潜在影响因素的共同作用下，用户对对象的青睐可能会产生非传递偏好关系，而该发明中的评价方法能有效规避非传递偏好的误差。故以检验出评价结果中存在多角度非传递偏好环进行验证。

结合图6作为评价结果计算示意。某音乐用户u₂在华语音乐曲目中判断偏好情况，用以改进音乐平台对于该种类音乐的个性化推荐效果。评价选取的用户偏好矩阵F^u如下：

该用户个性化多维度潜在特征

及对音乐旋律v_a,v_b,v_c的偏好打分矩阵

依次如下：

计算后得到用户对于这三段旋律的多角度潜在偏好评分，如图6所示。旋律v_a和旋律v_c分别在音乐内容角度的偏好程度最大，旋律v_b在音乐曲风角度偏好程度最大。随后，随机选取两个角度进行偏好值相加，此时表现出两两比较过程中，用户主要考虑两个角度的心理。

通过两角度偏好值相加，得到用户的潜在偏好关系：在节奏与内容角度，旋律v_a优于旋律v_b；在节奏与曲风角度，旋律v_b优于旋律v_c；在曲风与内容角度，旋律v_c优于旋律v_a。此时一条形成了v_a＞v_b＞v_c＞v_a的多角度潜在非传递偏好环。偏好环的产生证明了该用户选择心理中的多面性与不确定性，也验证了该评价方法满足用户个性化的偏好心理。

本发明提出了一种利用用户多角度非传递性心理的偏好评价模型。综合考虑影响用户偏好的各方面影响因素，并引入多角度、多维度潜在特征因子，满足用户在对象选择中的多角度且主观无法分辨的心理状态。本发明进行了探究用户个性化偏好实验的标准定量方法设计。以优化调整传统的简单评分或排序选择为目标，进一步规范流程并减少用户偏好选择的偶然误差影响。本发明提出了该非传递偏好评价模型与探究不同目标的个性化推荐效果的协同方法，以保证该方案的灵活性与普适性。

本发明利用当前互联网用户选择的多面性与复杂心理，相应建立科学的量化模型，并根据相应模型设计评分方法，以缓解用户偏好选择的不确定性误差对验证个性化推荐效果的影响，保证对用户心理的合理把握，提升相关智能推荐平台效益。本发明的优势包括：一、把握用户与评价对象之间复杂多变的心理状态，以获得偶然误差最小的偏好情况；二、设计用户多角度偏好模型与对应的偏好评分方法，以优化评价流程；三、验证该评价方法规避了因存在非传递偏好关系而导致的用户偏好和用户评价准则不一致的情况。

本发明的背景部分可以包含关于本发明的问题或环境的背景信息，而不一定是描述现有技术。因此，在背景技术部分中包含的内容并不是申请人对现有技术的承认。

以上内容是结合具体/优选的实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说，在不脱离本发明构思的前提下，其还可以对这些已描述的实施方式做出若干替代或变型，而这些替代或变型方式都应当视为属于本发明的保护范围。在本说明书的描述中，参考术语“一种实施例”、“一些实施例”、“优选实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。尽管已经详细描述了本发明的实施例及其优点，但应当理解，在不脱离专利申请的保护范围的情况下，可以在本文中进行各种改变、替换和变更。

Claims (10)

1.一种基于多角度非传递偏好关系的用户个性化偏好预测方法，其特征在于，包括如下步骤：

S1、通过多角度偏好的差异特征模型对用户偏好进行建模，建立符合用户个性化的用户多角度非传递偏好模型；

S2、构建与所述用户多角度非传递偏好模型对应的用户打分模型，用于获得用户对目标对象实际给出的分数；

S3、通过综合所述用户多角度非传递偏好模型和所述用户打分模型，实现多角度下的偏好评分预测模型，以用于计算用户偏好评分数据。

2.如权利要求1所述的基于多角度非传递偏好关系的用户个性化偏好预测方法，其特征在于，

步骤S1中，所述建模的方法包括：定义用户的目标对象偏好矩阵F^u，设有D个比较角度评价目标对象，令用户偏好矩阵

在每个角度中受到

个不同因素影响，即含有

个比较维度，其中

值不唯一，在不同角度中具有差异性，表示为不同角度下用户偏好矩阵

F^u为一个D×d大小的矩阵，其中

d≥1；

定义用户u的内容偏好在不同角度下，有个性化的多角度潜在评分特征

表征为对于整体偏好而言，f_i ^u角度具有的贡献值占比，设整体偏好贡献总值为1；用户u对于同一角度的不同维度有个性化的多维度潜在评分特征，对应为

表征为对于f_i ^u角度而言，

维度应当具有的贡献值占比，设f_i ^u角度贡献总值为1。

3.如权利要求1所述的基于多角度非传递偏好关系的用户个性化偏好预测方法，其特征在于，获得用户对目标对象实际给出的分数包括：确定需评价的对象样本；确定评价的不同角度和维度；由用户观察对象，对应不同角度、维度分别打分，完整对象合集中所有目标的打分，获得打分集。

4.如权利要求1所述的基于多角度非传递偏好关系的用户个性化偏好预测方法，其特征在于，

步骤S2中，定义用户对一系列目标对象v，a_ij表示在第i角度的第j维度下目标对象的对应分值，a_ij与

维度、f_i ^u角度具有一一对应关系，得到用户对目标对象v的打分矩阵

用户打分矩阵A^v与用户偏好矩阵F^u一一对应；当用户完成对所有目标对象打分后，得到对象样本的打分集A。

5.如权利要求1所述的基于多角度非传递偏好关系的用户个性化偏好预测方法，其特征在于，

步骤S2中，形成一偏好评价基准矩阵F^u，用户u₁得到用户服装偏好评价表，根据自己的个性化需求，对不同角度和维度的属性偏好程度进行打分，得到对于用户u₁的多角度潜在评分特征

和多维度潜在评分特征

表明不同角度和同一角度不同维度下，该属性值在用户需求中的贡献度，随着用户u₁对对象的打分依次完成，得到针对不同对象的打分矩阵

6.如权利要求1所述的基于多角度非传递偏好关系的用户个性化偏好预测方法，其特征在于，

步骤S3中，结合使用用户偏好矩阵F^u和目标对象的打分矩阵A^v，其中，引入多维度潜在特征

得到f_i ^u角度下不同维度的评分

获得多角度评分矩阵

引入多角度潜在特征

得到

C^v仅含一个元素，用户u对于目标对象v的偏好评分值

也记作

其中t表示一段时间范围，当遍历打分集A后，评分计算完成，获得该用户对于对象样本V的偏好评分合集

7.如权利要求1所述的基于多角度非传递偏好关系的用户个性化偏好预测方法，其特征在于，

步骤S3中，通过D-MuCri评分模型，引入多维度潜在特征

反映不同属性对同一角度的贡献度不同，计算用户u₁对目标对象v₁的多角度评分矩阵

经过计算得到用户u₁对各个角度的潜在偏好评分，随后，引入多角度潜在特征

计算用户u₁的偏好评分值

8.如权利要求1至7任一项所述的基于多角度非传递偏好关系的用户个性化偏好预测方法，其特征在于，还包括如下步骤：

对通过模型计算后得到的用户偏好评分数据，进行评分有效性检验；其中，使用相同的对象样本，两两一组由用户进行偏好比较，根据用户对样本内容的两两比较结果，按偏好情况可对样本排序，第一原则为按用户选择的次数由高到低依次排列，第二原则是同样的选择次数时按实际偏好情况排列；由此得到用户两两偏好序列，将用户两两比较的偏好结果作为实际基准，与统计结果显示的模型结果进行校验；

优选地，引入二分类器原理进行模型的检验，根据得到的二分类问题的混淆矩阵结果，分别计算精度、查全率和查准率中的一种或多种。

9.如权利要求1至7任一项所述的基于多角度非传递偏好关系的用户个性化偏好预测方法，其特征在于，还包括如下步骤：

根据用户偏好评价模型验证评分具有非传递偏好环(PA)情况；

其中，以检验出评价结果中存在多角度非传递偏好环进行验证，评价选取的用户偏好矩阵F^u，根据用户个性化多维度潜在特征

及对不同对象的偏好打分矩阵，计算后得到用户对于不同对象的多角度潜在偏好评分，随机选取两个角度进行偏好值相加，通过两角度偏好值相加，得到用户的潜在偏好关系：形成多角度潜在非传递偏好环，通过偏好环的产生验证该预测方法满足用户个性化的偏好心理。

10.一种基于多角度非传递偏好关系的用户个性化偏好预测装置，其特征在于，包括计算机可读存储介质和处理器，所述计算机可读存储介质存储有可执行程序，其特征在于，所述可执行程序由所述处理器执行时，实现如权利要求1至9任一项所述的基于多角度非传递偏好关系的用户个性化偏好预测方法。

Images