CN113221019B - 基于即时学习的个性化推荐方法和系统 - Google Patents

Abstract

本发明提供一种基于即时学习的个性化推荐方法、系统、存储介质和电子设备，涉及信息推荐领域。本发明包括获取查询用户对推荐信息的第一历史评分矩阵；计算查询用户与其他用户的相似性，获取相似用户的第二历史评分矩阵，得到相似样本矩阵；将相似样本矩阵输入局部加权回归模型中，得到回归系数矩阵；根据第一历史评分矩阵和回归系数矩阵，获取查询用户对待推荐信息的评分预测值。将时间要素考虑到推荐算法之中，从历史数据中找出与当前查询样本最匹配的样本数据进行局部建模，从而可以有效解决变量的非线性和跳跃性的变化问题，提高输出推荐的预测精度，有利于体现用户兴趣即时变化，解决了已有的个性化推荐算法不能即时反应用户的兴趣漂移问题。

Description

基于即时学习的个性化推荐方法和系统

技术领域

本发明涉及信息推荐技术领域，具体涉及一种基于即时学习的个性化推荐方法、系统、存储介质和电子设备。

背景技术

随着移动终端和互联网的不断普及，互联网已经成为人们日常生活中不可或缺的一部分，每个平台应用每天都会产生大量的用户行为数据。然而互联网的信息过载问题，使得人们无法立刻从海量信息中提取自己需要的信息。为解决该问题，推荐系统应运而生，其核心思想是通过用户历史行为数据猜测出用户的兴趣爱好，并且根据猜测的爱好推荐相匹配的商品信息。

近年来，基于KNN的协同过滤算法是推荐系统中最常使用的协同过滤方法。协同过滤是推荐系统应用得最为广泛的技术之一，它主要通过考虑用户与用户之间、物品与物品之间的相似度，来向用户推荐物品，关键步骤包括为目标用户选取近邻和对商品进行预测评分。

但是，现有信息推荐方法存在两个问题。其一，因为KNN方法需要对两两用户之间的相似度进行计算，当用户数量较大时会导致计算量较大。其二，用户的兴趣爱好和行为数据是实时发生变化的，但KNN方法是基于历史样本离线训练建立全局模型，模型一旦训练完成，其结构和参数固定，所以基于KNN的协同过滤推荐模型目前不能即时反应用户的兴趣漂移问题。

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即时学习的个性化推荐方法、系统、存储介质和电子设备，解决了现有信息推荐方法无法即时反应用户的兴趣漂移的技术问题。

(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：

一种基于即时学习的个性化推荐方法，其特征在于，包括：

S1、获取查询用户对推荐信息的第一历史评分矩阵；

S2、计算所述查询用户与其他用户的相似性，获取相似用户的第二历史评分矩阵，得到相似样本矩阵；

S3、将所述相似样本矩阵输入局部加权回归模型中，得到回归系数矩阵；

S4、根据所述第一历史评分矩阵和回归系数矩阵，获取所述查询用户对所述待推荐信息的评分预测值。

优选的，所述步骤S2包括：

S21、采用欧式距离计算查询用户与其他用户的相似性，获取所述相似用户的第二历史评分矩阵；

S22、根据所述相似用户的第二历史评分矩阵u_h，得到相似样本矩阵。

优选的，所述步骤S3中的局部加权回归模型的构建过程包括：

将所述相似样本矩阵中每一个相似用户的第二历史评分矩阵作为一条第一训练样本；确定该用户对待推荐信息的评分值，将该用户对所述推荐信息的评分值作为该条第一训练样本的预测标签；根据所述多个用户对应的所述第一训练样本和所述预测标签，构建局部加权回归模型。

优选的，所述步骤S3具体包括：

S31、根据所述相似样本矩阵，确定训练样本的权值及带宽；

S32、根据所述对角矩阵，结合相似用户对待推荐信息的评分值，获取回归系数矩阵

其中，X表示相似样本矩阵；Ω表示具有w_h作为其第h个对角线元素的对角矩阵；Y表示相似用户u_h对待推荐信息P的评分矩阵。

优选的，所述步骤S4中的所述查询用户对所述待推荐信息的评分预测值表示为：

其中，

表示评分预测值，x_q表示第一历史评分矩阵。

优选的，其特征在于，所述推荐方法还包括；

S5、将所述评分预测值与目标评分阈值比较，若所述评分预测值大于等于所述目标评分阈值，则将所述待推荐信息推荐给所述查询用户，否则不推荐。

一种基于即时学习的个性化推荐系统，包括：

获取模块，用于获取查询用户对推荐信息的第一历史评分矩阵；

第一计算模块，用于计算所述查询用户与其他用户的相似性，获取相似用户的第二历史评分矩阵，得到相似样本矩阵；

第二计算模块，用于将所述相似样本矩阵输入局部加权回归模型中，得到回归系数矩阵；

预测模块，用于根据所述第一历史评分矩阵和回归系数矩阵，获取所述查询用户对所述待推荐信息的评分预测值。

一种计算机可读存储介质，其上存储有计算机程序，在处理器执行所述计算机程序时可实现如上述任一项的个性化推荐方法。

一种电子设备，包括：

一个或多个处理器；

存储器；以及

一个或多个程序，其中所述一个或多个程序被存储在所述存储器中，并且被配置成由所述一个或多个处理器执行，所述程序包括用于执行如上述任一项的个性化推荐方法。

(三)有益效果

本发明提供了一种基于即时学习的个性化推荐方法、系统、存储介质和电子设备。与现有技术相比，具备以下有益效果：

本发明包括获取查询用户对推荐信息的第一历史评分矩阵；计算所述查询用户与其他用户的相似性，获取相似用户的第二历史评分矩阵，得到相似样本矩阵；将所述相似样本矩阵输入局部加权回归模型中，得到回归系数矩阵；根据所述第一历史评分矩阵和回归系数矩阵，获取所述查询用户对所述待推荐信息的评分预测值。将时间要素考虑到推荐算法之中，通过采用基于即时学习构建局部模型，即通过从历史数据中，找出与当前查询样本最匹配的样本数据进行局部建模，从而可以有效解决变量的非线性和跳跃性的变化等问题，提高输出推荐的预测精度，有利于体现用户兴趣的即时变化，解决了已有的个性化推荐算法不能即时反应用户的兴趣漂移问题。

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一种基于即时学习的个性化推荐方法的模型示意图；

图2为本发明实施例提供的一种基于即时学习的个性化推荐方法的流程示意图；

图3为本发明实施例提供的一种基于即时学习的个性化推荐系统的结构框图。

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作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即时学习的个性化推荐方法、系统、存储介质和电子设备，解决了现有信息推荐方法无法即时反应用户的兴趣漂移的技术问题，实现即时反应用户兴趣动态变化的同时，保证了推荐结果的准确性。

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：

本发明实施例包括获取查询用户对推荐信息的第一历史评分矩阵；计算所述查询用户与其他用户的相似性，获取相似用户的第二历史评分矩阵，得到相似样本矩阵；将所述相似样本矩阵输入局部加权回归模型中，得到回归系数矩阵；根据所述第一历史评分矩阵和回归系数矩阵，获取所述查询用户对所述待推荐信息的评分预测值。将时间要素考虑到推荐算法之中，通过采用基于即时学习构建局部模型，即通过从历史数据中，找出与当前查询样本最匹配的样本数据进行局部建模，从而可以有效解决变量的非线性和跳跃性的变化等问题，提高输出推荐的预测精度，有利于体现用户兴趣的即时变化，解决了已有的个性化推荐算法不能即时反应用户的兴趣漂移问题。

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。

实施例：

第一方面，如图1～2所示，本发明实施例提供了一种基于即时学习的个性化推荐方法，具体包括：

S1、获取查询用户对推荐信息的第一历史评分矩阵。

本发明实施例中的推荐信息包括电影、书籍或者音乐等，在此不做严格限制，例如以电影作为推荐信息为例，首先从电影网站上获取用户对电影的评分信息。

令电影网站共存在n个用户，记为U＝{u₁，u₂，...，u_i，...，u_n}，其中u_q表示查询用户。采用数据收集软件从电影网站上获取历史评分数据集，其中包括查询用户对推荐信息的第一历史评分矩阵：查询用户u_q一共对m部电影进行过评分，评分矩阵为X_q＝[x_q1，x_q2，x_q3，...，x_qm]，其中x_qm表示查询用户u_q对第m部任意电影的评分；且设评分x_qm的取值范围为[0.5，5]，若查询用户没有评分，则规定x_qm取值为0。

S2、计算所述查询用户与其他用户的相似性，获取相似用户的第二历史评分矩阵，得到相似样本矩阵。

S21、本发明实施例采用欧式距离计算查询用户与电影网站上其他用户的相似性，这是是确定各个用户样本权值的前提。在电影网站的历史数据集中匹配与查询用户具有相似评分行为的相似用户u_h，相似用户u_h的第二历史评分矩阵，即评分信息同理定义为：X_h＝[x_h1，x_h2，x_h3，...，x_hm]，其中，x_hm表示用户u_h对上述第m部电影的评分，样本间的相似性大小计算方式如下：

其中，d(u_q，u_h)表示网站的历史数据中第h个任意用户与查询用户u_q的相似度，且d(u_q，u_h)的值越小，相似度越大；U_h＝{u₁，u₂，...，u_i，...，u_h}(i≤h≤n)表示在网站的历史数据集中与查询用户u_q相似度最高的h个训练样本。

S22、根据所述相似用户的第二历史评分矩阵u_h，得到相似样本矩阵X，表示为：

其中，因线性回归拟合中存在常数估计项，便于表达，默认在局部加权线性回归算法的输入矩阵中加入全1列向量组成查询用户u_q的相似样本矩阵X；X_H＝[x_H1，x_H2，...，x_Hm]^T(H＝1，2，…，h)表示相似用户u_h对上述m部电影的评分信息；行向量X_M＝[x_1M，x_2M，...，x_hM](M＝1，2，…，m)表示对于任意的某部电影，h个相似用户对它的评分信息。

S3、将所述相似样本矩阵输入局部加权回归模型中，得到回归系数矩阵。

本发明实施例中所述局部加权回归模型的构建过程包括：

将所述相似样本矩阵中每一个相似用户的第二历史评分矩阵作为一条第一训练样本；确定该用户对待推荐信息的评分值，将该用户对所述推荐信息的评分值作为该条第一训练样本的预测标签；根据所述多个用户对应的所述第一训练样本和所述预测标签，构建局部加权回归模型。具体包括：

S31、根据所述相似样本矩阵，确定训练样本的权值及带宽。

权值函数是用来计算构建局部模型中训练样本u_h的权重，通常情况下是基于上述所选的距离函数进行定义，并且距离查询样本点越近的历史样本的权值系数取值应该越大。常见的权值函数有三角形函数，指数型函数，高斯核函数等。因为所选的训练集不是线性可分的，所以需要利用高斯核函数将数据集映射到高维空间。这样数据在高维空间就可以线性可分。

基于式(1)的距离函数计算局部模型中训练样本u_h的权重。计算方法如下：

W(u_h)＝exp[-d(u_q，u_h)²/2d²] (3)

其中，W(u_h)表示训练样本u_h的权重大小；d表示带宽，控制径向作用范围，相当于d控制高斯核函数的局部作用范围，且d取值越大，则有较多的样本点被赋予较大的权值，d取值越小，权值系数衰减的越快，则只有距离查询样本较近的点用于回归建模。

在本发明实施例中，首先设置d＝1，随着u_q和u_h距离的增大，其高斯核函数值在单调递减，逐渐增加d的取值，那么高斯核函数的局部影响范围就会变大。可通过交叉验证的方法选取合适的d值。对于给定的查询样本点u_q，计算其与每个训练样本之间的距离，并通过权值函数W(u_h)计算求得所有训练样本的权值。

将h个训练样本的相似性权重通过高斯核函数计算，分别为W＝{W₁，W₂，...，W_h}，得到对角矩阵。

其中，矩阵Ω＝diag(w)表示具有w_h作为其第h个对角线元素的对角矩阵，用于后续计算局部模型的回归系数向量。

S32、根据所述对角矩阵，结合相似用户对待推荐信息的评分值，获取回归系数矩阵。

确定相似用户对待推荐信息的评分值，即查询用户的相似用户u_h对电影P的评分矩阵，设为Y，表示为：

Y＝[y₁ y₂ … y_h]^T (5)

本发明实施例在

的约束条件下，基于最小二乘估计求得对应于当前查询用户u_q的局部回归系数向量

因为W(x_n)是非负的权重值，如果对于某个特定的样本，它的W(x_n)很大，那么在选择回归系数矩阵β^T的时候，要保证尽可能地使(y_n-x_nβ^T)²更小。如果W(y_n)很小，那么在拟合过程中(y_n-x_nβ^T)²误差项就能被忽略。从而得到回归系数矩阵

本发明实施例提出的基于即时学习的推荐方法中，对于一个新的查询用户都会重新选择相似样本，建立一个新的局部模型，通过此方法可以有效解决用户的兴趣漂移问题。

S4、根据所述第一历史评分矩阵和回归系数矩阵，获取所述查询用户对所述待推荐信息的评分预测值。

利用式(6)得到回归系数矩阵后，通过查询用户x_q的历史评分矩阵，通过下列公式计算，预测查询用户x_q对待推荐信息P的评分预测值

S5、将所述评分预测值与目标评分阈值比较，若所述评分预测值大于等于所述目标评分阈值，则将所述待推荐信息推荐给所述查询用户，否则不推荐。

根据所述查询用户x_q对待推荐信息P的评分预测值

判断是否将推荐信息P推荐给查询用户；例如本发明实例中设定若预测值

则将对应的电影推荐给查询用户u_q。

第二方面，本发明实施例还提供一种基于即时学习的个性化推荐系统，如图3所示，该系统包括：

获取模块，用于获取查询用户对推荐信息的第一历史评分矩阵。

第一计算模块，用于计算所述查询用户与其他用户的相似性，获取相似用户的第二历史评分矩阵，得到相似样本矩阵。

第二计算模块，用于将所述相似样本矩阵输入局部加权回归模型中，得到回归系数矩阵。

预测模块，用于根据所述第一历史评分矩阵和回归系数矩阵，获取所述查询用户对所述待推荐信息的评分预测值。

可理解的是，本发明实施例提供的个性化推荐系统与本发明实施例提供的个性化推荐方法相对应，其有关内容的解释、举例和有益效果等部分可以参考个性化推荐方法中的相应部分，此处不再赘述。

第三方面，本发明实施例还提供一种计算机可读存储介质，其上存储有计算机程序，在处理器执行所述计算机程序时可实现上述个性化推荐方法。

第四发明，本发明实施例提供了一种电子设备，包括：

一个或多个处理器；

存储器；以及

一个或多个程序，其中所述一个或多个程序被存储在所述存储器中，并且被配置成由所述一个或多个处理器执行，所述程序包括用于执行如上述个性化推荐方法。

综上所述，与现有技术相比，具备以下有益效果：

1、本发明实施例所使用的推荐算法是基于即时学习的个性化推荐算法，将时间要素考虑到推荐算法之中，通过采用基于即时学习构建局部模型，即时学习方法是通过从历史数据中，找出与当前查询样本最匹配的样本数据进行局部建模，从而可以有效解决变量的非线性和跳跃性的变化等问题，提高输出推荐的预测精度。有利于体现用户兴趣的即时变化，解决了已有的个性化推荐算法不能即时反应用户的兴趣漂移问题。

2、本发明实施例将即时学习和基于KNN的协同过滤推荐方法有机结合起来，实现在用户兴趣动态变化的同时，能够动态更新训练模型，同时也能很好的控制计算量，既保证了推荐结果的准确性，也能够满足大众对于个性化推荐服务的需求。

需要说明的是，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 (5)

1.一种基于即时学习的个性化推荐方法，其特征在于，包括：

步骤S1、获取查询用户对推荐信息的第一历史评分矩阵；

步骤S2、计算所述查询用户与其他用户的相似性，获取相似用户的第二历史评分矩阵，得到相似样本矩阵；

步骤S3、将所述相似样本矩阵输入局部加权回归模型中，得到回归系数矩阵；

步骤S4、根据所述第一历史评分矩阵和回归系数矩阵，获取所述查询用户对所述推荐信息的评分预测值；

步骤S5、将所述评分预测值与目标评分阈值比较，若所述评分预测值大于等于所述目标评分阈值，则将所述推荐信息推荐给所述查询用户，否则不推荐；

所述步骤S3中的局部加权回归模型的构建过程包括：

将所述相似样本矩阵中每一个相似用户的第二历史评分矩阵作为一条第一训练样本；确定该用户对待推荐信息的评分值，将该用户对所述推荐信息的评分值作为该条第一训练样本的预测标签；根据多个相似用户对应的所述第一训练样本和所述预测标签，构建局部加权回归模型；

所述步骤S3具体包括：

S31、根据所述相似样本矩阵，确定训练样本的权值及带宽；

W(u_h)＝exp[-d(u_q，u_h)²/2d²] (1)

其中，W(u_h)表示训练样本u_h的权值大小；d表示带宽；d(u_q，u_h) 表示历史数据中第h个任意用户与查询用户u_q的相似度；

将h个训练样本的相似性权重通过高斯核函数计算，分别为W＝{W₁，W₂，...，W_h}，得到对角矩阵；

Ω表示具有W_h作为其第h个对角线元素的对角矩阵；

S32、根据对角矩阵，结合相似用户对待推荐信息的评分值，获取回归系数矩阵

其中，X表示相似样本矩阵；Y表示相似用户对待推荐信息P的评分矩阵；

所述步骤S4中的所述查询用户对所述待推荐信息的评分预测值表示为：

其中，

表示评分预测值，x_q表示第一历史评分矩阵。

2.如权利要求1所述的个性化推荐方法，其特征在于，所述步骤S2包括：

S21、采用欧式距离计算查询用户与其他用户的相似性，获取所述相似用户的第二历史评分矩阵；

S22、根据所述相似用户的第二历史评分矩阵，得到相似样本矩阵。

3.一种基于即时学习的个性化推荐系统，其特征在于，包括：

获取模块，用于获取查询用户对推荐信息的第一历史评分矩阵；

第一计算模块，用于计算所述查询用户与其他用户的相似性，获取相似用户的第二历史评分矩阵，得到相似样本矩阵；

第二计算模块，用于将所述相似样本矩阵输入局部加权回归模型中，得到回归系数矩阵；

预测模块，用于根据所述第一历史评分矩阵和回归系数矩阵，获取所述查询用户对所述推荐信息的评分预测值；

推荐模块，用于将所述评分预测值与目标评分阈值比较，若所述评分预测值大于等于所述目标评分阈值，则将所述推荐信息推荐给所述查询用户，否则不推荐；

所述局部加权回归模型的构建过程包括：

将所述相似样本矩阵中每一个相似用户的第二历史评分矩阵作为一条第一训练样本；确定该用户对待推荐信息的评分值，将该用户对所述推荐信息的评分值作为该条第一训练样本的预测标签；根据多个相似用户对应的所述第一训练样本和所述预测标签，构建局部加权回归模型；

所述第二计算模块具体用于：

S31、根据所述相似样本矩阵，确定训练样本的权值及带宽；

W(u_h)＝exp[-d(u_q，u_h)²/2d²] (1)

其中，W(u_h)表示训练样本u_h的权值大小；d表示带宽；d(u_q，u_h)表示历史数据中第h个任意用户与查询用户u_q的相似度；

将h个训练样本的相似性权重通过高斯核函数计算，分别为W＝{W₁，W₂，...，W_h}，得到对角矩阵；

Ω表示具有W_h作为其第h个对角线元素的对角矩阵；

S32、根据对角矩阵，结合相似用户对待推荐信息的评分值，获取回归系数矩阵

其中，X表示相似样本矩阵；Y表示相似用户对待推荐信息P的评分矩阵；

所述查询用户对所述待推荐信息的评分预测值表示为：

其中，

表示评分预测值，x_q表示第一历史评分矩阵。

4.一种计算机可读存储介质，其特征在于，其上存储有计算机程序，在处理器执行所述计算机程序时可实现如上所述权利要求1或者2的个性化推荐方法。

5.一种电子设备，其特征在于，包括：

一个或多个处理器；

存储器；以及

一个或多个程序，其中所述一个或多个程序被存储在所述存储器中，并且被配置成由所述一个或多个处理器执行，所述程序包括用于执行如上所述权利要求1或者2的个性化推荐方法。

Images