个性化推荐方法
【技术领域】
[0001] 本发明涉及计算机数据处理技术领域，特别是涉及一种个性化推荐方法。
【背景技术】
[0002] 随着互联网的高速发展，人们的日常生活越来越多的与互联网紧密联系在一起， 例如听音乐、看电影、购物、阅读、聊天等等。与此同时，海量的用户和物品数据每天都不断 地在互联网中产生，该导致互联网用户很难，甚至不可能快速地从中找到自己需要的或者 感兴趣的未知信息。于是，个性化推荐技术应运而生，并不断地推陈出新。个性化推荐技术 旨在根据用户自身的特点，对用户的兴趣偏好进行建模，并进而推荐符合用户个性化偏好 的，且尚未使用过的物品。
[0003] 协同过滤是目前最主流、最有效的一类个性化推荐方法，该类方法通过获取大量 的用户对物品的行为数据，对用户与用户、物品与物品、用户与物品之间的关系分别进行建 模，并行为相似的用户拥有相似的偏好"为基本假设进行个性化推荐。该类方法普遍存 在的一个较大的局限是：协同过滤方法假设用户U已使用过的所有物品都均等地反映了用 户U的个性化偏好。该个均等假设在用户的个性化偏好可能快速动态变化的推荐问题中是 不成立的，例如用户一天之内的情绪可能发生多次变化，那么用户在不同情绪之下所偏好 的歌曲也一般有很大差异，开也的时候可能喜欢听欢快的歌曲，悲伤的时候可能喜欢听舒 缓、安静的歌曲，那么用户在开也的状态下听的歌曲就不能正确的反映用户在也情低落、伤 感时的歌曲偏好。同样，电影推荐、网站推荐等也有类似的情况。
[0004] 为了提升现有推荐方法的有效性，需要考虑用户的偏好随时间动态变化的特点。 因此，用户已使用过的物品不会均等的反映该用户在给定的时刻下的偏好。
[0005] 因此，目前需要本领域技术人员迫切解决的一个技术问题就是：如何能够创新地 提出一种有效方法，W满足实际应用中的更多需求，创造更多的应用价值。
【发明内容】
[0006] 本发明所要解决的技术问题是提供一种个性化推荐方法，能够更准确的捕捉用户 偏好的动态变化，该样的推荐方法就显得更具有实用价值。
[0007] 为了解决上述技术问题，本发明实施例公开了一种个性化推荐方法，包括：
[0008] 获取用户对物品的使用行为数据；
[0009] 按照所获取的使用行为数据生成用户使用行为子列表；
[0010] 遍历所生成的用户使用行为子列表，估算物品的一步转移概率矩阵；
[0011] 基于用户对物品的兴趣的遗忘过程和马尔科夫模型建立个性化推荐模型；
[0012] 使用梯度下降法，对兴趣遗忘过程中用户的个性化参数进行估算，从而根据用户 使用行为子列表，为用户进行推荐。
[0013] 优选的，所述获取用户对物品的使用行为数据所获取到用户的使用行为均为正面 用户反馈。
[0014] 优选的，所述生成用户使用行为子列表的依据为用户动态的使用行为过程中，用 户的偏好的变化。
[0015] 优选的，所述一步转移概率矩阵为实数矩阵。
[0016] 优选的，所述的个性化推荐模型为一个修正的一阶马尔科夫模型。
[0017] 优选的，所述用户对物品的使用行为为听音乐。
[001引与现有技术相比，本发明具有W下优点：
[0019] 本发明通过引入用户对已使用过的物品的兴趣的遗忘过程，能够更准确的分析出 已使用过的各物品在影响用户当前的偏好的重要性，即能有效的捕捉到用户偏好变化的动 态特性，并将偏好的动态变化应用于个性化推荐中，提升了推荐结果的有效性。
【附图说明】
[0020] 图1是本发明的一种个性化推荐方法实施例的流程示意图；
[0021] 图2是【具体实施方式】中提到的方法实施的流程图；
[0022] 图3是【具体实施方式】中提到的列表示意图；
[0023] 图4是【具体实施方式】中提到的音乐推荐应用实例音乐推荐涉及的示意图。
【具体实施方式】
[0024] 为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实 施方式对本发明作进一步详细的说明。
[00巧]参见图1，本方案所述的一种个性化推荐方法，具体包括：
[0026] 步骤S101，获取用户对物品的使用行为数据；
[0027] 步骤S102,按照所获取的使用行为数据生成用户使用行为子列表；
[0028] 步骤S103,遍历所生成的用户使用行为子列表，估算物品的一步转移概率矩阵；
[0029] 步骤S104,基于用户对物品的兴趣的遗忘过程和马尔科夫模型建立个性化推荐模 型；
[0030] 步骤S105,使用梯度下降法，对兴趣遗忘过程中用户的个性化参数进行估算，从而 根据用户使用行为子列表，为用户进行推荐。
[0031] 为使本发明的方案便于理解和实现对技术做更为具体的介绍，方案实现是基于兴 趣遗忘过程和马尔科夫模型进行个性化推荐方法，包括W下具体的实施步骤：
[0032] (1)本发明通过动态地模拟用户对物品的兴趣的遗忘过程，来估计用户在任意时 刻下对物品的个性化偏好，例如在音乐推荐中，更偏好舒缓、安静的歌曲，还是动感、快节奏 的歌曲，又例如在电影推荐中，更偏好动作类型电影，还是浪漫爱情类型电影等，并在此基 础上，为用户在给定的时刻下，推荐符合其个性化偏好的物品；
[003引 似如附图2所示，为本发明方法实施的流程图，本发明方法一共包含6个主要的 实施阶段；
[0034] (3)阶段1，获取用户对物品的使用行为数据，设获取到M位用户对N个物品的使 用行为数据，记用户集合为U = (ui,也…，％}，物品集合为V = {ui,咕…，％}，集合U和集 合V中每一个元素分别表示唯一的一个用户和一个物品，记Hu= {Xu，i，Xu，2,…}表示用户U 的原始的使用行为数据按其发生的时间的升序排列的列表，其中的任一元素表示用户 u的第i次使用行为，并且Xuj E V，对任意的i< j，满足行为X uj的发生时间早于行为X uj的 发生时间；
[0035] (4)在本发明中，默认获取到的用户的使用行为均为正面用户反馈，即用户U在某 一时刻使用了物品V，则表示用户U在那一时刻下偏好于物品V，而对含有负面用户反馈的 使用行为数据，可将其中所有负面用户反馈均删除后，再运用本发明方法；
[0036] (5)阶段2,根据不同数据类型的推荐问题，设定不同的时间阔值T，对每个用户 的使用行为列表分别进行划分，形成多个子列表，阔值X定义了划分在同一子列表中任意 发生时间相邻的前后两次行为的时间间隔的最大值，划分子列表的原因是因为在用户动态 的使用行为过程中，用户的偏好可能会改变，因此，行为发生时间越接近，则用户偏好改变 的概率越低，反则反之；
[0037] (6)阔值X的大小与具体的推荐问题相关，例如在音乐推荐中，X的值可W取！ 小时，而在电影推荐中，T的值则可W取1天等等；
[003引（7)遍历所有用户U的原始使用行为列表Hu,将Hu中的使用行为按发生时间的升 序排列，若Hu中发生时间相邻的前后两次行为的时间间隔大于X，则将该两次行为分别划 分到前后两个不同的子列表中，记由所有用户的各个使用行为子列表构成的集合为H ;
[003引 做附图3举例说明了根据用户U原始的使用行为列表Hu,在时间阔值X为1小 时的情况下，生成U的使用行为子列表的过程，由于行为Xu,2与X u,3的发生时间的间隔超过 了 1个小时，于是Xu,2与Xu,3被分别划入了子列表Hu,郝Hu,2中，因此，H洛过划分之后得到 两个子列表化，1,咕，2};
[0040] (9)阶段3,遍历阶段2中得到的所有用户的使用行为子列表集合H，估算物品的一 步转移概率矩阵S，S为NXN的实数矩阵，记S(v。Vj.)表示对普遍的用户而言，在使用了物 品Vi之后，下一步紧接着使用物品V j.的概率，即一步转移概率，在本发明中，用W下公式估 算S(v。Vj)的值：
[0041]
【主权项】
1. 一种个性化推荐方法，其特征在于，包括： 获取用户对物品的使用行为数据； 按照所获取的使用行为数据生成用户使用行为子列表； 遍历所生成的用户使用行为子列表，估算物品的一步转移概率矩阵； 基于用户对物品的兴趣的遗忘过程和马尔科夫模型建立个性化推荐模型； 使用梯度下降法，对兴趣遗忘过程中用户的个性化参数进行估算，从而根据用户使用 行为子列表，为用户进行推荐。
2. 如权利要求1所述的个性化推荐方法，其特征在于，所述获取用户对物品的使用行 为数据所获取到用户的使用行为均为正面用户反馈。
3. 如权利要求1所述的个性化推荐方法，其特征在于，所述生成用户使用行为子列表 的依据为用户动态的使用行为过程中，用户的偏好的变化。
4. 如权利要求1所述的个性化推荐方法，其特征在于，所述一步转移概率矩阵为实数 矩阵。
5. 如权利要求1所述的个性化推荐方法，其特征在于，所述的个性化推荐模型为一个 修正的一阶马尔科夫模型。
6. 如权利要求1所述的个性化推荐方法，其特征在于，所述用户对物品的使用行为为 听音乐。
【专利摘要】本发明公开一种个性化推荐方法，涉及计算机数据处理技术领域，包括：获取用户对物品的使用行为数据；按照所获取的使用行为数据生成用户使用行为子列表；遍历所生成的用户使用行为子列表，估算物品的一步转移概率矩阵；基于用户对物品的兴趣的遗忘过程和马尔科夫模型建立个性化推荐模型；使用梯度下降法，对兴趣遗忘过程中用户的个性化参数进行估算，从而根据用户使用行为子列表，为用户进行推荐。本发明提供的个性化推荐方法，能够更准确的捕捉用户偏好的动态变化，这样的推荐方法就显得更具有实用价值。
【IPC分类】G06F17-30, G06K9-62
【公开号】CN104537114
【申请号】CN201510030610
【发明人】王朝坤, 陈俊, 王建民
【申请人】清华大学
【公开日】2015年4月22日
【申请日】2015年1月21日