一种基于推荐概率融合的混合推荐方法
【专利摘要】本发明公开了一种基于推荐概率融合的混合推荐方法，该方法包括如下步骤：1）用二维表表示商品的评分数据；2）对已评分集合中的任意项作为未知数，利用基础推荐方法得到对应项的预测结果，将已评分项评分和对应项的预测结果的集合利用神经网络进行训练得到评分预测模型SFM；3）利用基础推荐方法得到未评分项预测结果，将未评分项预测结果的集合利用SFM获得未评分项的最终预测值；4）将用户的所有未评分项按照未评分项最终预测值集合中各预测值的大小进行降序排列获得未评分项排序集合，选取未评分项排序集合的前N项作为推荐结果推荐给用户。本发明能有效反映用户评价的真实情况，提高个性化推荐的精度。
【专利说明】一种基于推荐概率融合的混合推荐方法
【技术领域】
[0001]本发明属于电子商务领域，具体地说是一种基于推荐概率融合的混合推荐方法。【背景技术】
[0002]随着电子商务的快速发展，信息过载现象愈加严重。如何基于海量的商品集合满足用户的个性化需求成为提升用户体验、提高用户满意度的重要问题。个性化推荐系统是满足用户个性化需求的重要手段。个性化推荐系统根据用户个体的在线浏览数据或购买数据构建用户兴趣偏好模型，从而向用户推荐符合其独特需求的商品。个性化商品推荐在亚马逊、京东商城、淘宝等电子商务网站得到了广泛应用，有效提高了用户购买的可能性，提升了用户对网站服务的体验。
[0003]协同过滤(Collaborative Filtering)技术是个性化推荐应用最早和最为成功的技术之一，其主要思路是基于具有相似特征的用户其兴趣偏好也相同这一假设构建用户兴趣偏好模型。现有研究方法虽然可以为个性化推荐系统的构建提供理论基础和实践指导，但是仍然存在诸多缺陷:
[0004](I)推荐信息表示的不完整。已有推荐方法通常将用户对商品的评价表示或预测为一个具体的数值，如预测用户对商品的评价为3分即认为用户对商品评分为3分的可能性为100%。实际上，用户对特定商品的评价通常处于一种不确定的状态，如对某一商品的评价通常为“不错”、“还可以”、“挺好”。将用户对商品评价的不确定状态表示为用户针对商品给出不同评分的可能性，例如对商品评价为3分、4分、5分的可能性分别为30%、40%和20%，可以有效反映用户评价的真实情况，对提高个性化推荐的精度具有积极的影响。现有方法将用户评分表示成一个具体数值忽略了用户评价的不确定性，无法反映用户评价商品的真实情况，降低了推荐系统的精度。
[0005](2)推荐信息的融合问题。基于用户的协同过滤方法通过计算邻居用户推荐那些和他有共同兴趣爱好的用户喜欢的物品，推荐结果着重于反映和用户兴趣相似的小群体的热点；基于项目的协同过滤方法通过计算商品邻居给用户推荐那些和他以前选择的商品类似的商品，推荐结果着重于维系用户的历史兴趣。基于用户的协同过滤、基于项目的协同过滤方法分别从用户和项目角度产生个性化推荐结果，对上述结果进行融合可以对各种角度的推荐信息进行综合利用，提高个性化推荐的精度。现有研究中缺少对不同角度推荐信息进行融合的统一框架。例如，一种基于项目评分预测的协同过滤推荐算法利用基于项目的协同过滤方法得到的预测结果作为基于用户的协同过滤方法的输入，虽然综合利用了基于用户的协同过滤方法和基于项目的协同过滤方法，但其并未对基于用户的协同过滤结果和基于项目的协同过滤结果进行融合。
【发明内容】
[0006]本发明为克服现有技术存在的不足之处，提出一种基于推荐概率融合的混合推荐方法，不仅为融合不同推荐方法产生的推荐结果提供了统一的框架，而且能有效反映用户评价的真实情况，提高个性化推荐的精度。
[0007]为了达到上述目的，本发明所采用的技术方案为:
[0008]本发明一种基于推荐概率融合的混合推荐方法的特点是按如下步骤进行:
[0009]步骤一、用二维表T = {U, I, f}表示商品的评分数据；
[0010]所述二维表 T 中，U = (U1,...，Uu,...，UlulI 表示用户集合，I =U1,..., Ii,..., 1|1|}表示商品集合，f表示用户对商品的评分；[0011]所述用户集合U中，Iul为用户的总个数，Uu表示第U个用户；所述商品集合I中，III为商品的总个数，Ii表示第i个商品；假设用户Uu对商品Ii的评分等级s为{Si，...，Ss,...，S|s|}，所述评分等级 S 中，评分 Ss 为整数且 S1 <...< Ss <...< Slsl，S1表不商品的最低评分，S|s表不商品的最闻评分；
[0012]所述二维表T中，将所有用户的已有评分项用已评分集合户表示，F = [F1,...,Fu,...,Fm]，F为所述用户Uu的已评分集合，式?，无又?|}，尤表示用户Uu的第i个已有评分项IF I表示用户Uu的已有评分项的总个数 '令Fu为所述用户Uu的未评分集合，K = {fu^-^fui^--yfu\Fu\}，/?;表不用户Uu的第i个未评分项，I Fu I表不用户Uu的未评分项的总个数，令所述用户未评分集中的任意项= 0;
[0013]步骤二、假设用户已评分集合之中的任意项为未知数，将用户已评分集合之中的其他项利用基于用户的协同过滤方法和基于项目的协同过滤方法分别获得所述任意项ful的邻居用户预测结果和邻居项目预测结果/V』；将所述邻居用户预测结果Pr1J和邻
居项目预测结果/V作为所述任意项/的已评分项预测结果丨，将用户已评
分集合厂中所有项的已评分项预测结果用已评分项预测结果集合武 11 …
表不;
[0014]将所述已评分项预测结果集合作为神经网络的输入值，将所述用户已评分集合厂作为所述神经网络的输出值，对所述神经网络进行训练，获得评分预测模型SFM ；
[0015]步骤三、将用户已评分集合式中的所有项利用所述基于用户的协同过滤方法和基于项目的协同过滤方法获得所述用户未评分集合广中的任意项尤的初步预测结果S，将所述用户未评分集合I:中所有项的预测结果用未评分项预测结果集合
^° = {Ζ?，…，7J，…，表示;将所述未评分项预测结果集合€作为所述评分预测模型SFM
的输入值，利用所述评分预测模型SFM获得未评分项最终预测值集合；
[0016]步骤四、将所述用户Uu的所有未评分项按照所述未评分项最终预测值集合中各预测值的大小进行降序排列获得未评分项排序集合，选取所述未评分项排序集合的前N项作为推荐结果推荐给所述用户Uu。
[0017]本发明基于推荐概率融合的混合推荐方法的特点也在于:[0018]所述步骤二中基于用户的协同过滤方法是按如下步骤进行:
[0019]I)将所述用户Uu对所有商品的用户已评分集合民和其他用户对所有商品的已评
分集合分别利用有约束的皮尔逊相关度度量方法获得用户Uu与其他用户的用户相似度集合，将其他用户按照所述用户相似度集合中的相似度大小进行降序排列获得初步邻居用户
集合Nu;
[0020]2)将所述商品Ii在已评分集合户中所对应的用户表示为评分用户集合Ri ;
[0021]3)将所述初步邻居集合Nu与评分用户集合Ri交集的前k个用户表示为邻居用户
集合Nui ；[0022]4)将所述邻居用户集合Nui中的每个用户对商品Ii的评分表示为邻居用户评分集合 Fui ；
[0023]5)利用式(I)获得基于用户的评分概率(叉):
[0024]
【权利要求】
1.一种基于推荐概率融合的混合推荐方法，其特征是按如下步骤进行: 步骤一、用二维表T = {U, I, f}表示商品的评分数据； 所述二维表 τ 中，u = (U1,...，Uu,...，UlulI 表示用户集合，I = U1,...，Ii,...，IlllI表示商品集合，f表示用户对商品的评分； 所述用户集合U中，|u|为用户的总个数，Uu表示第u个用户；所述商品集合I中，Iil为商品的总个数，Ii表示第i个商品；假设用户Uu对商品Ii的评分等级s为{Si，...，Ss,...，S|s|}，所述评分等级 S 中，评分 Ss 为整数且 S1 <...< Ss <...< Slsl，S1表不商品的最低评分，S|s表不商品的最闻评分； 所述二维表T中，将所有用户的已有评分项用已评分集合户表示，Ρ = ，…,K，…,矣山总为所述用户uU的已评分集合,总=IL…，L，…，文-J ’ L表示用户Uu的第i个已有评分项，IFu I表示用户Uu的已有评分项的总个数；令昃为所述用户Uu的未评分集合，K = ?Χη,._”/?,.,...，υ，表不用户Uu的第i个未评分项IF 1:表不用户Uu的未评分项的总个数，令所述用户未评分集合€中的任意项TL = O ； 步骤二、假设用户已评分 集合厂中的任意项尤.为未知数，将用户已评分集合式中的其他项利用基于用户的协同过滤方法和基于项目的协同过滤方法分别获得所述任意项i的邻居用户预测结果八】和邻居项目预测结果A将所述邻居用户预测结果Λ和邻居项目预测结果Pd作为所述任意项i的已评分项预测结果={Pr::，Pr\丨，将用户已评分集合F中所有项的已评分项预测结果用已评分项预测结果集合0 = 1^,_..,尤；，___^|}表示； 将所述已评分项预测结果集合作为神经网络的输入值，将所述用户已评分集合片作为所述神经网络的输出值，对所述神经网络进行训练，获得评分预测模型SFM ； 步骤三、将用户已评分集合&中的所有项利用所述基于用户的协同过滤方法和基于项目的协同过滤方法获得所述用户未评分集合€中的任意项Jui的初步预测结果71，将所述用户未评分集合g中所有项的预测结果用未评分项预测结果集合，…，乃，…，表示；将所述未评分项预测结果集合作为所述评分预测模型SFM的输入值，利用所述评分预测模型SFM获得未评分项最终预测值集合； 步骤四、将所述用户Uu的所有未评分项按照所述未评分项最终预测值集合中各预测值的大小进行降序排列获得未评分项排序集合，选取所述未评分项排序集合的前N项作为推荐结果推荐给所述用户Uu。
2.根据权利要求1所述的基于推荐概率融合的混合推荐方法，其特征在于:所述步骤二中基于用户的协同过滤方法是按如下步骤进行:1)将所述用户Uu对所有商品的用户已评分集合&和其他用户对所有商品的已评分集合分别利用有约束的皮尔逊相关度度量方法获得用户Uu与其他用户的用户相似度集合，将其他用户按照所述用户相似度集合中的相似度大小进行降序排列获得初步邻居用户集合Nu; 2)将所述商品Ii在已评分集合#中所对应的用户表示为评分用户集合Ri； 3)将所述初步邻居集合Nu与评分用户集合Ri交集的前k个用户表示为邻居用户集合Nui; 4)将所述邻居用户集合Nui中的每个用户对商品Ii的评分表示为邻居用户评分集合Fui ; 5)利用式(I)获得基于用户的评分概率
3.根据权利要求1所述的基于推荐概率融合的混合推荐方法，其特征在于:所述基于项目的协同过滤方法是按如下步骤进`行: 1)将所有用户对所述商品Ii的已评分集合和对其他商品的已评分集合分别利用有约束的皮尔逊相关度度量方法获得所述商品Ii与其他商品的商品相似度集合，将其他商品按照所述商品相似度集合中的相似度大小进行降序排列获得初步邻居商品集合Ni ； 2)将用户Uu在已评分集合#中所对应的商品表示为评分商品集合Ru； 3)将所述初步邻居商品集合Ni与评分商品集合Ru交集的前k个商品表示为邻居商品集合Niu ； 4)将用户Uu对所述邻居商品集合Niu中的每个商品的评分表示为邻居商品评分集合Fm ; 5)利用式(3)获得基于项目的评分概率Z5/:,(P、)
【文档编号】G06Q30/02GK103632290SQ201310637512
【公开日】2014年3月12日 申请日期:2013年12月2日 优先权日:2013年12月2日
【发明者】刘业政, 姜元春, 王锦坤, 孙春华, 魏婧, 杜非, 王佳佳, 姬建睿, 何建民, 凌海峰 申请人:合肥工业大学