一种基于融合策略的个性化推荐方法及装置制造方法
【专利摘要】本申请公开了一种基于融合策略的个性化推荐方法及装置，方法包括：分别确定基于用户的协同过滤推荐方法所得到的目标用户对目标项目的第一评分值，以及确定基于图像相似性的推荐方法所得到的目标用户对目标项目的第二评分值，然后将目标用户对目标项目的最终评分值确定第一评分值与第二评分值的加权相加，也即综合考虑了两种方法所预测的评分值，从而解决了单一推荐算法所存在的推荐质量不高，可信度低的问题。
【专利说明】一种基于融合策略的个性化推荐方法及装置
【技术领域】
[0001] 本申请涉及协同推荐【技术领域】，更具体地说，涉及一种基于融合策略的个性化推 荐方法及装置。
【背景技术】
[0002] 随着电子商务的发展，图像的使用比例在网上购物商城中不断扩大，据统计其在 视觉信息中的比例已经超过25 %。图像中包含的丰富数据信息量对用户的购物体验起着至 关重要的作用。因此，如何有效地利用这些图像信息，快速、高效地推荐给用户需要的商品 是一个非常值得研究和解决的问题。
[0003] 传统的方法包括基于用户的协同过滤方法和基于图像相似性的推荐方法。其中， 前者在预测某一用户对某一视觉商品喜好时，通过判断其它用户与该用户的相似性，通过 与该用户相似性较大的一些用户对该商品的评分来预测该用户的喜好程度。但是，如果只 有很少用户对产品进行评分，那么推荐的准确性将受到影响。而基于图像相似性的推荐将 信息流中的所有信息基于图像特征相似性进行过滤，每一个项目都独立操作，不存在评价 级别多少的问题，只要相似度高就能推荐给用户，使得许多项目（商品）在没有任何用户评 价的情况下就直接进行了推荐，因此就带来了推荐质量以及可信度不高的问题。
【发明内容】
[0004]有鉴于此，本申请提供了一种基于融合策略的个性化推荐方法及装置，用于解决 现有推荐方法推荐质量及可信度不高的问题。
[00051 为了实现上述目的，现提出的方案如下：
[0006] -种基于融合策略的个性化推荐方法，包括：
[0007]确定基于用户的协同过滤推荐方法所得到的目标用户ua对目标项目Ii的第一评 分值Rki;
[0008]确定基于图像相似性的推荐方法所得到的目标用户Ua对目标项目的第二评分 值 R2a,i;
[0009]将目标用户ua对目标项目Ii的最终评分值Ra i确定为：
[0010] Ra>i= AXRly+i^l-X'XR〗。
[0011] 其中，X为加权平衡因子；
[0012]根据所述最终评分值Ra，i来确定是否将目标项目L推荐给目标用户ua。
[0013]优选地，所述确定基于用户的协同过滤推荐方法所得到的目标用户ua对目标项目 Ii的第一评分值Rla，i包括：
[0014] 确定第一评分值Rla;i为：
[0015]
【权利要求】
1. 一种基于融合策略的个性化推荐方法，其特征在于，包括： 确定基于用户的协同过滤推荐方法所得到的目标用户ua对目标项目Ii的第一评分值 Ria，i; 确定基于图像相似性的推荐方法所得到的目标用户ua对目标项目^的第二评分值 R2a，i ; 将目标用户ua对目标项目Ii的最终评分值Ra，i确定为： Ra,i = λ XRla,i+(l-A)XR2a,i 其中，λ为加权平衡因子； 根据所述最终评分值Raii来确定是否将目标项目Ii推荐给目标用户Ua。
2. 根据权利要求1所述的推荐方法，其特征在于，所述确定基于用户的协同过滤推荐 方法所得到的目标用户Ua对目标项目I,的第一评分值Rl aii包括： 确定第一评分值Rla，i为：
其中，^表示目标用户Ua对所有评价项目的打分平均值，^表示用户Ub对所有评价 项目的打分平均值，RM表示用户Ub对项目L的评分值，S(Ua)表示用户U a的近邻用户集 合，sim(Ua，Ub)表示用户Ua与用户Ub的相似度值。
3. 根据权利要求2所述的推荐方法，其特征在于，所述用户Ua与用户Ub的相似度值为： Sim(Ua，Ub)由皮尔森相关相似度方法所确定：
其中，Ra，k表示用户Ua对项目Ik的评分值，R b，k表示用户Ub对项目Ik的评分值，瓦和 瓦分别表示用户Ua和Ub各自所有评分项目的评分均值； 或者， Sim(Ua，Ub)为对皮尔森相关相似度方法确定的相似度值Siml(U a，Ub)的一次修正： sim(Ua, Ub) = ε *siml (Ua, Ub)
其中，ε为用户相似度影响因子，/%与/,分别表示用户比与队已评分项目集合； 或者， Sim(Ua，Ub)为对皮尔森相关相似度方法确定的相似度值Siml(U a，Ub)的二次修正： sim (Ua, Ub) = ε * β *siml (Ua, Ub) 其中，β为目标用户比选择用户ub作为最近邻的偏好因子， β -
Ne!ghborTer,der,cy{x)
其中，x为目标用户Ua和用户Ub共同评分的项目，.ve (/( ? η/%)，Ra x表示用户Ua对 项目Ix的评分值，Rb，x表示用户Ub对项目I x的评分值，
Rai表示用户Ua对项目L的评分，Ra表示用户Ua对所有项目的评分集合，f表示用户 Ua所有评分项目的评分均值。
4. 根据权利要求2或3所述的推荐方法，其特征在于，所述确定基于图像相似性的推荐 方法所得到的目标用户Ua对目标项目I,的第二评分值R2 aii，包括： 确定第二评分值R2a;i为：
其中，瓦和分别表示所有用户对项目Ii和Iy的评分平均值，Pi和Py分别表示项目 Ii和Iy的对应的图片，S(Pi)表示项目图像Pi的近邻集合，ED(Pi，Py)表示图片间的相似度 结果，Pik和Pyk分别提取图片Pi和Py的特征后，量化的η维向量。
5. 根据权利要求4所述的推荐方法，其特征在于，所述加权平衡因子λ为： /1 -1^― m+n m+η 其中，m为用户Ua的近邻用户集合S (Ua)的元素个数，η为项目图像Pi的近邻集合S的） 的元素个数。
6. -种基于融合策略的个性化推荐装置，其特征在于，包括： 第一评分值预测单元，用于确定基于用户的协同过滤推荐方法所得到的目标用户比对 目标项目Ii的第一评分值Rla，i; 第二评分值预测单元，确定基于图像相似性的推荐方法所得到的目标用户仏对目标项 目Ii的第二评分值R2a，i; 最终评分值预测单元，用于将目标用户Ua对目标项目^的最终评分值Raii确定为： Ra,i = λ XRla,i+(l-A)XR2a,i 其中，λ为加权平衡因子； 推荐处理单元，用于根据所述最终评分值Ra i来确定是否将目标项目Ii推荐给目标用 户Ua。
7. 根据权利要求6所述的推荐装置，其特征在于，所述第一评分值预测单元包括： 第一评分值预测子单元，用于确定第一评分值Rlaii为：
其中，^表示目标用户Ua对所有评价项目的打分平均值，％表示用户Ub对所有评价 项目的打分平均值，RM表示用户Ub对项目L的评分值，S(Ua)表示用户U a的近邻用户集 合，sim(Ua，Ub)表示用户Ua与用户Ub的相似度值。
8. 根据权利要求7所述的推荐装置，其特征在于，所述第一评分值预测子单元包括： 第一用户相似度值确定单元，用于利用皮尔森相关相似度方法确定sim(U a，Ub)为：
其中，Ra，k表示用户Ua对项目Ik的评分值，R b，k表示用户Ub对项目Ik的评分值，瓦和 ^分别表示用户Ua和Ub各自所有评分项目的评分均值； 第二用户相似度值确定单元，用于确定sim(Ua，Ub)为对皮尔森相关相似度方法确定的 相似度值siml (Ua，Ub)的一次修正： sim(Ua, Ub) = ε *siml (Ua, Ub)
其中，ε为用户相似度影响因子，/%与分别表示用户比与队已评分项目集合； 第三用户相似度值确定单元，用于确定sim(Ua，Ub)为对皮尔森相关相似度方法确定的 相似度值siml (Ua，Ub)的二次修正： sim (Ua, Ub) = ε * β *siml (Ua, Ub) 其中，β为目标用户比选择用户Ub作为最近邻的偏好因子， β -
NeighhorTendcncy{x)
其中，X为目标用户ua和用户Ub共同评分的项目，xe (/^ η/^)，Ra，x表示用户Ua对项 目Ix的评分值，Rb，x表示用户Ub对项目I x的评分值，
Rai表示用户Ua对项目L的评分，Ra表示用户Ua对所有项目的评分集合，表示用户 Ua所有评分项目的评分均值。
9. 根据权利要求7或8所述的推荐装置，其特征在于，所述第二评分值预测单元包括： 第二评分值预测子单元，用于确定第二评分值R2 aii为：
其中，&和瓦分别表示所有用户对项目Ii和Iy的评分平均值，Pi和Py分别表示项目 Ii和Iy的对应的图片，S(Pi)表示项目图像Pi的近邻集合，ED(Pi，Py)表示图片间的相似度 结果，Pik和Pyk分别提取图片Pi和Py的特征后，量化的η维向量。
10. 根据权利要求9所述的推荐装置，其特征在于，所述最终评分值预测单元所确定的 加权平衡因子λ为： ；? =」^,1-Λ =」一 m+n m+n 其中，m为用户Ua的近邻用户集合S (Ua)的元素个数，η为项目图像Pi的近邻集合S的） 的元素个数。
【文档编号】G06F17/30GK104298787SQ201410639932
【公开日】2015年1月21日 申请日期:2014年11月13日 优先权日:2014年11月13日
【发明者】吴健, 苏栋梁, 张宇 申请人:吴健