推荐方法和系统与流程

技术特征：

1.一种推荐方法，所述方法包括：

将推荐数据集中的对象和对象之间的关系建模为异质信息网络；

获取所述异质信息网络中连接两个对象的元路径；

根据所述连接两个对象的元路径计算对象之间的相似度数据；

根据所述对象之间的相似度数据构建目标函数，通过所述目标函数对所述推荐数据集进行训练，得到用户对物品的预测评分；

根据所述用户对物品的预测评分将物品推荐给用户。

2.根据权利要求1所述的推荐方法，其特征在于，所述异质信息网络中的异质信息包括用户对物品的反馈信息、用户与用户之间的社交关系、用户属性信息和物品属性信息。

3.根据权利要求1所述的推荐方法，其特征在于，根据所述连接两个对象的元路径计算对象之间的相似度数据的步骤，包括：

根据两个用户在给定元路径上的相似度的加权和构造用户相似度矩阵；和/或，根据两个物品在给定元路径上的相似度的加权和构造物品相似度矩阵。

4.根据权利要求3所述的推荐方法，其特征在于，所述两个用户在给定元路径上的相似度为两个用户在给定的元路径上的相似度进行正则化后的相似度；所述两个物品在给定元路径上的相似度为两个物品在给定的元路径上的相似度进行正则化后的相似度。

5.根据权利要求1所述的推荐方法，其特征在于，所述目标函数采用如下公式得到：

目标函数＝基础矩阵分解模型+用户相似度规则化项*α/2+物品相似度规则化项*β/2；

其中，α和β分别为用于控制用户相似度规则化项和物品相似度规则化项 在目标函数中所占比例的参数，且α≥0，β≥0。

6.根据权利要求5所述的推荐方法，其特征在于，所述用户相似度规则化项是面向平均或者面向个体的规则化项，所述物品相似度规则化项是面向平均或者面向个体的规则化项。

7.根据权利要求1所述的推荐方法，其特征在于，所述通过所述目标函数对所述推荐数据集进行训练，得到用户对物品的预测评分的步骤，包括：

求解所述目标函数，得到使所述目标函数最小化的用户的隐性特征向量和物品的隐性特征向量；

根据所述用户的隐性特征向量和物品的隐性特征向量得到用户对物品的预测评分。

8.根据权利要求7所述的推荐方法，其特征在于，根据如下公式计算用户对物品的预测评分：

${\tilde{R}}_{ij}=U_i{V_j}^T$

其中，为预测的用户i对物品j的预测评分，U_i为矩阵U的第i行，表示用户i的隐性特征向量，V_j为矩阵V的第j行，表示物品j的隐性特征向量。

9.根据权利要求1所述的推荐方法，其特征在于，所述根据用户对物品的预测评分将物品推荐给用户的步骤，包括：

根据用户对物品的预测评分，选取与用户不存在关联记录的预测评分最高的预设数量个物品推荐给用户。

10.一种推荐系统，其特征在于，所述系统包括：

建模模块，用于将推荐数据集中的对象和对象之间的关系建模为异质信息网络；

元路径获取模块，用于获取所述异质信息网络中连接两个对象的元路径；

相似度计算模块，用于根据所述连接两个对象的元路径计算对象之间的相似度数据；

训练模块，用于根据所述对象之间的相似度数据构建目标函数，通过所述目标函数对所述推荐数据集进行训练，得到用户对物品的预测评分；

推荐模块，用于根据所述用户对物品的预测评分将物品推荐给用户。

11.根据权利要求10所述的推荐系统，其特征在于，所述异质信息网络中的异质信息包括用户对物品的反馈信息、用户与用户之间的社交关系、用户属性信息和物品属性信息。

12.根据权利要求10所述的推荐系统，其特征在于，所述相似度计算模块用于根据两个用户在给定元路径上的相似度的加权和构造用户相似度矩阵；和/或，用于根据两个物品在给定元路径上的相似度的加权和构造物品相似度矩阵。

13.根据权利要求12所述的推荐系统，其特征在于，所述两个用户在给定元路径上的相似度为两个用户在给定的元路径上的相似度进行正则化后的相似度；所述两个物品在给定元路径上的相似度为两个物品在给定的元路径上的相似度进行正则化后的相似度。

14.根据权利要求10所述的推荐系统，其特征在于，所述目标函数采用如下公式得到：

目标函数＝基础矩阵分解模型+用户相似度规则化项*α/2+物品相似度规则化项*β/2；

其中，α和β分别为用于控制用户相似度规则化项和物品相似度规则化项在目标函数中所占比例的参数，且α≥0，β≥0。

15.根据权利要求14所述的推荐系统，其特征在于，所述用户相似度规则 化项是面向平均或者面向个体的规则化项，所述物品相似度规则化项是面向平均或者面向个体的规则化项。

16.根据权利要求10所述的推荐系统，其特征在于，所述训练模块用于求解所述目标函数，得到使所述目标函数最小化的用户的隐性特征向量和物品的隐性特征向量；根据所述用户的隐性特征向量和物品的隐性特征向量得到用户对物品的预测评分。

17.根据权利要求16所述的推荐系统，其特征在于，所述训练模块用于根据如下公式计算用户对物品的预测评分：

${\tilde{R}}_{ij}=U_i{V_j}^T$

其中，为预测的用户i对物品j的预测评分，U_i为矩阵U的第i行，表示用户i的隐性特征向量，V_j为矩阵V的第j行，表示物品j的隐性特征向量。

18.根据权利要求10所述的推荐系统，其特征在于，所述推荐模块用于根据用户对物品的预测评分，选取与用户不存在关联记录的预测评分最高的预设数量个物品推荐给用户。