融合社交信息的对级排序学习推荐方法与流程

本发明设计并实现一个融合社交信息的对级排序学习推荐方法，涉及对社交网络中用户和物品的社交信息建立模型和推荐方法，属于计算机技术领域。

背景技术：

近年来，随着物联网、云计算和社会网络等技术迅猛发展，网络空间中所蕴含的信息量将呈指数级增长。据国际数据公司IDC 2012年报告显示，预计到2020年全球数据总量将达到35.2ZB，这一数据量是2011年的22倍。推荐系统正是在这样的背景下被提出的，并且得到了学术界和工业界的广泛关注并加以应用，取得了许多相关的研究成果。推荐系统的核心是推荐方法，它通过挖掘用户与项目之间的二元关系，帮助用户从海量数据中便捷发现其感兴趣的对象(如信息、服务、物品等)，并生成个性化推荐列表以满足其兴趣偏好。目前，推荐系统主要应用于在线电子商务(如Netflix、Amazon、eBay、阿里巴巴、豆瓣等)，信息检索(如iGoogle、MyYahoo、GroupLens、百度等)、移动应用(Daily Learner、Appjoy等)、生活服务(如旅游服务Compass、博客推送M-CRS等)等各个领域。

传统的推荐方法主要可以分为3大类：基于内容的推荐方法、协同过滤推荐方法以及混合推荐方法。这些传统推荐方法重点考虑用户和项目之间的二元关系，大都可以转化为评分预测问题，根据用户对项目的评分进行排序后产生推荐列表。近几年研究人员发现，如果仅仅依据用户对项目的评分产生推荐结果并不能准确地体现用户的偏好。例如图1中用户对物品A和物品B分别打分为2分和3分，那么使用不同的推荐方法进行预测将会得到的不同结果，一种预测结果为A物品2.5分和B物品3.6分，另一种预测结果为A物品2.5分和B物品2.4分。两种预测结果平方误差均为(0.52+0.62)，然而得到的物品A和物品B的排序却是相反的。由此可见，仅仅依赖于评分单一特征并不能非常准确地反映用户的偏好。

为了解决传统推荐方法所存在的上述问题，研究人员考虑将排序学习技术融合进推荐方法的推荐过程之中，认为项目间的排序比传统推荐方法依据项目评分大小的顺序进行推荐更为重要。推荐方法是根据用户偏好需求模型来进行项目推荐，与用户偏好需求越匹配的项目则越倾向于推荐给该用户，因此将排序学习融入推荐方法的主要思路是对用户的历史行为记录提取特征进行训练，学习得到项目的排序函数以最终对用户生成项目推荐列表。基于排序学习的推荐方法和传统的推荐方法有着本质的区别：传统的推荐方法如基于内容的推荐方法、协同过滤推荐方法等，不需要训练阶段，直接通过计算用户之间的相似度和项目之间的相似度，预测用户对项目的兴趣度，以此来排序产生推荐结果；而基于排序学习的推荐方法结合了机器学习的特点，是一种监督性学习，需要通过训练数据集训练得到排序模型，并且调整排序模型的参数得到排序模型的最优解，然后对测试数据集使用该排序模型产生最终的推荐结果。基于排序学习的推荐方法近几年得到越来越多的关注，目前已经成为推荐系统领域的研究热点之一。然而目前基于排序学习的推荐方法很少考虑融合社交网络中用户和物品的社交信息。

技术实现要素：

本发明公开一种融合社交信息的对级排序学习推荐方法，即融合社交网络中用户和物品的社交信息，采用基于对级排序学习的推荐方法，考虑用户对物品对之间偏好的偏序关系并建立偏好模型，以此来提高推荐结果的准确性。

本发明可以通过以下技术方案来实现，主要包括以下两个模块：

1、在训练模块中，将推荐方法中已经获取的“用户-物品”评分矩阵作为训练集进行学习，采用对级的排序学习技术，从而得到一个排序模型f(u,i)，其中u∈U，表示某一特定用户，U表示所有用户的集合，而i∈I表示某一具体物品，I表示所有物品的集合。

2、在排序模块中，系统根据训练得到的排序模型f(u,i)对目标用户γ产生一个物品排序列表{i_γ,1,i_γ,2,…,i_γ,n}，并将该列表推荐给用户γ，其中i_γ,1表示在目标用户γ的物品排序列表中排在第1位的物品，以此类推。

本发明具有以下优点：

1、融合社交网络中用户和物品的社交信息，推荐结果具有较高的准确率；

2、采用对级排序学习技术，推荐结果更加符合用户对物品的偏好关系；

3、本发明融合排序学习技术，具有良好的可扩展性。

附图说明

图1传统的推荐方法所面临的评分预测问题示意图

图2本发明的技术框架图

图3用户和物品的社交关系示例图

具体实施方式

本发明利用当前热门的排序学习策略，同时融合社交网络中用户和物品的社交信息，提出一种融合社交信息的对级排序学习推荐方法。图2给出了本发明的技术框架图。

本发明定义用户和物品的社交信息如图3所示。

我们定义用户u的社交信息，首先找到其社交网络中的好友或该用户具有信任关系的用户集合F(u)，在该用户集合中，与目标用户一样对相同的物品i有过行为记录的用户集合N¹(u,i)＝{x|x∈F(u),r_ui>0,r_xi>0}，我们作为目标用户的社交信息。例如在图3中，对于目标用户u₁而言，其好友集合为F(u₁)＝{u₂,u₃}，则我们定义用户u₁对物品i₁的社交信息为N¹(u₁,i₁)＝{u₂}。

我们定义物品i的社交信息，首先从所有用户-物品评分记录中找出两两物品对之间的共现关系，建立物品共现矩阵。从物品共现矩阵中，我们找到和物品i₁具有共现关系的物品i₂，并且同一个用户对物品i₁和i₂的评分相差小于等于1(从评分差来判断物品之间的相似性)则物品i₂定义为物品i₁的社交信息例如在图3中，对于目标物品i₁而言，其物品共现集合为C(i₁)＝{i₃}，则物品i1的社交信息为N²(u₁,i₁)＝{i₃}。

我们采用对级排序学习技术，构造损失函数如公式(1)所示，表示预测用户对物品对偏好的偏序关系排序错误的概率。其中，ξ代表损失函数本身，σ表示逻辑斯蒂sigmoid函数，即U是用户集合，I是物品集合。λ_P和λ_Q是正则化因子，其作用是使其它参数避免发生大幅度的改变，保证了模型不会出现过拟合的现象。||·||_F代表弗罗贝尼乌斯范数(Frobenius norm)，p^*和q^*代表着用户和物品的特征矩阵，而I⁺表示已经具有对应用户评分的物品集合。的定义如公式(2)所示，该预测值考虑了用户和物品的社交信息，N¹(u,j)表示用户u对物品j的社交信息集合，N²(u,i)为与用户u相关的物品i的社交信息集合。

我们采用梯度下降使得损失函数取得最小值，使得用户对物品对之间偏好的偏序关系被预测错误的概率最小，即物品对排序越接近于实际用户的偏好。采用梯度下降更新对用户和物品项的偏导计算如公式(3)、(4)、(5)所示，相关参数的意义同公式(1)和(2)。

以上，本发明面向大规模社交网络环境，将排序学习策略引入到推荐方法之中，设计并实现一种融合用户和物品社交信息，基于对级排序学习的推荐方法。

该方法针对具有潜在购买力的目标用户，根据训练得到的排序模型对物品列表进行排序，最终得到一个排序列表作为该目标用户的推荐列表进行推荐，从而显著提高推荐结果的准确度。