一种基于跨领域排名推荐模型的排名推荐方法与流程

技术特征：

1.一种基于跨领域排名推荐模型的排名推荐方法，其特征在于，利用辅助评分矩阵Ra进行迁移学习，辅助目标评分矩阵R中的成列排名推荐；其中R∈R^M×N表示M个用户对N个项目的评分；Z∈{0,1}为指标矩阵，若用户i对项目j进行了评分，则Zij＝1；否则Zij＝0；表示Ma个用户对Na个项目的评分；Ra对应的指标矩阵为Za，这里Za的定义类似Z；Ra和R中的用户有一部分是重叠的，包括以下步骤：

步骤1，学习跨领域用户之间的相似度；

步骤2，迁移跨领域用户之间的特征信息；

步骤3，联合评分预测和列表预测进行排名推荐，具体是综合步骤2中以f2为目标函数的评分预测以及以TOP定义排名损失的列表预测进行排名推荐。

2.根据权利要求1所述的一种基于跨领域排名推荐模型的排名推荐方法，其特征在于，所述步骤1通过自适应的方式学习跨领域用户之间的相似度，在学习过程中，不用预先限定目标领域和辅助领域中的用户聚类数量，只需通过K均值方法随机指定初始的用户聚类，然后利用交替最优化方法自适应地迭代求解即可，在迭代过程中，初始聚类会自动得到优化；目标最优化问题为

这里C和Ca为聚类指标矩阵，分别为目标领域和辅助领域的聚类指标矩阵，其中Cij表示目标领域中用户i属于聚类j的概率，(Ca)i'j'表示辅助领域中用户i'属于聚类j'的概率；为目标领域和辅助领域之间基于聚类的跨领域相似度，其中(SY)ij表示目标领域中的聚类i和辅助领域中的聚类j之间的相似度，c和ca分别为目标领域和辅助领域中用户聚类的数量；SX为目标领域和辅助领域之间基于用户的跨领域相似度，(SX)ij表示目标领域和辅助领域中用户i和项目j之间的相似度；C^TC＝I，L和La为拉普拉斯矩阵，β和βa为正则化参数，||·||2,1表示矩阵的L2,1范数。

3.根据权利要求1所述的一种基于跨领域排名推荐模型的排名推荐方法，其特征在于，所述步骤2通过概率矩阵集合分解迁移跨领域用户之间的特征信息；目标最优化问题为

这里Ui和(Ua)i分别表示矩阵U和Ua的第i行，用来表示用户特征；Vj和(Va)j分别表示矩阵V和Va的第j行，用来表示项目特征；SX为步骤1中求得的跨领域用户之间的相似度，用来约束用户特征信息的迁移；g(x)为logistic函数，用来限定x的范围，使得x∈(0,1]，令

4.根据权利要求1所述的一种基于跨领域排名推荐模型的排名推荐方法，其特征在于，所述步骤3采用TOP(Top One Probability)来定义成列排名损失，并且联合面向评分准确度的预测以及面向列表准确度的预测构造目标函数，然后利用交替梯度下降法求解目标函数的局部极小值；目标最优化问题为

5.根据权利要求1所述的一种基于跨领域排名推荐模型的排名推荐方法，其特征在于，所述步骤3中的TOP为项目在用户的排名列表中排在第一个位置的概率；假设项目j被用户i评分为Rij，则项目j在用户i的排名列表(长度为K)中的TOP表示为：

这里可以是任意的单调递增以及严格正定的函数；令为指数函数，此时