本发明涉及数据处理技术领域，尤其涉及一种融合多源异构信息的个性化推荐方法及系统。
背景技术：
信息推送是通过一定的技术标准或协议，在互联网上通过定期传送用户需要的信息来减少信息过载的一项新技术；推送技术通过自动传送信息给用户，来减少用于网络上搜索的时间；它根据用户的兴趣来搜索、过滤信息，并将其定期推给用户，帮助用户高效率地发掘有价值的信息；从技术而言，信息推送是一项以数据挖掘、自然语言处理及互联网等多门技术为基础的综合性方向；将合适的信息推送给合适的人，是一项极具挑战的工作，这个过程需要对信息作充分的分析。
现有的推荐技术通过项目相似度等技术手段向用户推荐多个与某个项目相似度较高的项目，然后某个项目是用户偶然浏览到的或者很好购买或使用的项目，在用户购买或使用一次之后，较长时间内不会再次进行购买或者使用时，采用这样的推荐方式，会使得用户感觉到烦躁和厌烦，因此需要根据用户的实际情况制定相应的个性化推荐方式向用户推荐相应的项目。
技术实现要素：
本发明的目的在于克服现有技术的不足，本发明提供了一种融合多源异构信息的个性化推荐方法及系统，能根据用户的具体情况向用户推荐合适的项目，有效的提高用户的使用友好体验。
为了解决上述技术问题，本发明实施例提供了一种融合多源异构信息的个性化推荐方法，所述个性化推荐方法包括：
采集用户行为记录信息，所述用户行为记录信息包括不限于系统中记录用户对项目的各种行为和所述各种行为发生时间、发生地点和存储至数据库；
对用户对项目的各种行为按照不同权重进行线性加权转换处理，获取用户对项目的隐式反馈；
根据用户对项目的隐式反馈进行交互矩阵构建处理，获取用户项目交互矩阵；
根据用户项目交互矩阵构建个性化推荐模型，并获取向用户推荐的对应项目。
优选地，所述用户对项目的各种行为至少包括浏览、收藏、加入购物车、购买、评分、评论中的一种或多种的组合。
优选地，所述用户对项目的隐式反馈为用户对项目的性趣值。
优选地，所述根据用户对项目的隐式反馈进行交互矩阵构建处理，包括：
根据用户对项目的隐式反馈获取用户对项目的性趣值；
根据用户、项目、性趣值三个元素构建交互矩阵，获取用户项目交互矩阵。
优选地，所述根据用户项目交互矩阵构建个性化推荐模型，包括：
构建初始个性化推荐模型；
确定初始个性化推荐模型的目标函数；
构建协同降噪自编码模型；
采用协同降噪自编码模型对初始个性化推荐模型进行训练，获取个性化推荐模型。
优选地，所述构建协同降噪自编码模型包括：输入层、隐藏层和输出层；其中，
输入层由损坏的用户评分向量与用户辅助信息向量组成；
隐藏层有k个节点，与输入层节点全连接；
输出层m个节点，与隐藏层节点全连接。
优选地，所述用户辅助信息向量的构建，包括：
获取用户特征信息和对应项目的特征信息并进行向量化处理，获取用户特征信息对应的第一向量化信息和对应项目的特征信息对应的第二向量化信息；
根据所述第一向量化信息和所述第二向量化信息进行构建用户辅助信息向量处理，获取用户辅助信息向量。
优选地，所述用户特征信息至少包括用户的性别、年龄、职业、注册时间、居住地、活跃度、忠诚度中的一种或多种组合；所述对应项目的特征信息至少包括项目的类型。
优选地，还包括：
在获取向用户推荐的对应项目后，构建显示排序，将向用户推荐的对应项目按显示排序结果进行反馈。
另外，本发明实施例还提供了一种融合多源异构信息的个性化推荐系统，所述个性化推荐系统包括：
信息采集模块：用于采集用户行为记录信息，所述用户行为记录信息包括不限于系统中记录用户对项目的各种行为和所述各种行为发生时间、发生地点和存储至数据库；
加权转换模块：用于对用户对项目的各种行为按照不同权重进行线性加权转换处理，获取用户对项目的隐式反馈；
矩阵构建模块：用于根据用户对项目的隐式反馈进行交互矩阵构建处理，获取用户项目交互矩阵；
推荐模块：用于根据用户项目交互矩阵构建个性化推荐模型，并获取向用户推荐的对应项目；
显示模块：用于在获取向用户推荐的对应项目后，构建显示排序，将向用户推荐的对应项目按显示排序结果进行反馈。
在本发明实施例中，可以有效的缓解数据协同过滤中存在的数据稀释问题和冷启动问题，能根据用户的具体情况向用户推荐合适的项目，有效的提高用户的使用友好体验。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见的，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。
图1是本发明实施例中的个性化推荐方法的方法流程示意图；
图2是本发明另一实施例中的个性化推荐方法的方法流程示意图；
图3是本发明实施例中的个性化推荐系统的系统结构组成示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
用户在电商平台上面对海量的商品时，个性化推荐方法可以很好的解决信息过载问题，并充分挖掘长尾信息；同时，本方法在平台建设初期，用户量明显少于商品量时，可以有效地融合用户特征信息用于推荐，缓解用户冷启动问题。
具体步骤如下：首先系统记录用户行为日志用户对项目的各种行为(浏览、收藏、加入购物车，购买，评分，评论等)；然后对数据进行预处理，整理历史用户行，以及对数据进行清洗、规约；接着构建用户项目交互矩阵，同时利用用户和项目元数据信息进行特征工程为训练模型提供辅助信息；然后训练个性化推荐模型，并为目标用户提供top-n商品推荐接口；最后为目标从个性化推荐模型获取推荐结果，并构建展示界面。
图1是本发明实施例中的个性化推荐方法的方法流程示意图，如图1所示，所述个性化推荐方法包括：
s11：采集用户行为记录信息，所述用户行为记录信息包括不限于系统中记录用户对项目的各种行为和所述各种行为发生时间、发生地点和存储至数据库；
在本发明具体实施过程中，通过数据爬虫算法在系统平台采集用户的行为记录信息；其中用户的行为记录信息包括不限于系统中记录用户对项目的各种行为和跟着行为对应的发生时间、发生地点和对该行为的存储至的数据库中。
用户对项目的各种行为包括不限于以下行为的一种或多种组合，各种行为如下：浏览、收藏、加入购物车、购买、评分、评论、互动。
s12：对用户对项目的各种行为按照不同权重进行线性加权转换处理，获取用户对项目的隐式反馈；
在本发明具体实施过程中，在进行线性加权转换的时候，首先赋予用户对项目的各种行为的一个权重值，例如浏览赋予0.05、收藏赋予0.2、加入购物车0.3、购买0.2、评分或评论赋予0.15、互动赋予0.1的权值，根据再根据用户进行了那些对项目的行为，再赋予对应行为的赋值，如每个行为赋值为1或者10或者100等；然后根据上述赋予的权值和对应项目的赋值进行线性加权转换处理，根据加权处理的结果来获取用户对项目的隐式反馈。
其中，该饮食反馈即为用户对项目的性趣值。
s13：根据用户对项目的隐式反馈进行交互矩阵构建处理，获取用户项目交互矩阵；
在本发明具体实施过程中，首先是根据用户对项目的隐式反馈获取到用户对项目的性趣值，然后根据用户对项目的性趣值构建一个三元组(u，i，rui)，然后根据这个三元组按照矩阵中第u行第i列元素值为rui的方式构建用户项目交互矩阵，在构建用户项目交互矩阵过程中，对应矩阵元素不存在时，该项元素补充为0。
s14：根据用户项目交互矩阵构建个性化推荐模型，并获取向用户推荐的对应项目。
在本发明具体实施过程中，构建初始个性化推荐模型；确定初始个性化推荐模型的目标函数；构建协同降噪自编码模型；采用协同降噪自编码模型对初始个性化推荐模型进行训练，获取个性化推荐模型。
在构建初始个性化推荐模型过程中，首先构建一个用户集记为u＝{u1,…,un}，共有n个用户，项目集合记为i＝{i1,…,im}，用户对项目的交互矩阵为
确定初始个性化推荐模型的目标函数。
训练初始个性化推荐模型的目标函数大致可以分为两类：point-wise和pair-wise；pair-wise目标函数考虑排序结果中项目的对应顺序近似得到的排序损失；而point-wise目标函数只依赖于预测个体偏好程度的准确性。
point-wise目标函数：
其中，lpoint代表损失函数，ω(θ)代表正则项，λ为常数项，用来控制模型的复杂度，防止模型过度拟合；
pair-wise目标函数：
其中，yuij＝yui-yuj，
使用与上述目标函数的常见损失函数如下表所示：
根据用户的实际情况，选择不同的损失函数，可增加推荐的准确度。
构建协同降噪自编码模型包括：输入层、隐藏层和输出层；其中，输入层由损坏的用户评分向量与用户辅助信息向量组成；隐藏层有k个节点，与输入层节点全连接；输出层m个节点，与隐藏层节点全连接。
其中，用户辅助信息向量构建包括获取用户特征信息和对应项目的特征信息并进行向量化处理，获取用户特征信息对应的第一向量化信息和对应项目的特征信息对应的第二向量化信息；根据所述第一向量化信息和所述第二向量化信息进行构建用户辅助信息向量处理，获取用户辅助信息向量。
所述用户特征信息至少包括用户的性别、年龄、职业、注册时间、居住地、活跃度、忠诚度中的一种或多种组合；所述对应项目的特征信息至少包括项目的类型。
训练过程如下：
编码过程，模型把输入映射成隐式表征zu，zu计算过程如下：
zu＝h(w{yu*；xu}+vu+b)；
其中，h(·)为激活函数，
解码过程，隐式表征映射回原输入空间，输出层结点i的输出值，
其中，
通过最小化重构误差学习模型参数：
正则项使用l2范数
利用随机梯度下降法，各参数的梯度计算方法如下：
按照
通过上述训练获取个性化推荐模型，并且通过目标用户u通过训练好的模型，输出用户u对项目集合预测评分向量
图2是本发明另一实施例中的个性化推荐方法的方法流程示意图，如图2所示，所述个性化推荐方法包括：
s21：采集用户行为记录信息，所述用户行为记录信息包括不限于系统中记录用户对项目的各种行为和所述各种行为发生时间、发生地点和存储至数据库；
s22：对用户对项目的各种行为按照不同权重进行线性加权转换处理，获取用户对项目的隐式反馈；
s23：根据用户对项目的隐式反馈进行交互矩阵构建处理，获取用户项目交互矩阵；
s24：根据用户项目交互矩阵构建个性化推荐模型，并获取向用户推荐的对应项目；
在本发明具体实施过程中，s21-s24的具体实施过程可参考上述的实施例中的实施过程，在此不再赘述。
s25：在获取向用户推荐的对应项目后，构建显示排序，将向用户推荐的对应项目按显示排序结果进行反馈。
在本发明具体实施过程中，根据获取的向用户推荐的对应项目后，构建显示排序，该显示排序可以为从大到小排序也可以从小到大排序或者是一些个性化显示排序，在获取排序结果后，选择排序较为靠前的前十或者二十用于对用户进行推荐显示反馈。
图3是本发明实施例中的个性化推荐系统的系统结构组成示意图，如图3所示，所述个性化推荐系统包括：
信息采集模块11：用于采集用户行为记录信息，所述用户行为记录信息包括不限于系统中记录用户对项目的各种行为和所述各种行为发生时间、发生地点和存储至数据库；
加权转换模块12：用于对用户对项目的各种行为按照不同权重进行线性加权转换处理，获取用户对项目的隐式反馈；
矩阵构建模块13：用于根据用户对项目的隐式反馈进行交互矩阵构建处理，获取用户项目交互矩阵；
推荐模块14：用于根据用户项目交互矩阵构建个性化推荐模型，并获取向用户推荐的对应项目；
显示模块15：用于在获取向用户推荐的对应项目后，构建显示排序，将向用户推荐的对应项目按显示排序结果进行反馈。
优选地，所述用户对项目的各种行为至少包括浏览、收藏、加入购物车、购买、评分、评论中的一种或多种的组合。
优选地，所述用户对项目的隐式反馈为用户对项目的性趣值。
优选地，所述根据用户对项目的隐式反馈进行交互矩阵构建处理，包括：
根据用户对项目的隐式反馈获取用户对项目的性趣值；
根据用户、项目、性趣值三个元素构建交互矩阵，获取用户项目交互矩阵。
优选地，所述根据用户项目交互矩阵构建个性化推荐模型，包括：
构建初始个性化推荐模型；
确定初始个性化推荐模型的目标函数；
构建协同降噪自编码模型；
采用协同降噪自编码模型对初始个性化推荐模型进行训练，获取个性化推荐模型。
优选地，所述构建协同降噪自编码模型包括：输入层、隐藏层和输出层；其中，
输入层由损坏的用户评分向量与用户辅助信息向量组成；
隐藏层有k个节点，与输入层节点全连接；
输出层m个节点，与隐藏层节点全连接。
优选地，所述用户辅助信息向量的构建，包括：
获取用户特征信息和对应项目的特征信息并进行向量化处理，获取用户特征信息对应的第一向量化信息和对应项目的特征信息对应的第二向量化信息；
根据所述第一向量化信息和所述第二向量化信息进行构建用户辅助信息向量处理，获取用户辅助信息向量。
优选地，所述用户特征信息至少包括用户的性别、年龄、职业、注册时间、居住地、活跃度、忠诚度中的一种或多种组合；所述对应项目的特征信息至少包括项目的类型。
具体地，本发明实施例的系统相关功能模块的工作原理可参见方法实施例的相关描述，这里不再赘述。
在本发明实施例中，可以有效的缓解数据协同过滤中存在的数据稀释问题和冷启动问题，能根据用户的具体情况向用户推荐合适的项目，有效的提高用户的使用友好体验。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序可以存储于一计算机可读存储介质中，存储介质可以包括：只读存储器(rom，readonlymemory)、随机存取存储器(ram，randomaccessmemory)、磁盘或光盘等。
另外，以上对本发明实施例所提供的一种融合多源异构信息的个性化推荐方法及系统进行了详细介绍，本文中应采用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。