基于多指标概率矩阵分解模型的美食推荐方法与流程

本发明属于信息检索技术领域，具体涉及一种对数据量依赖小、准确度高的基于多指标概率矩阵分解模型的美食推荐方法。

背景技术：

传统的个性化推荐方法忽略了用户之间的社会关系，导致推荐精度不高，在基于社交网络的个性化推荐方法中，可以利用时间因素、地理位置、用户之间的信任关系以及信息传播等因素来提高推荐算法的预测精度。2009年周涛等人在个性化推荐算法研究中使用了复杂网络和人类动力学，开辟了新的研究途径。2012年中国科学院计算所程学旗利用前k项排序学习算法对基于社交网络的个性化推荐系统进行研究。2017年王东等借助于分层贝叶斯网络模型，通过提取不同社交网络之间的共同行为，对用户之间的朋友关系进行预测。2014年陈博文等人提出了基于扩散理论和信任传播的个性化推荐方法，该方法利用用户之间的朋友关系建立信息扩散路径，达到了比较好的推荐效果。2013年贾冬艳等人提出了一种基于双重邻居选取策略的协同过滤推荐算法，基于相似度模型，选取动态邻居用户，再借助于评分信息计算用户之间的信任度，依据信任模型选取最近邻居集合，算法不但提高了推荐的准确度，而且具有较强的抗攻击能力。2017年彭敏等人提出了基于短语级情感分析的推荐算法，该模型利用显示因子模型来对系统的推荐结果进行解释，弥补了传统推荐算法对推荐结果不能进行解释的缺陷。2016年翟海涛以社会化推荐中的协同过滤推荐算法为主要研究对象,针对概率矩阵分解算法在实际推荐中面临的准确性和社交关系稀疏等问题展开了调研与研究,结合主题模型和聚类等机器学习方法，提出了解决这几个问题的方案,并通过实验验证了所提方案的效果。2017年陈永锋，朱振宇提出了一种基于矩阵分解的并且可以应用于社交网络的新模型，该模型将信任传播机制融入模型中，并使用epinions.com数据集进行实验。

利用社交网络里的各种社会关系进行推荐的研究也取得了很好的进展，成为个性化推荐研究的热点领域。随着网络上用户和商品的数据急剧增加，为了提高推荐结果的有效性，挖掘用户之间的信任关系变得愈加迫切，在社交网络时代，可以通过社交网络发现用户信任的朋友集合，建立自己的信任网络，相比传统协同过滤方法需要找到与目标用户相似的用户集合，用户可以找到的朋友数量更多。2012年meyffret等人利用局部信任关系进行个性化推荐，该算法仅仅依赖社交网络中的局部信任信息，不能保证推荐结果的准确性。2010年caverlee等人通过在线社交网络构建信任框架socialtrust，该框架借助于信任和反馈信息生成推荐结果列表，推荐精度比较高。2015年matook等人指出，相比传统的基于评分的推荐，熟人之间的推荐更符合用户的需要，综合评价优于单纯基于信任的推荐，因为综合评价可以充分利用各方面的信息。2009年jamali等人在社交网络里提出了一个随机游走的推荐模型，该模型把信任关系和传统的协同过滤方法结合在一起，能够定义和测量推荐的可信度。bonhard等人研究了社会背景对推荐结果的影响，结果证明用户在购买商品时，更倾向于来自熟人的推荐。sinha等人借助于多个在线推荐系统进行实验，实验结果表明，当在线系统和朋友都进行推荐时，用户倾向于选择后者。adomavicius和tuzhilin提出了多维度量空间的推荐算法，指出推荐使用的特征维度有必要根据具体情况来增加。2014年trungv.nguyen等人提出了一种针对上下文推荐模型的非线性概率算法gpfm，该算法在推荐过程中使用了高斯过程，既可以使用显示反馈信息，也可以使用隐式反馈信息，借助于梯度下降法进行优化，提高了模型的扩展性。

上述推荐方法均可应用于美食推荐，但由于单一用户在现实设计网络中并不会存在很多记录，即数据较为稀疏，这都会导致用户权重值的精确性较低，存在对数据量依赖程度大，当数据较为稀疏时准确度不高的问题。以上的个性化推荐算法都是需要在社交关系比较稠密的情况下才会有好的效果，而对于社交关系稀疏的那部分用户，个性化推荐的表现将会变差。

技术实现要素：

本发明的目的在于提供一种基于多指标概率矩阵分解模型的美食推荐方法，对数据量依赖小、准确度高。

实现本发明目的的技术方案为：

一种基于多指标概率矩阵分解模型的美食推荐方法，包括如下步骤：

(10)构建单指标评分矩阵：根据用户购买记录，构造用户-项目-单指标上下文评分矩阵；

(20)构建多指标评分矩阵：根据用户购买记录，结合用户-项目-单指标上下文评分矩阵，构造多指标环境下用户-项目-多指标评分矩阵；

(30)求解评分矩阵：求解用户-项目-多指标评分矩阵，得到多个评分值，选择评分值最大的信息进行推荐。

与现有技术相比，本发明的显著优点为：

数据量依赖小、准确度高：本发明采用多指标评分，基于评论上下文信息判断用户的个人兴趣爱好，并基于此推荐更加精确的信息给用户，多指标评分系统中采用整体用户的评分影响权重，推荐系统中多指标评分对矩阵分解具备较大的影响，在构建矩阵分解模型过程时就要充分考虑各个指标之间的关系，由此构建了用户-项目-多指标关系模型来提升推荐效果。

附图说明

图1为本发明基于多指标概率矩阵分解模型的美食推荐方法的主流程图。

图2为图1中求解评分矩阵步骤的流程图。

具体实施方式

如图1所示，本发明基于多指标概率矩阵分解模型的美食推荐方法，包括如下步骤：

(10)构建单指标评分矩阵：根据用户购买记录，构造用户-项目-单指标上下文评分矩阵；

所述用户-项目-单指标上下文评分矩阵具体为：

上式中，为用户i对项目j的综合评分，则为第ck个指标评分；s为整体评分记录数量；ck为第k个条件指标；是正则化logic函数；o为评分取值范围最大值正则项。

(20)构建多指标评分矩阵：根据用户购买记录，结合用户-项目-单指标上下文评分矩阵，构造多指标环境下用户-项目-多指标评分矩阵；

所述用户-项目-多指标评分矩阵为：

上式中，wi为当中第i指标对用户的整体权重影响；wj为当中第j指标对项目的整体权重影响。σu、σv为正态分布权重影响方差值，期望值分别为μu、μv。

(30)求解评分矩阵：求解用户-项目-多指标评分矩阵，得到多个评分值，选择评分值最大的信息进行推荐。

如图2所示，所述(30)求解评分矩阵步骤包括：

(31)正态分布权重影响方差值计算：根据统计学中求正态分布方差方法，计算用户-项目-多指标评分矩阵的正态分布权重影响方差值σu、σv；

(32)正态分布权重影响期望值计算：根据统计学中求正态分布期望方法，计算用户-项目-多指标评分矩阵的正态分布权重影响期望值μu、μv；

(33)整体权重影响计算：按如下公式分别计算出第i指标对用户的整体权重影响wi和第j指标对用户的整体权重影响wj，

式中，为用户i对项目j的综合评分，则为第ck个指标评分；s为整体评分记录数量；ck为第k个条件指标；是正则化logic函数；o为评分取值范围最大值正则项。

(34)多指标权重矩阵计算：按如下公式计算出多指标权重矩阵，

aij是指矩阵a中第i行第j列的元素。

(35)信息推荐：选择与矩阵a中最大元素相关的信息，给以推荐。

本发明基于多指标概率矩阵分解模型的美食推荐方法，适用于数据较为稀疏的美食推荐的高精确性推荐方法，由于单一用户在现实设计网络中并不会存在很多记录，即数据较为稀疏，这都会导致用户权重值的精确性较低，多指标评分基于评论上下文信息判断用户的个人兴趣爱好，并基于此推荐更加精确的信息给用户，多指标评分系统中采用整体用户的评分影响权重，推荐系统中多指标评分对矩阵分解具备较大的影响，在构建矩阵分解模型过程时就要充分考虑各个指标之间的关系，由此构建了用户-项目-多指标关系模型来提升推荐效果。

多指标评分基于评论上下文信息判断用户的个人兴趣爱好，并基于此推荐更加精确的信息给用户。用户-多指标、项目-多指标都是基于内在关系得到指标评分，这就需要充分考虑用户(项目)-多指标之间上下文信息，由此设计基于上下文信息的多维评分效用模型：

u:d1×…×dn→r

在推荐系统中，当多个指标之间存在上下文影响时，此时就需要构建包含了上下文信息的多指标多维度评分矩阵。多指标定义c＝{c1,c2,...,cs}；rij定义在多指标条件下用户i对项目j的综合评分。

首先定义某个指标下用户概率计算方式为：

定义单个指标环境下，用户-项目的推荐概率模型：

应用多指标推荐系统中，通常用户(项目)在推荐过程中都会受到指标上下文因素的影响，且会产生不同的推荐效果，由此在用户-项目中引入多指标上下文来提升推荐算法的效率，因此提出了多个指标下概率矩阵分解得推荐模型：

下面以实施例详细说明本发明过程：

初始化：当前指标ci对用户(项目)u的评分，下一指标ci+1，上下文r

输出：用户(项目)u在r条件下，最优的多指标权重l

1根据用户(项目)u的个人购买记录，构造用户(项目)-单指标上下文评分矩阵；

2构造多指标环境下用户-项目-指标的评分矩阵n(c)

3根据计算得到的评分矩阵，选择评分值最大的信息进行推荐。

上述算法中上下文r＝(ci,l,s,h)，ci为多指标，l为当前指标的用户-项目-指标评分，s为用户，h为项目。

表1评分矩阵表