本发明属于,尤其涉及一种基于多标准评级交互矩阵的用户偏好推荐方法及系统。
背景技术:
1、推荐系统(recommendation system,rs)当前被广泛应用于用户个性化相关项目建议,并被证明是各商业领域相对有效的信息流价值变现模式。其中,基于内容(content-based,cb)的推荐系统使用用户或项目内容特征和图像生成推荐;相比之下,协作过滤(collaborative filtering,cf)方法基于用户-项目交互构建推荐。当前主流的研究方法则通过结合多标准评分系统(multi-criteria rating system,mcrs)和深度学习(deeplearning,dl),增强了用户的个性化偏好学习。这些方法大大提高了针对消费者推荐的准确性。
2、但是,由于没有考虑其他利益相关者(如产品生产商)的偏好和效用,这些方法导致效用收益较低,不适合多方利益相关者推荐系统(multi-stakeholderrecommendationsystem,msrs)。现有的msrs模型利用消费者项目评级矩阵来学习生产者利益相关者的偏好,创建前n个推荐列表,并计算利益相关者效用。
3、然而,消费者项目评级矩阵只涉及消费者偏好,不能更好地了解生产者的偏好。此外,由于没有学习生产者和系统利益相关者的偏好,导致了对非用户利益相关者不公平的个性化和低效用。因此需求综合考虑生产者和消费者之间的偏好,以生成最佳的推荐。
技术实现思路
1、本发明针对现有技术中的不足,提供一种基于多标准评级交互矩阵的用户偏好推荐方法和系统。
2、第一方面,本发明提供一种基于多标准评级交互矩阵的用户偏好推荐方法,包括:
3、构建消费者和商品交互矩阵,以确定消费者对商品的偏好;
4、根据消费者和商品交互矩阵构建生产者偏好矩阵;
5、聚合多方利益相关者的偏好,以生成累积偏好矩阵;其中,多方利益相关者包括商品、消费者和生产者;
6、根据累积偏好矩阵构建生产者和商品的整体交互矩阵;
7、将生产者和商品的整体交互矩阵建模为生产者之间基于聚合标准的相似性函数;
8、从最相似的利益相关者中生成具有高累积偏好的前目标个项目的推荐,以确定每个利益相关者的公平效用。
9、进一步地,所述构建消费者和商品交互矩阵,以确定消费者对商品的偏好,包括:
10、构建消费者和商品交互矩阵r(c,i)表达式:
11、
12、其中,α为控制增强相似性过程贡献程度的阻尼因子;sim(uj,uk)为用户u对商品j和商品k之间先验评价的pearson相似性;sim(iuj,iuk)为商品iuj和商品iuk之间的pearson相似性;pnsimilarity为商品之间pearson相关系数大于零的集合与项目之间pearson相似性小于零的集合的并集;wmn为商品对的隐含贡献和评级之间的相似性;wmn=1-2d|ruj-ruk|;d为归一化参数因子;ruj为用户u对商品j给出的评级;ruk为用户u对商品k给出的评级。
13、进一步地,所述根据消费者和商品交互矩阵构建生产者偏好矩阵,包括:
14、构建生产者多准则矩阵,计算生产者之间基于标准的相似性,预测总体多准则评级:
15、iv(p,i)=ivc0×ivc1×…×ivcn;
16、其中,iv(p,i)为生产者p和商品i之间的交互值;ivcn表示标准n的交互值。
17、进一步地,所述聚合多方利益相关者的偏好,以生成累积偏好矩阵,包括:
18、根据以下公式对利益相关者的偏好进行基于dnn的聚合:
19、
20、其中,为总体多利益相关者累积偏好;σ(·)为激活函数;w为权重参数;t为矩阵转置算子;l为隐藏层;为表示利益相关者si对商品ii的评分的特征向量。
21、进一步地,所述根据累积偏好矩阵构建生产者和商品的整体交互矩阵,包括:
22、根据以下公式计算生产者和商品之间基于标准的交互作用值:
23、r(p,i)=f(mcsimagg(pi,pj),ivci);
24、其中,r(p,i)为生产者p和商品i之间基于标准的交互作用值;f(·)为基于生产者-商品整体交互的映射函数;mcsimagg(pi,pj)为生产者pi和pj之间基于聚合标准的相似性的函数;ivci表示标准i的交互值。
25、第二方面,本发明提供一种基于多标准评级交互矩阵的用户偏好推荐系统,包括:
26、第一构建模块,用于构建消费者和商品交互矩阵,以确定消费者对商品的偏好;
27、第二构建模块,用于根据消费者和商品交互矩阵构建生产者偏好矩阵;
28、聚合模块,用于聚合多方利益相关者的偏好,以生成累积偏好矩阵;其中,多方利益相关者包括商品、消费者和生产者;
29、第三构建模块,用于根据累积偏好矩阵构建生产者和商品的整体交互矩阵;
30、建模模块,用于将生产者和商品的整体交互矩阵建模为生产者之间基于聚合标准的相似性函数;
31、推荐生成模块,用于从最相似的利益相关者中生成具有高累积偏好的前目标个项目的推荐,以确定每个利益相关者的公平效用。
32、进一步地,所述第一构建模块包括:
33、第一构建单元,用于构建消费者和商品交互矩阵r(c,i)表达式:
34、
35、其中,α为控制增强相似性过程贡献程度的阻尼因子;sim(uj,uk)为用户u对商品j和商品k之间先验评价的pearson相似性;sim(iuj,iuk)为商品iuj和商品iuk之间的pearson相似性;pnsimilarity为商品之间pearson相关系数大于零的集合与项目之间pearson相似性小于零的集合的并集;wmn为商品对的隐含贡献和评级之间的相似性;wmn=1-2d|ruj-ruk|;d为归一化参数因子;ruj为用户u对商品j给出的评级;ruk为用户u对商品k给出的评级。
36、进一步地,所述第二构建模块包括:
37、第二构建单元,用于构建生产者多准则矩阵,计算生产者之间基于标准的相似性,预测总体多准则评级:
38、iv(p,i)=ivc0×ivc1×…×ivcn;
39、其中,iv(p,i)为生产者p和商品i之间的交互值;ivcn表示标准n的交互值。
40、进一步地,所述聚合模块包括:
41、聚合单元,用于根据以下公式对利益相关者的偏好进行基于dnn的聚合:
42、
43、其中,为总体多利益相关者累积偏好;σ(·)为激活函数;w为权重参数;t为矩阵转置算子;l为隐藏层;为表示利益相关者si对商品ii的评分的特征向量。
44、进一步地,所述第三构建模块包括:
45、计算单元,用于根据以下公式计算生产者和商品之间基于标准的交互作用值:
46、r(p,i)=f(mcsimagg(pi,pj),ivci);
47、其中,r(p,i)为生产者p和商品i之间基于标准的交互作用值;f(·)为基于生产者-商品整体交互的映射函数;mcsimagg(pi,pj)为生产者pi和pj之间基于聚合标准的相似性的函数;ivci表示标准i的交互值。
48、本发明提供一种基于多标准评级交互矩阵的用户偏好推荐方法和系统,其中方法包括构建消费者和商品交互矩阵,以确定消费者对商品的偏好;根据消费者和商品交互矩阵构建生产者偏好矩阵;聚合多方利益相关者的偏好,以生成累积偏好矩阵;其中,多方利益相关者包括商品、消费者和生产者;根据累积偏好矩阵构建生产者和商品的整体交互矩阵;将生产者和商品的整体交互矩阵建模为生产者之间基于聚合标准的相似性函数;从最相似的利益相关者中生成具有高累积偏好的前目标个项目的推荐,以确定每个利益相关者的公平效用。
49、本发明将多标准评级策略整合到多方利益权衡的推荐系统中,并通过深度学习模型来聚合多方利益相关者的偏好,输出综合偏好矩阵以生成最终的推荐。一方面该发明基于多标准生成的交互矩阵能够更准确反映消费者对商品的偏好,提升推荐准确性;另一方面系统本身考虑了多方利益交互,能够适用于生产者的偏好,生成更具经济效益的推荐。