一种基于马尔科夫预测模型的协同过滤推荐方法技术

本发明专利技术公开了一种基于马尔科夫预测模型的协同过滤推荐方法，其具体实现过程为：首先利用马尔科夫预测模型获得用户个性化转移矩阵；然后用张量分解，即标准分解对个性化矩阵进行处理，分析用户对项目的喜好程度；最后在此基础上进行协同推荐，由此得到推荐项目。该基于马尔科夫预测模型的协同过滤推荐方法与现有技术相比，充分利用现有的每条数据，从而可以产生较好的推荐效果，实用性强，易于推广。

【技术实现步骤摘要】

本专利技术涉及电子商务领域，具体地说是一种实用性强的基于马尔科夫预测模型的 协同过滤推荐方法。
技术介绍
随着电子商务的发展，个性化推荐受到越来越多的用户青睐，由此产生了很多个 性化推荐算法，其中协同过滤推荐算法是应用最为成功的一种，其基本思想是：通过与目 标项目相似度高的邻居集合的评分预测目标项目的评分，从而产生最终的个性推荐。随着 网络站点结构的变化，内容复杂度的增加和用户的增多，如何提高算法的可扩展性以及如 何提高协同过滤算法的推荐质量，是基于协同过滤技术的系统面临的主要问题.对于解决 此问题研宄人员提出了很多不同的解决方案，在特定的场合下，有些算法可以得到很好的 效果。如基于时间的数据权重和基于资源相似度的数据权重两种改进度量算法，减少项目 空间的维数，使用户在降维后的项目空间上对每个项目都有评分来解决数据的稀疏性问 题，基于K-means聚类算法的近邻预选择算法。上述算法虽然能够进行相应的推荐，但其 往往仅采用评分信息，而与之密切相关的时序信息和关系信息则被忽略，有效利用这些信 息可以进一步提高推荐算法的精度.而且在评分数据较稀疏时，存在各种弊端，导致邻里 集合不准确，从而影响推荐系统的推荐质量。 现有的多很多算法为了解决推荐精度问题，有以下几种方法：1)基于用户 (user-based)的推荐算法。基于用户的推荐方法面对用户数量不断变化的系统，需要 经常重新计算用户间的相似度矩阵，因而时间复杂性高，可扩展性较差。2)基于项目 (item-based)的推荐算法，网站用户数量不断增长，而被推荐的项目数量则保持相对稳 定，计算出的项目相似度矩阵更新频率低，可在较长的一段时间内使用.为此提出了基于 项目（item-based)的推荐算法，但当推荐系统中的项目数量快速变化时（在线新闻作为被 推荐的项目），基于项目的算法同样面临着可扩展性问题。 基于此，本专利技术提供，通过该方 法，用户的推荐算法和马尔科夫预测模型，得到用户兴趣的转移矩阵，从而在此基础上对用 户的兴趣项目进行推荐，算法简单而直接，而且可以在数据稀疏的情况下，较好的完成推 荐。
技术实现思路
本专利技术的技术任务是针对以上不足之处，提供一种实用性强、基于马尔科夫预测 模型的协同过滤推荐方法。 -种基于马尔科夫预测模型的协同过滤推荐方法，其具体实现过程为， 首先利用马尔科夫预测模型获得用户个性化转移矩阵； 然后用张量分解，即标准分解对个性化矩阵进行处理，分析用户对项目的喜好程 度； 最后在此基础上进行协同推荐，由此得到推荐项目。 所述用户的转移矩阵构造过程为： 构造马尔科夫链，将链的长度设为m = 1，求得用户购买1到购买i的转移概率模 型，然后得到用户的转移矩阵。 所述个性化矩阵的处理过程为： 1)得到的转移矩阵进行张量分解； 2)然后将张量分解的公式与马尔科夫模型相结合，得到新的转移矩阵，使用相关 相似性计算用户之间的相似性； 3)计算相似性之后，得到用户的邻居，从而采用协同过滤的方法对用户进行推荐。 所述步骤2)中的相似性计算采用以下公式： 其中：Cul;u2表示用户ul和用户u2拥有相同转移项的集合，Rul， i;j和Ru2，i;j分别表 示用户上一步购买i和下一步购买j的概率，巧和巧分别表示用户购买i、j的平均概率。 使用相关相似性计算两两用户之间的相似性后，其结果保存在用户相似性矩阵R_ sim(N，N)中，该R_sim是NXN方阵，N表示N个用户，其元素的值以主对角线为轴对称分 布，艮P sim_(k，m) = sim_(m，k) 〇 所述步骤3)的详细过程为： 计算用户u的未购项目集Nk= I-I k (1彡k彡M)，I为项目集，Ik为用户已购项目 集； 根据Rsim(N，N)选择目标用户u的最近邻居集合U = {Ui，％，…，up}，使得ugU且 sim(u, uD最大，sim(u, u2)次之，以此类推； 根据目标用户u的最近邻居p的集合U计算相应的推荐集： 对于用户u的未购项目集Nk中的每一项i，利用以下公式预测用户购买项目的概 率： 其中sim(u, uk)表示用户u与其最近邻居用户uk之间的综合相似性，表示用 户uk对项目i的购买概率，C和瓦:分别表示用户u、u k对项目的平均购买概率； 对Nk中元素的预测概率按照从大到小的顺序进行排序，取前p个项目组成推荐集 Irac;= {i i2，…，ip,}推荐给目标用户u。 本专利技术的，具有以下优点： 本专利技术提出的，将马尔科夫预测 模型与协同过滤相结合，而且在结合的过程中对稀疏矩阵采取了张量分解，充分利用现有 的每条数据，从而可以产生较好的推荐效果，实用性强，易于推广。【附图说明】 附图1为4个用户的购买历史表。 附图2为用户1的转移矩阵图。 附图3为用户2的转移矩阵图。 附图4为用户3的转移矩阵图。 附图5为用户4的转移矩阵图。【具体实施方式】 下面结合附图和具体实施例对本专利技术作进一步说明。 本专利技术提供，该方法中涉及到的 名词解释如下： 马尔科夫预测模型：是应用概率论中马尔科夫链的理论和方法研宄随机事件变化 并借此分析预测未来变化趋势的一种模型。 协同过滤：是利用某兴趣相投、拥有共同经验之群体的喜好来推荐使用者感兴趣 的资讯。 推荐方法：把通过协同过滤获得的项目（商品）推荐给用户。 在现有的推荐方法中，用户、商品的冷启动问题是一个难题，而且一般在推荐方法 中所使用的方法都是协同过滤。协同过滤这个方法是构建用户商品矩阵，然后再经过相似 性处理，从而对使用者进行推荐。但是当用户量巨大，商品数量同样也是非常大的时候，用 户商品矩阵就是一个稀疏矩阵，如何在稀疏矩阵中正确的预测出用户感兴趣的商品同样也 是一个难题。而且传统方法中忽略的时序的信息，从而无法准确的预测出用户感兴趣商品， 也无法准确的为用户进行推荐。 本专利技术的方法中，首先利用马尔科夫预测模型获得用户个性化转移矩当前第1页1 2 本文档来自技高网...

【技术保护点】
一种基于马尔科夫预测模型的协同过滤推荐方法，其特征在于，其具体实现过程为，首先利用马尔科夫预测模型获得用户个性化转移矩阵；然后用张量分解，即标准分解对个性化矩阵进行处理，分析用户对项目的喜好程度；最后在此基础上进行协同推荐，由此得到推荐项目。

【技术特征摘要】

【专利技术属性】
技术研发人员：王新刚，李承浩，刘嵩，
申请(专利权)人：齐鲁工业大学，
类型：发明
国别省市：山东;37