基于流行度对用户兴趣的影响机制分析及其在推荐算法中应用的方法技术

本发明专利技术涉及一种基于流行度对用户兴趣的影响机制分析及其在推荐算法中应用的方法，其包括以下步骤：步骤一，以从众心理等社会心理学现象和理论为依据，研究流行度对用户的影响，分析用户兴趣变化与群体意志之间的关系，归纳总结流行度在推荐中的一般原理；步骤二，提出了一种基于流行度的预测评分调整方法。以流行度对用户评分的影响作用原理为基础，在推荐算法中根据项目流行度及评分的变化关系对预测评分进行调整，以提高推荐算法预测的准确性；步骤三，提出了一种基于流行度的推荐排序方法。该方法融合传统推荐标准和项目流行度两个指标进行推荐排序，避免只根据用户过去历史记录或项目流行度分别产生的兴趣预测误差或推荐的非个性化等缺陷。

Analysis of the mechanism of user interest based on popularity and its application in Recommendation Algorithm

The invention relates to a method for the popularity of user interests based on Mechanism Analysis and its application in the recommendation algorithm, which comprises the following steps: 1, the herd phenomenon and social psychology theory as the basis, research on the influence of the popularity of the user, analysis of relationship between user interest change and the group will. Summarize the popularity in the recommendation of the general principle; step two, put forward a score prediction based on popularity adjustment method. With the popularity of user ratings principle based on the recommendation algorithm based on the relation of the project and popularity score prediction score is adjusted, in order to improve the accuracy of the recommendation algorithm prediction; step three, this paper proposed a recommended sorting method based on popularity. The method of integration of traditional and popular items recommended standard of two indexes recommended ranking, avoid defects such as non personalized according to the user's past history or project popularity respectively interest prediction error or recommended.

【技术实现步骤摘要】
基于流行度对用户兴趣的影响机制分析及其在推荐算法中应用的方法
本专利技术涉及一种基于流行度对用户兴趣的影响机制分析及其在推荐算法中应用的方法。
技术介绍
随着互联网技术的发展和普及，人们越来越依赖网络进行各种活动。但是，当今互联网应用和服务不断增加，丰富的信息资源给用户选择带来一定的困难。在这一背景下，个性化推荐方法已经成为互联网应用的一个重要组成部分。对于推荐算法，能否准确地预测用户兴趣，将最有可能感兴趣的事物推荐给用户，从而提高用户点击率或购买量是衡量一个推荐算法效果的基本标准。目前的协同过滤推荐算法仅仅根据用户过去的浏览历史行为或评分来预测用户将来的兴趣，算法中没有考虑环境或群体行为对个体用户评分和选择行为的影响。而根据社会心理学研究的相关理论，用户兴趣是不断变化的，同时也非常容易受到外界环境和群体行为的影响而发生改变。
技术实现思路
本专利技术的目的在于针对目前的协同过滤推荐算法推荐不佳的情况下，提高推荐准确度和用户满意度，为此提供了一种基于流行度对用户兴趣的影响机制分析及其在推荐算法中应用的方法。该方法以从众心理等社会心理学现象和理论为依据，研究流行度对用户兴趣的影响，得出项目流行度随着时间的增加，先升高再降低。对于流行度比较高的项目，评分差异较小，这也主要是由于个体的从众心理，项目越流行，评分越趋于一致；越不流行，用户的观点就越很少受到其他用户的影响，根据自己的喜好进行评判，用户评分将比较分散。该方法提出一种推荐优化算法，考虑了流行度的因素，得出项目的预测推荐评分更加符合真实评分，提高了推荐的准确性。该方法对传统的推荐排序算法进行改进，通过设置权重因子，衡量传统推荐标准和流行度因素对用户兴趣的影响。为达到上述目的，本专利技术的构思是：首先分析项目流行度与用户评分之间的关系，以流行度对用户评分的影响作用原理为基础，在推荐算法中根据项目流行度及评分的变化关系对预测评分进行调整，以提高推荐算法预测的准确性。融合传统推荐标准和项目流行度两个指标进行推荐排序，避免只根据用户过去历史记录或项目流行度分别产生的兴趣预测误差或推荐的非个性化等缺陷。提高推荐的点击率和准确度。根据上述专利技术构思，本专利技术采用如下技术方案：一种基于流行度对用户兴趣的影响机制分析及其在推荐算法中应用的方法，包括以下步骤：步骤一，提出流行度与用户兴趣的一般原理：以社会心理学现象和理论为依据，研究流行度对用户兴趣的影响，分析用户兴趣变化与群体意志之间的关系，归纳总结流行度在推荐中的一般原理；步骤二，提出一种基于流行度的预测评分调整方法：以流行度对用户评分的影响作用原理为基础，在推荐算法中根据项目流行度及评分的变化关系对预测评分进行调整，以提高推荐算法预测的准确性；步骤三，提出一种基于流行度的推荐排序方法：该方法融合传统推荐标准和项目流行度两个指标进行推荐排序，避免只根据用户过去历史记录或项目流行度分别产生的兴趣预测误差或推荐的非个性化等缺陷。所述步骤二的基于流行度的预测评分调整方法，其中，流行度是指某一项目所获得的用户关注程度，指衡量一段时间内媒体文件受欢迎的程度，它反映了流媒体文件在某一时刻被客户请求的概率，通常流行度被定义成在一段时间间隔内，媒体文件被点播的次数，能够拟合出流行度随时间变化的函数H。所述步骤二包括如下步骤：步骤二十一：使用用户的协同过滤算法挖掘兴趣相似用户，基于用户的协同过滤推荐主要分为3个阶段：数据表示；发现最近邻居；产生推荐项目集：数据表示采用用户-项目评分矩阵来表示获取的显式数据；发现最近邻居就是评分行为与当前用户最相似的若干用户，寻找最近邻居是协同过滤推荐算法的核心部分，最近邻居的准确性直接关系到推荐算法的推荐效果，在协同过滤推荐算法中一般通过计算用户之间的相似性来判断是否近邻；产生推荐项目集根据邻居用户对待推荐项目的评分，通过评分计算公式求得目标用户对待推荐系统的预测打分，然后选择评分较高的项目进行推荐，一般采用TOP-N推荐算法；在协同过滤算法中经常使用评分预测的方式进行推荐，即选择N个预测评分较高的项目推荐给目标用户；评分预测公式一般定义为：其中，Pi,t表示用户i对项目t的预测评分，n为相似邻居的个数，sim(i,j)为用户i和用户j的相似度，Rj,t是用户j对项目t的评分，为用户j对所有项目的平均评分，为所有已评分用户对项目t的平均评分。步骤二十二：预测评分调整，基于流行度预测评分调整的协同过滤算法的预测评分，预测评分公式为P’＝P+T*f((H-H’)/T)，其中P表示项目依据历史评分的邻居预测评分，P’表示项目的预测真实评分，H表示项目当前流行度，f表示流行度变化与评分变化的关系，H’表示项目的预测流行度，T表示距离当前时间的时间间隔，该公式考虑了项目的流行度因素的影响，预测时根据项目所处阶段流行度的变化趋势来调整预测评分；步骤二十三：比较两种方法预测评分的准确性，比较传统协同过滤算法与基于流行度预测评分调整的协同过滤算法的预测评分MAE。所述步骤三的基于流行度的推荐排序方法，其中包括：热项目集：项目流行度大于整个数据集的平均流行度的项目集；冷项目集：项目流行度小于整个数据集的平均流行度的项目集；推荐排序：推荐排序的综合指标函数R＝α*GeneralRank+(1-α)*Popularity，其中α为权重因子，GeneralRank为传统推荐项目选择标准，Popularity为目标项目的流行度；该公式是对两个兴趣影响因子的融合，对于不同的推荐算法，各个标准所占的权重或许不一样，α的取值需要进行相应地调整，通过比较推荐效率来确定不同项目的α值。所述步骤三包括如下步骤：步骤三十一：以传统协同过滤算法为基础，设计一个新的推荐排序标准，即融合项目预测评分和项目流行度的综合标准对待测项目进行排序，建立推荐排序综合指标函数；步骤三十二：通过调整权重因子α进行试验对比，以发现促进冷、热项目集推荐结果的最优α。本专利技术的基于流行度对用户兴趣的影响机制分析及其在推荐算法中应用的方法，与现有技术相比，具有以下突破性和显著优点：本专利技术方法根据用户兴趣随流行度变化的普遍现象和规律，提出基于流行度的预测评分调整推荐算法和基于传统推荐指标与流行度因素相结合的推荐排序方法，并基于协同过滤算法实现两个方面的改进，通过实验验证了改进算法的有效性。本专利技术主要基于影响用户兴趣的流行度因素进行研究分析，以心理学为基础预测用户兴趣的变化趋势。在从众心理等因素的影响下，越热门的项目越能吸引较多的用户，尽管该项目可能评分较低，因此一般推荐算法仅仅根据用户历史记录(例如用户评分、浏览项目)进行推荐是不准确的，对于新用户来说，该算法也能更好地解决普遍存在的冷启动问题；此外，用户对热门物品的评分也随着流行度的变化趋势发生相应地改变，本文主要对项目流行度初期阶段进行研究，根据流行度的变化对预测评分进行调整，预测准确率得到提高。附图说明图1为本专利技术方法的流程图。图2为高评分电影流行度及评分随时间变化关系。图3为中评分电影流行度及评分随时间变化关系。图4为低评分电影流行度及评分随时间变化关系。图5为不同流行度电影评分状况。图6为传统CF与基于流行度调整CF评分预测准确性比较。图7为基于热项目的不同权重因子的F值变化情况图。图8为基于冷项目的不同权重因子的F本文档来自技高网...

【技术保护点】
一种基于流行度对用户兴趣的影响机制分析及其在推荐算法中应用的方法，其特征在于，包括以下步骤：步骤一，提出流行度与用户兴趣的一般原理：以社会心理学现象和理论为依据，研究流行度对用户兴趣的影响，分析用户兴趣变化与群体意志之间的关系，归纳总结流行度在推荐中的一般原理；步骤二，提出一种基于流行度的预测评分调整方法：以流行度对用户评分的影响作用原理为基础，在推荐算法中根据项目流行度及评分的变化关系对预测评分进行调整，以提高推荐算法预测的准确性；步骤三，提出一种基于流行度的推荐排序方法：该方法融合传统推荐标准和项目流行度两个指标进行推荐排序，避免只根据用户过去历史记录或项目流行度分别产生的兴趣预测误差或推荐的非个性化等缺陷。

【技术特征摘要】
1.一种基于流行度对用户兴趣的影响机制分析及其在推荐算法中应用的方法，其特征在于，包括以下步骤：步骤一，提出流行度与用户兴趣的一般原理：以社会心理学现象和理论为依据，研究流行度对用户兴趣的影响，分析用户兴趣变化与群体意志之间的关系，归纳总结流行度在推荐中的一般原理；步骤二，提出一种基于流行度的预测评分调整方法：以流行度对用户评分的影响作用原理为基础，在推荐算法中根据项目流行度及评分的变化关系对预测评分进行调整，以提高推荐算法预测的准确性；步骤三，提出一种基于流行度的推荐排序方法：该方法融合传统推荐标准和项目流行度两个指标进行推荐排序，避免只根据用户过去历史记录或项目流行度分别产生的兴趣预测误差或推荐的非个性化等缺陷。2.根据权利要求1所述的基于流行度对用户兴趣的影响机制分析及其在推荐算法中应用的方法，其特征在于，所述步骤二的基于流行度的预测评分调整方法，其中，流行度是指某一项目所获得的用户关注程度，指衡量一段时间内媒体文件受欢迎的程度，它反映了流媒体文件在某一时刻被客户请求的概率，通常流行度被定义成在一段时间间隔内，媒体文件被点播的次数，能够拟合出流行度随时间变化的函数H。3.根据权利要求1或2所述的基于流行度对用户兴趣的影响机制分析及其在推荐算法中应用的方法，其特征在于，所述步骤二包括如下步骤：步骤二十一：使用用户的协同过滤算法挖掘兴趣相似用户，基于用户的协同过滤推荐主要分为3个阶段：数据表示；发现最近邻居；产生推荐项目集：数据表示采用用户-项目评分矩阵来表示获取的显式数据；发现最近邻居就是评分行为与当前用户最相似的若干用户，寻找最近邻居是协同过滤推荐算法的核心部分，最近邻居的准确性直接关系到推荐算法的推荐效果，在协同过滤推荐算法中一般通过计算用户之间的相似性来判断是否近邻；产生推荐项目集根据邻居用户对待推荐项目的评分，通过评分计算公式求得目标用户对待推荐系统的预测打分，然后选择评分较高的项目进行推荐，一般采用TOP-N推荐算法；在协同过滤算法中经常使用评分预测的方式进行推荐，即选择N个预测评分较高的项目推荐给目标用户；评分预测公式一般定义为:

【专利技术属性】
技术研发人员：朱文浩，丁伯汉，胡冠男，徐永林，郭心怡，牛抗抗，
申请(专利权)人：上海大学，
类型：发明
国别省市：上海,31