一种增强冗余消除的基于网络推理的个性化推荐方法技术

本发明专利技术涉及个性化推荐技术领域，公开了一种增强冗余消除的基于网络推理的个性化推荐方法，包括以下步骤：为目标用户选择过的每种物品均分配一个资源；将每种物品获得的资源平均分配给所有选择该物品的用户；根据用户从每种物品获得的资源，计算每个用户获得的资源总量；将每个用户获得的资源总量平均地分配给该用户所选择过的所有种类的物品；根据所有用户选择每种物品所获得的资源，计算每种物品获得的资源总量；对每种物品获得的资源总量，按照递减顺序对目标用户未选择的物品来排序，生成目标用户未选择物品的推荐列，这种个性化推荐方法，能够增强消除冗余相似性，有效地提升推荐的效果。

A personalized recommendation method based on network reasoning with enhanced redundancy elimination

【技术实现步骤摘要】
一种增强冗余消除的基于网络推理的个性化推荐方法
本专利技术涉及个性化推荐
，特别涉及一种增强冗余消除的基于网络推理的个性化推荐方法。
技术介绍
互联网和智能移动设备的发展让我们的生活变得更加便利。通过各种网络系统，人们逐渐习惯于在网上阅读新闻、看电影、购物、交朋友等等。与此同时，他们也暴露于这些网站的提供的各种信息之中，爆炸的信息让人们很难快速在网络上检索他们感兴趣的对象。基于这种情况，人们推出信息推荐系统，根据用户在网络上的行为，例如亚马逊，推特，淘宝等，向用户推荐他们感兴趣的东西。由于信息推荐系统对于经济社会的影响，推荐系统研究已经有了很大的进展，在很多领域发挥了巨大的作用。与需要关键词的搜索引擎不同的，推荐系统试图通过用户过去的行为发现用户的潜在兴趣和爱好，并相应的给不同的用户提供不同的个性化推荐列表。在早期的推荐系统中，主要是基于类似的用户可能购买相同的商品，或者是同一个用户购买的商品大致相似，例如分别基于用户和基于商品的协同过滤模型。这些方法可以给出较为准确的推荐模型，但是它们推荐列表的差异性较差。基于这种原因，很多文献中又提出许多其他的模型，其中包括降维技术、基于社交矩阵过滤，基于扩散的方法以及混合推荐模型，然而无论怎么努力，人们发现准确性和多样性似乎是跷跷板的两端，每当一侧上升时，另一侧就会下降，例如热传导和质量扩散的模型，它们基于物理学的二分网络，利用扩散的方式传递信息，目前热传导模型可以提供多样化的推荐列表可是准确性却比较低，质量扩散模型可以提供更为准确的推荐列表，然而差异性较差。这种多样性—准确性的困境在推荐系统领域引起了广泛的关注，通过考虑偏置热传导，加权热传导等增强了热传导模型的准确性，另一方面，基于质量扩散的模型也在多通道扩散、消除冗余相关、利用聚类以及其他方面改善模型的多样性，此外，为了同时综合两个模型的优点，提出了增强的二阶相似性的模型来缓解冗余相似性的问题。在此，我们关注基础质量扩散模型，它估计了从收集物品到未收集物品的相关性，利用质量扩散模型计算它们的相似性，如果它们数值越大，则越相似。基于此种方法，我们提出关注物品之间的高阶相关性，通过增强对物品高阶相关性的关注，在不损害准确性的情况下，尽可能的提升多样性和新颖性，通过遍历该参数以实现最佳的推荐结果。对三个数据集的实验表明，与原始的模型相比，我们的模型可以带来很好的性能提升。
技术实现思路
本专利技术提供一种增强冗余消除的基于网络推理的个性化推荐方法，能够增强消除冗余相似性，有效地提升推荐的效果。本专利技术提供了一种增强冗余消除的基于网络推理的个性化推荐方法，包括包括以下步骤：S1、为目标用户选择过的每种物品均分配一个资源，即alj；S2、将每种物品获得的资源平均分配给所有选择该物品的用户，资源alj平均地分配给选择过该物品的所有用户，这就相当于同样买过物品oβ的每个用户均分得资源其中k(oβ)为物品oβ的度，也就是选择物品oβ的总人数，如果用户ul选择过物品oj，那么alj＝1，否则alj＝0；S3、根据用户从每种物品获得的资源，计算每个用户获得的资源总量；S4、将每个用户获得的资源总量平均地分配给该用户所选择过的所有种类的物品；S5、根据所有用户选择每种物品所获得的资源，计算每种物品获得的资源总量，每种物品获得的资源总量WERENBI为；WERENBI＝WRENBI-α(WRENBI)2(1)WRENBI＝W-αW2(2)式(1)和式(2)中，超参数α≥0，式(3)中，和分别表示物品oβ和用户ul的度；alα和alβ表示用户α和用户β在物品l上获得的资源；S6、对每种物品获得的资源总量WERENBI，按照递减顺序对目标用户未选择的物品来排序，生成目标用户未选择物品的推荐列表。与现有技术相比，本专利技术的有益效果在于：本专利技术通过为目标用户选择过的每种物品均分配一个资源；将每种物品获得的资源平均分配给所有选择该物品的用户；根据用户从每种物品获得的资源，计算每个用户获得的资源总量；将每个用户获得的资源总量平均地分配给该用户所选择过的所有种类的物品；根据所有用户选择每种物品所获得的资源，计算每种物品获得的资源总量；对每种物品获得的资源总量，按照递减顺序对目标用户未选择的物品来排序，生成目标用户未选择物品的推荐列，能够增强消除冗余相似性，有效地提升推荐的效果。附图说明图1为本专利技术提供的一种增强冗余消除的基于网络推理的个性化推荐方法的流程框图。图2为本专利技术实施例提供的资源分配示意图。图3为本专利技术实施例提供的针对数据集MovieLens，四种推荐算法HNBI、NBI、RENBI和ERENBI的评估曲线图。图4为本专利技术实施例提供的针对数据集Netflix，四种推荐算法HNBI、NBI、RENBI和ERENBI的评估曲线图。图5为本专利技术实施例提供的针对数据集RYM，四种推荐算法HNBI、NBI、RENBI和ERENBI的评估曲线图。具体实施方式下面结合附图1-5，对本专利技术的一个具体实施方式进行详细描述，但应当理解本专利技术的保护范围并不受具体实施方式的限制。如图1所示，一种增强冗余消除的基于网络推理的个性化推荐方法，包括以下步骤：S1、为目标用户选择过的每种物品均分配一个资源，即alj；S2、将每种物品获得的资源平均分配给所有选择该物品的用户，资源alj平均地分配给选择过该物品的所有用户，这就相当于同样买过物品oβ的每个用户均分得资源其中k(oβ)为物品oβ的度，也就是选择物品oβ的总人数，如果用户ul选择过物品oj，那么alj＝1，否则alj＝0；S3、根据用户从每种物品获得的资源，计算每个用户获得的资源总量；S4、将每个用户获得的资源总量平均地分配给该用户所选择过的所有种类的物品；S5、根据所有用户选择每种物品所获得的资源，计算每种物品获得的资源总量，每种物品获得的资源总量WERENBI为；WERENBI＝WRENBI-α(WRENBI)2(1)WRENBI＝W-αW2(2)式(1)和式(2)中，超参数α≥0，式(3)中，和分别表示物品oβ和用户ul的度；alα和alβ表示用户α和用户β在物品l上获得的资源；S6、对每种物品获得的资源总量WERENBI，按照递减顺序对目标用户未选择的物品来排序，生成目标用户未选择物品的推荐列表。如图2(a)的实施例所示，初始，我们认为每件被目标用户购买过的商品的资源量为1。商品把自己的资源平均分给所有购买过它的用户，用户的资源值则是从所有商品所得到的资源值的总和，如图2(b)中的第一个节点的资源就等于第一个商品平均分给三个用户的的平均资源1/3，再加上第四个商品平均分给两个用户的平均资源1/2，即为1/3+1/2＝5/6；接下来，每一个用户再把自己的资源平均分给所有购买过的商品，商品的资源则是从所有用户收到的资源值得总和本文档来自技高网...

【技术保护点】
1.一种增强冗余消除的基于网络推理的个性化推荐方法，其特征在于，包括以下步骤：/nS1、为目标用户选择过的每种物品均分配一个资源，即a

【技术特征摘要】
1.一种增强冗余消除的基于网络推理的个性化推荐方法，其特征在于，包括以下步骤：
S1、为目标用户选择过的每种物品均分配一个资源，即alj；
S2、将每种物品获得的资源平均分配给所有选择该物品的用户，资源alj平均地分配给选择过该物品的所有用户，这就相当于同样买过物品oβ的每个用户均分得资源其中k(oβ)为物品oβ的度，也就是选择物品oβ的总人数，如果用户ul选择过物品oj，那么alj＝1，否则alj＝0；
S3、根据用户从每种物品获得的资源，计算每个用户获得的资源总量；
S4、将每个用户获得的资源总量平均地分配给该用...

【专利技术属性】
技术研发人员：甘艺，
申请(专利权)人：四川华跃融智信息技术有限公司，
类型：发明
国别省市：四川;51