一种基于用户图谱的推荐方法技术

本发明专利技术提供了基于用户图谱的推荐方法，属于推荐系统技术领域，本发明专利技术采用引入知识图谱这一新维度的概念，维护一个现有用户的特征‑关系图谱，提取新用户的注册信息，基于这些信息将新用户也加入图谱网络，去除了新用户“新”这一属性，同时在图谱网络中，引入找新用户所在定长的环这一概念，只要某些用户和新用户在同一环上，说明这些用户和新用户间至少存在一条或多条显式特征相同，保证了寻找领域用户结果的可靠性，同时基于不同特征设置不同权重，模拟了实际运用中某些特征可能更加能够衡量用户的特点，最终根据总的权重值大小来进行领域用户的寻找，保证了结果的合理性。本发明专利技术通过以上设计，解决了传统推荐系统中冷启动的问题。

【技术实现步骤摘要】
一种基于用户图谱的推荐方法
本专利技术属于推荐系统
，尤其涉及一种基于用户图谱的推荐方法。
技术介绍
随着科学技术的不断进步，互联网也不断进行了发展，到如今已经不断渗透到人们的日常生活中，为人们提供了海量的信息。然而面对着互联网上的海量信息资源，人们往往也很难从海量的信息中提取到符合自身需求的信息，从而使得信息的使用率下降了，产生了所谓的“信息过载”问题。为了解决该类问题，同时又避免了搜索引擎那种基于关键字推荐出“千篇一律”的内容，推荐系统应运而生。推荐系统的基本原理是对用户的历史行为数据，例如浏览、购买、评论、打分等数据进行保存，并挖掘出相应的用户偏好信息，对这些信息进行分析构建相应的用户兴趣模型。针对不同的用户，通过这些模型分析其潜在可能感兴趣的内容，并主动推荐给用户，为用户提供个性化服务。然而在推荐系统中存在一个主要的问题，即当一个新用户进入系统时，系统中并不存在这个用户的历史行为数据，也就无法进行一个很可靠的分析，并为用户提供一个有效的定制化推荐，这个问题便是推荐系统中的冷启动问题。现有的解决推荐系统冷启动问题主要有两种解决方式：基于随机推荐或者基于用户标签的最热推荐，其中随机推荐是最简单的一种方式，即在新用户登录时随机将系统中的物品推荐给用户，这样的推荐存在的问题很大，推荐结果完全不可信，极大概率推荐的物品和用户自身所需物品区分度很大；第二种基于标签的最热推荐主要是在新用户进入之前提取出能代表物品的一定特征的标签(例如在电影中有犯罪、剧情、悬疑、科幻等等标签)，在新用户登录的时候将这些标签所对应物品中点击率和评分较高的topK个物品推荐给用户，这样的操作虽然避免了第一种随机推荐的结果不可信，但是由于热度最高的那一系列物品可能是固定的，也许新用户在其他系统中以及见过或者了解过，这样就会造成自身构建的推荐系统推荐没有区分度，体现不出个性化推荐的特点，同时需要用户点击一系列标签这一行为本身可能不够人性化，可能会使得新用户失去继续的兴趣。
技术实现思路
针对现有技术中的上述不足，本专利技术提供的一种基于用户图谱的推荐方法，解决了传统推荐系统中冷启动的问题。为了达到以上目的，本专利技术采用的技术方案为：本方案提供一种基于用户图谱的推荐方法，包括以下步骤：S1、根据推荐系统用户的注册信息，提取所有用户的特征，视不同的用户特征重要性赋予不同的权重，并根据用户特征构建用户-特征知识图谱；S2、当新用户注册完成进入推荐系统时，提取新用户的特征，并将新用户的特征加入所述用户-特征知识图谱中，更新用户-特征知识图谱，同时在用户-特征知识图谱中利用找环的方式找到与新用户在同一环上的相关用户，并计算得到相关用户与新用户相连边的权重之和，根据所述权重之和的大小对相关用户进行排序，形成相关领域用户列表；S3、根据推荐系统中相关用户的历史信息，获取相关用户对物品的评分信息，构建用户-评分矩阵，利用矩阵分解方法将所述用户-评分矩阵分解为用户特征矩阵以及物品特征矩阵，并对所述用户特征矩阵以及物品特征矩阵进行训练，生成评分预测模型；S4、根据所述相关领域用户列表中的某个用户，利用所述评分预测模型预测所述某个用户对所有物品的评分，获取评分最高的k个物品，将评分最高的k个物品加入至推荐列表，并判断新用户的相关邻域用户列表是否都推荐完成，若是，则生成最终的推荐列表，完成基于用户图谱的推荐，否则，返回步骤S2。本专利技术的有益效果是：本专利技术采用引入知识图谱这一新维度的概念，维护一个现有用户的特征-关系图谱，提取新用户的注册信息，基于这些信息将新用户也加入图谱网络，去除了新用户“新”这一属性。同时在图谱网络中，引入找新用户所在定长的环这一概念，只要某些用户和新用户在同一环上，说明这些用户和新用户间至少存在一条或多条显式特征相同，保证了寻找领域用户结果的可靠性，同时基于不同特征设置不同权重，模拟了实际运用中某些特征可能更加能够衡量用户的特点，最终根据总的权重值大小来进行领域用户的寻找，保证了寻找邻域用户的合理性。在通过邻域用户确定最终推荐列表时，引入用户的评分预测模型，预测邻域用户对所有物品的评分大小，保证了最终推荐列表中的物品一定是邻域用户最满意的物品。同时在每个邻域用户推荐数量上，考虑邻域用户的权重值，由该值确定该邻域用户可以推荐的最终物品数量，保证了最终的推荐列表构成的合理性。进一步地，所述步骤S2包括以下步骤：S201、当新用户注册完成进入推荐系统时，提取新用户的特征；S202、将新用户的特征加入所述用户-特征知识图谱中，更新用户-特征知识图谱；S203、根据新用户特征更新知识图谱，利用找环的方式统计新用户经过定长路径并能返回的环cj；S204、根据每个所述环cj上的用户节点ni，视所述用户节点ni与新用户特征之间的连线为边；S205、根据所述边的权值之和，计算得到用户节点ni的权重nsum；S206、根据所述用户节点ni的权重nsum计算得到相关用户与新用户相连边的权重之和；S207、根据所述权重之和的大小对相关用户进行排序，形成相关领域用户列表。上述进一步方案的有益效果是：本专利技术在图谱网络中，引入找新用户所在定长的环这一概念，只要某些用户和新用户在同一环上，说明这些用户和新用户间至少存在一条或多条显式特征相同，保证了寻找领域用户结果的可靠性。再进一步地，所述步骤S206中权重之和nsumi的表达式如下：：其中，ni表示用户节点，c表示从新用户点出发经过定长路径能返回新用户的环的所有路径集合，cj表示c中某条路径，ejm表示路径cj中某条边的权值，distinct(·)表示在所有路径中某条边的权值只统计一次。上述进一步方案的有益效果是：本专利技术在用户图谱构建时，引入特征权重概念，用户的特征视重要度划分为不同的权重值，最终寻找到的新用户的领域用户一定是权重值高的用户。再进一步地，所述步骤S3包括以下步骤：S301、根据推荐系统中相关用户的历史信息，获取相关用户对物品的评分信息，构建用户-评分矩阵；S302、将所述用户-评分矩阵分解降维为用户特征矩阵与物品特征矩阵之积R；S303、根据所述用户特征矩阵与物品特征矩阵之积R，计算得到R与WH之间的最小欧式距离D，其中，W表示m×k维的用户特征矩阵，H表示n×k维的物品特征矩阵；S304、根据所述最小欧式距离D，利用梯度下降法计算得到最优的分解矩阵；S305、根据所述最优分解矩阵，将所述用户-物品评分矩阵分解为用户特征矩阵和物品特征矩阵；S306、对所述用户特征矩阵以及物品特征矩阵进行训练，生成评分预测模型。上述进一步方案的有益效果是：本专利技术采用梯度下降法求解最满意的矩阵分解的方式，即D刻画的是矩阵R与最后的W×H之间的距离差值，而最满意的分解方式为是使得距离值D最小，即本专利技术利用梯度下降法求得最优分解矩阵，有效地解决用户-物品评分矩阵的稀疏问题。再进一步地，所述步骤S302中用户特征矩阵与物本文档来自技高网...

【技术保护点】
1.一种基于用户图谱的推荐方法，其特征在于，包括以下步骤：/nS1、根据推荐系统用户的注册信息，提取所有用户的特征，视不同的用户特征重要性赋予不同的权重，并根据用户特征构建用户-特征知识图谱；/nS2、当新用户注册完成进入推荐系统时，提取新用户的特征，并将新用户的特征加入所述用户-特征知识图谱中，更新用户-特征知识图谱，同时在用户-特征知识图谱中利用找环的方式找到与新用户在同一环上的相关用户，并计算得到相关用户与新用户相连边的权重之和，根据所述权重之和的大小对相关用户进行排序，形成相关领域用户列表；/nS3、根据推荐系统中相关用户的历史信息，获取相关用户对物品的评分信息，构建用户-评分矩阵，利用矩阵分解方法将所述用户-评分矩阵分解为用户特征矩阵以及物品特征矩阵，并对所述用户特征矩阵以及物品特征矩阵进行训练，生成评分预测模型；/nS4、根据所述相关领域用户列表中的某个用户，利用所述评分预测模型预测所述某个用户对所有物品的评分，获取评分最高的k个物品，将评分最高的k个物品加入至推荐列表，并判断新用户的相关邻域用户列表是否都推荐完成，若是，则生成最终的推荐列表，完成基于用户图谱的推荐，否则，返回步骤S2。/n...

【技术特征摘要】
1.一种基于用户图谱的推荐方法，其特征在于，包括以下步骤：
S1、根据推荐系统用户的注册信息，提取所有用户的特征，视不同的用户特征重要性赋予不同的权重，并根据用户特征构建用户-特征知识图谱；
S2、当新用户注册完成进入推荐系统时，提取新用户的特征，并将新用户的特征加入所述用户-特征知识图谱中，更新用户-特征知识图谱，同时在用户-特征知识图谱中利用找环的方式找到与新用户在同一环上的相关用户，并计算得到相关用户与新用户相连边的权重之和，根据所述权重之和的大小对相关用户进行排序，形成相关领域用户列表；
S3、根据推荐系统中相关用户的历史信息，获取相关用户对物品的评分信息，构建用户-评分矩阵，利用矩阵分解方法将所述用户-评分矩阵分解为用户特征矩阵以及物品特征矩阵，并对所述用户特征矩阵以及物品特征矩阵进行训练，生成评分预测模型；
S4、根据所述相关领域用户列表中的某个用户，利用所述评分预测模型预测所述某个用户对所有物品的评分，获取评分最高的k个物品，将评分最高的k个物品加入至推荐列表，并判断新用户的相关邻域用户列表是否都推荐完成，若是，则生成最终的推荐列表，完成基于用户图谱的推荐，否则，返回步骤S2。


2.根据权利要求1所述的基于用户图谱的推荐方法，其特征在于，所述步骤S2包括以下步骤：
S201、当新用户注册完成进入推荐系统时，提取新用户的特征；
S202、将新用户的特征加入所述用户-特征知识图谱中，更新用户-特征知识图谱；
S203、根据新用户特征更新知识图谱，利用找环的方式统计新用户经过定长路径并能返回的环cj；
S204、根据每个所述环cj上的用户节点ni，视所述用户节点ni与新用户特征之间的连线为边；
S205、根据所述边的权值之和，计算得到用户节点ni的权重nsum；
S206、根据所述用户节点ni的权重nsum计算得到相关用户与新用户相连边的权重之和；
S207、根据所述权重之和的大小对相关用户进行排序，形成相关领域用户列表。


3.根据权利要求2所述的基于用户图谱的推荐方法，其特征在于，所述步骤S206中权重之和nsumi的表达式如下：



其中，ni表示用户节点，c表示从新用户点出发经过定长路径能返回新用户的环的所有路径集合，cj表示c中某条路径，ejm表示路径cj中某条边的权值，distinct(·)表示在所有路径中某条边的权值只统计一次。


4.根据权利要求1所述的基于用户图谱的推荐方法，其特征在于，所述步骤S3包括以下步骤：
S301、根据推荐系统中相关用户的历史信息，获取相关用户对物品的评分信息，构建用户-评分矩阵；
S302、将所述用户-评分矩阵分解降维为用户特征矩阵与物品特征矩阵之积R；
S303、根据所述用户特征矩阵与物品特征矩阵之积R，计算...

【专利技术属性】
技术研发人员：邓天，潘晔，利强，杨健，邵怀宗，林静然，
申请(专利权)人：电子科技大学，
类型：发明
国别省市：四川;51