【技术实现步骤摘要】
一种基于社交用户多交互信息的协同过滤物品推荐方法
本专利技术涉及协同过滤物品推荐方法领域，特别涉及一种基于社交用户多交互信息的协同过滤物品推荐方法。
技术介绍
社会推荐在过去的几十年里得到了深入的研究，它的主要目标是根据用户的历史互动情况来评估用户使用某个道具的可能性。在社交推荐中，由于用户可能对某件商品有相同的看法，所以用户的偏好很容易受到朋友的影响；因此，使用社交关系可以帮助用户过滤用户想要购买的东西，社交网络数据可以使推荐更加准确。社会关系已被实际情况证明是有助于提高推荐准确性的。在电商平台上，用户往往会发现平台所推荐的商品十分符合自己当前的购买需求，这是因为后台可以根据用户的历史游览数据预计当前数据，分析最近时间内的用户需求；然而，数据稀疏性以及冷启动问题制约了推荐系统的推荐结果准确性，用户的购买记录、游览记录以及用户的社交信息利用不充分，也是目前各种推荐模型受制约的主要因素进行，也介于此，所以目前的推荐模型框架计算出的结果会有较高的误差率，因此，解决数据稀疏性以及冷启动是目前本领域亟待解决的一个重点问题。
技术实现思路
针对现有技术存在的上述问题，本专利技术要解决的技术问题是：利用各种游览记录和社交信息，通过设计一种动态权重算法多种潜因子向量，并且设计多交互信息融合算法整合多个潜因子向量进行预测，来达到解决在社交环境下推荐准确性不足的问题。为解决上述技术问题，本专利技术采用如下技术方案：一种基于社交用户多交互信息的协同过滤物品推荐方法，具体步骤如下：S100：选用...
【技术保护点】
1.一种基于社交用户多交互信息的协同过滤物品推荐方法，其特征在于：包括如下步骤：/nS100：选用公开用户社交关系数据库，数据库中的数据包括每种物品的用户购买记录、每种物品的用户好友购买记录、每种物品的用户评价记录、每种物品的用户好友评价记录和每种物品的用户评分；/nS200：通过数每种物品的用户购买记录和每种物品的用户评价记录，建立用户-物品交互向量，具体表达式如下：/n
【技术特征摘要】
1.一种基于社交用户多交互信息的协同过滤物品推荐方法，其特征在于：包括如下步骤：
S100：选用公开用户社交关系数据库，数据库中的数据包括每种物品的用户购买记录、每种物品的用户好友购买记录、每种物品的用户评价记录、每种物品的用户好友评价记录和每种物品的用户评分；
S200：通过数每种物品的用户购买记录和每种物品的用户评价记录，建立用户-物品交互向量，具体表达式如下：
其中，xia表示用户-物品交互向量，ei表示物品嵌入向量，er表示评分嵌入向量；
根据评分嵌入向量以及物品嵌入向量通过公式(2-2)得到物品-用户交互向量，其中，物品-用户交互向量表示如下：
其中，vji表示物品-用户交互向量，eu表示用户嵌入向量；
S300：利用用户-物品交互向量xia，通过公式(3-1)计算用户-物品动态权重，具体表达式如下：
其中，aia表示用户-物品动态权重，W1，b1，b2分别表示深度学习中的特定参数，xia表示用户-物品交互向量，pi表示目标用户的购买需求，其中，pi的定义如下：
其中，eu表示用户嵌入向量；
通过用户好友购买记录建立用户-社交好友交互向量具体表达式如下：
其中σ表示非线性激活函数，W，b分别表示深度学习中的特定参数，aia表示用户-物品动态权重，xua表示社交好友-物品交互向量，fυ表示非线性激活函数，eui表示用户好友购买过的物品嵌入向量，er表示评分嵌入向量；
利用用户-社交好友交互向量通过公式(3-4)计算用户-社交好友动态权重，具体表达式如下：
其中，βiu是用户-社交好友动态权重，W1，b1，b2分别表示深度学习中的特定参数，表示用户-好友交互向量，pi表示目标用户的购买需求；
利用不同好友用户对同一物品的购买评价记录和物品-用户交互向量vji，通过公式(3-5)计算物品-用户动态权重，具体表达式如下：
其中，μji是物品-用户动态权重，W1，b1，b2分别表示深度学习中的特定参数，vji表示物品-用户交互向量，qj表示目标物品。
其中，qj的定义如下：
其中，ei表示用户嵌入向量；
S400：根据用户-物品交互向量xia和用户-物品动态权重aia计算用户-物品潜因子...
【专利技术属性】
技术研发人员：肖鑫宇，文俊浩，毕霁超，周魏，杨正益，曾骏，蔡海尼，
申请(专利权)人：重庆大学，
类型：发明
国别省市：重庆;50
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。