基于相對(duì)熵相似度的知識(shí)推薦方法
【專利摘要】本發(fā)明公開了一種基于相對(duì)熵相似度的知識(shí)推薦方法，基于構(gòu)建的在線學(xué)習(xí)用戶與在線知識(shí)資源模型，步驟一：根據(jù)在線學(xué)習(xí)用戶在線學(xué)習(xí)瀏覽記錄，建立在線學(xué)習(xí)用戶與項(xiàng)目關(guān)系的評(píng)分矩陣，對(duì)項(xiàng)目基于內(nèi)容進(jìn)行聚類，形成項(xiàng)目聚類集合；步驟二：建立在線學(xué)習(xí)用戶與項(xiàng)目聚類集合之間的典型度關(guān)系矩陣；步驟三：訓(xùn)練相對(duì)熵相似度計(jì)算公式參數(shù)α、β，得到其最優(yōu)值；步驟四：使用相對(duì)熵相似度公式計(jì)算用戶之間的相似度；步驟五：根據(jù)相似度計(jì)算結(jié)果，為用戶選取“鄰居”，形成鄰居用戶集合；步驟六、根據(jù)鄰居用戶集合，形成相應(yīng)在線知識(shí)資源推薦列。本發(fā)明提高傳統(tǒng)推薦算法應(yīng)用到知識(shí)推薦上時(shí)相似度計(jì)算的效果，從而優(yōu)化最終推薦效果。
【專利說明】
基于相對(duì)熵相似度的知識(shí)推薦方法
技術(shù)領(lǐng)域
[0001] 本發(fā)明屬于數(shù)據(jù)挖掘、人工智能和信息檢索領(lǐng)域，涉及推薦算法，尤其是一種基于 相對(duì)熵相似度的知識(shí)推薦算法，用來(lái)為用戶推薦知識(shí)，以方便用戶獲取所需信息，并提高效 率。
【背景技術(shù)】
[0002] 推薦算法跟推薦技術(shù)，核心是預(yù)測(cè)用戶對(duì)物品的評(píng)分，從而找出其可能感興趣的 部分。目前廣泛使用的推薦算法有基于內(nèi)容的推薦(Content-Based Recommendation)，協(xié) 同過濾推薦（Collaborative Filtering Recommendation)和混合推薦算法（Hybrid Recommendation)〇
[0003] 推薦系統(tǒng)有三個(gè)重要的模塊：用戶建模模塊，推薦對(duì)象建模模塊，推薦算法模塊。 其中推薦算法模塊是推薦系統(tǒng)的核心。上述三種主要的推薦方法就是根據(jù)推薦算法模塊進(jìn) 行區(qū)分的。
[0004] 基于內(nèi)容的推薦算法主要利用推薦項(xiàng)目?jī)?nèi)容的相關(guān)屬性進(jìn)行建模，從而為用戶進(jìn) 行推薦。該類型推薦算法需要維護(hù)物品的信息，故人工參與較多，工作量大。另外，基于內(nèi)容 的推薦算法主要適用于能以文本描述的物品。
[0005] 從不同角度出發(fā)，協(xié)同過濾推薦算法又可以分為基于用戶的協(xié)同過濾推薦算法和 基于項(xiàng)目協(xié)同過濾推薦算法?；谟脩舻膮f(xié)同過濾推薦算法主要是利用系統(tǒng)中用戶的歷史 瀏覽記錄，為推薦用戶找到與推薦用戶擁有相似行為的用戶，組成相似用戶集合，進(jìn)而為推 薦用戶推薦相似集合用戶中關(guān)注過，但是推薦用戶未曾關(guān)注過的項(xiàng)目。而基于項(xiàng)目的協(xié)同 過濾思想主要是利用所有用戶歷史瀏覽記錄，尋找與推薦用戶關(guān)注過的項(xiàng)目"相似的"，但 是推薦用戶未曾關(guān)注的項(xiàng)目，為用戶進(jìn)行推薦。無(wú)論是基于項(xiàng)目的協(xié)同過濾推薦算法，還是 基于用戶的協(xié)同過濾算法均存在一定的問題，即傳統(tǒng)的相似度計(jì)算公式，不能很好的表達(dá) 兩個(gè)用戶或物品間真實(shí)的相似程度，另外，當(dāng)數(shù)據(jù)比較稀疏時(shí)，協(xié)調(diào)過濾推薦難以預(yù)測(cè)用戶 對(duì)其評(píng)分。

【發(fā)明內(nèi)容】

[0006] 基于上述現(xiàn)有技術(shù)和存在的問題，本發(fā)明提出了本發(fā)明提供了一種基于相對(duì)熵相 似度的推薦方法，引入相對(duì)熵，重新定義用戶之間的相似度關(guān)系，從相似度計(jì)算公式方面進(jìn) 行優(yōu)化。
[0007] 1.本發(fā)明提出了一種基于相對(duì)熵相似度的知識(shí)推薦方法，基于構(gòu)建的在線學(xué)習(xí)用 戶與在線知識(shí)資源模型，該方法以下步驟：
[0008] 步驟101、根據(jù)在線學(xué)習(xí)用戶在線學(xué)習(xí)瀏覽記錄，建立在線學(xué)習(xí)用戶與項(xiàng)目關(guān)系的 評(píng)分矩陣，對(duì)項(xiàng)目基于內(nèi)容進(jìn)行聚類，形成項(xiàng)目聚類集合；
[0009] 步驟102、建立在線學(xué)習(xí)用戶與項(xiàng)目聚類集合之間的典型度關(guān)系矩陣；
[0010] 步驟103、訓(xùn)練相對(duì)熵相似度計(jì)算公式參數(shù)α、β，得到其最優(yōu)值；
[0011] 步驟104、通過相似度計(jì)算公式得到兩個(gè)用戶之間的相似度，基于典型度相對(duì)熵相 似度的具體計(jì)算方法如下式所示：
[0012]
[0013]其中，仏代表用戶1，山代表用戶j，Vl,t表示用戶i與推薦對(duì)象t關(guān)系評(píng)分。在基于典 型度推薦算法中，表示用戶i在聚類t典型度關(guān)系評(píng)分，α、β為步驟103訓(xùn)練得到的結(jié)果； [0014]步驟105、根據(jù)相似度計(jì)算結(jié)果，為用戶選取"鄰居"，形成鄰居用戶集合；
[0015] 步驟106、根據(jù)鄰居用戶集合，形成相應(yīng)在線知識(shí)資源推薦列。
[0016] 與現(xiàn)有技術(shù)相比，上述技術(shù)方案的優(yōu)點(diǎn)在于：
[0017] 本發(fā)明針對(duì)知識(shí)推薦算法中存在的問題，提高傳統(tǒng)推薦算法應(yīng)用到知識(shí)推薦上時(shí) 相似度計(jì)算的效果，從而優(yōu)化最終推薦效果。
【附圖說明】
[0018] 圖1為整體不意圖；
[0019] 圖2為使用不同相似度計(jì)算公式對(duì)推薦算法結(jié)果的影響的實(shí)驗(yàn)結(jié)果示意圖。
【具體實(shí)施方式】
[0020] 以下結(jié)合附圖及【具體實(shí)施方式】，進(jìn)一步詳述本發(fā)明的技術(shù)方案。
[0021] 本發(fā)明的基于相對(duì)熵相似度的知識(shí)推薦方法，基于構(gòu)建的在線學(xué)習(xí)用戶與在線知 識(shí)資源模型，執(zhí)行如圖1所示的處理流程：
[0022]步驟101:根據(jù)在線學(xué)習(xí)用戶在線學(xué)習(xí)瀏覽記錄，建立在線學(xué)習(xí)用戶與項(xiàng)目關(guān)系的 評(píng)分矩陣R，對(duì)項(xiàng)目基于內(nèi)容進(jìn)行聚類，形成項(xiàng)目聚類集合Ν;
[0023]步驟102:建立在線學(xué)習(xí)用戶與項(xiàng)目聚類集合Ν之間的典型度關(guān)系矩陣；
[0024]步驟103:訓(xùn)練相對(duì)熵相似度計(jì)算公式參數(shù)α、β，得到其最優(yōu)值，參數(shù)ad的最優(yōu)值 需滿足使得損失函數(shù)f取最小值。損失函數(shù)f定義如公式(1)所示。
[0025] t=：i J=l
[0026] 其中，yi, j表示為0或1，當(dāng)Ri, j在訓(xùn)練集中出現(xiàn)，即訓(xùn)練集數(shù)據(jù)中用戶i對(duì)項(xiàng)目j有評(píng) 分的時(shí)候，將yu表示為1，否則將yu表示為是用戶i對(duì)項(xiàng)目j的評(píng)分預(yù)測(cè)值。本發(fā)明中 采用隨機(jī)梯度下降算法尋找合適參數(shù)，該目標(biāo)函數(shù)f關(guān)于參數(shù)下降的方向?qū)?shù)由公式(2)、 公式(3)定義：
[0029]其中，▽?表示目標(biāo)函數(shù)沿a的方向?qū)?shù);表示目標(biāo)函數(shù)沿邱勺方向?qū)?shù)，故由隨 機(jī)梯度下降規(guī)則由公式(4)、公式(5)給出。
[0027]
[0028]
[0030]
[0031]
[0032] 與公式(5)相似，ri為常數(shù)，表示梯度下降的步長(zhǎng)，at為當(dāng)前推薦對(duì)象t的參數(shù)a，at+1 為推薦對(duì)象t的下一個(gè)推薦對(duì)象t+1的參數(shù)〇，0*為當(dāng)前推薦對(duì)象t的參數(shù)β，β?+1為推薦對(duì)象t 的下一個(gè)推薦對(duì)象t+1的參數(shù)β。
[0033] 步驟104:通過相似度計(jì)算公式得到兩個(gè)用戶之間的相似度。本發(fā)明中，用戶之間 的相似度采用基于典型度相對(duì)熵相似度計(jì)算公式計(jì)算，具體計(jì)算方法如公式(6)所示。
[0034]
[0035]其中，仏代表用戶1，山代表用戶j，Vl,t表示用戶i與推薦對(duì)象t關(guān)系評(píng)分。在基于典 型度推薦算法中，表示用戶i在聚類t典型度關(guān)系評(píng)分，α、β為步驟103訓(xùn)練得到的結(jié)果。 [0036]步驟105:根據(jù)相似度計(jì)算結(jié)果，為用戶選取"鄰居"，形成鄰居用戶集合。
[0037]步驟106:根據(jù)鄰居用戶集合，形成相應(yīng)在線知識(shí)資源推薦列，步驟105和步驟106 為本專業(yè)人員所熟知的步驟，此處不再詳述。
[0038]使用不同相似度計(jì)算公式對(duì)推薦算法結(jié)果的影響的實(shí)驗(yàn)以Movielens為數(shù)據(jù)集， 采用平均絕對(duì)誤差MAE作為算法性能的評(píng)價(jià)標(biāo)準(zhǔn)。MAE值越小，代表算法的性能越好。MAE評(píng) 價(jià)標(biāo)準(zhǔn)在推薦算法中，從整體上衡量算法預(yù)測(cè)用戶對(duì)物品評(píng)分的準(zhǔn)確度，是一種公認(rèn)有效 的評(píng)價(jià)標(biāo)準(zhǔn)。
[0039]固定項(xiàng)目的聚類數(shù)，選取不同的鄰居選擇閾值，實(shí)驗(yàn)結(jié)果如圖2所示。由圖2可知， 在較大范圍的閾值區(qū)間，使用相對(duì)熵相似度(the Relative Entropy Similarity)的知識(shí) 推薦算法跟使用其他相似度計(jì)算方法的推薦算法相比，性能更優(yōu)。"鄰居選擇"閾值表示兩 個(gè)用戶之間的相似度大于該閾值時(shí)，認(rèn)為他們是"鄰居"。MAE和閾值均為本行業(yè)一般從業(yè)人 員所熟知的概念，此處不再詳述。當(dāng)閾值選取過大時(shí)，所有算法的性能均下降，這是由于鄰 居選擇條件過嚴(yán)，導(dǎo)致鄰居數(shù)太小導(dǎo)致的。從圖1可知，閾值選在〇. 3-0.6比較合理，并且在 這個(gè)范圍內(nèi)，基于相對(duì)熵相似度的知識(shí)推薦算法性能最優(yōu)。
【主權(quán)項(xiàng)】
1. 一種基于相對(duì)賭相似度的知識(shí)推薦方法，基于構(gòu)建的在線學(xué)習(xí)用戶與在線知識(shí)資源 模型，其特征在于，該方法W下步驟： 步驟（101)、根據(jù)在線學(xué)習(xí)用戶在線學(xué)習(xí)瀏覽記錄，建立在線學(xué)習(xí)用戶與項(xiàng)目關(guān)系的評(píng) 分矩陣;對(duì)項(xiàng)目基于內(nèi)容進(jìn)行聚類，形成項(xiàng)目聚類集合； 步驟(102)、建立在線學(xué)習(xí)用戶與項(xiàng)目聚類集合之間的典型度關(guān)系矩陣； 步驟(103)、訓(xùn)練相對(duì)賭相似度計(jì)算公式參數(shù)α、β，得到其最優(yōu)值； 步驟（104)、通過相似度計(jì)算公式得到兩個(gè)用戶之間的相似度，基于典型度相對(duì)賭相似 度的具體計(jì)算方法如下式所示：其中，Ui代表用戶i，&代表用戶j，VI, t表示用戶i與推薦對(duì)象t關(guān)系評(píng)分。在基于典型度 推薦算法中，VI,t表示用戶i在聚類t典型度關(guān)系評(píng)分，α、β為步驟103訓(xùn)練得到的結(jié)果； 步驟(105)、根據(jù)相似度計(jì)算結(jié)果，為用戶選取"鄰居"，形成鄰居用戶集合； 步驟(106)、根據(jù)鄰居用戶集合，形成相應(yīng)在線知識(shí)資源推薦列。
【文檔編號(hào)】G06F17/30GK105975564SQ201610286410
【公開日】2016年9月28日
【申請(qǐng)日】2016年4月29日
【發(fā)明人】于瑞國(guó), 劉志強(qiáng), 趙滿坤, 王建榮, 喻梅, 蔡智勇
【申請(qǐng)人】天津大學(xué)