基于多指标概率矩阵分解模型的美食推荐方法.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN110110239A(43)申请公布日2019.08.09(21)申请号201910341461.8(22)申请日2019.04.26(71)申请人常熟理工学院地址215500江苏省苏州市常熟市湖山路99号(72)发明人刘晓飞伏玉琛钟珊(74)专利代理机构南京理工大学专利中心32203代理人吴茂杰(51)Int.Cl.G06F16/9536(2019.01)G06F17/18(2006.01)G06F17/16(2006.01)权利要求书2页说明书5页附图1页(54)发明名称基于多指标概率矩阵分解模型的美食推荐方法(57)摘要本发明公开一种基于多指标概率矩阵分解模型的美食推荐方法，包括如下步骤：(10)构建单指标评分矩阵：根据用户购买记录，构造用户-项目-单指标上下文评分矩阵；(20)构建多指标评分矩阵：根据用户购买记录，结合用户-项目-单指标上下文评分矩阵，构造多指标环境下用户-项目-多指标评分矩阵；(30)求解评分矩阵：求解用户-项目-多指标评分矩阵，得到多个评分值，选择评分值最大的信息进行推荐。本发明的基于多指标概率矩阵分解模型的美食推荐方法，对数据量依赖小、准确度高。CN110110239ACN110110239A权利要求书1/2页1.一种基于多指标概率矩阵分解模型的美食推荐方法，其特征在于，包括如下步骤：(10)构建单指标评分矩阵：根据用户购买记录，构造用户-项目-单指标上下文评分矩阵；(20)构建多指标评分矩阵：根据用户购买记录，结合用户-项目-单指标上下文评分矩阵，构造多指标环境下用户-项目-多指标评分矩阵；(30)求解评分矩阵：求解用户-项目-多指标评分矩阵，得到多个评分值，选择评分值最大的信息进行推荐。2.根据权利要求1所述的美食推荐方法，其特征在于，所述用户-项目-单指标上下文评分矩阵具体为：上式中，为用户i对项目j的综合评分，则为第ck个指标评分；s为整体评分记录数量；ck为第k个条件指标；是正则化logic函数；O为评分取值范围最大值正则项。3.根据权利要求1所述的美食推荐方法，其特征在于，所述用户-项目-多指标评分矩阵为：上式中，wi为当中第i指标对用户的整体权重影响；wj为当中第j指标对项目的整体权重影响。σu、σv为正态分布权重影响方差值，期望值分别为μu、μv。4.根据权利要求1所述的美食推荐方法，其特征在于，所述(30)求解评分矩阵步骤包括：(31)正态分布权重影响方差值计算：根据统计学中求正态分布方差方法，计算用户-项目-多指标评分矩阵的正态分布权重影响方差值σu、σv；(32)正态分布权重影响期望值计算：根据统计学中求正态分布期望方法，计算用户-项目-多指标评分矩阵的正态分布权重影响期望值μu、μv；(33)整体权重影响计算：按如下公式分别计算出第i指标对用户的整体权重影响wi和第j指标对用户的整体权重影响wj，2CN110110239A权利要求书2/2页式中，为用户i对项目j的综合评分，则为第ck个指标评分；s为整体评分记录数量；ck为第k个条件指标；是正则化logic函数；O为评分取值范围最大值正则项。(34)多指标权重矩阵计算：按如下公式计算出多指标权重矩阵，Aij是指矩阵A中第i行第j列的元素。(35)信息推荐：选择与矩阵A中最大元素相关的信息，给以推荐。3CN110110239A说明书1/5页基于多指标概率矩阵分解模型的美食推荐方法技术领域[0001]本发明属于信息检索技术领域，具体涉及一种对数据量依赖小、准确度高的基于多指标概率矩阵分解模型的美食推荐方法。背景技术[0002]传统的个性化推荐方法忽略了用户之间的社会关系，导致推荐精度不高，在基于社交网络的个性化推荐方法中，可以利用时间因素、地理位置、用户之间的信任关系以及信息传播等因素来提高推荐算法的预测精度。2009年周涛等人在个性化推荐算法研究中使用了复杂网络和人类动力学，开辟了新的研究途径。2012年中国科学院计算所程学旗利用前k项排序学习算法对基于社交网络的个性化推荐系统进行研究。2017年王东等借助于分层贝叶斯网络模型，通过提取不同社交网络之间的共同行为，对用户之间的朋友关系进行预测。2014年陈博文等人提出了基于扩散理论和信任传播的个性化推荐方法，该方法利用用户之间的朋友关系建立信息扩散路径，达到了比较好的推荐效果。2013年贾冬艳等人提出了一种基于双重邻居选取策略的协同过滤推荐算法，基于相似度模型，选取动态邻居用户，再借助于评分信息计算用户之间的信任度，依据信任模型选取最近邻居集合，算法不但提高了推荐的准确度，而且具有较强的抗攻击能力。2017年彭敏等人提出了基于短语级情感分析的推荐算法，该模型利用显示因子模型来对系统的推荐结果进行解释，