间的关注行为矩阵的稀疏性问题，本发 明实施例采用低秩矩阵分解技术。对于特定的用户i来说，其同质性正则化中的隐表示 U(i，：）代表用户i在项目集上表现出的特性；U(j，：）代表用户j在项目集上表现出的特 性。如公式（3)所示。
[0063] 从公式（3)可以看出，用户i的隐表示已被其他用户平滑化了，并且被其他用户的 同质性系数控制，对于那些只有极少甚至没有信任关系的用户，仍然可以通过同质性正则 化得到其在低秩空间中的隐表示，这便利用了传统的非监督方法解决了稀疏性问题。
[0064] 由同质性度量方法的计算公式可以得到同质性正则化项的矩阵形式，如公式（4) 所示。
[0066] 其中，Z是同质性系数矩阵；D是对角矩阵，其每个对角元素为同质性系数矩阵Z的 对应列的元素和，表示为D(W) = 拉普拉斯矩阵L为D-Z ;U(i，k)为用户i对 项目k所表现出的特性关系；U(j，k)为用户j对项目k所表现出的特性；U(:，K)为所有用 户对所有项目具有的特性关系；Tr为矩阵的迹；d为项目集中的项目的数量；U为用户与项 目的关系矩阵；T为矩阵的转置。
[0067] 206 :将同质性正则化项的矩阵形式加入到矩阵分解模型中得到公式（5)。
[0069] 其中，F为矩阵的F范数；G为用户与用户之间的关系；V为用户特征之间的相关 性；A为同质性正则化项的矩阵形式前面的系数；s. t.代表约束条件；L为拉普拉斯矩阵。
[0070] 在求矩阵分解的最优解的过程中要使得整个过程的损失最小，即求矩阵U和矩阵 V使成本函数达到最优值，根据不等式约束最优性条件（KKT约束条件），应用随机梯度下降 法则，可得关于矩阵U和矩阵V的更新公式，如公式（6)和公式（7)所示。
[0073] 其中，一为公式的更新；[UtGU]为拟合矩阵；（i，k)为用户和项目的编号，代表拟 合矩阵中的参数；[UtUVUtU+0V]为加入用户特征之间相关性后的拟合矩阵。
[0074] 迭代使用上述更新公式，直到结果收敛或符合实验要求的精度，因为原信任关系 矩阵G、同质性系数矩阵Z以及对角矩阵D均非负，因此矩阵U和矩阵V在更新的过程中也非 负，最终的拟合矩阵UVUt也非负，那么所有用户之间建立信任关系的可能性可用矩阵UVU T 表示，其中每个元素表示该行代表的用户信任该列代表的用户的可能性，至此原稀疏的信 任网络G中的零值，即缺省的信任关系可用拟合的新矩阵中的值进行预测，最后根据拟合 矩阵中预测建立信任关系的可能性的大小进行排序，即可为指定用户个性化推荐好友。
[0075] 综上所述，本发明实施例通过上述步骤201至步骤206提高了推荐准确率，提升了 用户的体验和感受，有效改善网站对用户的粘滞度，提高了网站服务品质。
[0076] 实施例3
[0077] 下面结合具体的实例、图2和图3对实施例1和2中的方案进行可行性验证，即通 过与现有的同质性度量方法进行对比实验，验证本方法在准确率和效率方面的提高，详见 下文描述：
[0078] 对影响因子a和P取值情况进行实验，选出能够使信任预测准确率达到最优的 同质性系数构成方案，实验结果如图2所示。
[0079] 从实验结果可以看出，当a取〇. 3, 取0. 9的时候，构造的同质性系数使得信任 预测准确率达到最优值。可以看出a的取值变化对准确率影响不是很大，由此可知用户评 论行为对用户之间同质性度量的重要性并不如用户的关注行为大。0取值较大说明了在数 据集中，分析两个用户共同信任的用户集合比分析共同信任两个用户的用户集合更能准确 的描述用户之间的同质性。
[0080] 为了将本方法与已有的同质性度量方法进行对比实验，实验的评价指标为准确 率，其计算公式如公式（8)所示。
[0082] 信任网络中的用户关系可分为已建立信任关系集合T= {〈i，j>|G(i，j) = 1}，和 未建立信任关系的集合N= {〈i，j>|G(i，j) =0}，在信任集合T中随机选取其中x%的信 任关系作为实验集合T_Train，余下1-x %的信任关系作为评价集合T_Test，其中，变量X的 取值情况为{50, 60, 70, 80, 90}。现将T_Test中的信任关系全部移除，根据由T_Train预测 出的用户之间建立信任关系可能性的大小，对用户集N+T_Test中的用户对进行排序，选出 其中前|T_Test|用户对（|T_Test|表示集所含元素的数量），计为集合P。
[0083] 将本方法命名为pTrust，并与其它同质性度量方法作对比实验，验证本方法的性 能和效果。对比实验是通过对比四种同质性度量方法在准确率方面的性能，四种同质性度 量方法分别是：
[0084] I) socialTrust :使用社会学理论结合非负矩阵分解模型进行预测推荐。
[0085] 2)hTrust:同质性系数以余弦相关性公式进行计算的方法进行推荐。
[0086] 3)pTrUst_l :将用户关注行为引入余弦相似性同质性度量方法中进行推荐。
[0087] 4)pTrust :将用户关注行为引入皮尔森系数同质性度量方法中进行推荐。
[0088] 实验结果如图3所示，从实验结果可以看到，用于训练的信任关系的比重X越高， 得到的预测效果越差，这是因为随着X的增加，待预测的信任关系逐渐减少，信任关系在全 部关系中所占比例进一步减少，进而加大了预测难度。从实验的结果看出，将用户的评分 行为结合关注行为来衡量用户之间的同质性，比单单考虑评分行为可以收到更好的预测效 果，pTrust的准确率比pTrustJ要高，由此得出将用户的关注行为引入到皮尔森同质性系 数的计算中会得到更好的准确率。
[0089] 实施例4
[0090] -种基于用户行为的个性化推荐装置，参见图4,该个性化推荐装置包括：
[0091] 第一获取模块1，用于对用户的关注行为建模，获取用户的关注行为矩阵；
[0092] 第二获取模块2,用于将用户对项目的评分、用户之间的关注行为，引入到同质性 度量的计算中，采用皮尔森系数，获取改进后的同质性度量；
[0093] 第三获取模块3,用于通过改进后的同质性度量，结合矩阵分解获取同质性正则化 的矩阵形式；
[0094] 输出模块4,用于采用梯度下降的最优化方法，对矩阵形式进行处理获取低秩矩阵 形式，将低秩矩阵形式对信任关系的大小进行排序，输出推荐结果。
[0095] 其中，参见图5,第三获取模块3包括：获取子模块31，
[0096] 获取子模块31，用于将用户对项目的评分矩阵进行分解，在矩阵分解的过程中加 入正则化项，分解成的低秩矩阵以最小的误差代替原有数据。
[0097] 本发明实施例对上述模块、子模块的执行主体不做限制，能实现上述功能的器件 均可，例如：单片机、PC机等。
[0098] 综上所述，本发明实施例通过上述的模块、子模块，提高了推荐准确率，提升了用 户的体验和感受，有效改善网站对用户的粘滞度，提高了网站服务品质。
[0099] 本发明实施例对各器件的型号除做特殊说明的以外，其他器件的型号不做限制， 只要能完成上述功能的器件均可。
[0100] 本领域技术人员可以理解附图只是一个优选实施例的示意图，上述本发明实施例 序号仅仅为了描述，不代表实施例的优劣。
[0101] 以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和 原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
【主权项】
1. 一种基于用户行为的个性化推荐方法，其特征在于，所述个性化推荐方法包括以下 步骤： 对用户的关注行为建模，获取用户的关注行为矩阵； 将用户对项目的评分、用户之间的关注行为，引入到同质性度量的计算中，采用皮尔森 系数，得到改进后的同质性度量； 通过改进后的同质性度量，结合矩阵分解获取同质性正则化的矩阵形式； 采用梯度下降的最优化方法，对矩阵形式进行处理获取低秩矩阵形式，将低秩矩阵形 式对信任关系的大小进行排序，输出推荐结果。2. 根据权利要求1所述的一种基于用户行为的个性化推荐方法，其特征在于，所述用 户的关注行为矩阵具体为： 建立一个eXf矩阵M，e是受信者用户，f是施信者用户，对应的Mlj表示用户i对用户j的关注彳丁为。3. 根据权利要求1所述的一种基于用户行为的个性化推荐方法，其特征在于，所述通 过改进后的同质性度量，结合矩阵分解获取同质性正则化的矩阵形式的步骤具体为： 将用户对项目的评分矩阵进行分解，在矩阵分解的过程中加入正则化项，分解成的低 秩矩阵以最小的误差代替原有数据。4. 一种基于用户行为的个性化推荐装置，其特征在于，所述个性化推荐装置包括： 第一获取模块，用于对用户的关注行为建模，获取用户的关注行为矩阵； 第二获取模块，用于将用户对项目的评分、用户之间的关注行为，引入到同质性度量的 计算中，采用皮尔森系数，获取改进后的同质性度量； 第三获取模块，用于通过改进后的同质性度量，结合矩阵分解获取同质性正则化的矩 阵形式； 输出模块，用于采用梯度下降的最优化方法，对矩阵形式进行处理获取低秩矩阵形式， 将低秩矩阵形式对信任关系的大小进行排序，输出推荐结果。5. 根据权利要求4所述的一种基于用户行为的个性化推荐装置，其特征在于，所述第 三获取模块包括： 获取子模块，用于将用户对项目的评分矩阵进行分解，在矩阵分解的过程中加入正则 化项，分解成的低秩矩阵以最小的误差代替原有数据。
【专利摘要】本发明公开了一种基于用户行为的个性化推荐方法及其推荐装置，方法包括：对用户的关注行为建模，获取用户的关注行为矩阵；将用户对项目的评分、用户之间的关注行为，引入到同质性度量的计算中，采用皮尔森系数，得到改进后的同质性度量；通过改进后的同质性度量，结合矩阵分解获取同质性正则化的矩阵形式；采用梯度下降的最优化方法，将矩阵形式对信任关系的大小进行排序，输出推荐结果。装置包括：第一获取模块、第二获取模块、第三获取模块和输出模块，本发明在传统的用户相似度计算中结合用户关注行为，进而为用户在网站中更加合理准确的推荐用户所需的商品和好友，提升用户的体验和感受，有效改善网站对用户的粘滞度，提高网站服务品质。
【IPC分类】G06F17/30
【公开号】CN105069122
【申请号】CN201510494677
【发明人】喻梅, 邸海波, 于健, 缑小路, 张旭, 李增杰
【申请人】天津大学
【公开日】2015年11月18日
【申请日】2015年8月12日