一种基于矩阵分解的主动学习评分引导方法及系统的制作方法
【技术领域】
[0001] 本发明涉及协调过滤推荐方法技术领域，更具体地说，涉及一种基于矩阵分解的 主动学习评分引导方法及系统。
【背景技术】
[0002] 协同过滤推荐模型能够有效解决信息过载问题，并为用户提供个性化的服务，协 同过滤是个性化推荐中研宄最深入、商业应用最广泛的技术。由于新用户的不断加入，模型 对其评分了解较少，不能为其产生精准的项目推荐，协调过滤推荐一直面临着用户冷启动 推荐任务的挑战。
[0003] 在为获得新用户的偏好信息的情况下，协同过滤推荐模型需要主动挑选项目给用 户评分，即在构建用户的兴趣偏好模型进行项目推荐前，主动获得用户的评分信息。然而， 由于项目数量太多，用户不情愿也不会给出很多评价，因为这会花费很大代价。主动学习可 用于评分引导过程，找到最优价值的项目集合，用尽可能少的交互次数获得信息含量较高 的评分数据，关键在于主动学习采样策略的设计。根据不同类型的协调过滤方法，可以设计 不同的主动学习采样策略。目前主要是基于存储与其他模型的方法，但该方法并不能很好 的预测用户的偏好信息，进而影响了推荐的准确率。
[0004] 综上所述，如何提供一种更好的预测用户的偏好信息，提高推荐准确率，是目前本 领域技术人员亟待解决的问题。
【发明内容】
[0005] 有鉴于此，本发明的目的是提供一种基于矩阵分解的主动学习评分引导方法及系 统，用以更好的预测用户的偏好信息，提高推荐准确率。
[0006] 为了实现上述目的，本发明提供如下技术方案：
[0007] -方面，本发明提供了一种基于矩阵分解的主动学习评分引导方法，包括：
[0008] 步骤A:分别获取新用户的用户特征、其他用户的用户特征、新用户未评分项目的 项目特征及其他用户已评分项目的项目特征；所述新用户的用户特征、所述其他用户的用 户特征、所述新用户未评分项目的项目特征及所述其他用户已评分项目的项目特征均是基 于用户评分矩阵的因式分解训练获取的；
[0009] 步骤B:通过计算所述新用户的用户特征和所述其他用户的用户特征间的余弦相 似度获取相似用户；所述相似用户为所述其他用户中与所述新用户相似的用户；
[0010] 步骤C:采用所述相似用户中已评分项目的流行度和信息含量获取最优项目，并 将所述最优项目交由所述新用户，以采用所述新用户对所述最优项目进行评分，获取评分 结果；所述已评分项目的信息含量是通过计算所述新用户未评分项目的项目特征和所述相 似用户已评分项目的项目特征的余弦相似度获取的。
[0011] 优选的，所述方法还包括：
[0012] 步骤D:依据所述评分结果更新所述新用户的用户特征，并执行步骤B，直至循环 次数达到预设次数。
[0013] 优选的，在步骤A前所述方法还包括：
[0014] 获取所述用户评分矩阵。
[0015] 优选的，所述步骤C包括：
[0016] 步骤C1 :确定所述相似用户已评分项目的流行度；
[0017] 步骤C2 :计算所述流行度与所述信息含量的乘积；
[0018] 步骤C3 :判断获取的所述流行度与所述信息含量的乘积是否最大，如果是，则执 行步骤C4 ;如果否，则返回步骤C2 ;
[0019] 步骤C4 :当获取的所述流行度与所述信息含量的乘积为最大时，确定所述相似用 户已评分项目为所述最优项目。
[0020] 另一方面，本发明还提供了一种基于矩阵分解的主动学习评分引导系统，包括：
[0021] 第一获取模块，用于分别获取新用户的用户特征、其他用户的用户特征、新用户未 评分项目的项目特征及其他用户已评分项目的项目特征；所述新用户的用户特征、所述其 他用户的用户特征、所述新用户未评分项目的项目特征及所述其他用户已评分项目的项目 特征均是基于用户评分矩阵的因式分解训练获取的；
[0022] 第二获取模块，用于通过计算所述新用户的用户特征和所述其他用户的用户特征 间的余弦相似度获取相似用户；所述相似用户为所述其他用户中与所述新用户相似的用 户；
[0023] 第三获取模块，用于采用所述相似用户中已评分项目的流行度和信息含量获取最 优项目，并将所述最优项目交由所述新用户，以采用所述新用户对所述最优项目进行评分， 获取评分结果；所述已评分项目的信息含量是通过计算所述新用户未评分项目的项目特征 和所述相似用户已评分项目的项目特征的余弦相似度获取的。
[0024] 优选的，所述系统还包括：
[0025] 更新模块，用于依据所述评分结果更新所述新用户的用户特征，并返回执行通过 计算所述新用户的用户特征和所述其他用户的用户特征间的余弦相似度获取相似用户，直 至循环次数达到预设次数。
[0026] 优选的，所述系统还包括：
[0027] 获取模块，用于获取所述用户评分矩阵。
[0028] 优选的，所述第三获取模块包括：
[0029] 获取单元，用于确定所述相似用户已评分项目的流行度；
[0030] 计算单元，用于计算所述流行度与所述信息含量的乘积；
[0031] 判断单元，用于判断获取的所述流行度与所述信息含量的乘积是否最大，如果是， 则确定所述相似用户已评分项目为所述最优项目；如果否，则返回执行计算所述流行度与 所述信息含量的乘积。
[0032] 与现有技术相比，本发明的优点如下：
[0033] 本发明提供了一种基于矩阵分解的主动学习评分引导方法及系统，通过用户评分 矩阵因式分解分别获取新用户的用户特征、其他用户的用户特征、新用户未评分项目的项 目特征及其他用户已评分项目的项目特征；进而通过计算所述新用户的用户特征和所述其 他用户的用户特征间的余弦相似度获取相似用户；并采用所述相似用户中已评分项目的流 行度和信息含量获取最优项目，并将所述最优项目交由所述新用户，以采用所述新用户对 所述最优项目进行评分，获取评分结果；其中所述已评分项目的信息含量是通过计算所述 新用户未评分项目的项目特征和所述相似用户已评分项目的项目特征的余弦相似度获取 的。与现有技术相比，本发明采用基于矩阵分解的主动学习评分引导方法及系统，更好的预 测了用户的偏好信息，进而提高了推荐准确率。
【附图说明】
[0034] 为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现 有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本 发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据 提供的附图获得其他的附图。
[0035] 图1为本发明实施例提供的一种基于主动学习的评分引导模型系统示意图；
[0036] 图2为本发明实施例提供的一种基于矩阵分解的主动学习评分引导方法的一种 流程图；
[0037] 图3为本发明实施例提供的一种基于矩阵分解的主动学习评分引导方法的另一 种流程图；
[0038] 图4为本发明实施例提供的一种基于矩阵分解的主动学习评分引导方法的一种 子流程图；
[0039] 图5为本发明实施例提供的一种基于矩阵分解的主动学习评分引导系统的一种 结构示意图；
[0040] 图6为本发明实施例提供的一种基于矩阵分解的主动学习评分引导系统的另一 种结构示意图。
【具体实施方式】
[0041] 下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完 整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于 本发明中的实施例，本领域普通技术人员在没有做出创造性劳动