一種提升推薦系統(tǒng)準(zhǔn)確性的方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及互聯(lián)網(wǎng)服務(wù)領(lǐng)域，更具體地，涉及一種提升推薦系統(tǒng)準(zhǔn)確性的方法。
【背景技術(shù)】
[0002] 互聯(lián)網(wǎng)已經(jīng)和人們的日常生活緊密結(jié)合在一起。近年來，推薦系統(tǒng)廣泛應(yīng)用于以 電子商務(wù)為代表的各種互聯(lián)網(wǎng)應(yīng)用，以此解決信息過載問題。大多推薦系統(tǒng)采用協(xié)同過濾 技術(shù)，這種技術(shù)通過分析用戶過往的大量網(wǎng)上歷史記錄，學(xué)習(xí)用戶的網(wǎng)上行為模式并建立 模型，幫助用戶從海量信息中篩選其需要的信息，并推薦給用戶。亞馬遜、淘寶等國內(nèi)外知 名網(wǎng)站的推薦服務(wù)大都基于協(xié)同過濾。
[0003] 在推薦系統(tǒng)中，用戶的歷史行為數(shù)據(jù)被組織成評分矩陣RUXI的形式，其中的數(shù)據(jù) 項(xiàng)RU1代表用戶u對項(xiàng)目i(商品、新聞、影音作品等）的評分。現(xiàn)實(shí)中，用戶只會給極少數(shù) 的項(xiàng)目評分，相應(yīng)信息系統(tǒng)的評分矩陣相當(dāng)稀疏。因此，推薦系統(tǒng)需要預(yù)測出缺失的評分， 按分值排序，將評分值最高的項(xiàng)目推薦給用戶。
[0004] 基于協(xié)同過濾的推薦系統(tǒng)通常采用矩陣分解算法實(shí)現(xiàn)。具體而言，矩陣分 解需要從評分矩陣RUXI推導(dǎo)出一個(gè)低階近似矩陣(= )，其中D〈〈u，I，
rr(?)表示誤差。WUXD(VIXD)的每一個(gè)行向量WuVi表示用 戶評分矩陣的一個(gè)特征向量，因此，缺失的評分?jǐn)?shù)據(jù)可以由計(jì)算得到。
[0005] 然而，現(xiàn)實(shí)數(shù)據(jù)集中通常存在一些不真實(shí)的數(shù)據(jù)，評分矩陣中存在一定量的數(shù)據(jù) 噪聲。用戶會下意識地給出不當(dāng)評分，或者信息系統(tǒng)受到人為評分干擾攻擊，因此真實(shí)評分 數(shù)據(jù)中存在很多噪聲?，F(xiàn)在的矩陣分解算法大都使用Euclid范數(shù)|:| ? |||作為誤差函數(shù)，因此 在評分噪聲環(huán)境下表現(xiàn)得不夠魯棒。之所以選擇Euclid范數(shù)作為誤差函數(shù)，是因?yàn)槿藗兗?設(shè)評分?jǐn)?shù)據(jù)服從高斯分布。高斯分布對離群點(diǎn)的敏感性致使少量的評分噪聲就會使推薦準(zhǔn) 確率顯著下降。

【發(fā)明內(nèi)容】

[0006]
[0007] 本發(fā)明要解決的技術(shù)問題是克服現(xiàn)有技術(shù)中互聯(lián)網(wǎng)推薦系統(tǒng)存在的缺陷和技術(shù) 不足，提供一種提升推薦系統(tǒng)準(zhǔn)確性的方法，通過該方法可以有效對抗評分噪聲，提升推薦 準(zhǔn)確率。
[0008] 本發(fā)明的上述目的通過如下技術(shù)方案予以實(shí)現(xiàn)：
[0009] -種提升推薦系統(tǒng)準(zhǔn)確性的方法，包括如下步驟：
[0010] S1?構(gòu)建數(shù)據(jù)子集；
[0011] S2.在步驟S1.構(gòu)建的數(shù)據(jù)子集上分別應(yīng)用基于高斯混合分布的評分模型：
[0012]RU1= E[ff
[0013] 其中RU1表示模型預(yù)測的評分，E[.]表示期望，WJVJ表示用戶評分矩陣的特征向 量。
[0014] 標(biāo)記各個(gè)數(shù)據(jù)子集中的無標(biāo)簽數(shù)據(jù)，獲得各個(gè)教練集；
[0015]S3.將步驟S2.獲得的教練集中被標(biāo)記的原始無標(biāo)簽數(shù)據(jù)加入到其他子集中的有 標(biāo)簽數(shù)據(jù)，迭代更新其他子集中原始無標(biāo)簽數(shù)據(jù)的標(biāo)簽；
[0016]S4.輸出最終推薦結(jié)果。
[0017] 將數(shù)據(jù)集分為若干個(gè)數(shù)據(jù)子集，不同子集中包含差異化的數(shù)據(jù)樣本。差異化的子 集中包括有評分（有標(biāo)簽）的數(shù)據(jù)和無評分（無標(biāo)簽）的數(shù)據(jù)。在不同子集的有標(biāo)簽數(shù)據(jù) 上應(yīng)用本發(fā)明提出的基于高斯混合分布的評分模型，標(biāo)記各個(gè)子集中的無標(biāo)簽數(shù)據(jù)。這些 被標(biāo)記的原始無標(biāo)簽數(shù)據(jù)組成不同教練集，用于迭代更新其他子集中的原始無標(biāo)簽數(shù)據(jù)的 標(biāo)簽。
[0018] 作為一種優(yōu)選方案，S1.中所述構(gòu)建數(shù)據(jù)子集個(gè)數(shù)為三個(gè)。
[0019] 發(fā)明人發(fā)現(xiàn)，構(gòu)建三個(gè)數(shù)據(jù)子集可以取得最好效果，子集個(gè)數(shù)少于三個(gè)并不能發(fā) 揮出本發(fā)明的全部效力；而當(dāng)子集個(gè)數(shù)多于三個(gè)的時(shí)候，因?yàn)榛烊敫鄶?shù)據(jù)噪聲和過擬合， 訓(xùn)練效果反而會略微變差；更重要的是，方法成本和算法開銷卻以指數(shù)級速率增長。
[0020]S1.所述構(gòu)建數(shù)據(jù)子集的方法為：
[0021] S11.輸入有評分的樣本訓(xùn)練集L和未評分樣本集合Un;
[0022] S12.初始化各個(gè)數(shù)據(jù)子集，設(shè)為空集；
[0023]S13.根據(jù)置信度，用輪盤賭算法選取有標(biāo)簽數(shù)據(jù)進(jìn)入數(shù)據(jù)子集；
[0024]S14.用Bagging方法從無標(biāo)簽數(shù)據(jù)中隨機(jī)抽取樣本，完成子集分組。
[0025]S13.所述根據(jù)置信度，用輪盤賭算法選取有標(biāo)簽數(shù)據(jù)進(jìn)入數(shù)據(jù)子集的過程為：
[0026]S51.計(jì)算數(shù)據(jù)子集M中樣本sul的置信度：
實(shí)中t是正則化 系數(shù)，表示數(shù)據(jù)子集m中用戶u的活躍程度表示項(xiàng)目i的被評分頻率；
[0027]S61.通過基于置信度Zjsj的輪盤賭算法來選取各個(gè)數(shù)據(jù)子集中樣本sul的有標(biāo) 簽數(shù)據(jù)，并進(jìn)入數(shù)據(jù)子集M，取出的樣本sul進(jìn)入數(shù)據(jù)子集M的概率為：
[0028]
[0029] 與現(xiàn)有技術(shù)相比，本發(fā)明具有如下有益效果：
[0030] 本發(fā)明通過構(gòu)建一個(gè)基于高斯混合分布的評分推薦模型，更好地?cái)M合評分?jǐn)?shù)據(jù)， 同時(shí)，為了緩解數(shù)據(jù)稀疏性的影響，在不同的數(shù)據(jù)子集上分別應(yīng)用基于高斯混合分布的評 分模型，標(biāo)記各個(gè)數(shù)據(jù)子集中的無標(biāo)簽數(shù)據(jù)，獲得各個(gè)教練集，再將教練集中被標(biāo)記的原始 無標(biāo)簽數(shù)據(jù)加入到其他子集中的有標(biāo)簽數(shù)據(jù)，迭代更新其他子集中原始無標(biāo)簽數(shù)據(jù)的標(biāo) 簽，最后輸出推薦結(jié)果，使推薦系統(tǒng)獲得了良好魯棒性，可以有效對抗評分噪聲，提升推薦 準(zhǔn)確率。此外，本發(fā)明的方法還可以有效緩解冷啟動問題。
【附圖說明】
[0031] 圖1為本發(fā)明方法的流程圖；
[0032] 圖2為圖1中高斯混合模型的協(xié)同過濾標(biāo)記（CMCF標(biāo)記）方法示意圖；
[0033] 圖3為本發(fā)明提出的方法在M4數(shù)據(jù)集上的迭代效果；
[0034] 圖4為不同算法在加強(qiáng)數(shù)據(jù)噪聲的M4數(shù)據(jù)集上的迭代效果。
[0035] 具體的實(shí)施方式
[0036] 附圖僅用于示例性說明，不能理解為對本專利的限制；為了更好說明本實(shí)施例，附 圖某些部件會有省略、放大或縮小，并不代表實(shí)際產(chǎn)品的尺寸；對于本領(lǐng)域技術(shù)人員來說， 附圖中某些公知結(jié)構(gòu)及其說明可能省略是可以理解的。
[0037] 下面結(jié)合附圖和實(shí)施例對本發(fā)明的技術(shù)方案做進(jìn)一步的說明，但附圖和實(shí)施例并 不對本發(fā)明做任何形式的限定。
[0038] 實(shí)施例1
[0039] 如圖1、圖2所示，本發(fā)明提供一種提升推薦系統(tǒng)準(zhǔn)確性的方法，包括如下步驟：
[0040]S1.構(gòu)建數(shù)據(jù)子集
[0041]S11.輸入有評分的樣本訓(xùn)練集L和未評分樣本集合Un;
[0042]S12.將三個(gè)數(shù)據(jù)子集初始化，設(shè)為空集；
[0043]S13.根據(jù)置信度，用輪盤賭算法選取有標(biāo)簽數(shù)據(jù)進(jìn)入數(shù)據(jù)子集；
[0044]S14.用Bagging方法從無標(biāo)簽數(shù)據(jù)中隨機(jī)抽取樣本，完成三個(gè)數(shù)據(jù)子集的分組。 如圖1所示，將數(shù)據(jù)集分為三個(gè)數(shù)據(jù)子集后，不同子集中包含差異化的數(shù)據(jù)樣本。差異化的 子集中包括有評分（有標(biāo)簽）的數(shù)據(jù)和無評分（無標(biāo)簽）的數(shù)據(jù)。
[0045] 不同數(shù)據(jù)子集的構(gòu)建至關(guān)重要，數(shù)據(jù)子集間的差異性決定了半監(jiān)督學(xué)習(xí)方法的有 效性。其差異性主要取決于子集中的有標(biāo)簽數(shù)據(jù)。以數(shù)據(jù)置信度為標(biāo)準(zhǔn)，從有標(biāo)簽數(shù)據(jù)集L 中篩選樣本分配給不同子集。對協(xié)同過濾推薦系統(tǒng)而言，用戶u越活躍，項(xiàng)目i被評價(jià)的 頻率越高，相關(guān)數(shù)據(jù)樣本的置信度越高，基于此類數(shù)據(jù)的推薦準(zhǔn)確率越高。本實(shí)施例的數(shù)據(jù) 子集M中樣本sul的置信度定義如下：
[0046]
[0047] 其中t是正則化系數(shù)，表示數(shù)據(jù)子集m中用戶U的活躍程度；<(m)表示項(xiàng)目 i的被評分頻率；
[0048] 通過基于置信度Zm(SU1)的輪盤賭算法來選取各個(gè)數(shù)據(jù)子集中樣本SU1的有標(biāo)簽數(shù) 據(jù)，并進(jìn)入數(shù)據(jù)子集M，取出的樣本sul進(jìn)入數(shù)據(jù)子集M的概率為：
[0049]
[0050]S2.在步驟S1.構(gòu)建的數(shù)據(jù)子集上分別應(yīng)用基于高斯混合分布的評分模型：
[0051]RU1=E[ff
[0052] 其中RU1表示模型預(yù)測的評分，E[.]表示期望，Wu(Vi)表示用戶評分矩陣的特征向 量。標(biāo)記各個(gè)數(shù)據(jù)子集中的無標(biāo)簽數(shù)據(jù)，獲得各個(gè)教練集；
[0053] 為了消除評分噪聲的消極影響，提升推薦系統(tǒng)的準(zhǔn)確性，在本實(shí)施例中，發(fā)明人構(gòu) 建了一種基于高斯混合模型的協(xié)同過濾（CMCF)方法，用于標(biāo)記各個(gè)子集中的無標(biāo)簽數(shù)據(jù)， 如圖2所示。設(shè)定評分?jǐn)?shù)據(jù)服從高斯混合分布，高斯混合模型包括了兩個(gè)均值相等、方差不 同的高斯分布。不同方差的高斯分布混合后可以平滑評分?jǐn)?shù)據(jù)的噪聲。
[0054] 圖2中相關(guān)變量的分布形式如下：
[0055]
[0056]
[0057]
[0058]p(B|a，0 ) =Beta(B|a，0 )
[0059] p(Cui|B) =Bernoulli(Cui |B)
[0060]