技術領域

本發明涉及一種基于對用戶行為復合因子進行挖掘的混合推薦方法。

背景技術

縮略語和關鍵術語定義

CF collaborative filtering 協同過濾

CBF content-based filtering 基于內容的過濾

ItemCF Item-based collaborative filtering 基于物品的協同過濾

UserCF User-based collaborative filtering 基于用戶的協同過濾

SP-ItemCF Special Factor Item-based filtering 優先個性因子的改進基于物品的協同過濾算法

COM-UserCF Common Factor User-based filtering 優先共性因子的改進基于用戶的協同過濾算法

推薦系統是為了解決信息過載問題而產生的一種信息過濾系統。推薦系統技術至今已有較長的發展歷史，期間已經產生了大量的推薦算法，其中眾多的推薦算法已經在工業界大量的使用。隨之而來的是推薦算法的過載問題，即有太多的推薦算法，究竟如何選擇。而且大量的實踐與研究表明，對多種推薦算法的混合使用，往往可以起到彌補單個推薦算法的不足，達到更好的推薦效果。所以就出現了混合推薦系統。目前混合推薦系統主要有預處理混合和推薦算法混合兩大類。預處理混合指的是首先對數據進行一個預處理步驟，對數據進行一定的優化與整理，便于作為后續推薦算法的輸入。常見的預處理步驟有標準化處理與聚類處理。推薦算法混合是更加常見的一類，指的是讓多個推薦算法獨立運行，協同工作，最后按照一定的策略對各個推薦算法的結果進行混合，形成最終的推薦結果。常見的混合策略有混合切換策略與加權混合策略等。

推薦系統通過對用戶行為的預測，為用戶提供服務。所以一些研究引進了針對用戶行為模式的研究。如利用在信息過濾領域中對用戶興趣建模的研究，對用戶興趣進行建模，然后根據用戶興趣模型，為用戶提供推薦。

一些混合推薦系統，內部合并了多個經典推薦算法，如對CF與CBF合并^[1]，由于算法內部融合了單個算法的內部機制，所以此類混合系統相對難以進行擴展。一些混合推薦系統將每一個獨立的算法當做黑盒，使其獨立運行，最后將運算結果進行加權組合。如文獻[2]，系統融合了107種獨立推薦算法，最終針對全局的RMSE進行優化，各個算法的權重對每一個用戶都是相同的^[3]。這些都屬于靜態混合推薦系統。

切換混合策略的混合推薦系統，如文獻[4]，采用一種切換策略，針對不同的用戶，會選擇不同的推薦算法進行推薦。文獻[5]提出一種動態生成混合權重的混合算法，該算法通過對信息檢索領域中對查詢性能技術的遷移，構造了一種對推薦系統推薦性能的預測模塊，根據該預測結果動態的調整各推薦算法的權重。還有一些基于結合用戶興趣建模的推薦算法。

靜態混合推薦系統對所有用戶使用同一種混合策略進行推薦，弱化的對用戶個性化的捕捉能力。每一個用戶都可以從為其定制化的推薦系統中獲得更好的服務。所以一個可以自適應用戶特征的混合推薦算法是十分有價值的。但是許多自適應混合推薦系統，通常基于對用戶興趣的建模，而對用戶興趣的建模通常需要許多用戶信息以及物品信息，如大量的文本數據，通過這些文本數據，提取用戶與物品的特征，以對用戶興趣進行建模。而在推薦系統應用的一個重要的場景就是針對一些難以提取特征的物品的推薦，如電影、音樂等媒體物品。特征信息的減少可能導致用戶興趣模型質量的下降。

參考文獻(如專利/論文/標準)

[1]Chris Cornelis,Xuetao Guo,Jie Lu,and Guanquang Zhang.A fuzzy relational approach to event recommendation.In Proc.Indian Int.Conf.Artificial Intelligence,2005.

[2]Robert M Bell,Yehuda Koren,and Chris Volinsky.The bellkor solution to the netflix prize.KorBell Team？s Report to Netflix,2007.