(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210527650.6 (22)申请日 2022.05.16 (71)申请人 重庆大学 地址 400030 重庆市沙坪坝区沙正 街174号 (72)发明人 张程　张俊涵　高一平　陈柯芯　 李贤文　古平　陈自郁　 (74)专利代理 机构 杭州知学知识产权代理事务 所(普通合伙) 33356 专利代理师 张雯 (51)Int.Cl. G06F 16/9535(2019.01) G06F 16/9536(2019.01) G06F 40/247(2020.01) G06F 40/284(2020.01) G06F 40/289(2020.01)G06F 40/30(2020.01) G06K 9/62(2022.01) G06Q 30/06(2012.01) (54)发明名称 基于标签信息和商品属性的商品推荐 方法、 系统及设备 (57)摘要 本发明提供了基于标签信息和商品属性的 商品推荐方法、 系统及设备， 方法包括： 获取用户 对商品的评分和标注信息， 基于用户标注行为和 语义信息计算商品标签相似度， 进行标签扩展， 并计算商品间相似度， 利用基于商品的协同过滤 法计算得到初始评分矩阵； 计算用户对商品属性 的偏好信息， 将偏好信息融入矩阵分解， 结合初 始评分矩阵， 构建矩阵分解模型； 基于优化后矩 阵分解模型的参数、 冷启动用户的商品属性偏好 信息以及冷启动用户评分信息， 得到冷启动用户 的预测评分矩阵； 基于预测评分矩阵， 为冷启动 用户进行商品推荐。 本发明采用结合标签信息和 用户偏好的矩阵分解推荐 方法， 从而从根源上解 决了现有的对冷启动用户推荐难、 推荐准确率低 的问题。 权利要求书4页 说明书13页 附图2页 CN 114969520 A 2022.08.30 CN 114969520 A 1.一种基于标签信息和商品属性的商品推荐方法， 其特 征在于， 包括 步骤： S1、 获取用户对商品的评分信息和商品标注信息， 基于用户标注行为和语义信息计算 商品标签相似度， 进 行标签扩展， 并计算商品间相似度， 利用基于商品的协同过滤算法计算 得到初始评分矩阵； 具体步骤 包括： S11、 获取用户对商品的评分信息和商品标注信息， 并基于所述评分信息和商品标注信 息分别构建用户 ‑商品评分矩阵和商品 ‑标签矩阵； S12、 基于商品 ‑标签矩阵和标签共现计算商品标签相似度， 得到基于用户标注行为的 标签相似度矩阵C； S13、 基于标签的语义信息， 利用匈牙利算法和戴斯系数， 计算词语和短语间的相似度， 得到基于语义信息的标签相似度矩阵N； S14、 将所述基于用户标注行为的标签相似度矩阵和基于语义信息的标签相似度矩阵 进行合并， 得到最终的标签相似度矩阵M； S15、 利用所述标签相似度矩阵M中标签之间相似数据， 对所述商品 ‑标签矩阵进行扩 充； S16、 利用扩充后的商品 ‑标签矩阵， 计算商品间的相似度， 得到基于标签的商品相似度 矩阵； S17、 基于所述商品相似度矩阵和所述用户 ‑商品评分矩阵， 利用基于商品的协同过滤 算法预测初始评分， 得到初始评分矩阵R ’； S2、 计算用户对商品属性的偏好信息， 将偏好信息融入矩阵分解， 结合所述初始评分矩 阵， 构建矩阵分解模型， 具体步骤 包括： S21、 基于商品的属性信息构建商品的属性矩阵G； 并基于所述属性矩阵和所述用户 ‑商 品评分矩阵， 构建用户对商品的偏好矩阵Z； S22、 初始化参数商品评分偏置bu、 用户评分偏置bi、 用户特征矩阵P、 商品特征矩阵Q、 用 户对商品属性的偏好矩阵PF、 商品属性特 征矩阵QF； S23、 将商品的所述属性矩阵、 所述用户对商品的偏好矩阵Z和所述初始评分矩阵融入 到矩阵分解模型中， 得到预测评分， 所述预测评分的计算方法如下式： 其中， r′为初始评分矩阵R ’中的初始预测评分， bu代表商品评分偏置， bi代表用户评分 偏置， Z表示用户对商品属性的偏好矩阵， G为商品的属性矩阵； S24、 计算所述预测评分和实际评分之间的差值， 利用随机梯度 下降法结合损失函数更 新预测评分矩阵， 所述损失函数如下式： 优化函数中更新公式如下： 权　利　要　求　书 1/4 页 2 CN 114969520 A 2bu←bu+ η(eui‑λbu) bi←bi+ η(eui‑λbi) 其中， pu表示用户隐向量， qi表示项目隐向量、 hj表示用户偏好隐向量、 cg表示项目属性 隐向量； S25， 返回步骤S23， 直至误差不再变化则结束； S26、 获得优化后矩阵分解模型的参数bu、 bi、 P、 Q、 PF、 QF； S3、 对于任一冷启动用户， 基于所述优化后矩阵分解模型的参数、 冷启动用户的商品属 性偏好信息以及冷启动用户评分信息， 得到冷启动用户的预测评分矩阵； S31、 对冷启动用户的评分记录进行分析， 得到冷启动用户的用户 ‑商品评分矩阵； 并基 于所述冷启动用户的用户 ‑商品评分矩阵和所述商品的属 性矩阵， 计算得到冷启动用户对 商品的属性偏好矩阵； S32、 基于步骤S26得到的参数、 所述冷启动用户对商品 的属性偏好矩阵、 所述冷启动用 户的用户 ‑商品评分矩阵， 采取随机梯度下降方法更新所述参数， 直至误差不再变化则结 束； S33、 根据步骤S32得到的优化后的参数， 计算冷启动用户的预测评分， 生成冷启动用户 的预测评分矩阵； S4、 基于所述冷启动用户的预测评分矩阵， 生成商品推荐列表， 为冷启动用户进行商品 推荐。 2.根据权利要求1所述的方法， 其特征在于， 步骤S12包括： 结合基于邻域的思想， 使用 余弦相似度计算公式来计算标签之间的相似度， 相应标签间相似度的计算公式如下： 其中， 对于标签t1， 表示其标注商品i的次数， N( t1)表示被其标注的商品的集合； 和N(t2)分别表示标签t2标注商品i的次数和标记过的商品的集 合； 标签相似度矩阵C的表现形式如下： 其中， 矩阵C的大小是k ×k， k表示标签的个数， 矩阵中的值表示对应两个标签的相似 度， 值的范围是0 到1， 越接 近1则表示两个标签间越相似。 3.根据权利要求1所述的方法， 其特征在于， 在步骤S13中， 所述词语相似度计算方法具 体包括： (1)分析词性， 利用词形还原方法还原每 个单词； (2)结合WordNet获取词语w1和w2的同义词， 生成同义词集 合s1和s2；权　利　要　求　书 2/4 页 3 CN 114969520 A 3