技术摘要：
本发明提出一种基于内在加权矩阵三分解低秩近似的推荐系统信息估计方法，本发明基于内在加权矩阵三分解低秩近似的推荐系统信息估计方法采用了上述技术方案，即该方法首先初始化低秩潜在因子矩阵和内在加权矩阵，即确定潜在因子矩阵的维数及内部元素的初始值，同时随机  全部
背景技术：
近年来随着互联网和电子商务的飞速发展，各式各样的数据信息充斥着人们的生 活。商品个数和种类的爆炸式增长，使人们花费大量的时间找到自己想买的商品。在浏览大 量无关信息和产品的过程中，无疑会加剧消费者的流失。为了解决这些问题，个性化推荐系 统应运而生。个性化推荐主要是根据用户的兴趣特点和购买行为习惯，分析用户喜好预测 并挖掘其潜在的消费需求，进而为用户提供个性化的决策支持和信息服务，以满足客户的 个性化需求。 个性化推荐系统的直接产物就是推荐系统，它是建立在海量数据挖掘基础上的一 种智能平台。好的推荐系统不仅能够提高用户的忠诚度，而且为电子商务带来巨大的商业 利益。亚马逊Amazon每年有20％-30％的销售收入来自推荐系统；谷歌Google通过在线广告 AdWorks给用户提供个性化推荐服务，其点击率成为Google广告收入的主要来源。所以，推 荐系统除了具有很大的学术价值，在电子商务领域里也有很高的实用价值。 推荐系统是数据挖掘的一个分支,是一种较为特殊的数据挖掘系统,主要体现在 推荐系统的实时性和交互性上。系统根据用户的兴趣爱好,向用户推荐符合其兴趣爱好的 信息,它不仅需要用户以往的历史纪录,更需要结合当前一段时间的行为动作作出实时的 反应,并根据与用户交互的反馈结果不断地修正和优化其推荐结果。 2000年，北京大学余锦凤等人开始研究个性化定制服务；2001年，清华大学冯韩等 人借助向量空间法和协同过滤法进行推荐，设计了混合推荐系统OpenBookmarkPU；2003年， 邓爱林等人发表《基于物品评分预测的协同过滤推荐算法》；2007年，彭玉等人发表《基于属 性相似性的Item-based协同过滤算法》；2009年，彭德巍等人发表《一种基于用户特征和时 间的协同过滤推荐算法》，越来越多的优秀论文表明我国学术界在个性化技术领域取得的 巨大进步。 2014年，重庆大学罗辛教授提出了一种基于单因素矩阵二分解的推荐系统信息估 计方法，但模型的鲁棒性较低，变量较少，精度较低；2018年，上海理工大学宋燕教授提出了 一种基于单因素矩阵三分解的推荐系统信息估计方法，但该方法的计算效率较低，不能更 好的适用于对时间要求较高的在线电商推荐任务。因此，如何构建高效的推荐系统，使得其 同时兼顾预测精度和时间效率成为一个棘手的问题。
技术实现要素：
本发明的目的在于提出一种在不太损失精度的前提下，提高了计算效率的推荐系 统信息估计方法。 5 CN 111597440 A 说　明　书 2/7 页 为达到上述目的，本发明提出一种基于内在加权矩阵三分解低秩近似的推荐系统 信息估计方法，包括以下步骤： 步骤1、初始化低秩潜在因子矩阵，确定低秩潜在因子矩阵的维数和矩阵内部元素 的初始值，同时随机固定内在加权矩阵的内部权重值； 步骤2、依据高维稀疏评分矩阵中的已知信息设计目标函数； 步骤3、依据设计的目标函数，利用梯度学习方法，设计最小化目标函数的算法； 步骤4、通过运行算法，求解最小化的目标函数，得到潜在因子矩阵； 步骤5、将潜在因子矩阵与内在加权矩阵相乘，得到高维稀疏评分矩阵的信息估计 矩阵，由信息估计矩阵得到高维稀疏评分矩阵中关于缺失数据的信息。 优选的，在步骤1中，所述初始化低秩潜在因子矩阵以及所述随机固定内在加权矩 阵的内部权重值的具体操作步骤为： 步骤1.1、确定潜在因子矩阵分别为P|N|×e和 固定内在权重矩阵为He×e；其中， |N|和|M|分别为推荐系统参与评分的条目的集合大小和参与推荐系统评分的用户的集合 大小，e为潜在因子矩阵的维数，且e<