一种基于多视图聚类与漂移补偿的个性化用户画像群体发现方法

本发明提供一种结合多核学习与矩阵分解的多视图聚类方法，并将其应用于推荐系统中的个性化用户画像群体发现。针对初始多视图的各用户数据，通过核函数映射得到多个核矩阵，通过矩阵分解的形式学到一个共同的低维嵌入，在该共识嵌入上实施聚类算法，获得初始用户群发现结果。随着时间推移，模型中部分用户可能出现兴趣偏移，或者有新用户的加入，针对此，模型基于原始用户群赋予其聚类特征(CF)向量，少数特征向量即可表示大量用户，进而在出现模型漂移时实时更新特征向量，以获得漂移补偿后的用户画像群体。整个模型能够做到实时的用户画像群体发现，实现推荐系统的精准推送。