个人推荐方案的制作方法

个人推荐方案的制作方法
【专利摘要】一种系统可以包括相似度测量处理单元，被配置为基于相似度值来确定与用户相似的多个相似用户，包括基于重要性矢量和评级项目之间的差来计算关于用户对的相似度值。重要性矢量可以包括与多个项目对应的重要性值，并且每个重要性值可以表示相应项目的相似度重要性。每个相似度值可以表示用户与另一用户之间的相似度的等级。此外，系统可以包括评级处理器，该评级处理器被配置为基于来自多个相似用户的推荐来估计未评级项目的评级值以用于潜在的推荐，并且基于评级值来提供项目推荐。
【专利说明】个人推荐方案

【技术领域】
[0001] 本发明涉及一种个人推荐方案。

【背景技术】
[0002] 最近，个人推荐系统正吸引越来越多的注意，因为它可以帮助用户从相对大量的 数据中自动找到有用的信息。例如，已经在书籍推荐网站、电影推荐网站和电子商业等中应 用各种推荐算法。一些常规的推荐系统包括执行用户相似度评估来定位相似用户，然后基 于相似用户对项目进行推荐。
[0003] 然而，这些常规的推荐系统在用户相似度评估中平等地对待所有项目。在一个常 规的方法中，确定第一用户的评级项目和第二用户的评级项目之间的整体差异。例如，第一 用户可能已对第一项目和第二项目评级，并且第二用户可能也已对第一项目和第二项目评 级。常规的相似度分析可能采用第一用户的第一和第二项目的评级与第二用户的第一和第 二项目的评级之间的绝对差值，并且如果绝对差值之和小于某一阈值，则第一用户和第二 用户可能被识别为是相似的。然后，对于第一用户的项目推荐可能基于来自第二用户的推 荐。然而，这种常规的方法没有考虑这样的事实，即在评价用户之间的相似度时一些项目可 能比其他项目更重要。


【发明内容】

[0004] 实施例提供了一种用于提供个人推荐的系统。该系统可以包括至少一个处理器以 及包含可由至少一个处理器执行的指令的非瞬时性计算机可读存储介质。指令可以被配置 为实现相似度测量处理单元，相似度测量处理单元被配置为基于相似度值来确定与用户相 似的多个相似用户，包括基于重要性矢量和评级项目之间的差来计算关于用户对的相似度 值。重要性矢量可以包括与多个项目对应的重要性值，并且每个重要性值可以表示相应项 目的相似度重要性。每个相似度值可以表示用户与另一用户之间的相似度的等级。此外， 指令可以被配置为实现评级处理器，该评级处理器被配置为基于来自多个相似用户的推荐 来估计未评级项目的评级值以用于潜在的推荐，并且该评级处理可以被配置为基于评级值 来提供项目推荐。
[0005] 被配置计算关于用户对的相似度值的相似度测量处理单元可以包括：差检测器， 被配置为针对用户与另一用户的对计算评级项目的用户评级之间的绝对差，并且被配置为 基于绝对差和重要性矢量来计算关于该对的相似度值的相似度测量处理单元可以包括向 绝对差应用重要性矢量，以便对绝对差加权。
[0006] 相似度测量处理单元可以包括被配置为估计重要性矢量的项目重要性估计器，并 且项目重要性估计器可以被配置为迭代地更新重要性矢量。
[0007] 相似度测量处理单元可以包括被配置为基于差分进化（DE)处理来估计重要性矢 量的DE处理单元。被配置为估计重要性矢量的DE处理单元可以包括：初始化单元,被配置 为生成项目的初始重要性矢量作为染色体；第一算子单元，被配置为针对每个染色体选择 目标染色体并随机地选择至少两个其他染色体，并且基于目标染色体和至少两个其他染色 体的处理，针对每个染色体生成供体染色体（donor chromosome);第二算子单元，被配置为 针对每个染色体基于目标染色体和供体染色体来确定踪迹染色体（trail chromosome);及 评估单元，被配置为针对每个染色体评估目标染色体和踪迹染色体，包括计算目标染色体 的适应度（fitness)和踪迹染色体的适应度，并且基于目标染色体的适应度和踪迹染色体 的适应度的比较来更新染色体。评估单元可以被配置为基于更新后的染色体来估计重要性 矢量的重要性值。
[0008] 评级处理器可以被配置为基于来自多个相似用户的用户评级的加权集合来估计 未评级项目的评级值，并且该集合可以通过相似度值来加权。评级处理可以被配置为如果 评级值在阈值之上则提供项目推荐。
[0009] 实施例可以包括一种存储指令的非瞬时性计算机可读介质，当指令被执行时，使 得至少一个处理器提供个人推荐。指令可以包括基于相似度值来确定与用户相似的多个相 似用户的指令，包括基于重要性矢量和评级项目之间的差来计算关于用户对的相似度值。 重要性矢量可以包括与多个项目对应的重要性值，并且每个重要性值可以表示相应项目的 相似度重要性。每个相似度值可以表示用户与另一用户之间的相似度的等级。指令可以包 括基于来自多个相似用户的推荐来估计未评级项目的评级值以用于潜在的推荐并且基于 评级值来提供项目推荐的指令。
[0010] 计算关于用户对的相似度值的指令可以包括如下的指令：针对用户与另一用户的 对，计算评级项目的用户评级之间的绝对差；以及基于绝对差和重要性矢量来计算关于该 对的相似度值，包括向绝对差应用重要性矢量以便对绝对差加权。
[0011] 指令可以包括基于迭代地更新重要性矢量来估计重要性矢量的指令。此外，指令 可以包括基于差分进化处理来估计重要性矢量的指令。
[0012] 基于差分进化来估计重要性矢量的指令可以包括如下的指令：生成项目的初始重 要性矢量作为染色体；针对每个染色体选择目标染色体并随机地选择至少两个其他染色 体，并且基于目标染色体和至少两个其他染色体的处理，针对每个染色体生成供体染色体； 针对每个染色体基于目标染色体和供体染色体来确定踪迹染色体；针对每个染色体评估目 标染色体和踪迹染色体，包括计算目标染色体的适应度和踪迹染色体的适应度，并且基于 目标染色体的适应度和踪迹染色体的适应度的比较来更新染色体；以及基于更新后的染色 体来估计重要性矢量的重要性值。
[0013] 估计评级值的指令可以包括基于来自多个相似用户的用户评级的加权集合来估 计未评级项目的评级值的指令，并且该集合通过相似度值来加权。提供项目推荐的指令可 以包括如果评级值在阈值之上则提供项目推荐的指令。
[0014] 实施例可以包括一种用于提供个人推荐的计算机实现的方法。该方法可以包括基 于相似度值来确定与用相似户的多个相似用户，包括基于重要性矢量和评级项目之间的差 来计算关于用户对的相似度值。重要性矢量可以包括与多个项目对应的重要性值，并且每 个重要性值可以表示相应项目的相似度重要性。每个相似度值可以表示用户与另一用户之 间的相似度的等级。方法可以包括基于来自多个相似用户的推荐来估计未评级项目的评级 值以用于潜在的推荐，并且基于评级值来提供项目推荐。
[0015] 计算关于用户对的相似度值可以包括：对于用户与另一用户的对，计算评级项目 的用户评级之间的绝对差；以及基于绝对差和重要性矢量计算关于该对的相似度值，包括 向绝对差应用重要性矢量以便对绝对差加权。
[0016] 方法可以包括基于迭代地更新重要性矢量来估计重要性矢量。此外，方法可以包 括基于差分进化处理来估计重要性矢量。
[0017] 基于差分进化处理来估计重要性矢量可以包括：生成项目的初始重要性矢量作为 染色体；针对每个染色体选择目标染色体并随机地选择至少两个其他染色体，并且基于目 标染色体和至少两个其他染色体的处理，针对每个染色体生成供体染色体；针对每个染色 体基于目标染色体和供体染色体来确定踪迹染色体；以及针对每个染色体评估目标染色体 和踪迹染色体，包括计算目标染色体的适应度和踪迹染色体的适应度，并且基于目标染色 体的适应度和踪迹染色体的适应度的比较来更新染色体；以及基于更新后的染色体来估计 重要性矢量的重要性值。
[0018] 估计评级值可以包括基于来自多个相似用户的用户评级的加权集合来估计未评 级项目的评级值，并且该集合通过相似度值来加权。
[0019] 在附图和下面的描述中阐明一个或多个实施的详情。其他特征从描述和附图以及 从权利要求中将变得清楚。

【专利附图】

【附图说明】
[0020] 图1示出根据实施例的用于提供个人推荐的系统；
[0021] 图2示出描绘根据实施例的图1的系统的示例操作的流程图；以及
[0022] 图3示出描绘根据另一实施例的图1的系统的示例操作的流程图。

【具体实施方式】
[0023] 实施例提供了一种用于提供个人推荐的系统和方法，其使用重要性矢量来识别相 似用户，该重要性矢量就项目的重要性等级方面对它们加权以用于评估用户是否彼此相 似。例如，特定项目的重要性值可以表示那个项目对于相似度分析的贡献。
[0024] 在一个特定的非限制性的例子中，第一项目可以涉及从用户接收了高分数的流行 电影。然而，对于第一项目的用户评级可能未必有助于第一用户和第二用户之间的相似度 评估，因为对于大量用户而言，对于第一项目的用户评级通常是相同的高值。相反地，第二 项目可以涉及从相对小的用户子集接收了高分数的特殊兴趣(不算流行的）电影。这样，如 果第一用户和第二用户对第二项目也提供了高用户评级，则在评估第一用户和第二用户之 间的相似度时第二项目可能比第一项目相对更重要。因此，重要性矢量可以包括相对高于 关于第一项目的重要性值的、关于第二项目的重要性值。
[0025] 当评估第一用户与第二用户之间的相似度时，该系统和方法可以确定第一用户对 于第一和第二项目的评级与第二用户对于第一和第二项目的评级之间的差，并且使用重要 性矢量对差值(差矢量）进行加权，以便获得考虑项目的重要与否的相似度值(与平等地对 待所有项目相反)。计算的相似度值可以表示用户之间的相似度，例如，第一用户与第二用 户有多相似。如果关于第二用户的相似度值在第一用户的预定范围（例如，K个最近邻居） 之内，则第二用户可以被识别为与第一用户相似。通过以这种方式识别相似用户，该系统和 方法可以基于来自相似用户（例如，第二用户）的推荐，来提供针对未评级项目（例如，第一 用户未评级的)的推荐。换言之，可以借助于来自用户的相似用户的推荐来估计他/她的偏 好评级。
[0026] 在一个例子中，可以通过优化算法来获得重要性矢量的重要性值，其中优化算法 通过基于差分进化（DE)技术而迭代更新重要性矢量来估计重要性值。DE算法是随机的实 参数优化算法。根据实施例，利用基于DE的技术来估计重要性矢量的重要性值，例如获得 优化的重要性矢量。将重要性矢量结合到相似度分析中可以导致更精确的推荐结果，而不 需要到系统的额外的输入信息。参照下面的图进一步说明这些和其他特征。
[0027] 图1示出根据实施例的用于提供个人推荐的系统100。系统100可以包括存储多 个用户简档104的用户简档数据库102、相似度测量处理单元110、差分进化（DE)处理单元 116、评级预测器124、至少一个处理器126和非瞬时性计算机可读介质128。系统100可以 包括本领域普通技术人员公知的用于提供个人推荐的其他组件。非瞬时性计算机可读介质 128可以包括指令，当由至少一个处理器126执行时，该指令被配置为实现系统100的组件 和/或功能，如下面进一步描述的。
[0028] 非瞬时性计算机可读介质128可以包括一个或多个非易失性存储器，举例来说， 包括半导体存储设备，例如EPROM、EEPROM和闪存设备；磁盘，例如内部硬盘或可移除磁盘； 磁光盘；以及⑶-ROM和DVD-ROM磁盘。除了存储可执行指令之外，非瞬时性计算机可读介 质128还可以存储这里讨论的任何类型的数据库结构，包括存储用户简档104的用户简档 数据库102。可替换地，用户简档数据库102可以与系统100外部的系统关联，并且与用户 简档104关联的信息可以由系统100的一个或多个组件存取。至少一个处理器126可以包 括任何类型的专用逻辑电路，例如，FPGA (现场可编程门阵列）或ASIC (专用集成电路)。
[0029] 注意到，系统100可以是向用户提供项目推荐的任何类型的个人推荐系统。例如， 系统100可以向利用系统100的用户推荐未评级项目。未评级项目可以是用户没有评级的 项目。然而，系统100基于已被识别为相似的其他用户的推荐，对未评级项目进行评级(例 如，计算评级值)。推荐可以是识别一个或多个项目供用户考虑的形式。项目可以是消费产 品或服务，并且事实上可以是太多而不能详细列出的任何类型的产品或服务，但是仅举几 个例子，可以与汽车、饭店、书籍和/或电影有关。此外，系统100可以提供选择或购买所推 荐的项目的机制，或者仅仅推荐它们以用于后续的购买、选择或消费。此外，系统100可以 接收用户评级形式的对于项目的用户反馈。在另一例子中，系统100可以基于用户是否已 购买或选择项目和/或来自用户的任何其他类型的反馈，来向项目分配用户评级。
[0030] 如图1中所示，系统100可以与存储用户简档104的用户简档数据库102关联。每 个用户简档104可以标识用户已评级的项目及对应的实际的用户评级108。例如，每个用 户简档104可以与特定用户关联，并且包括关于已被评级的项目的用户评级108。在一个 例子中，用户简档104可以包括与特定用户关联的第一用户简档104-1，并且第一用户简档 104-1可以包括关于那个特定用户已评级的项目的用户评级108--其可以是任意数量的 用户评级108。
[0031] 用户评级108可以是表示用户满意度/不满意度的等级的任何类型的值。用户评 级108可以由用户提供，或者由系统100分配。在一个例子中，用户评级108可以是一个或 多个评级等级，例如，等级1至等级5。例如，如果用户不喜欢该项目，则用户可能已提供评 级等级1。如果用户实在喜欢该项目，则用户可能已提供评级等级5。在这种情况下，关于 评级项目的用户评级108可以是表示诸如评级等级1或5这样的满意度/不满意度的等级 的信息。此外，用户反馈可以是诸如，例如非常不喜欢、不喜欢、喜欢和非常喜欢的一个或多 个评级类别。然后，系统100可以将评级类别转换为数值，并且将数值存储为用户评级108。
[0032] 此外，每个用户简档104 (包括第一用户简档104-1)可以包括关于用户的其他信 息(例如，传记数据)和/或关于项目的附加信息。例如，每个用户简档104可以包括指示某 一偏好的偏好信息以及诸如与用户有关的任何类型的统计数据的用户信息，例如，年龄、性 另IJ、职业等。此外，用户信息可以包括与用户关联的行为或浏览数据(例如，对与系统100关 联的网站的访问次数）以及交易数据，诸如已被评级的项目的数目、花费总额和/或购买的 广品/服务等。
[0033] 更一般地，用户简档数据库102可以与用户组{1，2，...，U}和项目组{1，2，...， 1}关联。在一个实施例中，项目组可以表示由系统100处理的全部(或大部分)项目。用户 可以向项目分配用户评级108。用户评级108 (Vi,j(i=l，2，...，U，j=l，2，...，I))可以被 收集，并且其范围从v_l〇w到v_high，诸如在一个特定的例子中设置值v_low=l用于"不喜 欢"和v_high=5用于"喜欢"。
[0034] 相似度测量处理单元110可以被配置为基于用户简档数据库102来确定与特定用 户相似的多个用户。例如，相似度测量处理单元110可以基于重要性矢量和包含在用户简 档数据库102中的信息来计算关于用户对的相似度值。针对特定的用户对(例如，第一用户 和第二用户），相似度值可以表示用户之间的相似度，例如，第一用户与第二用户有多相似。 如果相似度值在某一预定范围之内，则第一用户可以被识别为与第二用户相似。在一个例 子中，相似度测量处理单元110可以使用重要性矢量和关于评级项目的用户评级108之间 的差来计算关于用户对的相似度值，如下面进一步描述的。
[0035] 重要性矢量可以包括与多个项目（例如，项目组{1，2, ...，I})对应的重要性值。 在一个简化的例子中，项目可以包括第一项目至第五项目--表示由系统100提供的所有 项目。应该理解，系统100实际上可与多于五个项目关联。第一用户可以已对五个项目中 的一个或多个评级，并且第二用户也可以已对五个项目中的一个或多个评级。因此，与第 一用户关联的用户简档104可以包括关于五个项目中的一个或多个的用户评级108,并且 与第二用户关联的用户简档104可以包括关于五个项目中的一个或多个的用户评级108。 重要性矢量可以包括关于五个项目中的每一个的重要性值,例如[0. 39,0. 15,0. 31，0. 59， 0. 22]，其中重要性矢量中的每个条目与对应项目的标识符关联。例如，值0. 39可以是关于 第一项目的重要性值，值〇. 15可以是关于第二项目的重要性值等等。在一个实施例中，重 要性矢量可以针对与系统100关联的所有项目提供重要性值。
[0036] 每个重要性值可以表示相应项目的相似度重要性。相似度重要性可以表示那个项 目对于相似度分析的贡献。与常规方法相反，不再平等地对待项目。而是，对于确定一对用 户是否彼此相似来说，一些项目可能比其他项目更重要。在一个例子中，当特定项目没有与 遍布众多用户相同或相似的用户评级108广泛关联时，那个项目的相似度重要性更大，如 下面进一步说明的。
[0037] 在一个特定的非限制性的例子中，第一项目可以涉及从用户接收了用户评级108 的流行电影。然而，关于第一项目的用户评级108可能未必有助于第一用户和第二用户之 间的相似度评估，因为对于大量用户，关于第一项目的用户评级108通常是相同的高值。相 反地，第二项目可以涉及从相对小的用户子集接收了高的用户评级108的特殊兴趣(不算 流行的）电影。如此，如果第一用户和第二用户也对第二项目提供了高的用户评级108,则 在评定第一用户和第二用户之间的相似度时第二项目可能比第一项目相对更重要。因此， 重要性矢量可以包括相对高于关于第一项目的重要性值的、关于第二项目的重要性值。
[0038] 如下面进一步说明的，当评估用户对(例如，第一用户和第二用户）之间的相似度 时，相似度测量处理单元110可以针对每个评级项目来确定第一用户的用户评级108与第 二用户的用户评级108的差，这可以导致诸如[1，2，1，1，0]的差矢量。然后，相似度测量处 理单元110可以向差矢量应用重要性矢量以对差值加权，以便获得表示第一用户与第二用 户之间的相似度的等级的相似度值。
[0039] 差值的加权可以考虑如重要性矢量所表示的相似度重要性的各种等级（与平等地 对待所有项目相反)。相似度值可以表示用户之间的相似度，例如，第一用户与第二用户有 多相似。如果相似度值在阈值等级之上/之下(或者在预定范围之内），则第一用户可以被 识别为与第二用户相似。相似度测量处理单元110可以针对多个用户对执行此分析，然后 确定哪些用户与那个用户相似。
[0040] 在一个实施例中，相似度测量处理单元110可以包括差检测器112和项目重要性 估计器114。差检测器112可以被配置为针对每个用户对计算关于评级项目的用户评级108 之间的绝对差。表1(提供在下)示出差检测器112的操作的例子。表1提供了第一用户和 第二用户对于多个项目（例如，项目1至项目4)的用户评级108以及这些用户评级108之 间的绝对差。

【权利要求】
1. 一种用于提供个人推荐的系统，该系统包括： 至少一个处理器； 包括通过至少一个处理器可执行的指令的非瞬时性计算机可读存储介质，其中指令被 配置为实现， 相似度测量处理单元，被配置为基于相似度值来确定与用户相似的多个相似用户，包 括基于重要性矢量和评级项目之间的差来计算关于用户对的相似度值，重要性矢量包括与 多个项目对应的重要性值，每个重要性值表示相应项目的相似度重要性，每个相似度值表 示用户与另一用户之间的相似度的等级；W及 评级处理器，被配置为基于来自多个相似用户的推荐来估计未评级项目的评级值W用 于潜在的推荐，评级处理被配置为基于评级值来提供项目推荐。
2. 如权利要求1所述的系统，其中，被配置为计算关于用户对的相似度值的相似度测 量处理单元包括： 差检测器，被配置为针对用户与另一用户的对来计算评级项目的用户评级之间的绝对 差， 其中，相似度测量处理单元被配置为基于绝对差和重要性矢量来计算关于该对的相似 度值，包括向绝对差应用重要性矢量W便对绝对差加权。
3. 如权利要求1所述的系统，其中，相似度测量处理单元包括被配置为估计重要性矢 量的项目重要性估计器，项目重要性估计器被配置为迭代地更新重要性矢量。
4. 如权利要求1所述的系统，其中，相似度测量处理单元包括被配置为基于差分进化 (DE)处理来估计重要性矢量的DE处理单元。
5. 如权利要求4所述的系统，其中，被配置为估计重要性矢量的DE处理单元包括： 初始化单元，被配置为生成项目的初始重要性矢量作为染色体； 第一算子单元，被配置为针对每个染色体选择目标染色体并随机地选择至少两个其他 染色体，并且基于目标染色体和至少两个其他染色体的处理来针对每个染色体生成供体染 色体； 第二算子单元，被配置为针对每个染色体基于目标染色体和供体染色体来确定踪迹染 色体； 评估单元，被配置为针对每个染色体来评估目标染色体和踪迹染色体，包括计算目标 染色体的适应度和踪迹染色体的适应度并且基于目标染色体的适应度和踪迹染色体的适 应度的比较来更新染色体，其中评估单元被配置为基于更新后的染色体来估计重要性矢量 的重要性值。
6. 如权利要求1所述的系统，其中，评级处理器被配置为基于来自多个相似用户的用 户评级的加权集合来估计未评级项目的评级值，并且该集合通过相似度值加权。
7. 如权利要求1所述的系统，其中，评级处理被配置为如果评级值在阔值之上则提供 项目推荐。
8. -种非瞬时性计算机可读介质，存储当被执行时使得至少一个处理器提供个人推荐 的指令，其中指令包括如下的指令： 基于相似度值来确定与用户相似的多个相似用户，包括基于重要性矢量和评级项目之 间的差来计算关于用户对的相似度值，重要性矢量包括与多个项目对应的重要性值，每个 重要性值表示相应项目的相似度重要性，每个相似度值表示用户与另一用户之间的相似度 的等级； 基于来自多个相似用户的推荐来估计未评级项目的评级值W用于潜在的推荐；W及 基于评级值来提供项目推荐。
9. 如权利要求8所述的非瞬时性计算机可读介质，其中，计算关于用户对的相似度值 的指令包括如下的指令： 针对用户与另一用户的对来计算评级项目的用户评级之间的绝对差；W及 基于绝对差和重要性矢量来计算关于该对的相似度值，包括向绝对差应用重要性矢量 W便对绝对差加权。
10. 如权利要求8所述的非瞬时性计算机可读介质，其中，指令包括如下的指令： 基于迭代地更新重要性矢量来估计重要性矢量。
11. 如权利要求8所述的非瞬时性计算机可读介质，其中，指令包括如下的指令： 基于差分进化处理来估计重要性矢量。
12. 如权利要求11所述的非瞬时性计算机可读介质，其中，基于差分进化处理来估计 重要性矢量的指令包括： 生成项目的初始重要性矢量作为染色体； 针对每个染色体选择目标染色体并随机地选择至少两个其他染色体，并且基于目标染 色体和至少两个其他染色体的处理，针对每个染色体生成供体染色体； 针对每个染色体基于目标染色体和供体染色体来确定踪迹染色体； 针对每个染色体评估目标染色体和踪迹染色体，包括计算目标染色体的适应度和踪迹 染色体的适应度，并且基于目标染色体的适应度和踪迹染色体的适应度的比较来更新染色 体拟及 基于更新后的染色体来估计重要性矢量的重要性值。
13. 如权利要求8所述的非瞬时性计算机可读介质，其中，估计评级值的指令包括如下 的指令： 基于来自多个相似用户的用户评级的加权集合来估计未评级项目的评级值，并且该集 合通过相似度值来加权。
14. 如权利要求8所述的非瞬时性计算机可读介质，其中，提供项目推荐的指令包括如 果评级值在阔值之上则提供项目推荐的指令。
15. -种用于提供个人推荐的计算机实现的方法，该方法包括： 基于相似度值来确定与用户相似的多个相似用户，包括基于重要性矢量和评级项目之 间的差来计算关于用户对的相似度值，重要性矢量包括与多个项目对应的重要性值，每个 重要性值表示相应项目的相似度重要性，每个相似度值表示用户与另一用户之间的相似度 的等级； 基于来自多个相似用户的推荐来估计未评级项目的评级值W用于潜在的推荐；W及 基于评级值来提供项目推荐。
16. 如权利要求15所述的计算机实现的方法，其中，计算关于用户对的相似度值包括： 针对用户与另一用户的对来计算评级项目的用户评级之间的绝对差；W及 基于绝对差和重要性矢量来计算关于该对的相似度值，包括向绝对差应用重要性矢量 w便对绝对差加权。
17. 如权利要求15所述的计算机实现的方法，进一步包括： 基于迭代地更新重要性矢量来估计重要性矢量。
18. 如权利要求15所述的计算机实现的方法，进一步包括： 基于差分进化处理来估计重要性矢量。
19. 如权利要求18所述的计算机实现的方法，其中，基于差分进化处理来估计重要性 矢量包括： 生成项目的初始重要性矢量作为染色体； 针对每个染色体选择目标染色体并随机地选择至少两个其他染色体，并且基于目标染 色体和至少两个其他染色体的处理，针对每个染色体生成供体染色体； 针对每个染色体基于目标染色体和供体染色体确定踪迹染色体； 针对每个染色体评估目标染色体和踪迹染色体，包括计算目标染色体的适应度和踪迹 染色体的适应度，并且基于目标染色体的适应度和踪迹染色体的适应度的比较来更新染色 体；W及 基于更新后的染色体来估计重要性矢量的重要性值。
20. 如权利要求15所述的计算机实现的方法，其中，估计评级值包括： 基于来自多个相似用户的用户评级的加权集合来估计未评级项目的评级值，并且该集 合通过相似度值来加权。
【文档编号】G06F17/30GK104462093SQ201310418455
【公开日】2015年3月25日 申请日期:2013年9月13日 优先权日:2013年9月13日
【发明者】程羽, 黎文宪 申请人:Sap欧洲公司