一种基于用户兴趣变化的时效推荐方法与流程

技术特征：

1.一种基于用户兴趣变化的时效推荐方法，其特征在于，包括步骤

S1：输入用户历史数据集，根据历史评分数据，生成用户-项目评分矩阵，得到用户的评分时间，设置相似度阈值；

S2：根据评分时间和用户-项目评分，计算综合时间效用函数；

S3：将所述综合效用时间函数的值加入到用户相似度计算公式中，计算目标用户和其它用户的相似度，同时得到目标用户的最近用户邻域集；

S4：根据目标用户的最近用户邻域集和目标用户和其它用户的相似度，计算目标用户对未评分项目的预测评分；

S5：根据目标用户对未评分项目的预测评分，生成推荐列表。

2.如权利要求1所述的基于用户兴趣变化的时效推荐方法，其特征在于，步骤S3中，用户相似度计算公式为：

$sim(U_a,U_b)=\frac{{\mathrm{\Σ}}_1^n(R_{(a,c)}-\stackrel{\‾}{R_a})(R_{(b,c)}-\stackrel{\‾}{R_b})W\left(t\right)}{\sqrt{{\mathrm{\Σ}}_1^n{(R_{(a,c)}-\stackrel{\‾}{R_a})}^2}\sqrt{{\mathrm{\Σ}}_1^n{(R_{(b,c)}-\stackrel{\‾}{R_b})}^2}}$

其中，a和b分表来表示用户U_a和U_b的评分向量，R_(a,c)表示用户a对项目c的评分，R_(b,c)表示用户b对项目c的评分，分别为用户a、b对所有的项目评分平均值。

3.如权利要求1所述的基于用户兴趣变化的时效推荐方法，其特征在于，步骤S4中，目标用户对未评分项目的预测评分公式为：

$p(U_a,i)=\stackrel{\‾}{r_{U_a}}+\frac{{\mathrm{\Σ}}_{b\∈{\mathrm{KNN}}_{\left(U_a\right)}}sim(U_a,U_b)(r_{bi}-\stackrel{\‾}{r_{U_b}})}{{\mathrm{\Σ}}_{b\∈{\mathrm{KNN}}_{\left(U_a\right)}}sim(U_a,U_b)}$

其中，为目标用户U_a的最近用户邻域集，r_bi是用户U_b对未评分项目i的评分，分别为用户U_a和用户U_b对所有项目的评分的平均值。

4.如权利要求1所述的基于用户兴趣变化的时效推荐方法，其特征在于，步骤S5中所述推荐列表为：把项目按预测值由大到小的顺序进行排序，选取预测值最高的N个项目推荐给目标用户，从而得到的Top-N推荐结果列表。