进行评分预测：
[0073]其中
[0075] 其中，p 为目标用户u对未评分项目i的预测评分值，sim(u，n)为目标用户u 与邻居用户n的相似度值，卩"为用户n对已经评价项目的评分平均值，Ku为k个邻居用户 集合，Hu，i为集合Ku中对项目i评分的邻居用户集合，n为1^^集合中的用户。
[0076]步骤4:根据预测评分，对目标用户未评分项目进行分数值从大到小的排列，筛选 出前N个项目即产生对用户的推荐项目，2〈= N〈= 20。
[0077]本发明的效果可以通过以下实例仿真结果进一步说明：
[0078] 1.实验条件和环境设置
[0079]实验运行环境：CPU为Intel (R) Core (TM)i5@2. 50GHz，内存为4GB，编译环境为 MatlabR2014a。
[0080] 2.实验数据与评价指标：
[0081]本发明选用Movielens推荐系统的一个电影数据集，数据包含943个用户对1682 部电影的1000000条评分，每个用户至少对20部电影进行评分，评分为1到5的整数值。在 本发明实验中将数据分为测试集和训练集两部分，给定数据集的80%用户评分数据作为训 练集，剩余的20%作为测试数据。为提高实验的准确性和可靠性，采用交叉验证法，即每一 个样本数据被用作训练数据，也被用作测试数据。
[0082] 本发明选用常用的推荐效果评价指标，即平均绝对误差MAE、覆盖率C0V、准确率 PRE和召回率REC。MAE评价指标反映预测评分和真实评分的误差平均值，定义如下：
[0084] 其中M代表测试项目集的大小，pJP q i分别代表用户预测评分和实际用户评分。
[0085] COV评价指标定义为目标用户的k近邻中至少有一个用户对未评分项目做了相应 的评分。定义如下：
[0087] 其中#C为系统的目标用户没评分但至少有一个邻居用户对该项目做了评分的数 目，ffl)为系统用户未评分的项目数。
[0088] PRE评价指标描述前N个对应的项中用户喜欢的项目概率。定义如下：
[0090] 其中N是对目标用户推荐项目的数量，Ntrae表示推荐的N个项目中正确推荐的个 数。该值越大表示推荐的质量越高。
[0091] REC评价指标描述系统推荐给用户的项目，准确推荐的项目数占用户整体喜欢的 项目数比例。
[0093] 其中N是对目标用户推荐项目的数量，NMf表示与目标用户相关联的项目数。同样 该值越大所对应的推荐质量越高。
[0094] 3.实验内容与结果：
[0095] 实验1，选用平均绝对误差MAE作评价指标，用本发明SFC和现有基于Pearson相 关系数的协同过滤方法CPP、基于Cos相似度的协同过滤方法COS、基于结合Jaccard和MSD 的相似度度量方法JMSD、基于奇异值的相似度度量方法SM、基于改进的PIP相似度度量方 法NHSM进行电影推荐，其预测值与实际的评分的误差值如图2所示。
[0096] 从图2的实验结果可以看出，本发明与其他的5种对比方法相比，其平均绝对误差 得到了不同程度的降低，在不同的邻居用户范围内，本发明的误差值是最小的。
[0097] 实验2,选用覆盖率C0V作评价指标，用本发明SFC和现有基于Pearson相关系数 的协同过滤方法CPP、基于Cos相似度的协同过滤方法C0S、基于结合Jaccard和MSD的相似 度度量方法JMSD、基于奇异值的相似度度量方法SM、基于改进的PIP相似度度量方法NHSM 进行电影推荐，其预测评分与实际评分的覆盖率如图3所示。
[0098] 从图3的实验结果可以看出，在不同的邻居用户范围内基于奇异值的相似度度量 方法的覆盖率值最高，但本发明的覆盖率值与其他四种对比相似度度量方法相比，本发明 的覆盖率值最高。
[0099] 实验3,选用准确率PRE作评价指标，用本发明SFC和现有基于Pearson相关系数 的协同过滤方法CPP、基于Cos相似度的协同过滤方法C0S、基于结合Jaccard和MSD的相似 度度量方法JMSD、基于奇异值的相似度度量方法SM、基于改进的PIP相似度度量方法NHSM 进行电影推荐，其预测评分与实际的评分的准确率如图4所示。
[0100] 从图4的实验结果可以看出，本发明与其他的5种对比方法相比，在不同的推荐项 目长度范围内，本发明的准确率是最高的。
[0101] 实验4,选用召回率REC作评价指标，用本发明SFC和现有基于Pearson相关系数 的协同过滤方法CPP、基于Cos相似度的协同过滤方法C0S、基于结合Jaccard和MSD的相似 度度量方法JMSD、基于奇异值的相似度度量方法SM、基于改进的PIP相似度度量方法NHSM 进行电影推荐，其预测评分与实际的评分的召回率如图5所示。
[0102] 从图5的实验结果可以看出，本发明与其他的5种对比方法相比，在不同的推荐项 目长度范围内，本发明的召回率是最高的。
【主权项】
1. 一种基于模糊机制用户评分邻域信息的协同过滤推荐方法，包括如下步骤： (1)从原始的用户-物品-评分-时间这四维数据中获取用户U对项目I的评分信息， 创建用户对项目的评分矩阵R(nxp)，其中η代表用户的数目，P代表项目的数目； ⑵根据用户的评分矩阵，确定任意两个用户a与用户b的相似度值sim(a，b): (2a)运用软划分机制，分别构建用户u对项目i评分的喜欢隶属度Lui和用户u对项 目i评分的不喜欢隶属度Dui :其中rUii为用户u对项目i的评分，m为推荐系统用户评分的最小值，M为推荐系统用 户评分的最大值，对于评分范围在1到5之间的数值，则m为I，M为5 ; (2b)运用项目评分的上下文信息，分别构建项目i评分的喜欢贡献率因子Cli和项目 i评分的不喜欢贡献率因子Cdi :其中SUi表示整体用户对项目i的评分人数； (2c)运用如下改进的Jaccard函数Jnum(a, b)，对评分数目小于平均项目数的用户进 行相似度值的惩罚：其中#13表示用户a对整体项目的评分数目，#1 ,表示用户b对整体项目的评分数目， ^表示整体用户的平均项目数，03为用户评分数目的四分之三分位数； (2d)构建任意两个用户a与b喜欢不喜欢的相似函数LD (a，b)如下：其中表示用户U对已经评价项目的评分平均值； 2e)结合改进的Jaccard函数Jnum (a, b)和喜欢不喜欢相似函数LD (a, b)，构建任意两 个用户a与b最终的相似度函数sim(a, b): sim(a, b) = LD (a, b) · Jnun (a, b)； (3)根据步骤（2)所构建的任意两个用户a与b最终相似度函数sim (a，b)，计算所有 用户两两之间的相似度，选择与目标用户相似程度最高的k个邻居用户，根据所选的k个邻 居的项目评分数据，对目标用户未评分项目进行评分预测； ⑷根据预测评分，对目标用户未评分项目进行分数值从大到小的排列，筛选出前N个 项目即产生对用户的推荐项目，2〈 = N〈 = 20。2.根据权利要求1中所述的方法，根据所述步骤（3)中根据所选的k个邻居的项目评 分数据，对目标用户未评分项目进行评分预测，按如下步骤进行： (3a)将目标用户与其他用户的相似度按照从大到小的顺序排列，取排列顺序中最前面 的k个用户作为目标用户的邻居用户，k> = 50 ; (3b)获取k个邻居用户后，通过下式对目标用户未评分的项目进行评分预测：其中，Piu为目标用户u对未评分项目i的预测评分值，sim(u，η)为目标用户u与邻居 用户η的相似度值，卩"为用户η对已经评价项目的评分平均值，Ku为k个邻居用户集合，Hiu为集合Ku中对项目i评分的邻居用户集合，η为HUii集合中的用户。
【专利摘要】本发明公开一种基于模糊机制用户评分邻域信息的协同过滤推荐方法。其技术方案是：1.获取用户对项目的评分信息，创建评分矩阵；2.根据评分矩阵计算用户评分隶属度，根据项目上下文信息计算项目对相似度的贡献率；3.根据评分隶属度和相似度的贡献率，构建用户喜欢不喜欢相似度；4.对评分数目小的用户进行相似度值的缩减，构建用户Jnum相似度；5.根据用户喜欢不喜欢相似度和用户Jnum相似度，构建用户最终相似度；6.根据最终相似度，选取相似度值最高的前K个作为参考邻居用户，完成对目标用户的预测。实验仿真结果表明，本发明比传统协同过滤算法能得到更好的推荐质量，可用于向用户推荐感兴趣的项目。
【IPC分类】G06F17/30
【公开号】CN104899246
【申请号】CN201510170406
【发明人】慕彩红, 焦李成, 王孝奇, 刘红英, 熊涛, 刘若辰, 马文萍, 杨淑媛, 柴文壹
【申请人】西安电子科技大学
【公开日】2015年9月9日
【申请日】2015年4月12日