一种基于用户行为模型和蚁群聚类的协同过滤推荐算法
【专利摘要】本发明属于协同过滤推荐【技术领域】，具体涉及一种基于用户行为模型和蚁群聚类的协同过滤推荐算法。本发明在传统协同过滤推荐技术基础上，采用蚁群聚类算法对用户进行分类，在整个用户空间高效的查找邻居用户群，结合用户行为模型和基于项目内容的推荐，使现有方法存在的问题得到很大改善。本发明涉及更好地模拟蚁群聚类，选择用户行为模型的更新方程，降低预处理复杂度及进一步挖掘用户行为模型的研究等。本发明经过多重模型组合，得到较传统协同过滤推荐技术的算法更为灵活的推荐技术，可以适应多种场景并提高了推荐质量。
【专利说明】一种基于用户行为模型和蚁群聚类的协同过滤推荐算法
【技术领域】
[0001]本发明属于协同过滤推荐【技术领域】，具体涉及一种基于用户行为模型和蚁群聚类的协同过滤推荐算法。
【背景技术】
[0002]推荐技术在整个互联网领域的重要性日益凸显，并越来越受到研究者的重视。在信息爆炸的时代，如何从海量数据中帮用户快速定位到喜欢的内容，是一个有挑战性的难题。目前，几乎所有的大型电商网站、视频网站以及内容提供网站，都已经不同程度的实现了推荐系统。为保证推荐系统在满足实时性要求的前提下能够产生相对较为精确的推荐内容，研究人员提出了许多不同类型的推荐算法，如协同过滤推荐技术、关联规则算法、Horting图算法等不同算法。Typestry是最早被提出的基于协同过滤算法的内容推荐系统，但其不足是需要用户自己手动设置与自己兴趣类似的其他用户，其核心思想比较类似SNS系统的Follow概念。
[0003]推荐技术最大的难点在于，随着用户数以及项目(如商品、影视、新闻等)数的增长，用户评分矩阵规模呈指数速度上升，并且矩阵变得十分稀疏，如何找到目标用户喜欢的项目集合，是解决问题的关键。协同过滤算法作为当前应用最为广泛的算法之一，可以给出较好的推荐结果，但是存在一定的缺陷:(I)过度依赖用户评分机制，当用户评分标准不一时，结果差异很大。(2)用户聚类时采用K近邻算法，会由于用户评分矩阵过于稀疏而难以收敛。(3)冷启动问题。针对以上问题，本发明提出了基于用户行为模型和蚁群聚类的协同过滤推荐算法。算法充分结合了内容单元自身信息，通过启发式蚁群聚类对用户进行分类，并结合用户在不同影片之间浏览跳转的行为模型，改善了以上问题现状。
[0004]I，传统协同过滤技术。协同过滤推荐技术基于这样一个假设:如果用户对一些项目的评分比较相似，则他们对其他项目的评分也会较为接近。通过与目标用户相似的邻居用户群的评分预测推荐结果，从而达到推荐给目标用户喜欢的项目的目的，蕴含了“目标用户会对其相似用户喜欢的项目也感兴趣”的思想。算法有两个步骤:
[0005](I)(通过用户评分矩阵计算用户相似度。常用的计算方法有余弦相似性和关联相似性两种计算方法。具体的公式如(I)和(2)所示:
【权利要求】
1.一种基于用户行为模型和蚁群聚类的协同过滤推荐算法，其特征在于具体的步骤如下: (一)基于蚁群聚类的协同过滤推荐 聚类问题的蚁群算法基本思路如下:在每个模式样本处分别放置I个蚂蚁，蚂蚁倾向于选择信息素最多的一条路径移动，也就是距离最近的一个模式样本；将第j模式样本分配给第J个聚类中心= 1，2,..., K)，蚂蚁在模式样本7到聚类中心7的路径上留下信息素CT1.，那么第个蚂蚁选择聚类中心的概率为:
【文档编号】G06N3/00GK103927347SQ201410129925
【公开日】2014年7月16日 申请日期:2014年4月1日 优先权日:2014年4月1日
【发明者】金城, 杨昭, 冯瑞, 薛向阳 申请人:复旦大学