一种用于提高个性化推荐系统多样性的方法与流程

技术特征：

1.一种提高个性化推荐系统多样性的方法，其特征在于，包括以下步骤：

(1)从网站获取用户评分数据集，并且将该用户评分数据集以文本的方式进行存储，该用评分数据集中包括有用户ID、该用户ID对应的物品ID、以及该用户对该物品的评分值；

(2)使用用于个性化推荐系统的推荐算法对步骤(1)获取的用户评分数据集进行预测和推荐处理，从而为用户评分数据集中的多个用户分别生成对应的推荐列表，该推荐列表中包括有用户ID、该用户ID对应的物品ID、以及该用户对该物品的预测评分值；

(3)对用户评分数据集，求取其物品的流行程度，该流行程度是由对该物品进行评价的用户的人数、用户对该物品的评分值决定，将用户对物品的预测评分值与控制阈值进行比较，将大于或等于控制阈值的预测评分值对应的物品的流行程度进行排序，以得到最终的排序结果；

(4)取排序结果中前端的多个结果作为推荐列表反馈给用户。

2.根据权利要求1所述的方法，其特征在于，步骤(2)具体包括以下子步骤：

(2-1)根据获取的用户评分数据集，计算所有用户之间的相似度：

其中sim(a,b)表示用户a和b之间的相似度，P表示所有物品的集合，p表示集合P中的物品，R(a,p)和R(b,p)分别表示用户a和用户b对于物品p的评分值；

(2-2)对于每个用户而言，选取与该用户相似度最高的前K个用户作 为该用户的邻居用户，其中K是50到300之间的整数；

(2-3)对于每个用户而言，对其K个邻居用户评分过的物品的评分值进行分析，以预测出该用户最有可能打高分的多个物品，并将该用户可能打高分的这些物品推荐给用户。

3.根据权利要求2所述的方法，其特征在于，步骤(2-3)具体使用以下公式：

其中

将其代入上述公式后得到：

其中R^*(u,i)表示用户u对于物品i的预测评分值，是用户u对于其所有物品的平均评分值，k为归一化因子，N(u)表示用户u的所有邻居用户的集合。

4.根据权利要求3所述的方法，其特征在于，步骤(3)具体包括以下子步骤：

(3-1)对用户评分数据集，根据对该用户评分数据集中物品进行评价的用户的人数、用户对该物品的评分值求取其物品的流行程度；

(3-2)将用户对物品的预测评分值与控制阈值进行比较，将大于或等于控制阈值的预测评分值对应的物品的流行程度进行排序，以得到最终的排序结果。

5.根据权利要求4所述的方法，其特征在于，步骤(3-1)中获取物品 的流行程度的过程可表示为

其中rank_Popularity(i)表示使用物品流行程度排序的方法， 表示对于所有用户的集合U中的每个用户u而言，存在用户u对物品i的评分值R(u,i)的个数。

6.根据权利要求4所述的方法，其特征在于，步骤(3-1)中获取物品的流行程度的过程可表示为

rank_{ReversePrediction}(i)＝R^*(u,i)

其中rank_{ReversePrediction}(i)表示使用预测评分值倒序的方法，该预测评分值可表示物品的流行程度。

7.根据权利要求4所述的方法，其特征在于，步骤(3-1)中获取物品的流行程度的过程可表示为

其中有

rank_{AverageRating}(i)：表示使用物品平均评分值排序的方法。

8.根据权利要求4所述的方法，其特征在于，步骤(3-1)中获取物品的流行程度的过程可表示为

rank_{AbsoluteLikeability}(i)＝|U_H(i)|

其中U_H(i)＝{u∈U(i)|R(u,i)≥T_H}

rank_{AbsoluteLikeability}(i)：表UH(示i)使用物品的绝对受欢迎程度，u∈U(i)|R(u,i)≥T_H}表示物品i被用户u打的评分值大于阈值T_H的数量。

9.根据权利要求4所述的方法，其特征在于，步骤(3-1)中获取物品的流行程度的过程可表示为

rank_{RelativeLikeability}(i)＝|U_H(i)/U(i)|

其中rank_{RelativeLikeability}(i)表U示H物(i)品/U相(i对)受欢迎程度，

或表示为

其中rank_{RatingVariance}(i)表示用户对物品的评分值偏离该物品平均评分值的程度。

10.根据权利要求5至9中任意一项所述的方法，其特征在于，步骤(3-2)具体是采用以下公式：

其中，rank_x(i,T_R)表示使用控制阈值TR对物品i进行排序的函数，rank_x(i)表示上物品的流行程度，T_max表示评分值的上限(例如在5分制的打分系统中，该值就等于5)，控制阈值T_R∈[T_H,T_max]，rank_Standard(i)为现有标准的排序方法，且有：

rank_Standard(i)＝R^*(u,i)^-1。