一种基于用户组的多反馈协同过滤推荐方法与流程

技术特征：

1.一种基于用户组的多反馈协同过滤推荐方法，其特征在于：包括以下步骤：

步骤一：对用户-物品的互动数据进行预处理，使用余弦相似度计算用户间的距离；

步骤二：融合距离矩阵，使用K-Medoids算法分类并得到k个簇；

步骤三：在每个簇内单独的运行BPR MF算法，得到个性化推荐列表。

2.如权利要求1所述的一种基于用户组的多反馈协同过滤推荐方法，其特征在于:在步骤一中,用户-物品的互动数据不仅包括了用户的显性反馈还包含隐性反馈，计算出用户间兴趣距离。

3.如权利要求2所述根据用户-物品多反馈，计算用户间的兴趣距离。其中距离

4.如权利要求1所述的一种基于用户组的多反馈协同过滤推荐方法，其特征在于:在步骤二中，融合距离矩阵，使用K-Medoids算法分类并得到k个簇：

(1)通过计算用户间的兴趣距离，根据距离融合公式融合用户兴趣距离得到；大小为|U|×|U|的距离矩阵，融合距离的公式为

$d{(u,v)}_{corp}=\frac{1}{N_i}\underset{n=1}{\overset{\left|N_i\right|}{\Σ}}{\mathrm{\λ}}_n{d}_n---\left(2\right)$

其中N_i表示互动类型的数量，λ*表示平衡不同互动类型的权重系数，定义如下:

$\mathrm{\λ}=\frac{N_{\left(uv\right)}(N_u+N_v)}{\left(N_u{N}_v\right)}---\left(3\right)$

N_u和N_v分别表示用户u和用户v互动次数，N_uv表示用户u和v共同互动的次数。

(2)根据距离矩阵，使用K-Medoid算法计算两个数据集间的距离，保证每个簇内的数据集的距离最小，即不相似性最低并生成K个用户组。

5.如权利要求1所述的一种基于用户组的多反馈协同过滤推荐方法，其特征在于:在步骤三中，还包括：BPR MF算法并不仅仅利用用户-物品数据去训练模型，而是采用基于梯度下降的方法学习模型。不仅考虑了用户-物品数据信息，还考虑到了项目对之间的优先级，例如项目i被用户浏览而项目j没有，则用户更偏爱于项目i。

6.如权利要求1所述的一种基于用户组的多反馈协同过滤推荐方法，其特征在于:在步骤三中，在每个簇内单独运行BPR MF算法，得到个性化推荐列表。过程如下：

首先数据pair化预处理：

(1)将用户对物品的评分(显式反馈“1”，隐式反馈“0”)处理为pair对集合<i,j>其中i为评分为1的物品，j为评分为0的物品。假设用户有M个“1”的评分，N个“0”的评分，则该用户共有M×N个pair对。

(2)极大化如下目标其中θ为所求模型，具体包括隐含因子矩阵P,及表达物品的隐含因子矩阵Q。

(3)使用随机梯度下降法学习BPR，使得BPR-OPT达到最优。

(4)计算用户u和v之间的相似度

(5)计算用户u对物品i的兴趣

$p_{ui}=\underset{v\&Element;N\left(i\right)\&cap;S(u,K)}{\&Sigma;}{w}_{(u,v)}*r_{vi}---\left(4\right)$

其中S(u,K)用户u最接近的K个用户，N(i)表示对物品i有过行为的用户集。