技术总结
本发明公开了一种基于用户组的多反馈协同过滤推荐方法，涉及推荐系统领域及机器学习领域。该方法的包括如下步骤：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：在每个簇内单独运行BPR MF算法得到个性化排名，再根据KNN算法生成top‑N推荐。本发明提供的基于用户组的多反馈协同过滤推荐算法融合了多种用户的反馈数据，包括用户的显性反馈，如评分数据，还包括用户的隐性反馈，如用户浏览数据等。相比与传统的协同过滤推荐算法只考虑到了单一的用户反馈，本文的推荐算法能够更好的缓解数据稀疏性问题，并采用基于学习的贝叶斯个性化推荐算法，通过梯度下降来学习BPR，能够很好的提高推荐系统的准确度。
技术研发人员：张刚;周宇红;胡恒;段志杰;陈格;刘魁
受保护的技术使用者：重庆邮电大学
文档号码：201611130603
技术研发日：2016.12.09
技术公布日：2017.05.31