基于用户的协同过滤组合推荐方法
【专利摘要】本发明涉及计算机协同推荐方法，公开了一种基于用户的协同过滤组合推荐方法，包括以下具体步骤：评分矩阵建立步骤，建立用户-项目评分矩阵；相似度计算步骤，计算不同用户之间的相似度；模糊矩阵建立步骤，建立基于不同用户之间的相似度的模糊相似矩阵；关系簇构造步骤，构建基于无向图的最近邻居集合；预测步骤，对用户的未评分项目进行预测。本发明的优点在于，有效地解决了用户评价不完整所导致的推荐精度低的问题，计算方法简单，步骤少，复杂度小，计算精确度高，通过对用户未评分项进行预测，从而提高推荐的精度，具有较好的应用价值。
【专利说明】基于用户的协同过滤组合推荐方法
【技术领域】
[0001]本发明涉及计算机协同推荐方法，特别涉及一种基于用户的协同过滤组合推荐方法。
【背景技术】
[0002]当面对大量软件信息时，用户经常会迷失在商品信息空间中，无法顺利找到自己需要的信息。个性化云服务推荐系统整合海量的用户数据，如用户注册信息、销售排行和用户消费历史等数据，然后模拟商店销售员向用户提供商品推荐，帮助用户找到所需商品，从而顺利完成购买过程。
[0003]在推荐系统领域，有多种基于数据挖掘的推荐技术，User-based协同过滤推荐和模糊聚类是目前较流行的推荐方法。
[0004]User-based协同过滤推荐一般采用找最近邻居的技术，利用用户的评分信息分析用户的兴趣爱好，并以此计算用户的相似性，评分的相似度越高说明这两个用户越邻近，然后可以找到目标用户的最近邻居。最后根据最近邻居的评分预测目标用户的评分。它基于这样一个假设:如果用户对一些项的评分比较相似，则他们对其它项的评分也比较相似。
[0005]聚类就是按照事物的某些属性，把事物聚集成类，按这种方式组成的类应尽可能让类间的相似性足够小，而同一个类内相似性尽可能大。而模糊聚类是一种使用模糊等价关系将对象划分为一些等价类的聚类方法，可以使类间的相似性足够小，而同一个类内相似性尽可能大，给定阀值集合条件下给出的聚类结果的比传统的聚类更有效，因为传统的聚类方法中，每个用户均被划分到了某一个类别，而对于一些属性特征不明显的用户，他们属于另外的类别也是合理的，将他们生硬地划分到某一个类别显然是不合理的；而模糊聚类引入隶属度概念，隶属度越高则被划分到某一个类别的优先级越高。
[0006]两种推荐技术各有适用的范围，协同过滤推荐方法是当前最成功的也是研究最深入的推荐方法，基于用户的协同过滤推荐可以处理更复杂的非结构化对象，但依然存在数据极端稀疏性、新用户和冷启动等问题。所以基于以上原因笔者通过将两种不同方法相互组合，设计一种基于用户的协同过滤组合推荐方法构建构建个性化推荐系统。
【发明内容】
[0007]本发明针对现有技术中，协同过滤推荐方法中依旧存在数据稀疏，新用户和冷启动数据不足的缺点，提供了一种基于用户的协同过滤组合推荐方法。
[0008]为实现上述目的，本发明可采取下述技术方案:
[0009]基于用户的协同过滤组合推荐方法，包括以下具体步骤:
[0010]评分矩阵建立步骤:建立mXn阶的用户-项目评分矩阵，所述评分矩阵表示为A(m，η)，其中，m为用户数，η为项目数，第i行第j列的项Ru表示用户i对项目j的评分；
[0011]相似度计算步骤:分别计算不同用户之间的相似度Sim(i，j)；
[0012]模糊矩阵建立步骤:建立模糊相似矩阵Mmxm，所述模糊相似矩阵为对角线的项为I的对称矩阵，其余项为所述相似度sim(i，j)，且其余项的行、列分别与说书评分矩阵的行、列相对应；
[0013]关系簇构造步骤:建立对应于所述模糊相似矩阵Mmxm的无向图G(V，E)，其中，V表示项目集合，E由所述模糊相似矩阵Mmxm中^≥λ的边组成，所述Mu表示模糊相似矩阵Mmxm的项，λ表示聚类阈值；求得聚类阈值λ的模糊等价类，所述聚类阈值λ的模糊等价类为无向图G(V，E)在不同的聚类阈值λ上的连通分支的顶点集合；所述聚类阈值λ的模糊等价类为特定用户的最近邻居集合；
[0014]预测步骤:采用以下公式预测用户U对未评分项目i的评分PUti = Ra十
【权利要求】
1.一种基于用户的协同过滤组合推荐方法，其特征在于，包括以下具体步骤:评分矩阵建立步骤(100):建立mXn阶的用户-项目评分矩阵，所述评分矩阵表示为A(m，η)，其中，m为用户数，η为项目数，第i行第j列的项Ru表示用户i对项目j的评分； 相似度计算步骤(200):分别计算不同用户之间的相似度sim(i，j)； 模糊矩阵建立步骤(300):建立模糊相似矩阵Mmxm，所述模糊相似矩阵为对角线的项为I的对称矩阵，其余项为所述相似度sim(i，j)，且其余项的行、列分别与所述评分矩阵的行、列相对应； 关系簇构造步骤(400):建立对应于所述模糊相似矩阵Mmxm的无向图G(V，E)，其中，V表示项目集合，E由所述模糊相似矩阵Mmxm中MuS λ的边组成，所述Mu表示模糊相似矩阵Mmxm的项，λ表示聚类阈值；求得聚类阈值λ的模糊等价类，所述聚类阈值λ的模糊等价类为无向图G(V，E)在不同的聚类阈值λ上的连通分支的顶点集合；所述聚类阈值λ的模糊等价类为特定用户的最近邻居集合； 预测步骤(500):采用以下公式预测用户u对未评分项目i的评分iVi =^ +
，其中，sim(u，v)表不用尸u与用尸V Z间的相似
ZiVeAfeiahbours(Ii)IsimWyJi性，Rv, i表不用户V对项目i的评分，分别表不用户u与用户V对项目i的评分，Neighbours (U)表示所述用户u的最近邻居集合。
2.根据权利要求1所述的基于用户的协同过滤组合推荐方法，其特征在于，还包括以下具体步骤:在评分矩阵建立步骤(100)中，当用户u对项目j未评分，则Ru = O;在预测步骤(500)中，将用户u对未评分项j的预测得到的评分Py加入所述评分矩阵。
3.根据权利要求1所述的基于用户的协同过滤组合推荐方法，其特征在于，还包括以下具体步骤:基于不同的聚类阈值λ求得至少两个模糊等价类并得到最近邻居集合，根据不同的最近邻居集合在预测步骤(500)中得到不同的预测评分Pu, i，去预测评分数值较高的评分作为用户u对未评分项i的最终评分。
4.根据权利要求1所述的基于用户的协同过滤组合推荐方法，其特征在于，所述相似度计算步骤(200)中，所述相似度
别表示用户1、用户j对项目C的评分，馬、分别表示用户1、用户j的平均评分，Iij表示用户1、用户j共同评分过的项的集合。
5.根据权利要求1所述的基于用户的协同过滤组合推荐方法，其特征在于，所述关系簇构造步骤(400)还包括:确定m个用户作为样本，计算所述样本内任意两个用户i，j之间的相似度sim(i，j),确定一个截集阈值集合S ;对于所述截集阈值集合S中的每一个聚类阈值λ，建立无向图Ga (V，E)，其中，V为m个用户的集合，E为相似度sim(i，j)≤λ的边(i，j)的集合；计算所述无向图Ga (V，E)的连通分支，所述连通分支内的顶点集合构成聚类阈值λ的模糊等价类。
【文档编号】H04L29/08GK104077357SQ201410242692
【公开日】2014年10月1日 申请日期:2014年5月31日 优先权日:2014年5月31日
【发明者】琚春华, 吕晓敏, 肖亮, 魏建良, 鲍福光 申请人:浙江工商大学