[發(fā)明專利]基于物品分類和用戶分類的協(xié)同過濾推薦方法

有效

• 申請?zhí)枺?/td>: 201210030236.0
• 申請日: 2012-02-10
• 公開（公告）號(hào): CN102609523B
• 公開（公告）日: 2018-03-06
• 發(fā)明（設(shè)計(jì)）人: 施榮杰;王守軍
• 申請（專利權(quán)）人: 上海視暢信息科技有限公司
• 主分類號(hào): G06F17/30
• 分類號(hào): G06F17/30
• 代理公司: 上海愉騰專利代理事務(wù)所(普通合伙)31306
• 代理人: 唐海波

1.一種基于物品分類和用戶分類的協(xié)同過濾推薦方法，其特征在于采用如下步驟：

A、物品的聚類與分類步驟：

首先，采用PCA分析方法鑒別物品的主要特征，即對整個(gè)物品集合所成的特征空間進(jìn)行主軸定位，并得到PCA空間映射矩陣；

其次，采用KMEANS算法完成數(shù)據(jù)的聚類，即對每個(gè)物品都定義一個(gè)特征向量，該特征向量涵蓋了物品的主要特征標(biāo)簽，通過余弦距離度量公式計(jì)算每兩個(gè)物品之間的相似度，其公式如下：

Sim(V1,V2)=cosα=Σk=1n(v1k×w1k×v2k×w2k)(Σk=1n(v1k×w1k))(Σk=1n(v2k×w2k));]]>

其中，V₁，V₂表示物品的特征向量：V₁＝(v₁₁，v₁₂，...，v_1n)，V₂＝(v₂₁，v₂₂，...，v_2n)；根據(jù)應(yīng)用的不同，給每個(gè)特征項(xiàng)賦予一定的權(quán)重以表示該特征的重要程度，即：V₁＝(v₁₁，w₁₁；v₁₂，w₁₂；...；v_1n，w_1n)，V₂＝(v₂₁，w₂₁；v₂₂，w₂₂；...；v_2n，w_2n)；

最后，在完成對物品的聚類后，記錄每個(gè)類的類中心，當(dāng)有新的物品加入時(shí)即可在PCA空間進(jìn)行距離計(jì)算，把新物品分類到離它最近的類中心所代表的那個(gè)類別；

B、用戶的聚類與分類步驟：當(dāng)系統(tǒng)積累的用戶數(shù)據(jù)量足夠時(shí)，即可根據(jù)用戶的類別消費(fèi)特征向量來為用戶進(jìn)行聚類和分類，其過程和上述物品的聚類與分類步驟是一樣的；

C、物品聚類與用戶聚類的融合步驟：每個(gè)物品有了分類信息后，用戶對物品的消費(fèi)記錄就可以轉(zhuǎn)化為對類別的消費(fèi)記錄，從而使得用戶消費(fèi)特征的維度與類別的總數(shù)一致；

D、排序推薦步驟：按照類內(nèi)按相似度排序來進(jìn)行推薦，或者按照用戶的消費(fèi)歷史根據(jù)類別排序后再按比例進(jìn)行相關(guān)類內(nèi)物品排序來進(jìn)行推薦，或者按照用戶的類別來進(jìn)行推薦，把同類其他用戶的消費(fèi)物品推薦給該用戶；

在步驟A中，所述的PCA分析方法為主成分分析算法，即Principal ComponentAnalysis，其為降維統(tǒng)計(jì)方法，通過正交變換，將分量相關(guān)的原表征向量轉(zhuǎn)化成分量不相關(guān)的新表征向量，其方法如下：

定義物品的加權(quán)特征向量為V＝(v₁，w₁；v₂，w₂；...；v_K，w_K)^T，其具備K個(gè)維度；現(xiàn)在取出n個(gè)物品：V_i＝(v_i1，w_i1；v_i2，w_i2；...；v_iK，w_iK)^T，其中1≤i≤n；

定義矩陣：

計(jì)算物品在每個(gè)維度即屬性上的均值：

V‾=1nΣi=1nVi=(1n(Σi=1n(vi1wi1)),1n(Σi=1n(vi2wi2)),...,1n(Σi=1n(vikwik)))T]]>

計(jì)算每個(gè)物品離開均值的距離，該距離相當(dāng)于坐標(biāo)軸原點(diǎn)平移：這里的I＝(1，...，1)是一個(gè)長度為n列的行向量；

計(jì)算這n個(gè)物品的協(xié)方差矩陣：

計(jì)算矩陣C的特征向量和特征值：A^-1CA＝D，其中，D表示C的特征值對角陣；

A表示C的特征向量矩陣；

對D和A按降序排列其中的特征值和特征向量，特征值的大小表征了主軸軸向上的物品屬性的分離度，選取其中的前L個(gè)特征值和對應(yīng)的特征向量：0≤L≤K，滿足：

Σi=1LλiiΣi=1Kλii≥95%]]>

對應(yīng)的，選取A的前L個(gè)特征向量：B＝[A_i1，A_i2，...，A_iL]，其中，A_ik(1≤k≤L)表示特征向量矩陣的某一列；

對于任何一個(gè)新到的樣本，通過下面的公式計(jì)算其在給定PCA空間中的新坐標(biāo)，即新特征向量：V_n+1＝B^T(v_n+1，1，w_n+1，1；v_n+1，2，w_n+1，2；...；v_n+1，K，w_n+1，K)^T。