[發明專利]基于鄰域的top?k推薦方法

有效

• 申請號: 201210130111.5
• 申請日: 2012-04-27
• 公開（公告）號: CN103377250B
• 公開（公告）日: 2017-08-04
• 發明（設計）人: 楊希旺;陳飛飛
• 申請（專利權）人: 杭州載言網絡技術有限公司
• 主分類號: G06F17/30
• 分類號: G06F17/30;G06Q30/02
• 代理公司: 浙江杭州金通專利事務所有限公司33100
• 代理人: 徐關壽

1.一種基于鄰域的top-k推薦方法，其特征在于，包括如下步驟：

步驟一，響應客戶端的請求，建立用戶-對象關系矩陣；

從服務器中獲取包含目標用戶在內的一組用戶作為用戶集合，再獲取一組推薦對象作為對象集合；

從服務器中讀取上述用戶集合中各用戶分別針對對象集合中各推薦對象產生的行為數據；

當任一用戶對任一推薦對象未產生行為數據時，均以一預設值作為假定的行為數據；

根據獲取的上述行為數據值和假定的行為數據值，建立一個用戶-對象關系矩陣；

步驟二，分解用戶-對象關系矩陣；

通過迭代的方法對步驟一所建立的用戶-對象關系矩陣進行降維處理，獲得分別對應各用戶的一組用戶特性向量；所述用戶特性向量中每個數值表示該用戶對相應的對象的潛因子特性的關聯程度；

步驟三，計算目標用戶到其他用戶的相似度；

逐一計算步驟二獲得的目標用戶的用戶特性向量到其他用戶的用戶特性向量的相似度，并將結果作為目標用戶到其他用戶的相似度；

步驟四，建立推薦用戶群；

選取與目標用戶相似度大于預設閾值的用戶，或與目標用戶相似度最高的k1個用戶，組成推薦用戶群；

步驟五，獲取與步驟四所述的推薦用戶群中的用戶具有行為關聯的推薦對象，組成一候選對象集合；

步驟六，對候選對象集合中的每個推薦對象，計算推薦用戶群中與該推薦對象具有行為關聯的用戶針對該對象產生的行為數據的加權平均值，對應各用戶的權重為與該用戶對應的步驟三中所述的目標用戶到其他用戶的相似度值；

步驟七，按由大到小順序，排列步驟六所獲得的對應各推薦對象的加權平均值，并過濾掉和目標用戶已有歷史行為的對象；

步驟八，將數值最大的前k個加權平均值對應的推薦對象返回給客戶端。

2.根據權利要求1所述的基于鄰域的top-k推薦方法，其特征在于，步驟三所述的目標用戶的用戶特性向量到其他用戶的用戶特性向量的相似度，是指目標用戶的用戶特性向量到其他用戶的用戶特性向量間的cosine相似度或者Pearson相似度。

3.一種基于鄰域的top-k推薦方法，其特征在于，包括如下步驟：

步驟一，響應客戶端的請求，建立用戶-對象關系矩陣；

從服務器中獲取包含目標用戶在內的一組用戶作為用戶集合，再獲取一組推薦對象作為對象集合；

從服務器中讀取上述用戶集合中各用戶分別針對對象集合中各推薦對象產生的行為數據；

當任一用戶對任一推薦對象未產生行為數據時，均以一預設值作為假定的行為數據；

根據獲取的上述行為數據值和假定的行為數據值，建立一個用戶-對象關系矩陣；

步驟二，分解用戶-對象關系矩陣；

通過迭代的方法對步驟一所建立的用戶-對象關系矩陣進行降維處理，獲得分別對應各用戶的一組用戶特性向量；所述用戶特性向量中每個數值表示該用戶對相應的對象的潛因子特性的關聯程度；

步驟三，計算目標用戶到其他用戶的相似度；

逐一計算步驟二獲得的目標用戶的用戶特性向量到其他用戶的用戶特性向量的相似度，并將結果作為目標用戶到其他用戶的相似度；

步驟四，建立推薦用戶群；

選取與目標用戶相似度大于預設閾值的用戶，或與目標用戶相似度最高的k1個用戶，組成推薦用戶群；

步驟五，模擬推薦；

計算所述推薦用戶群各用戶的大于預定閾值的行為數據與該用戶到目標用戶的特性相似度之積，并將結果作為單個用戶對相應對象的推薦力度，計算不同用戶對同一個對象的推薦力度值之和作為推薦用戶群對此推薦對象的推薦力度；

步驟六，過濾掉和目標用戶已有歷史行為的對象，然后進行top-k推薦；

將用戶群對各推薦對象的推薦力度值由大到小進行排序；將數值最大的k個推薦力度值對應的k個推薦對象返回給客戶端。

4.根據權利要求3所述的基于鄰域的top-k推薦方法，其特征在于，步驟三所述的目標用戶的用戶特性向量到其他用戶的用戶特性向量的相似度，是指目標用戶的用戶特性向量到其他用戶的用戶特性向量間的cosine相似度或者Pearson相似度。