[發(fā)明專利]一種基于用戶關(guān)聯(lián)性的資源個性化推薦方法

有效

• 申請?zhí)枺?/td>: 201210179907.X
• 申請日: 2012-06-04
• 公開（公告）號: CN102750336A
• 公開（公告）日: 2012-10-24
• 發(fā)明（設(shè)計）人: 孫健;艾麗麗;謝發(fā)川;隆克平;周偉強;李江華;王雁峰;林威;黎焯泓;唐明
• 申請（專利權(quán)）人: 電子科技大學(xué)
• 主分類號: G06F17/30
• 分類號: G06F17/30
• 代理公司: 成都行之專利代理事務(wù)所(普通合伙) 51220
• 代理人: 溫利平

技術(shù)領(lǐng)域

本發(fā)明屬于網(wǎng)絡(luò)應(yīng)用個性化推薦技術(shù)領(lǐng)域，具體來講，涉及一種基于用戶關(guān)聯(lián)性的資源個性化推薦方法。

背景技術(shù)

隨著互聯(lián)網(wǎng)的迅速發(fā)展，網(wǎng)絡(luò)中的信息資源越來越豐富，使得人們從曾經(jīng)苦惱于資源的匱乏，演變成資源過載的煩惱。面對海量的資源信息，用戶往往難以發(fā)現(xiàn)最適合或自己最感興趣的資源。因此，為了解決這種從海量資源中獲取用戶偏好信息的問題，資源個性化推薦系統(tǒng)被廣泛應(yīng)用到各大商務(wù)網(wǎng)站中。

協(xié)同過濾是目前應(yīng)用最廣泛和最成功的個性化推薦系統(tǒng)。它旨在根據(jù)目標(biāo)用戶的最近鄰居對某個資源的評分逼近目標(biāo)用戶對該資源的評分。但是，隨著網(wǎng)站規(guī)模的擴(kuò)大，用戶數(shù)目和資源數(shù)據(jù)量的急劇增加，使得用戶評分矩陣極端稀疏。通過傳統(tǒng)的協(xié)同過濾方法進(jìn)行推薦會導(dǎo)致用戶最近鄰居計算準(zhǔn)確性降低，推薦系統(tǒng)的資源推薦質(zhì)量急劇下降。

Slope?One是一種新穎的協(xié)同過濾方法，它能一定程度上克服傳統(tǒng)協(xié)同過濾中用戶評分?jǐn)?shù)據(jù)極端稀疏的問題，因為Slope?One對于新用戶在數(shù)據(jù)量上要求較低。它旨在根據(jù)其他用戶對資源的評分情況來預(yù)測目標(biāo)用戶的評分。另外，SlopeOne非常的輕量級，易于實現(xiàn)，能及時跟進(jìn)推薦系統(tǒng)中的數(shù)據(jù)更新并提供新的預(yù)測值，但它存在以下缺點：

1、實際業(yè)務(wù)系統(tǒng)中，因資源及用戶數(shù)據(jù)量過大使得通過Slope?One構(gòu)建的目標(biāo)用戶評分矩陣維度非常高，計算數(shù)據(jù)量龐大。

2、Slope?One通過一種“普遍平均”的思想對目標(biāo)用戶進(jìn)行評分預(yù)測，但這種“普遍平均”磨滅了用戶個性化，評分預(yù)測準(zhǔn)確率不高，影響資源推薦質(zhì)量。

發(fā)明內(nèi)容

本發(fā)明的目的在于克服現(xiàn)有技術(shù)不足，提供一種基于用戶關(guān)聯(lián)性的資源個性化推薦方法，以降低目標(biāo)用戶評分矩陣維度和中間計算的數(shù)據(jù)量，同時提高評分預(yù)測準(zhǔn)確率，進(jìn)而使得資源推薦質(zhì)量得以提升。

為實現(xiàn)上述發(fā)明目的，本發(fā)明基于用戶關(guān)聯(lián)性的資源個性化推薦方法，其特征在于，包括以下步驟：

（1）、分析并挖掘出目標(biāo)用戶頻繁集

將用戶對資源的歷史評分記錄作為數(shù)據(jù)源，利用用戶關(guān)聯(lián)規(guī)則分析并挖掘出多個支持度達(dá)到要求的目標(biāo)用戶頻繁集；

其中，用戶關(guān)聯(lián)規(guī)則是指目標(biāo)用戶與其他用戶對一個或多個資源都進(jìn)行了評分，目標(biāo)用戶與其他用戶都進(jìn)行了評分的資源數(shù)量為支持度；

目標(biāo)用戶頻繁集包括由目標(biāo)用戶與其他用戶組成的項集以及支持度；

（2）、構(gòu)建目標(biāo)用戶興趣相似組

在挖掘出的多個目標(biāo)用戶頻繁集中，選取項集中項數(shù)，即用戶數(shù)量最多的目標(biāo)用戶頻繁集；如果選取的目標(biāo)用戶頻繁集有多個，則進(jìn)一步選取支持度最高的一個目標(biāo)用戶頻繁集，用于構(gòu)建目標(biāo)用戶興趣相似組；

選出的目標(biāo)用戶頻繁集項集中的用戶作為目標(biāo)用戶興趣相似組；

（3）、用Slope?One算法進(jìn)行預(yù)測評分

將目標(biāo)用戶興趣相似組用戶對資源的歷史評分輸入到Slope?One算法中作為核心數(shù)據(jù)，對目標(biāo)用戶未訪問資源進(jìn)行評分預(yù)測；

（4）、推薦資源給目標(biāo)用戶

將評分預(yù)測值大于閾值的目標(biāo)用戶未訪問資源，按照評分預(yù)測值大小推薦給目標(biāo)用戶。

本發(fā)明的發(fā)明目的是這樣實現(xiàn)的：

本發(fā)明基于用戶關(guān)聯(lián)性的資源個性化推薦方法，首先利用用戶關(guān)聯(lián)規(guī)則挖掘技術(shù)分析用戶對資源的歷史評分記錄，挖掘出目標(biāo)用戶頻繁集；然后選取項集中項數(shù)，即用戶數(shù)量最多的目標(biāo)用戶頻繁集；如果選取的目標(biāo)用戶頻繁集有多個，則進(jìn)一步選取支持度最高的一個目標(biāo)用戶頻繁集，用于構(gòu)建目標(biāo)用戶興趣相似組；接著將目標(biāo)用戶興趣相似組用戶對資源的歷史評分輸入到Slope?One算法中作為核心數(shù)據(jù)，對目標(biāo)用戶未訪問資源進(jìn)行評分預(yù)測。最后將評分預(yù)測值大于閾值的目標(biāo)用戶未訪問資源，按照評分預(yù)測值大小推薦給目標(biāo)用戶。由于Slope?One算法進(jìn)行目標(biāo)用戶未訪問資源評分預(yù)測過程中，使用與目標(biāo)用戶興趣相似的用戶進(jìn)行預(yù)測，既降低了目標(biāo)用戶評分矩陣維度和中間計算的數(shù)據(jù)量，又提高了評分預(yù)測準(zhǔn)確率。

附圖說明

圖1是本發(fā)明基于用戶關(guān)聯(lián)性的資源個性化推薦方法一具體實施方式的原理框圖。

具體實施方式

下面結(jié)合附圖對本發(fā)明的具體實施方式進(jìn)行描述，以便本領(lǐng)域的技術(shù)人員更好地理解本發(fā)明。需要特別提醒注意的是，在以下的描述中，當(dāng)已知功能和設(shè)計的詳細(xì)描述也許會淡化本發(fā)明的主要內(nèi)容時，這些描述在這里將被忽略。

實施例

圖1是本發(fā)明基于用戶關(guān)聯(lián)性的資源個性化推薦方法一具體實施方式的原理框圖。