[發明專利]基于奇異值分解算法的聚類協同過濾推薦系統

有效

• 申請號: 201310016381.8
• 申請日: 2013-01-16
• 公開（公告）號: CN103093376B
• 公開（公告）日: 2020-02-14
• 發明（設計）人: 李小勇;巴麒龍
• 申請（專利權）人: 北京郵電大學
• 主分類號: G06F16/9536
• 分類號: G06F16/9536;G06Q30/06;G06K9/62
• 代理公司: 11372 北京聿宏知識產權代理有限公司
• 代理人: 吳大建

1.基于奇異值分解算法的聚類協同過濾推薦系統，其特征在于，在計算用戶相似度之前，首先將系統中的每個用戶根據特定的聚類算法劃分到不同的聚類中去，這樣可以有效的降低用戶-商品評分矩陣的維度，提高系統的推薦效率；其次將常用于圖像處理與自然語言處理技術中的奇異值分解(SVD)算法改進后應用到推薦系統中去，將用戶-商品矩陣分解之后再聚合，從而得出第一次預測后的商品評分，來計算用戶間的相似度，這樣可以有效的解決推薦系統中常見的矩陣稀疏問題；

其中，實現方案共分為兩個步驟，聚類和利用SVD算法填充用戶-商品矩陣；聚類負責利用用戶的屬性特征值將系統中原有的大量用戶-商品信息分類到多個小的聚類中去，用戶特征值包括：性別，年齡以及職業，通過多次試驗數據分析，取出每個特征值所占的權重，從而得出一個最佳計算綜合屬性特征值的聚類公式；利用SVD算法填充用戶-商品矩陣負責將該用戶所在聚類中的用戶-商品評分矩陣中未評分的項通過分解后聚合填充，利用以上兩個步驟可以降低系統計算維度，解決系統稀疏性問題，從而大大提高推薦的效率與準確率；

利用SVD算法填充用戶-商品矩陣包括以下步驟：

S1，求出初始評分矩陣R每一列中的商品評分的平均分ri；其中，所述初始評分矩陣R是m×n的二維矩陣，m表示用戶的個數，n表示商品的個數，未評分的項目填充為0；

S2，將所述初始評分矩陣R中每一個具有非0評分值rui的項全部替換成所述非0評分值減去所述初始評分矩陣R每一列中的商品評分的平均分而得到的值，得到矩陣R’；

S3，利用SVD算法，將所述矩陣R’分解成U、S、V三個矩陣；

S4，將所述矩陣S中小于1的值全部設為0，然后將所有數值為0的行和列刪除，生成矩陣S_k；將所述矩陣U中小于1的值全部設為0，然后將所有數值為0的行和列刪除，生成矩陣U_k；將所述矩陣V中小于1的值全部設為0，然后將所有數值為0的行和列刪除，生成矩陣V_k；其中，所述矩陣S_k為k×k的二維矩陣，所述矩陣U_k為m×k的二維矩陣，所述矩陣V_k為k×n的二維矩陣；

S5，計算所述矩陣S_k的平方根S_k^1/2，分別求出兩個矩陣A＝U_k×S_k^1/2，B＝S_k^1/2×V_k；

S6，將每一個所述初始評分矩陣R中未評分的項目R_ui進行預測評分后所得的項目PR_ui填充到所述初始評分矩陣R中，得到矩陣PR；其中，R_u為用戶u評分的平均值，A_m表示矩陣A的第m行，B_n表示矩陣B的第n列。

2.根據權利要求1所述的基于奇異值分解算法的聚類協同過濾推薦系統，其特征在于，利用SVD算法填充用戶-商品矩陣負責將該用戶所在聚類中的用戶-商品評分矩陣中未評分的項通過分解后聚合填充；該步驟首先找出用戶所在聚類，將聚類中的用戶-商品評分矩陣利用SVD算法進行分解，通過處理后在聚合，從而得到第一次預測的商品評分，利用這些預測評分可以計算出同一個聚類之間用戶的相似度，降低系統數據稀疏性問題；在計算完指定用戶所在聚類用戶間相似度后，利用已得相似度，對原有的用戶-商品評分矩陣進行第二次評分預測，從而得出最后的推薦結果。

3.根據權利要求1所述的基于奇異值分解算法的聚類協同過濾推薦系統，其特征在于，當一個用戶注冊登錄之后，系統通過他的性別，年齡和職業計算出用戶的屬性特征值找到該用戶所在聚類，利用SVD算法得出與該用戶興趣愛好最相似的k個用戶，并且通過計算商品的預測評分，最后對該用戶做出準確的推薦。