[發明專利]一種基于神經網絡解決協同過濾推薦數據稀疏性的方法

有效

• 申請號: 201310055267.6
• 申請日: 2013-02-21
• 公開（公告）號: CN103106535A
• 公開（公告）日: 2013-05-15
• 發明（設計）人: 孫健;王曉麗;徐杰;隆克平;張毅;梁雪芬;李乾坤;姚洪哲;陳旭;陳小英
• 申請（專利權）人: 電子科技大學
• 主分類號: G06N3/02
• 分類號: G06N3/02
• 代理公司: 成都行之專利代理事務所(普通合伙) 51220
• 代理人: 溫利平

技術領域

本發明屬于人工神經網絡及個性化推薦技術領域，更為具體來講，涉及一種基于神經網絡解決協同過濾推薦數據稀疏性的方法。

背景技術

在現代信息社會，各行業經過一段時期的積累都會產生海量的信息數據，如何有效地從海量數據中提取有用的信息掀起了個性化推薦技術的研究熱潮。協同過濾技術作為主要的推薦技術備受關注，已經被成功運用到各種推薦系統中。但是隨著資源種類的不斷膨脹與用戶的日益增加，用來評判的數據矩陣越來越稀疏，嚴重影響了推薦質量。

神經網絡是一種模仿動物神經網絡行為特征，進行分布式并行信息處理的算法數學模型。神經網絡的處理單元一般可分為三類：輸入單元、隱層單元、輸出單元。輸入單元實現網絡與外界的連接，隱層實現輸入空間到隱藏空間的非線性變換，輸出單元實現最終的網絡輸出。常用的神經網絡有反向傳播網絡、自組織網絡、遞歸網絡及徑向基函數網等。

廣義回歸神經網絡GRNN（Generalized?Regression?Neural?Network）與其他神經網絡相比，訓練過程更為簡單，只需確定訓練樣本，相應的網絡結構和各神經元之間的連接權值會自動確定，網絡訓練過程最重要的是確定光滑因子的過程。廣義回歸神經網絡具有較高的逼近能力、學習速度、魯棒性、容錯性以及非線性映射能力，在決策控制系統、結構分析、教育產業、信號分析等領域應用廣泛。

發明內容

本發明的目的在于克服現有技術的不足，提供一種基于神經網絡解決協同過濾推薦數據稀疏性的方法，采用廣義回歸神經網絡GRNN，通過訓練網絡模型并進行評分預測，對稀疏的數據進行完全填充，改善協同過濾技術的數據高度稀疏性問題。

為實現上述發明目的，本發明基于神經網絡解決協同過濾推薦數據稀疏性的方法，其特征在于，包括以下步驟：

步驟1：對于表示M個用戶對N個項目評分的稀疏評分矩陣A，計算每個用戶對所有項目評分的稀疏度以及每個項目所有用戶評分的稀疏度，其中，稀疏評分矩陣A中某個用戶未評價的某個項目的評分值統一用0代替；

設置用戶稀疏度閾值和項目稀疏度閾值，當某個用戶的稀疏度小于用戶稀疏度閾值時，則刪除該用戶；當某個項目的稀疏度小于項目稀疏度閾值時，則將刪除該項目，得到的用戶數量記為m、項目數量記為n，根據m個用戶U_i,1≤i≤m對n個項目P_j,1≤j≤n的評分構建原始評價矩陣T：