[發明專利]一種基于項目層次類別的協同過濾推薦方法

有效

• 申請號: 201310290988.5
• 申請日: 2013-07-11
• 公開（公告）號: CN103514255A
• 公開（公告）日: 2014-01-15
• 發明（設計）人: 唐震;陳立全;朱瑤
• 申請（專利權）人: 江蘇諧云智能科技有限公司
• 主分類號: G06F17/30
• 分類號: G06F17/30
• 代理公司: 常州佰業騰飛專利代理事務所(普通合伙) 32231
• 代理人: 金輝

1.一種基于項目層次類別的協同過濾推薦方法，其特征在于，所述方法包括偏好描述（101）、項目類別評分（102）、相似度計算（103）和預測評分（104）四個處理步驟；待處理的源數據首先輸入偏好描述（101）步驟，得到便于評分處理的用戶行為向量；項目類別評分（102）步驟計算用戶對系統中各個項目類別的評分因子；相似度計算（103）步驟對相似度系數進行修正；最后，將項目類別評分因子和相似度系數等輸入到預測評分（104）步驟，計算用戶對未購買項目的評分，并按預測評分高低進行排名并輸出推薦結果。

2.如權利要求1所述的一種基于項目層次類別的協同過濾推薦方法，其特征在于，各步驟中，偏好描述（101）步驟將顯式或隱式的用戶歷史行為映射到具體的用戶-項目評分矩陣上；項目類別評分（102）步驟遍歷用戶歷史行為數據庫，用關聯規則推導出用戶對每個項目類別的偏好數據，并包括4個功能處理模塊：已知項目類別評分模塊（201）遍歷用戶的歷史行為，得到用戶對已購買項目的評分；項目類別相似度模塊（202）根據關聯規則以及用戶對各個項目類別的行為，對每兩個項目類別賦予相似權重；未知項目類別評分模塊（203）根據已知項目類別評分模塊（201）和項目類別相似度模塊（202），計算用戶對未知項目類別的評分；項目類別評分因子模塊（204）綜合未知項目類別評分模塊（203）和已知項目類別評分模塊（201），得到每個用戶對系統中每個項目類別的喜愛程度因子；

相似度計算（103）步驟根據偏好描述（101）步驟以及項目類別評分（102）步驟的處理結果，基于相似度公式，得到對于每個用戶，系統中每兩個項目之間的相似程度，用于預測評分的計算；

預測評分（104）步驟利用相似度以及用戶已經評過分的項目，對用戶沒有接觸過的項目進行打分，根據預測評分的高低對項目進行排名。

3.如權利要求1所述的一種基于項目層次類別的協同過濾推薦方法，其特征在于，項目類別評分（102）的具體步驟如下：首先，要根據用戶的歷史行為得到用戶對已知項目類別評分模塊（201），假設r_ij代表用戶i對各種項目的購買和評分情況，值為0則代表該用戶對此項目沒有過任何行為；定義用戶對某個項目類別的評分為用戶對這個項目類別下所有項目的評分的均值，假設類別I_k有n個項目i₁,i₂,i₃…i_n，則用戶u對I_k的評分為：

Ru,Ik=Σt=1nruitn]]>?；

在得到用戶對已購買項目的評分之后，將根據所有的用戶評分數據得到項目類別之間的項目類別間相似度模塊（202）；設定每個項目都屬于一個項目類別，而每個類別都屬于一個父類類別，沒有交叉從屬關系；假設系統中有n個項目類別，所有的項目都屬于n個類別中的1個，采用如下規則定義項目類別i和項目類別j之間的相似權重：

Pi,j=1i=j0.8i⇒j,U(i)=U(j)0.6i⇒j,U(i)≠U(l)0.4U(i)=U(j)0.2U(i)⇒U(j)0otherwise;]]>

其中，U?(i)和U?(j)分別表示項目類別i和項目類別j的父類，ij?表示兩個類別i和j?之間存在強關聯關系，同理，U?(i)=>U?(j)表示i和j的父類類別之間存在強關聯關系；

已知項目類別評分模塊（201）和項目類別相似度模塊（202）的結果輸入未知項目類別評分模塊（203），對用戶未購買的項目類別進行評分；假設用戶i已經評過分的項目類別集合為T={t₁,t₂,t₃,t₄…}，對于不屬于T的項目類別t_k，用戶i對該項目類別的評分可以用以下加權平均公式描述：

Pti,tk=Σtj∈TPtj,tk*Ri,tjΣtj∈TPtj,tk]]>

其中i表示用戶，t_k表示待評分的項目類別；t_j∈T，為用戶評過分的項目類別，表示用戶i對項目類別t_k的預測評分；

對已知項目類別評分模塊（201）和未知項目類別評分模塊（203）的結果輸入項目類別評分因子模塊（204），得到用戶對系統中所有項目類別的偏好，用戶u對類別j的最終評分權重為：

ρu,j=RujΣi=1nRui/n]]>??。???

4.如權利要求1所述的一種基于項目層次類別的協同過濾推薦方法，其特征在于，項目類別評分（102）步驟得出了用戶對所有的項目類別的評分因子，相似度計算（103）步驟建立新的相似度計算公式；假設項目x的用戶評分向量為X={r_1x,r_2x,…,r_mx}，項目y的用戶評分向量為Y={r_1y,r_2y,…,r_my}，其中，m為用戶的個數，那么對于特定的用戶d，項目x和y的相似度為：

simd,xy=Σi=1mrixriyΣi=1mrix2+Σi=1mriy2-Σi=1mrixriy+ρd,txρd,tyifρd,tx<ρd,tyΣi=1mrixriyΣi=1mrix2+Σi=1mriy2-Σi=1mrixriy+ρd,tyρd,txifρd,tx>ρd,ty]]>???；

其中，表示用戶d對項目x所在的類別t_x的評分權重，表示用戶d對項目y所在的類別t_y的評分權重；

預測評分步驟直接使用相似度作為權重，得到最終的預測評分公式：

Pd,i=[R1‾+Σj∈NBSisimd,ij×(Rd,j-Rj‾)Σj∈NBSisimd,ij]×ρd,ti]]>??；

其中，?i和j為項目，d為用戶，P_d,i表示用戶d對項目i的預測評分，NBS_i表示在項目i的鄰居范圍內查找項目j，和表示項目i和項目j在系統中的平均評分，sim_d,ij代表對于用戶d，項目i和j的相似度，R_j,d代表用戶d對項目j的評分；得出用戶對沒有購買過的項目的預測評分后，再按照預測評分的高低進行排序，取排名最靠前的多個項目組成對用戶的推薦列表。