[發明專利]一種結合模糊權重相似性度量和聚類協同過濾的方法

有效

• 申請號: 201410457937.1
• 申請日: 2014-09-10
• 公開（公告）號: CN104239496B
• 公開（公告）日: 2017-11-03
• 發明（設計）人: 齊小剛;張雅科;鄭耿忠;劉立芳;馬軍艷;李強;楊國平;馮海林
• 申請（專利權）人: 西安電子科技大學;韓山師范學院
• 主分類號: G06F17/30
• 分類號: G06F17/30
• 代理公司: 北京科億知識產權代理事務所(普通合伙)11350
• 代理人: 湯東鳳

技術領域

本發明屬于推薦系統技術領域，尤其涉及一種結合模糊權重相似性度量和聚類協同過濾的方法。

背景技術

隨著互聯網和信息技術的快速發展和普及，人們對信息的依賴程度與日俱增。信息技術的大量使用提高了信息的生產、處理和傳播的效率。互聯網作為信息時代的基礎平臺，承載了大量的信息資源。面對海量的信息資源，用戶無法篩選出對自己有用的信息，這就是信息過載問題。為了解決信息過載問題，推薦系統應運而生。與傳統的信息過濾技術搜索引擎相比，推薦系統不需要用戶提供搜索的關鍵詞，而是通過分析用戶歷史行為記錄發現用戶潛在愛好，從而產生推薦。因此，推薦系統滿足了用戶的個性化需求。

協同過濾推薦算法是推薦系統的主流算法，這種算法的基本思想是：用戶會喜歡(不喜歡)與他興趣相同(不相同)的用戶所喜歡的項目。協同過濾算法主要分為：基于內存的算法和基于模型的算法。基于內存的協同過濾算法可分為基于用戶的協同過濾算法(user-based collaborative filtering,UBCF)和基于項目的協同過濾算法(item-based collaborative filtering,IBCF)。兩種算法的關鍵都在于相似度的計算，不同的相似度計算方法會對目標用戶產生不同的鄰居集，進而影響推薦結果。而傳統的相似度計算方法直接應用用戶的評分值或評分偏差，沒有考慮用戶評分的不確定性和不同的評分習慣。因此，我們應該給原始評分加上合適的權重值，以逼近用戶真實的評分意愿。文獻Improving Coll-aborative Filtering Recommender System Results and Performance Using Genetic Algorithms研究了評分和權重線性組合以優化相似度計算函數方法，其中權重通過遺傳算法(genetic algorithm)迭代收斂到預定條件。文獻Optimizing Collaborative Filtering Recommender Systems提出了對用戶和鄰近項目采用不同的權重方式來提高推薦的質量。文獻Cluster ensembles in collaborative filtering recommendation提出了聚類融合技術，首先應用兩個著名的聚類技術(self-organizing maps(SOM)和k-means)對用戶進行聚類尋找相似用戶群，然后分別用三種聚類融合算法(the cluster-based similarity partitioning algorithm(CSPA),hypergraph partitioning algorithm(HGPA)和majority voting)對相似用戶群進行融合得到綜合相似關系群。最后,利用綜合相似關系群為目標用戶推薦項目。該方法改善了基于用戶的協同過濾推薦算法面臨的“冷啟動”問題,而且提高了推薦系統的推薦精度。文獻A fuzzy recommender system based on the integration of subjective preferences and objective information將模糊語義模型融入到協同過濾推薦中，并提出了組合主觀和客觀用戶觀點的協同過濾算法(aggregated subjective and objective users’ viewpoint(ASOV))該算法在一定程度上解決了“冷啟動”和數據稀疏性問題。文獻Facing the cold start problem in recommender systems提出了改進的相似度技術、預測機制，將人口統計信息應用到相似關系群的查找，該方法改善了協同過濾推薦算法面臨的“冷啟動”問題。

雖然國內外的眾多學者對協同過濾推薦算法進行了深入地研究,但協同過濾算法仍存在很多值得研究的問題,特別是大量數據導致的稀疏性問題,“冷啟動”問題和提高推薦精度等方面仍值得進行探索。

發明內容

本發明實施例的目的在于提供一種結合模糊權重相似性度量和聚類協同過濾的方法，旨在解決協同過濾算法中存在的提高推薦精度，數據稀疏性問題和“冷啟動”問題。

本發明實施例是這樣實現的，一種結合模糊權重相似性度量和聚類協同過濾的方法，該結合模糊權重相似性度量和聚類協同過濾的方法根據用戶評分值和模糊權重w_c，計算任意兩個用戶之間的相似度；利用k-means聚類方法對全部用戶分成若干類；對于目標用戶，在所屬的類中按相似度由高到底選取鄰居集；然后，根據鄰居集內其他用戶對目標項目的評分，預測目標用戶對目標項目的評分。