[發(fā)明專利]一種基于用戶聚類的推薦方法

有效

• 申請?zhí)枺?/td>: 201410565721.7
• 申請日: 2014-10-22
• 公開（公告）號: CN104268290B
• 公開（公告）日: 2017-08-08
• 發(fā)明（設(shè)計(jì)）人: 李鵬;王婭丹;金瑜;劉璟;劉欣
• 申請（專利權(quán)）人: 武漢科技大學(xué)
• 主分類號: G06F17/30
• 分類號: G06F17/30
• 代理公司: 武漢科皓知識產(chǎn)權(quán)代理事務(wù)所(特殊普通合伙)42222
• 代理人: 嚴(yán)彥

1.一種基于用戶聚類的推薦方法，其特征在于，包括以下步驟：

Step1，輸入用戶集合U＝{u₁,u₂…u_α}和主題標(biāo)簽集合C＝{s₁,s₂…s_β}，α表示用戶個數(shù)，β表示主題標(biāo)簽集合C中主題標(biāo)簽個數(shù)；初始化當(dāng)前處理用戶序號i取值為1，轉(zhuǎn)到Step2；

Step2，初始化當(dāng)前處理標(biāo)簽序號j取值為1，轉(zhuǎn)到Step3；

Step3，如果用戶u_i關(guān)注了主題標(biāo)簽s_j，轉(zhuǎn)到Step4；否則令用戶對第j個主題標(biāo)簽感興趣的程度d_j＝0，轉(zhuǎn)到Step9；

Step4，根據(jù)用戶u_i對主題標(biāo)簽s_j的瀏覽次數(shù)n，確定出用戶u_i對主題標(biāo)簽s_j的總瀏覽頻率f＝n，轉(zhuǎn)到Step5；

Step5，確定用戶u_i對主題標(biāo)簽s_j的第k次瀏覽時間t_j,k以及總瀏覽時間T，k的取值為1,2,…n，轉(zhuǎn)到Step6；

Step6，確定用戶u_i對主題標(biāo)簽s_j的有效瀏覽頻率e_f，轉(zhuǎn)到Step7；

確定方式為，若t_min≤t_j,k≤t_max，t_min和t_max為用戶u_i對標(biāo)簽的最小瀏覽時間和最大瀏覽時間的預(yù)設(shè)閾值，則用戶u_i對第j個主題標(biāo)簽的第k次瀏覽是有效的，則用戶u_i對第j個主題標(biāo)簽的n次瀏覽過程中，所有有效瀏覽的次數(shù)之和為用戶u_i對第j個主題標(biāo)簽的有效瀏覽頻率；

Step7，求e_f次有效瀏覽的瀏覽時間之和，計(jì)算出用戶u_i對主題標(biāo)簽s_j的有效瀏覽時間e_t，轉(zhuǎn)到Step8；

Step8，根據(jù)下式，計(jì)算出用戶u_i對主題標(biāo)簽s_j興趣度d_j，轉(zhuǎn)到Step9；

其中，參數(shù)f1為用戶對所有主題標(biāo)簽的瀏覽頻率之和；ps為預(yù)設(shè)的系統(tǒng)參數(shù)興趣時間系數(shù)，表示用戶對第j個主題標(biāo)簽的平均瀏覽時間，表示用戶對第j個主題標(biāo)簽的平均有效瀏覽時間；

Step9，設(shè)用戶u_i在主題標(biāo)簽集合C中未瀏覽過的標(biāo)簽集合用c_b表示，瀏覽過的標(biāo)簽集合用c_a表示，根據(jù)下式，計(jì)算V_i,j，V_i,j表示用戶u_i對主題標(biāo)簽s_j的興趣度值，用戶u_i的興趣向量為v_i(V_i,1,V_i,2,…V_i,β)；令j＝j(luò)+1，如果j小于等于β則轉(zhuǎn)到Step3，否則轉(zhuǎn)到Step10；

Step10，令i＝i+1，如果i小于等于α，轉(zhuǎn)到Step2，否則令i＝1，初始化核心用戶數(shù)目γ取值為0，轉(zhuǎn)到Step11；

Step11，根據(jù)用戶u_i的興趣向量v_i(V_i,1,V_i,2,…V_i,β)中非零元素所占比例得到興趣密度值density(u_i)，如果興趣密度值density(u_i)＞λ，標(biāo)記u_i為核心用戶，轉(zhuǎn)到Step12；否則轉(zhuǎn)到Step13；其中，λ為預(yù)設(shè)的密度閾值；

Step12，令γ＝γ+1，轉(zhuǎn)到Step13；

Step13，令i＝i+1，如果i小于等于α，轉(zhuǎn)到Step11；否則轉(zhuǎn)到Step14；

Step14，當(dāng)前得到γ個核心用戶，開始用K-means算法對全部用戶進(jìn)行聚類，本步驟以γ個核心用戶為初始的聚類中心，初始定義變量newJ＝0，oldJ＝-1，轉(zhuǎn)到Step15；

Step15，計(jì)算fabs(newJ-oldJ)，fabs函數(shù)表示計(jì)算絕對值，如果fabs(newJ-oldJ)大于等于絕對值的相應(yīng)預(yù)設(shè)閾值，轉(zhuǎn)到Step16，否則轉(zhuǎn)到Step19；

Step16，對用戶集合U＝{u₁,u₂…u_α}中作為聚類中心的用戶以外的各剩余用戶，分別計(jì)算剩余用戶與每個作為聚類中心的用戶之間的歐式距離，并分配到距離最近的聚類中心相應(yīng)聚類中，轉(zhuǎn)到Step17；

Step17，計(jì)算每個用戶聚類R_h中所有用戶興趣向量的平均值，作為用戶聚類R_h新的聚類中心Z_h，轉(zhuǎn)到Step18；

Step18，令oldJ＝newJ，根據(jù)準(zhǔn)則函數(shù)計(jì)算新的準(zhǔn)則函數(shù)值賦值給newJ，轉(zhuǎn)到Step15；

Step19，當(dāng)前得到γ個用戶聚類R₁,R₂…R_γ，轉(zhuǎn)到Step20；

Step20，初始化當(dāng)前處理類別序號h取值為1，轉(zhuǎn)到Step21；

Step21，根據(jù)下式計(jì)算該類別的類興趣向量Rv_h＝(RV_h1,RV_h2,...,RV_hβ)，轉(zhuǎn)到Step22；

其中，|R_h|表示用戶聚類R_h中的用戶個數(shù)，表示用戶聚類R_h中的任一用戶，用w表示聚類R_h中用戶個數(shù)，取值為1,2......w，表示用戶聚類R_h中用戶對第j個主題標(biāo)簽的興趣度，RV_hj表示用戶聚類R_h對第j個主題標(biāo)簽的興趣度，j取值為1,2......β；

Step22，令h＝h+1，如果h小于等于γ，轉(zhuǎn)到Step21，否則轉(zhuǎn)到Step23；

Step23，此時得到γ個類別的類興趣向量，Rv₁,Rv₂…Rv_γ，令h＝1，轉(zhuǎn)到Step24；

Step24，為用戶聚類R_h中的每個用戶分別推薦主題標(biāo)簽，設(shè)用戶聚類R_h中的用戶為用戶集合U＝{u₁,u₂…u_α}中的用戶u_i，對于用戶u_i的興趣向量v_i(V_i,1,V_i,2,…V_i,β)，把它與用戶聚類R_h的類興趣向量Rv_h＝(RV_h1,RV_h2,...,RV_hβ)中各興趣值RV_hj進(jìn)行比較，如果V_i,j大于等于RV_hj，則把主題標(biāo)簽s_j推薦給用戶，轉(zhuǎn)到Step25；

Step25，令h＝h+1，如果h小于等于γ，轉(zhuǎn)到Step24，否則轉(zhuǎn)到Step26；

Step26，對用戶集合U＝{u₁,u₂…u_α}中每個用戶的自動推薦均已完成，結(jié)束。

2.根據(jù)權(quán)利要求1所述基于用戶聚類的推薦方法，其特征在于：Step18中，準(zhǔn)則函數(shù)的計(jì)算公式如下，

其中，w代表用戶聚類R_h中用戶個數(shù)，表示兩個特征向量之間的偏差的平方，為用戶聚類R_h中的用戶的興趣向量，Z_h為相應(yīng)類別的聚類中心。