[發(fā)明專利]一種基于項(xiàng)目屬性評(píng)分均值的協(xié)同過濾推薦方法

在審

• 申請(qǐng)?zhí)枺?/td>: 201510342385.4
• 申請(qǐng)日: 2015-06-19
• 公開（公告）號(hào): CN104899321A
• 公開（公告）日: 2015-09-09
• 發(fā)明（設(shè)計(jì)）人: 龔安;高洪福;高云;唐永紅;曾雷
• 申請(qǐng)（專利權(quán)）人: 中國石油大學(xué)（華東）
• 主分類號(hào): G06F17/30
• 分類號(hào): G06F17/30
• 代理公司: 暫無信息
• 代理人: 暫無信息

技術(shù)領(lǐng)域

本發(fā)明涉及一種協(xié)同過濾推薦方法，尤其涉及一種基于項(xiàng)目屬性評(píng)分均值的協(xié)同過濾推薦方法。

背景技術(shù)

隨著Internet和電子商務(wù)的迅猛發(fā)展，“信息爆炸”和“信息過載”問題越來越嚴(yán)重，用戶很難從海量的信息中找到自己真正需要的信息。推薦系統(tǒng)可以在用戶目的不明確的情況下幫助用戶找到可能感興趣的信息并推薦給用戶。協(xié)同過濾是現(xiàn)行推薦系統(tǒng)中應(yīng)用最廣泛最成功的技術(shù)之一，但其需要維護(hù)一個(gè)存儲(chǔ)用戶偏好的數(shù)據(jù)庫。因此，隨著系統(tǒng)中用戶和項(xiàng)目數(shù)量的不斷增加，協(xié)同過濾面臨嚴(yán)峻的用戶評(píng)分?jǐn)?shù)據(jù)稀疏性、推薦實(shí)時(shí)性、可擴(kuò)展性挑戰(zhàn)，推薦質(zhì)量迅速下降。針對(duì)上述問題，迫切需要一種能夠提高推薦質(zhì)量的推薦方法。

發(fā)明內(nèi)容

針對(duì)協(xié)同過濾推薦算法在單一評(píng)分?jǐn)?shù)據(jù)集上存在預(yù)測精度低的問題，本發(fā)明研制一種基于項(xiàng)目屬性評(píng)分均值的協(xié)同過濾推薦方法。

本發(fā)明其特征在于，包括以下步驟：

(1)用戶-項(xiàng)目屬性評(píng)分矩陣的構(gòu)造。定義項(xiàng)目的屬性集為A＝{A₁,A₂,…,A_k,…A_l}，A_k＝{a₁,a₂,…,a_t}。需要注意的是，對(duì)于某一項(xiàng)目的屬性A_k，其可能有多個(gè)取值。例如，一部電影既是動(dòng)作片又是科幻片，一件商品既是女裝又是戶外等。設(shè)用戶對(duì)第k個(gè)屬性A_k的評(píng)分矩陣為G，表示如下：

其中，m為用戶數(shù)量，t是屬性A_k值的數(shù)量。

確定用戶對(duì)各屬性值的評(píng)分，即g_ij。采用均值法：即以用戶對(duì)具有某一屬性值的項(xiàng)目的評(píng)分的均值作為其評(píng)分，定義如下：

gij=Σh=1NrhN]]>

其中，N代表用戶i評(píng)價(jià)過的A_k＝a_j的項(xiàng)目的數(shù)量，r_h代表用戶對(duì)A_k＝a_j的項(xiàng)目的評(píng)分。

由定義可知，每個(gè)用戶對(duì)每個(gè)屬性值的評(píng)分至多只有一個(gè)值，例如，用戶A對(duì)喜劇電影的評(píng)分為4；如果A沒有看過悲劇電影，則其沒有該項(xiàng)評(píng)分。

(2)項(xiàng)目屬性的確定。主要從以下兩個(gè)方面進(jìn)行度量：

數(shù)據(jù)稀疏度：用戶評(píng)分?jǐn)?shù)據(jù)矩陣中未評(píng)分條目所占的百分比，其公式定義如下：

Ps=(1-Nrm×n)×100%]]>

其中，N_r為評(píng)分總量，m為矩陣的行數(shù)(用戶的數(shù)量)，n為矩陣的列數(shù)(項(xiàng)目或者項(xiàng)目屬性值的數(shù)量)。

數(shù)據(jù)減少率：用戶-項(xiàng)目屬性評(píng)分相比用戶-項(xiàng)目評(píng)分所減少的數(shù)據(jù)量的比率，定義如下：