[發明專利]協同過濾推薦系統中的用戶時間相關相似度的計算方法

在審

• 申請號: 201611035948.6
• 申請日: 2016-11-09
• 公開（公告）號: CN106599074A
• 公開（公告）日: 2017-04-26
• 發明（設計）人: 金志剛;朱琦
• 申請（專利權）人: 天津大學
• 主分類號: G06F17/30
• 分類號: G06F17/30;G06K9/62
• 代理公司: 天津市北洋有限責任專利代理事務所12201
• 代理人: 程毓英

技術領域

本發明涉及一種協同過濾推薦系統中的用戶時間相關相似度的計算方法。

背景技術

隨著Internet的快速發展，互聯網上每日產生的信息量以幾何級的速度增長，人們能夠獲取更加豐富多樣的信息資源的同時，也迫切需要在海量數據中準確快速地提取有用信息，在此背景下，個性化推薦系統應運而生，其應用也日益廣泛。個性化推薦系統通過收集分析用戶的特征信息和歷史行為，推測用戶的興趣、喜好，從而為用戶提供更準確的個性化服務，尤其在電子商務系統中個性化推薦系統的應用，能夠為消費者智能提供滿足其需求的商品同時，也給商家帶來了巨大的商業利益，實現了商家與消費者的互利雙贏，可以有效地解決互聯網發展帶來的信息過載的問題。

在眾多個性化推薦技術中，協同過濾是目前最成功和應用最多的推薦技術，已廣泛應用于電子商務系統中。其核心思想是基于用戶-項目評分數據集，篩出與目標用戶興趣相似的用戶作為最近鄰居集，通過最近鄰居對各項目的綜合評分信息對目標用戶對各項目的喜好程度作出預測，從而為目標用戶作出相應的推薦。其優點在于不需要分析項目的各維度特征，可以更加方便地處理非結構化數據。但是，隨著電子商務平臺用戶和商品數量的不斷增加，用戶評分極端稀疏，用戶興趣變化不一致，導致傳統的相似度計算方法對真實用戶相似度評估誤差較大，進而影響最近鄰居的選取。

發明內容

本發明提供一種協同過濾推薦系統中的用戶時間相關相似度的計算方法，為了達到上述目的，本發明采用如下的技術方案：

一種協同過濾推薦系統中的用戶時間相關相似度的計算方法，包括下列步驟：

(1)構建用戶-項目評分矩陣；

(2)采用皮爾森相似度計算方法計算用戶間傳統相似度；

(3)計算時間相關度：計算某用戶與目標用戶共同評分項的評分時間和與評分時間差絕對值之和，進一步求計算結果關于共同評分項的平均數，最后歸一化得時間相關度；

(4)計算可用度：當某用戶與目標用戶之間的傳統相似度值小于0時或者該用戶所評價的所有項目都包含于目標用戶所評價的項目，則定義該用戶對目標用戶的可用度為0，當某用戶與目標用戶之間的傳統相似度值不小于0或者該用戶所評價的項目中含有目標用戶所未評價的項目時，則定義該用戶對目標用戶的可用度為1；

(5)計算時間相關相似度：將可用度、時間相關度、傳統相似度三者相乘，得到時間相關相似度。

本發明基于用戶興趣隨時間變化發展的特點，通過時間相關度刻畫用戶間興趣取向的相似度,提高擁有較多最近共同評分項的用戶與目標用戶的相似度,智能選取興趣發展動向與目標用戶一致的用戶,為目標用戶提供具有更高推薦能力且更有預見性的用戶作為最近鄰居，進而提高推薦的準確度與智能化。

附圖說明

圖1是時間相關相似度計算流程圖。

具體實施方式

本發明的具體實施方式是：

(1)首先采集數據，數據可以從推薦系統的數據庫中獲取，接著構建如下的用戶-項目評分矩陣；設用戶總數為m，項目總數為n，R_ij為用戶i對項目j的評分，評分越高，則表示用戶i對項目j的喜好度越大；

(2)計算用戶間的傳統相似度，這里采用經典的皮爾森相似度計算方法，具體方法如下所示：

其中，a和b代表兩個用戶，sim(a,b)表示用戶a和b之間的傳統相似度，R_ai表示用戶a對項目i的評分，I_ab表示兩個用戶的共同評分項集，表示用戶a的評分均值，|I_a|表示用戶a評價過的項目個數；

(3)計算時間相關度，某用戶與目標用戶對共同評分項評分時間距當前時間越近,則時間相關度越高,且用戶間共同評分項的評分時間越接近，則時間相關度越高，時間相關度計算方法如下：

其中，t_ai表示用戶a對項目i評分距當前的時長，t_bi表示用戶b對項i評分距當前的時長,t_ai+t_bi表示用戶a、b對共同評分項i評分的時間久遠度，|t_ai-t_bi|表示用戶a、b對共同評分項i評分的時間間隔；