[發明專利]一種基于用戶和物品的自適應個性化推薦方法

在審

• 申請號: 201710015604.7
• 申請日: 2017-01-10
• 公開（公告）號: CN106897911A
• 公開（公告）日: 2017-06-27
• 發明（設計）人: 袁志遠;王玉峰
• 申請（專利權）人: 南京郵電大學
• 主分類號: G06Q30/06
• 分類號: G06Q30/06;G06K9/62
• 代理公司: 南京知識律師事務所32207
• 代理人: 李湘群

技術領域

本發明屬于基于大數據的個性化推薦技術領域，具體涉及一種基于用戶和物品的自適應個性化推薦方法。

背景技術

互聯網技術的迅速發展使得大量的信息爆炸式地呈現在大眾面前。信息爆炸會降低信息的使用率，也就是所謂的“信息超載”。個性化推薦是當前研究的熱門領域，它可以在大量冗余信息中找到用戶的需求，因此，可以很好地提升用戶體驗，從而提升企業營銷。通過相關的機器學習及數據挖掘技術，推薦系統挖掘用戶的購買傾向，將用戶可能感興趣的物品推薦給用戶。一個良好的推薦系統可以挖掘出用戶潛在的消費偏好，為不同的用戶提供針對性的服務。

已有的基于用戶或者物品的個性化推薦方法，其精度對用戶數量、物品數量以及評價矩陣稀疏性具有依賴性，以上兩種方法分別從用戶和物品兩個角度考慮問題。但是不論是只從用戶角度考慮還是只從物品角度考慮，實踐證明預測的精度很難讓人滿意。

現有技術中還沒有出現將兩者融合，形成一種基于用戶和物品的自適應個性化推薦方法，實現較高的預測精度。

發明內容

本發明要解決的技術問題是針對現有技術中為了提高個性化推薦的精準度提出一種基于用戶和物品的自適應個性化推薦方法。

為此，本發明提出的技術方案是一種基于用戶和物品的自適應個性化推薦方法，該方法分為訓練和個性化推薦兩個階段：

一、訓練階段：包含以下五個子步驟：

步驟1-1：數據采集及預處理，平臺采集用戶個人信息，用戶行為特征，以及用戶對物品的評價數據形成用戶評價矩陣，對用戶評價數據預處理,用戶對物品評價的空缺值使用用戶對物品的平均評價代替,若該物品無評價用戶，填充評價最高值的一半；

步驟1-2：用戶相似性聚類，根據采集的用戶數據對用戶進行聚類，使用聚類算法將用戶劃分為K個聚類，具有相似行為和物品喜好的用戶劃分為同一聚類；

步驟1-3：物品相似性計算，根據物品自身的特征屬性量化為特征向量，由相似性度量公式計算兩兩物品之間的相似度；

步驟1-4：計算物品間的評價平均差矩陣，根據用戶對物品的評價打分，計算兩兩物品間的平均評價的差值；

步驟1-5：建立預測模型，分為三個步驟，首先根據物品之間的相似性，建立基于物品相似性的預測模型；其次，根據用戶的相似性建立基于用戶聚類的預測模型，最后，將兩者融合建立基于用戶和物品的自適應預測模型；

二、個性化推薦階段：包含以下三個步驟：

步驟2-1：數據采集及預處理，采集用戶個人信息，用戶近期行為特征，以及用戶對物品的評價等數據；

步驟2-2：基于用戶屬性判定所屬聚類，根據將采集的用戶數據量化，步驟1-2已經對用戶聚類，由相似性公式分別計算用戶與K個聚類核心的相似性，用戶與某個聚類核心的相似度最高，判定用戶屬于該聚類；

步驟2-3：預測用戶對未評價物品的打分，根據用戶的歷史評價數據，利用步驟1-4中建立的基于用戶和物品的自適應預測模型預測用戶對未評價物品的的打分，將預測評價較高的N件物品推薦給用戶。

進一步，上述步驟1-1中，所述個人信息指的是能夠用于用戶相似性聚類的用戶信息，所述用戶行為特征是從針對某件物品的行為中抽取特征，并進行量化，對用戶評價信息進行量化，形成用戶評價矩陣R_m×n：

m:表示用戶的數量，n：表示物品的數量，r_ij:表示用戶i對物品j的評價，R[i]代表用戶i對所有商品的評價，給出相似評價的用戶具有相似性，R[i]可直接用于用戶相似性計算或者相似性聚類。

步驟1-4中，根據用戶評價矩陣R_m×n，計算物品i與物品j的評價平均差：

r_ui:用戶u對物品i的評價；U(i，j):對物品i,j同時給出評價的用戶集合；

N(U(i，j)):對物品i,j同時給出評價的用戶數量；由此可以得到物品間的評價平均差矩.形成如下物品的評價平均差矩陣DEV_n×n：

其中，dev_i，j:物品i與物品j的評價平均差，即：用戶對i物品的打分比j物品的打分平均高dev_i，j；n:物品的數量，主對角線元素dev_i，i不具有實際意義，填充為0，dev_i，j＝-dev_j，i，為減少不必要的計算，僅需要計算DEV_n×n的下三角或上三角元素。