[發明專利]一種基于虛擬用戶的協同過濾推薦方法

在審

• 申請號: 201710735144.5
• 申請日: 2017-08-24
• 公開（公告）號: CN107545054A
• 公開（公告）日: 2018-01-05
• 發明（設計）人: 陳鋼;何亮;顧亞軍;沈鳴飛
• 申請（專利權）人: 蘇州希格瑪科技有限公司
• 主分類號: G06F17/30
• 分類號: G06F17/30;G06K9/62;G06Q30/06
• 代理公司: 蘇州華博知識產權代理有限公司32232
• 代理人: 彭益波

1.一種基于虛擬用戶的協同過濾推薦方法，其特征在于，該方法首先將真實用戶分成若干個組，取每組的中心用戶作為虛擬用戶，再根據最小二乘法和余弦相似度算法計算出虛擬用戶特征矩陣和商品特征矩陣，最后將虛擬用戶特征矩陣和商品特征矩陣相乘得到虛擬用戶對商品的推薦結果。

2.根據權利要求1所述的基于虛擬用戶的協同過濾推薦方法，其特征在于，通過K-Means聚類方法將真實用戶根據商品標簽劃分為K個組。

3.根據權利要求2所述的基于虛擬用戶的協同過濾推薦方法，其特征在于，所述基于虛擬用戶的協同過濾推薦方法具體包括以下步驟：

1)建立初始用戶特征向量，初始用戶特征向量為每個真實用戶給所有商品進行打分組成特征向量；

2)建立初始商品特征向量，初始商品特征向量為真實用戶給各種商品進行統一編號；

3)對初始用戶特征向量和初始商品特征向量進行歸一化處理；

4)采用K-Means方法進行虛擬用戶的聚類操作，得到虛擬用戶；

5)根據最小二乘法計算出低維度初始用戶特征矩陣和低維度初始商品特征矩陣，初始用戶特征矩陣由初始用戶特征向量組成，初始商品特征矩陣由初始商品特征向量組成；

6)采用余弦相似度算法在若干個低維度初始用戶特征向量中查找最相似的低維度初始用戶特征向量，取對應的虛擬用戶，低維度初始用戶特征向量為低維度初始用戶特征矩陣的向量；

7)取步驟6)中的若干對應的虛擬用戶對應的初始用戶特征向量組成的虛擬用戶特征矩陣，將所有真實用戶的ID與虛擬用戶的ID進行映射；

8)將虛擬用戶特征矩陣和歸一化處理后的初始商品特征矩陣進行相乘，得到虛擬用戶對該商品的推薦結果，按照虛擬用戶遍歷推薦結果，得到每個虛擬用戶對商品的偏好的推薦列表。

4.根據權利要求3所述的基于虛擬用戶的協同過濾推薦方法，其特征在于，在所述步驟1)中，所述初始用戶特征向量的行是真實用戶，列是商品，單元格是分數。

5.根據權利要求4所述的基于虛擬用戶的協同過濾推薦方法，其特征在于，所述步驟1)中的分數和所述步驟2)中的商品編號均為整數類型。

6.根據權利要求5所述的基于虛擬用戶的協同過濾推薦方法，其特征在于，在所述步驟3)中，對初始用戶特征向量和初始商品特征向量進行Log運算歸一化處理。

7.根據權利要求6所述的基于虛擬用戶的協同過濾推薦方法，其特征在于，在所述步驟4)中，采用K-Means方法進行虛擬用戶的聚類操作，具體操作過程如下：

4.1)選取K個種子節點；

4.2)對真實用戶所有向量求到這K個種子節點的距離，假如點Pi離種子點Si最近，則Pi屬于種群Si；

4.3)移動種子點到屬于它的群中心點；

4.4)重復步驟4.2)和步驟4.3)直到種子點沒有再移動。

8.根據權利要求7所述的基于虛擬用戶的協同過濾推薦方法，其特征在于，在所述步驟4.1)中，K為100～10000的整數。

9.根據權利要求8所述的基于虛擬用戶的協同過濾推薦方法，其特征在于，群中心點的算法如下：

Dij=Σk=1n|Xik-Xjk|λ,]]>

其中，λ為隨機取值，X_ik、X_jk表示真實用戶的特征向量矩陣，n為特征向量維度數，D_ij為兩個真實用戶計算出來的相似距離。

10.根據權利要求9所述的基于虛擬用戶的協同過濾推薦方法，其特征在于，在所述步驟6)中，所述余弦相似度算法的計算公式如下：

SimilaryValue=x1y1+x2y2+x3y3+...+xnynx12+x22+x32+...+xn2*y12+y22+y32+...+yn2,]]>

其中，x_n、y_n表示虛擬用戶特征矩陣向量坐標值。