[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

技術領域

本發明涉及一種基于虛擬用戶的協同過濾推薦方法。

背景技術

隨著互聯網用戶數高速發展，用戶在互聯網上表現的行為數據也 越來越復雜，例如用戶對在互聯網上對某件商品的點擊、收藏、關注、 喜歡等操作都反應用戶對這件商品的評價，如何根據用戶行為推薦類 似商品給到用戶成為推薦系統的主要研究方向。

傳統的用戶商品推薦方法需要對用戶進行依次計算，特別當用戶 量特別巨大時，這種計算方式存在非常大的計算資源的開銷并且時效 性不能夠得到很好的保障。

發明內容

為了解決上述技術問題，本發明提出了一種基于虛擬用戶的協同 過濾推薦方法。

為了達到上述目的，本發明的技術方案如下：

一種基于虛擬用戶的協同過濾推薦方法，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。

本發明提出一種基于虛擬用戶的協同過濾推薦方法，彌補了市場 上此項功能的空白，實現了商品精準推薦給用戶。

在上述技術方案的基礎上，還可做如下改進：

作為優選的方案，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。

采用上述優選的方案，實現了商品的精準推薦。

作為優選的方案，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。

采用上述優選的方案，商品的推薦精準。

作為優選的方案，在步驟1)中，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。

采用上述優選的方案，數據有效。

作為優選的方案，步驟1)中的分數和步驟2)中的商品編號均 為整數類型。

采用上述優選的方案，便于進行數據處理。

作為優選的方案，在步驟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。

采用上述優選的方案，便于數據進行后續處理。

作為優選的方案，在步驟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。

采用上述優選的方案，可靠性高。

作為優選的方案，在步驟4.1)中，K為100～10000的整數。

采用上述優選的方案，更合理。

作為優選的方案，群中心點的算法如下：

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。

采用上述優選的方案，可以有效得出群中心點。

作為優選的方案，在步驟6)中，余弦相似度算法的計算公式如 下：