[發明專利]一種基于協同過濾的優化方法

在審

• 申請號: 201711492287.4
• 申請日: 2017-12-30
• 公開（公告）號: CN108038629A
• 公開（公告）日: 2018-05-15
• 發明（設計）人: 楊勝齊;黃樟欽;鄭龍帥;吳寒;包宇津
• 申請（專利權）人: 北京工業大學
• 主分類號: G06Q10/06
• 分類號: G06Q10/06;G06N3/08;G06Q30/06
• 代理公司: 北京思海天達知識產權代理有限公司 11203
• 代理人: 沈波

本發明公開了一種基于協同過濾的優化方法，該方法為一種基于奇異值分解和BP神經網絡預測未評分項的改進方法；該方法通過奇異值分解用戶?項目評分矩陣，有效的降低了矩陣的稀疏性；同時在奇異值分解的基礎上，進一步采用BP神經網絡來對未評分的目標項目進行分值預測。在此基礎上，進行相似性計算獲取相似鄰居列表，將商品進行推薦給目標用戶。該方法的改進核心思想是將用戶?項目評分矩陣降維，有效的緩解數據稀疏性，使得推薦準確率更高。

技術領域

本發明屬于數據處理和數據挖掘領域，具體涉及一種基于奇異值分解和BP神經網絡預測未評分項的改進方法。

背景技術

進入移動互聯網時代，各種平臺上信息資源的體量越來越大，出現了比傳統互聯網時代更為嚴重的“信息過載”現象。面對如此巨大的信息量，用戶經常感到無從下手，原因就是很難再通過簡單的查找較快的獲得自己喜歡的信息，同時也大大增加了人們查詢信息的時間，這是“信息過載”現象在電子商務領域的表現。用戶也可以通過阿里巴巴提供的搜索指數來選擇商品，但是并不一定符合自己個性化需求。因此用戶需要一種能根據自己的偏好特點來自動選擇其感興趣信息的技術，推薦算法在這種背景下得到了迅速發展。

推薦系統的研究重點在于如何快速的從海量信息中獲取我們感興趣的內容，省時省力，準確快捷是首要目標。現在是大數據時代，各種信息數據增長速度極快，推薦系統的效率已經成為學者十分重視的問題，各種框架的出現表明了對推薦系統的進一步研究已經迫在眉睫，同時也給各類電商平臺帶來了很大改變。

根據原理的不同，個性化推薦算法有幾種不同的分類，通過不同的推薦策略來進行信息等資源的推薦，大致分為三種推薦方式：基于關聯規則、基于內容和協同過濾推薦算法。基于關聯規則算法的本質是獲取數據與數據之間的關系，在獲取到用戶的行為之后，使用關聯規則技術分析各個產品在用戶之間購買的關系，找出各個產品之間的聯系，由這些產品的聯系推導出來跟其他產品之間的聯系，不同規則的相似度不同，這個在每個關聯規則中都可以通過兩商品同時發生的概率來表示。基于內容的推薦算法是以平臺上商品的分類屬性來進行推薦的，首先要明確商品類別屬性，根據商品本身所具有的屬性特點來判斷某一未評分產品是否符合用戶的期望。協同過濾推薦算法是根據用戶的興趣進行分析的，在用戶購買商品的過程中，用戶之間和項目之間都會有相似性，通過這些相似性來進行產品的定向推薦，算法的核心是尋找用戶和商品的最近鄰居。

協同過濾是根據用戶的興趣進行分析的，在用戶購買商品的過程中，用戶之間和項目之間都會有相似性，通過這些相似性來進行產品的定向推薦，算法的核心是尋找用戶和商品的最近鄰居。該算法有兩種重要的分類，基于用戶的協同過濾算法和基于項目的協同過濾算法。最早使用到這兩種方法是在信息的過濾時進行篩選的，后來延伸出來各種類型的算法。其實這兩者的原理是相似的，都要使用到用戶對商品的評分數據來進行分析，前者是整個算法的核心，通過矩陣行數據計算用戶相似性，后者是通過列數據計算項目的相似性。

發明內容

本發明的目的是針對現有技術的不足，提出了一種基于奇異值分解和BP神經網絡預測未評分項的改進方法。該方法通過奇異值分解用戶-項目評分矩陣，有效的降低了矩陣的稀疏性；同時在奇異值分解的基礎上，進一步采用BP神經網絡來對未評分的目標項目進行分值預測，這樣做的好處是避免了用平均分值代替而產生的效果單一性，從而使推薦的準確性有了較大提升。

將用戶對商品的評分用m×n矩陣R表示，其中，m是用戶數量，n是商品數量，矩陣中元素Rij是用戶i對商品j的偏好，Rij為數值。用矩陣R進行表示。

若r是m×n矩陣R的秩，那么對矩陣R進行分解