[發明專利]一種層疊組合協同過濾推薦方法

在審

• 申請號: 201810539349.0
• 申請日: 2018-05-30
• 公開（公告）號: CN108874916A
• 公開（公告）日: 2018-11-23
• 發明（設計）人: 王林;贠境孺
• 申請（專利權）人: 西安理工大學
• 主分類號: G06F17/30
• 分類號: G06F17/30;G06Q30/06
• 代理公司: 西安弘理專利事務所 61214
• 代理人: 王珂瑜

本發明公開了一種層疊組合協同過濾推薦方法，具體按照以下步驟實施：步驟1，構建用戶?項目評分矩陣；步驟2，計算用戶之間的相似性，步驟3，查找目標用戶的最近鄰居，步驟4，對目標用戶a進行預測評分，步驟5，填充步驟1中建立的原始用戶?項目評分矩陣R，步驟6，計算項目之間的相似性，步驟7，查找目標項目的最近鄰居，步驟8，對目標用戶a進行預測評分，步驟9，產生推薦物品列表。解決協同過濾推薦算法在應用中所遇到的數據稀疏性問題,進而有效提高了推薦質量。

技術領域

本發明屬于數據挖掘技術領域，具體涉及一種層疊組合協同過濾推薦方法。

背景技術

隨著網絡資源的不斷豐富和網絡信息量的不斷膨脹，對用戶而言，面對如此豐富和復雜的信息資源，要從中挑選出真正喜歡的東西十分困難。近年來興起的個性化推薦系統成為解決這一問題的主要方法，該方法在新聞網站、音樂網站和電子商務網站得到廣泛運用。推薦系統就是分析并收集用戶的歷史行為信息，根據相關推薦算法對目標用戶產生推薦。推薦系統中運用最廣泛的是協同過濾推薦算法。它的基本思想是首先為目標用戶尋找相似的鄰居用戶，然后把鄰居用戶感興趣的項目推薦給目標用戶。協同過濾推薦系統在信息服務系統中得到廣泛應用，它需要利用用戶的評分數據來計算用戶或項目之間的相似性，如果沒有足夠的評分數據，協同過濾算法就沒有較好的推薦精度。但是由于用戶和商品的數量巨大，用戶的精力又很有限，因此大多數用戶只對很少一部分的項目進行評分，一般不會超過項目總數的1％，造成用戶-項目評分矩陣的數據密度嚴重不足。另外，當新用戶剛進入系統時，就會發生“新用戶”問題，因為他沒有對任何物品進行過評分，故無法找到與其具有相似興趣愛好的最近鄰用戶,必須等待一段時間才有用戶查看并進行評價，因此難以找到合適的方法為用戶推薦。同樣地，當新的物品剛進入系統時，就會發生“新物品”問題，因為沒有任何用戶對其進行過評價，故無法找到與其相似的物品，新物品無法得到推薦。因此，“數據稀疏性”問題是目前推薦系統都面臨的一個巨大的困難和挑戰，它也是造成協同過濾推薦系統質量下降的一個首要問題。盡管學者們針對協同過濾推薦系統面臨的數據稀疏性問題做了許多研究，但是仍然存在不足，而且單一的協同過濾推薦算法往往只考慮到某一方面的相似性，不能使推薦系統的推薦精度得到綜合提高。

發明內容

本發明的目的是提供一種層疊組合協同過濾推薦方法，解決協同過濾推薦算法在應用中所遇到的數據稀疏性問題,進而有效提高了推薦質量。

本發明所采用的技術方案是，一種層疊組合協同過濾推薦方法，具體按照以下步驟實施：

步驟1，構建用戶-項目評分矩陣，

步驟2，計算用戶之間的相似性，

步驟3，查找目標用戶的最近鄰居，

步驟4，對目標用戶a進行預測評分，

步驟5，填充步驟1中建立的原始用戶-項目評分矩陣R，

步驟6，計算項目之間的相似性，

步驟7，查找目標項目的最近鄰居，

步驟8，對目標用戶a進行預測評分，

步驟9，產生推薦物品列表。

本發明的特點還在于，

所述的步驟1具體為，

步驟1.1，獲取用戶喜好數據，用戶喜好數據是以(UserID、ItemID、Preference)為元組的數據集，用戶喜好數據包括用戶的編號、項目的編號、用戶對項目的興趣偏好值，

步驟1.2，對通過預處理將無用數據過濾、數據類型轉換和數據格式統一，按照推薦要求處理數據，將其轉化為一個維度為m×n的初始用戶評分數據矩陣R，