[發(fā)明專利]基于評(píng)分預(yù)測(cè)和用戶特征的協(xié)同過(guò)濾電影推薦方法及系統(tǒng)

在審

• 申請(qǐng)?zhí)枺?/td>: 201910589450.1
• 申請(qǐng)日: 2019-07-02
• 公開(kāi)（公告）號(hào): CN110287373A
• 公開(kāi)（公告）日: 2019-09-27
• 發(fā)明（設(shè)計(jì)）人: 魯芹;宋娜
• 申請(qǐng)（專利權(quán)）人: 齊魯工業(yè)大學(xué)
• 主分類(lèi)號(hào): G06F16/735
• 分類(lèi)號(hào): G06F16/735;G06F16/738;G06F16/78
• 代理公司: 濟(jì)南圣達(dá)知識(shí)產(chǎn)權(quán)代理有限公司 37221
• 代理人: 黃海麗

本公開(kāi)公開(kāi)了基于評(píng)分預(yù)測(cè)和用戶特征的協(xié)同過(guò)濾電影推薦方法及系統(tǒng)，包括：計(jì)算任意兩個(gè)電影之間的電影相似性，存儲(chǔ)到電影相似性數(shù)據(jù)庫(kù)中；根據(jù)電影相似性數(shù)據(jù)庫(kù)中待推薦用戶已評(píng)分過(guò)的電影和待推薦用戶未評(píng)分過(guò)的電影之間的電影相似性，計(jì)算待推薦用戶對(duì)某個(gè)未評(píng)分過(guò)的電影的第一預(yù)測(cè)評(píng)分；根據(jù)所述用戶集合中用戶與用戶的特征相似度，計(jì)算待推薦用戶對(duì)未評(píng)分過(guò)的電影的第二預(yù)測(cè)評(píng)分；對(duì)待推薦用戶對(duì)未評(píng)分過(guò)的電影的第一預(yù)測(cè)評(píng)分和第二預(yù)測(cè)評(píng)分進(jìn)行求和運(yùn)算，得到最終的預(yù)測(cè)評(píng)分；對(duì)最終的評(píng)分按照從到大到小進(jìn)行排序，將排序最前面的電影作為推薦電影，輸出給待推薦用戶。

技術(shù)領(lǐng)域

本公開(kāi)涉及推薦領(lǐng)域，特別是涉及基于評(píng)分預(yù)測(cè)和用戶特征的協(xié)同過(guò)濾電影推薦方法及系統(tǒng)。

背景技術(shù)

本部分的陳述僅僅是提到了與本公開(kāi)相關(guān)的背景技術(shù)，并不必然構(gòu)成現(xiàn)有技術(shù)。

在實(shí)現(xiàn)本公開(kāi)的過(guò)程中，發(fā)明人發(fā)現(xiàn)現(xiàn)有技術(shù)中存在以下技術(shù)問(wèn)題：

隨著Web服務(wù)及其相關(guān)技術(shù)的迅速發(fā)展，電子商務(wù)平臺(tái)不斷壯大，人們需要花費(fèi)大量的時(shí)間從海量數(shù)據(jù)信息中獲取自己真正需要的信息，“信息過(guò)載”問(wèn)題急需解決。推薦系統(tǒng)的誕生顯得尤為重要。推薦系統(tǒng)通過(guò)分析用戶興趣特征和歷史行為來(lái)實(shí)現(xiàn)個(gè)性化服務(wù)，為其推薦相應(yīng)的對(duì)象，從而實(shí)現(xiàn)用戶對(duì)真正感興趣的信息的搜索準(zhǔn)確度。

根據(jù)不同的推薦方法，推薦系統(tǒng)可以分為基于內(nèi)容的推薦、基于協(xié)同過(guò)濾的推薦、基于知識(shí)的推薦和基于內(nèi)容與基于協(xié)同過(guò)濾相混合的推薦等。其中，協(xié)同過(guò)濾算法(Collaborative Filtering Algorithm)是目前個(gè)性化推薦系統(tǒng)中應(yīng)用最廣泛、研究最深入的推薦算法之一。協(xié)同過(guò)濾算法主要可以分為基于用戶的協(xié)同過(guò)濾(User-Based CF)算法和基于電影的協(xié)同過(guò)濾(Item-Based CF)算法。其基本思想是：通過(guò)計(jì)算與目標(biāo)用戶興趣愛(ài)好基本相同的用戶對(duì)電影評(píng)分之間的相似性，形成具有相同興趣愛(ài)好的鄰居集，最后選擇出最近鄰居的評(píng)分電影以向目標(biāo)用戶生成推薦，即目標(biāo)用戶對(duì)未評(píng)分電影的評(píng)分能夠通過(guò)最近鄰居對(duì)此電影評(píng)分的加權(quán)平均值來(lái)近似得到。

傳統(tǒng)的協(xié)同過(guò)濾算法完全依賴于用戶對(duì)電影評(píng)分來(lái)計(jì)算用戶相似度，然后尋找出k個(gè)最近鄰居的方法為用戶選擇合適的推薦電影。然而，隨著推薦系統(tǒng)中用戶數(shù)量和商品數(shù)目越來(lái)越多，用戶評(píng)分?jǐn)?shù)據(jù)極其稀疏，傳統(tǒng)的相似性度量方法完全依賴于用戶評(píng)分?jǐn)?shù)據(jù)，這樣使得推薦系統(tǒng)的推薦質(zhì)量下降。

現(xiàn)有技術(shù)亟需解決的技術(shù)問(wèn)題是：如何實(shí)現(xiàn)用戶感興趣電影的精確推薦。

發(fā)明內(nèi)容

為了解決現(xiàn)有技術(shù)的不足，本公開(kāi)提供了基于評(píng)分預(yù)測(cè)和用戶特征的協(xié)同過(guò)濾電影推薦方法及系統(tǒng)；

第一方面，本公開(kāi)提供了基于評(píng)分預(yù)測(cè)和用戶特征的協(xié)同過(guò)濾電影推薦方法；

基于評(píng)分預(yù)測(cè)和用戶特征的協(xié)同過(guò)濾電影推薦方法，包括：

獲取對(duì)電影u和電影v兩個(gè)電影均有過(guò)評(píng)分的用戶集合；根據(jù)所述用戶集合中的每個(gè)用戶對(duì)電影u和電影v兩個(gè)電影的用戶評(píng)分；計(jì)算對(duì)電影u和電影v兩個(gè)電影之間的電影相似性；將電影u和電影v兩個(gè)電影的電影名稱及兩個(gè)電影之間的電影相似性，存儲(chǔ)到電影相似性數(shù)據(jù)庫(kù)中；

重復(fù)上述步驟，計(jì)算任意兩個(gè)電影之間的電影相似性，存儲(chǔ)到電影相似性數(shù)據(jù)庫(kù)中；

獲取待推薦用戶對(duì)某個(gè)已評(píng)分過(guò)的電影的評(píng)分，根據(jù)電影相似性數(shù)據(jù)庫(kù)中待推薦用戶已評(píng)分過(guò)的電影和待推薦用戶未評(píng)分過(guò)的電影之間的電影相似性，計(jì)算待推薦用戶對(duì)某個(gè)未評(píng)分過(guò)的電影的第一預(yù)測(cè)評(píng)分；

采集用戶集合中每個(gè)用戶的特征，計(jì)算所述用戶集合中用戶與用戶的特征相似度；根據(jù)所述用戶集合中用戶與用戶的特征相似度，計(jì)算待推薦用戶對(duì)未評(píng)分過(guò)的電影的第二預(yù)測(cè)評(píng)分；