[發明專利]一種融合用戶弱痕跡行為偏好的互相關協同過濾方法

有效

• 申請號: 202010932739.1
• 申請日: 2020-09-08
• 公開（公告）號: CN112069419B
• 公開（公告）日: 2021-03-30
• 發明（設計）人: 何中杰;陳永森;陸玲霞;朱晨瑞
• 申請（專利權）人: 杭州電子科技大學
• 主分類號: G06F16/9536
• 分類號: G06F16/9536;G06F16/9535
• 代理公司: 杭州君度專利代理事務所(特殊普通合伙) 33240
• 代理人: 楊舟濤

1.一種融合用戶弱痕跡行為偏好的互相關協同過濾方法，其特征在于：該方法具體包括以下步驟：

步驟1、構建用戶的評分矩陣和弱痕跡行為矩陣：

假設用戶和物品的數量分別為n和m，而評分值的分數區間為[0,5]，建立用戶弱痕跡行為矩陣B和評分矩陣R_o，矩陣的大小為n*m：

b_i,j＝(x|x∈{0,1}) (1)

r_i,j＝(x|x∈[0,5]) (2)

由是否發生點擊、物品被瀏覽時間確認用戶i對物品j是否產生弱痕跡行為，結果用b_i,j表示，b_i,j＝0表示未產生行為，b_i,j＝1表示產生了弱痕跡行為，將用戶產生點擊行為或物品被瀏覽時間Te判斷為產生了弱痕跡行為；r_i,j表示用戶i對物品j的真實評分；

步驟2、對評分矩陣進行數據歸一化和再處理：

(1)對評分矩陣進行歸一化處理：

其中，r′_i,j表示歸一化之后的評分值，表示原始評分值；和分別表示評分矩陣R_o中的最大值和最小值，歸一化之后的r′_i,j∈[0,1]；

(2)計算每一個用戶的評分均值：

其中表示用戶i的評分均值，N_r表示R_o中值不為0的元素數量，且N_r≤m；

(3)基于評分均值和評分矩陣R_o對評分值進行再處理，形成評分增強矩陣R,矩陣的大小為n*m：

將用戶的評分均值賦給產生過弱痕跡行為但未產生評分的商品，用以表示用戶的弱痕跡行為偏好度；

步驟3、結合評分增強矩陣計算物品的熱門懲罰系數：

其中h_j表示物品j的熱門懲罰系數，|·|表示取絕對值，n表示所有用戶的數量；

通過熱門懲罰系數，降低因熱門因素被大眾所點擊和瀏覽，而造成的非偏好行為對用戶偏好相似度計算的影響；

步驟4、建立用戶-用戶偏好相似度計算模型：

(1)基于互相關系數計算方法，計算用戶的互相關系數：

其中，和表示加入熱門懲罰值之后的用戶x和y對集合B_xy中物品的評分均值，B_xy表示評分增強矩陣R中用戶x和y共同評分值不為0的物品集合，K表示B_xy中的元素數量，h_j表示物品j的熱門懲罰系數；表示基于互相關系數用戶x和y之間的互相關系數r′_x,j表示用戶x對物品j的評分值，r′_y,j表示用戶y對物品j的評分值；

(2)基于評分增強矩陣R，加入熱門懲罰系數對互相關系數計算方法進行改進：

其中，和通過式(7)計算得到，w_xy表示加入熱門懲罰系數后用戶x和y的互相關系數，r′_x,j表示用戶x對物品j的評分值，B_xy表示評分增強矩陣R中用戶x和y共同評分值不為0的物品集合，h_j表示用戶的熱門懲罰系數，K表示集合B_xy中元素的個數；

(3)建立用戶偏好相似度矩陣W：

對于每一個用戶x和用戶y，若B_xy≠Φ，計算他們的互相關系數w_xy：

并根據計算得到的w_xy建立維度為n×n的用戶-用戶偏好相似度矩陣W；

步驟5、結合步驟2中計算得到的評分增強矩陣R和步驟4中計算得到的用戶偏好相似度矩陣W建立用戶的相似偏好推薦列表：

(1)計算用戶對新物品偏好的預測評分：

其中，p(x,j)表示用戶x對物品j偏好的預測評分，S(x)表示用戶偏好相似度矩陣W中基于用戶x偏好相似度不為0的用戶集合；U(j)表示對物品j產生過瀏覽行為的用戶集合；I表示所有物品的集合，I_x表示用戶x訪問過的物品集合，表示用戶x未曾訪問過的物品集合，I_y表示用戶y訪問過的物品集合；

(2)結合公式(11)和公式(12)，計算用戶x對滿足條件的物品j偏好的預測評分p(x,j)，并由高到低排序建立用戶x的相似偏好物品推薦列表。

2.如權利要求1所述一種融合用戶弱痕跡行為偏好的互相關協同過濾方法，其特征在于：步驟1中，e≥10秒。