[發明專利]用戶相似度改進的協同過濾推薦系統及方法

在審

• 申請號: 202011071837.7
• 申請日: 2020-10-09
• 公開（公告）號: CN112364254A
• 公開（公告）日: 2021-02-12
• 發明（設計）人: 張蕾;唐凱辰;伊麗萍
• 申請（專利權）人: 天津大學
• 主分類號: G06F16/9536
• 分類號: G06F16/9536;G06F16/9535
• 代理公司: 天津市北洋有限責任專利代理事務所 12201
• 代理人: 劉國威

1.一種用戶相似度改進的協同過濾推薦系統，其特征是，包括服務器和客戶端，用戶通過客戶端向服務器提出服務請求，服務器端執行如下程序：

步驟一：收集用戶對電影的評分數據，構建用戶-電影評分矩陣；

步驟二：計算用戶評分數值相似度、用戶興趣相似度和用戶共同評分權重，結合權重得到用戶評分相似度；

用戶評分數值相似度按照如下公式計算：

其中，sim₁(u，v，i)為用戶u和用戶v對于物品i的評分數值相似度，r_ui和r_vi分別為用戶u和用戶v對物品i的評分；

用戶興趣相似度按照如下公式計算：

其中，sim₂(u，v，i)為用戶u和用戶v對于物品i的興趣相似度，r_ui和r_vi分別為用戶u和用戶v對物品i的評分，r_u，avg和r_v，avg分別為用戶u和用戶v的評分平均值；

用戶共同評分權重按照如下公式計算：

其中，sim₃(u，v)為用戶u和用戶v的共同評分權重，I_u和I_v分別為用戶u和用戶v評分過的物品集合；

用戶評分相似度為用戶所給評分的相似度，對上述三部分結合得到用戶評分相似度：

其中，sim_rate(u，v)為用戶u和用戶v的評分相似度，C_uv為用戶u和用戶v共同評分過的物品集合；

步驟三：根據用戶屬性計算用戶屬性相似度；

sim_attr(u，v)＝∑_i∈attrw_i·sim₄(u，v，i)

用戶屬性相似度為用戶個人屬性的相似度，按照如下公式計算用戶屬性相似度：

其中，sim_attr(u，v)為用戶u和用戶v的用戶屬性相似度，attr為已知的用戶屬性集合，sim₄(u，v，i)為用戶u和用戶v在屬性i上的相似度；

步驟四：將用戶評分相似度和用戶屬性相似度結合得到最終的用戶相似度；

sim(u，v)＝α·sim_attr(u，v)+β·sim_rate(u，v)

按照如下公式計算最終的用戶相似度：

其中，sim(u，v)為用戶u和用戶v最終的用戶相似度，α和β為兩部分相似度的權重，按照如下公式計算：

β＝1-α

其中I_u為用戶u評分過的物品集合；

步驟五：根據用戶相似度找出與目標用戶相似度最大的K個用戶，作為目標用戶的近鄰用戶；

步驟六：計算目標用戶對未評分過物品的預測評分；

按照如下公式計算目標用戶對未評分過物品的預測評分：

其中，r_ui為計算的用戶u對物品i的預測評分，N_K為用戶的K個近鄰用戶，sim_uv為用戶u和用戶v的用戶相似度，r_vi為用戶v對物品i的評分；

步驟七：將目標用戶所有未評分過的物品按照預測評分排序，選取預測評分最高的N個物品推薦給目標用戶。

2.一種用戶相似度改進的協同過濾推薦方法，其特征是，步驟如下：

步驟一：收集用戶對電影的評分數據，構建用戶-電影評分矩陣；

步驟二：計算用戶評分數值相似度、用戶興趣相似度和用戶共同評分權重，結合權重得到用戶評分相似度；

用戶評分數值相似度按照如下公式計算：

其中，sim₁(u，v，i)為用戶u和用戶v對于物品i的評分數值相似度，r_ui和r_vi分別為用戶u和用戶v對物品i的評分；

用戶興趣相似度按照如下公式計算：

其中，sim₂(u，v，i)為用戶u和用戶v對于物品i的興趣相似度，r_ui和r_vi分別為用戶u和用戶v對物品i的評分，r_u，avg和r_v，avg分別為用戶u和用戶v的評分平均值；

用戶共同評分權重按照如下公式計算：

其中，sim₃(u，v)為用戶u和用戶v的共同評分權重，I_u和I_v分別為用戶u和用戶v評分過的物品集合；

用戶評分相似度為用戶所給評分的相似度，對上述三部分結合得到用戶評分相似度：

其中，sim_rate(u，v)為用戶u和用戶v的評分相似度，G_uv為用戶u和用戶v共同評分過的物品集合；

步驟三：根據用戶屬性計算用戶屬性相似度；

用戶屬性相似度為用戶個人屬性的相似度，按照如下公式計算用戶屬性相似度：

sim_attr(u，v)＝∑_i∈attrw_i·sim₄(u，v，i)

其中，sim_attr(u，v)為用戶u和用戶v的用戶屬性相似度，attr為已知的用戶屬性集合，sim₄(u，v，i)為用戶u和用戶v在屬性i上的相似度；

步驟四：將用戶評分相似度和用戶屬性相似度結合得到最終的用戶相似度；

按照如下公式計算最終的用戶相似度：

sim(u，v)＝α·sim_attr(u，v)+β·sim_rate(u，v)

其中，sim(u，v)為用戶u和用戶v最終的用戶相似度，α和β為兩部分相似度的權重，按照如下公式計算：

β＝1-α

其中I_u為用戶u評分過的物品集合；

步驟五：根據用戶相似度找出與目標用戶相似度最大的K個用戶，作為目標用戶的近鄰用戶；

步驟六：計算目標用戶對未評分過物品的預測評分；

按照如下公式計算目標用戶對未評分過物品的預測評分：

其中，r_ui為計算的用戶u對物品i的預測評分，N_K為用戶的K個近鄰用戶，sim_uv為用戶u和用戶v的用戶相似度，r_vi為用戶v對物品i的評分；

步驟七：將目標用戶所有未評分過的物品按照預測評分排序，選取預測評分最高的N個物品推薦給目標用戶。