[發(fā)明專利]基于用戶興趣和評分偏好差異自適應(yīng)結(jié)合的協(xié)同過濾推薦算法

在審

• 申請?zhí)枺?/td>: 202210259672.9
• 申請日: 2022-03-16
• 公開（公告）號: CN114611013A
• 公開（公告）日: 2022-06-10
• 發(fā)明（設(shè)計）人: 林曉;王勛;黃偉;鄭曉妹
• 申請（專利權(quán)）人: 上海師范大學
• 主分類號: G06F16/9536
• 分類號: G06F16/9536;G06F16/9535;G06Q10/06;G06Q10/10
• 代理公司: 重慶知育道知識產(chǎn)權(quán)代理事務(wù)所(普通合伙) 50296
• 代理人: 肖勤

1.基于用戶興趣和評分偏好差異自適應(yīng)結(jié)合的協(xié)同過濾推薦算法，其特征在于：包括以下步驟：

步驟一：用戶相似度的計算；

步驟二：用戶評分偏好差異的建模；

步驟三：用戶相似度和用戶評分偏好差異的自適應(yīng)結(jié)合；

步驟四：目標用戶的評分預(yù)測并給予推薦。

2.根據(jù)權(quán)利要求1所述的基于用戶興趣和評分偏好差異自適應(yīng)結(jié)合的協(xié)同過濾推薦算法，其特征在于：所述步驟一的用戶相似度計算通過結(jié)合用戶、項目平均評分及時間因素優(yōu)化相似度測量模型，如下公式(1)所示：

其中ω_u、ω_i分別為用戶、項目時間因子，計算方法如下公式(2)、公式(3)所示：

其中，分別為用戶最后一次和第一次提供評分的時間，分別為最后一次和第一次對項目進行評分的時間。

3.根據(jù)權(quán)利要求1所述的基于用戶興趣和評分偏好差異自適應(yīng)結(jié)合的協(xié)同過濾推薦算法，其特征在于：所述步驟二通過更能夠體現(xiàn)出組內(nèi)變化差異的變異系數(shù)來對用戶評分行為偏好差異進行建模，降低了變量個體的數(shù)值差異對變量間相似度的影響，用戶評分的變易系數(shù)計算公式如下公式(4)所示：

其中，Var_a為用戶a的評分方差，計算公式為下公式(5)所示：

其中，|I_a|表示被用戶a評分過的項目數(shù)量，

使用用戶變異系數(shù)建模的用戶評分行為偏好即如下公式(6)所示：

在公式(6)中，分別代表著用戶a和用戶b的平均評分，CV_a、CV_b分別代表著用戶a和用戶b評分的變異系數(shù)。

4.根據(jù)權(quán)利要求1所述的基于用戶興趣和評分偏好差異自適應(yīng)結(jié)合的協(xié)同過濾推薦算法，其特征在于：所述步驟三采用將用戶相似度和用戶評分偏好差異自適應(yīng)結(jié)合得到的加權(quán)相似度來作為用戶a與目標用戶b的相似度，(權(quán)值采用α和(1-α))，最終命名為ITPCR，并以此來預(yù)測用戶b的評分，計算公式如下公式(7)所示：

sim_ITPCR＝αsim_ITPCC+(1-α)RPB_usingCV (7)

其中，α與(1-α)也保證了ITPCR相似度度量方法考慮了用戶評分行為偏好差異，并對每個用戶的高評分效應(yīng)和低評分效應(yīng)進行了歸一化，由于sim_ITPCC與RPB_(a,b)usingCV的取值區(qū)間影響，以上兩值皆取正數(shù)。

5.根據(jù)權(quán)利要求1所述的基于用戶興趣和評分偏好差異自適應(yīng)結(jié)合的協(xié)同過濾推薦算法，其特征在于：所述步驟四通過計算其他用戶與目標用戶a的ITPCR相似度并按照從高到低的順序排列得到用戶a的最近鄰用戶集NN，最后的評分預(yù)測由公式(8)求得，

其中，b代表a的最近鄰用戶級集中的用戶；

根據(jù)最終評分，選取排名前N的項目推薦給用戶。