[发明专利]基于奇异值分解算法的聚类协同过滤推荐系统

权利要求书

1.基于奇异值分解算法的聚类协同过滤推荐系统，其特征在于，在计算用户相似度之前，首先将系统中的每个用户根据特定的聚类算法划分到不同的聚类中去，这样可以有效的降低用户-商品评分矩阵的维度，提高系统的推荐效率；其次将常用于图像处理与自然语言处理技术中的奇异值分解(SVD)算法改进后应用到推荐系统中去，将用户-商品矩阵分解之后再聚合，从而得出第一次预测后的商品评分，来计算用户间的相似度，这样可以有效的解决推荐系统中常见的矩阵稀疏问题；

其中，实现方案共分为两个步骤，聚类和利用SVD算法填充用户-商品矩阵；聚类负责利用用户的属性特征值将系统中原有的大量用户-商品信息分类到多个小的聚类中去，用户特征值包括：性别，年龄以及职业，通过多次试验数据分析，取出每个特征值所占的权重，从而得出一个最佳计算综合属性特征值的聚类公式；利用SVD算法填充用户-商品矩阵负责将该用户所在聚类中的用户-商品评分矩阵中未评分的项通过分解后聚合填充，利用以上两个步骤可以降低系统计算维度，解决系统稀疏性问题，从而大大提高推荐的效率与准确率；

利用SVD算法填充用户-商品矩阵包括以下步骤：

S1，求出初始评分矩阵R每一列中的商品评分的平均分ri；其中，所述初始评分矩阵R是m×n的二维矩阵，m表示用户的个数，n表示商品的个数，未评分的项目填充为0；

S2，将所述初始评分矩阵R中每一个具有非0评分值rui的项全部替换成所述非0评分值减去所述初始评分矩阵R每一列中的商品评分的平均分而得到的值，得到矩阵R’；

S3，利用SVD算法，将所述矩阵R’分解成U、S、V三个矩阵；

S4，将所述矩阵S中小于1的值全部设为0，然后将所有数值为0的行和列删除，生成矩阵S_k；将所述矩阵U中小于1的值全部设为0，然后将所有数值为0的行和列删除，生成矩阵U_k；将所述矩阵V中小于1的值全部设为0，然后将所有数值为0的行和列删除，生成矩阵V_k；其中，所述矩阵S_k为k×k的二维矩阵，所述矩阵U_k为m×k的二维矩阵，所述矩阵V_k为k×n的二维矩阵；

S5，计算所述矩阵S_k的平方根S_k^1/2，分别求出两个矩阵A＝U_k×S_k^1/2，B＝S_k^1/2×V_k；

S6，将每一个所述初始评分矩阵R中未评分的项目R_ui进行预测评分后所得的项目PR_ui填充到所述初始评分矩阵R中，得到矩阵PR；其中，R_u为用户u评分的平均值，A_m表示矩阵A的第m行，B_n表示矩阵B的第n列。

2.根据权利要求1所述的基于奇异值分解算法的聚类协同过滤推荐系统，其特征在于，利用SVD算法填充用户-商品矩阵负责将该用户所在聚类中的用户-商品评分矩阵中未评分的项通过分解后聚合填充；该步骤首先找出用户所在聚类，将聚类中的用户-商品评分矩阵利用SVD算法进行分解，通过处理后在聚合，从而得到第一次预测的商品评分，利用这些预测评分可以计算出同一个聚类之间用户的相似度，降低系统数据稀疏性问题；在计算完指定用户所在聚类用户间相似度后，利用已得相似度，对原有的用户-商品评分矩阵进行第二次评分预测，从而得出最后的推荐结果。

3.根据权利要求1所述的基于奇异值分解算法的聚类协同过滤推荐系统，其特征在于，当一个用户注册登录之后，系统通过他的性别，年龄和职业计算出用户的属性特征值找到该用户所在聚类，利用SVD算法得出与该用户兴趣爱好最相似的k个用户，并且通过计算商品的预测评分，最后对该用户做出准确的推荐。