[发明专利]协同过滤推荐系统中的用户时间相关相似度的计算方法

说明书

技术领域

本发明涉及一种协同过滤推荐系统中的用户时间相关相似度的计算方法。

背景技术

随着Internet的快速发展，互联网上每日产生的信息量以几何级的速度增长，人们能够获取更加丰富多样的信息资源的同时，也迫切需要在海量数据中准确快速地提取有用信息，在此背景下，个性化推荐系统应运而生，其应用也日益广泛。个性化推荐系统通过收集分析用户的特征信息和历史行为，推测用户的兴趣、喜好，从而为用户提供更准确的个性化服务，尤其在电子商务系统中个性化推荐系统的应用，能够为消费者智能提供满足其需求的商品同时，也给商家带来了巨大的商业利益，实现了商家与消费者的互利双赢，可以有效地解决互联网发展带来的信息过载的问题。

在众多个性化推荐技术中，协同过滤是目前最成功和应用最多的推荐技术，已广泛应用于电子商务系统中。其核心思想是基于用户-项目评分数据集，筛出与目标用户兴趣相似的用户作为最近邻居集，通过最近邻居对各项目的综合评分信息对目标用户对各项目的喜好程度作出预测，从而为目标用户作出相应的推荐。其优点在于不需要分析项目的各维度特征，可以更加方便地处理非结构化数据。但是，随着电子商务平台用户和商品数量的不断增加，用户评分极端稀疏，用户兴趣变化不一致，导致传统的相似度计算方法对真实用户相似度评估误差较大，进而影响最近邻居的选取。

发明内容

本发明提供一种协同过滤推荐系统中的用户时间相关相似度的计算方法，为了达到上述目的，本发明采用如下的技术方案：

一种协同过滤推荐系统中的用户时间相关相似度的计算方法，包括下列步骤：

(1)构建用户-项目评分矩阵；

(2)采用皮尔森相似度计算方法计算用户间传统相似度；

(3)计算时间相关度：计算某用户与目标用户共同评分项的评分时间和与评分时间差绝对值之和，进一步求计算结果关于共同评分项的平均数，最后归一化得时间相关度；

(4)计算可用度：当某用户与目标用户之间的传统相似度值小于0时或者该用户所评价的所有项目都包含于目标用户所评价的项目，则定义该用户对目标用户的可用度为0，当某用户与目标用户之间的传统相似度值不小于0或者该用户所评价的项目中含有目标用户所未评价的项目时，则定义该用户对目标用户的可用度为1；

(5)计算时间相关相似度：将可用度、时间相关度、传统相似度三者相乘，得到时间相关相似度。

本发明基于用户兴趣随时间变化发展的特点，通过时间相关度刻画用户间兴趣取向的相似度,提高拥有较多最近共同评分项的用户与目标用户的相似度,智能选取兴趣发展动向与目标用户一致的用户,为目标用户提供具有更高推荐能力且更有预见性的用户作为最近邻居，进而提高推荐的准确度与智能化。

附图说明

图1是时间相关相似度计算流程图。

具体实施方式

本发明的具体实施方式是：

(1)首先采集数据，数据可以从推荐系统的数据库中获取，接着构建如下的用户-项目评分矩阵；设用户总数为m，项目总数为n，R_ij为用户i对项目j的评分，评分越高，则表示用户i对项目j的喜好度越大；

(2)计算用户间的传统相似度，这里采用经典的皮尔森相似度计算方法，具体方法如下所示：

其中，a和b代表两个用户，sim(a,b)表示用户a和b之间的传统相似度，R_ai表示用户a对项目i的评分，I_ab表示两个用户的共同评分项集，表示用户a的评分均值，|I_a|表示用户a评价过的项目个数；

(3)计算时间相关度，某用户与目标用户对共同评分项评分时间距当前时间越近,则时间相关度越高,且用户间共同评分项的评分时间越接近，则时间相关度越高，时间相关度计算方法如下：

其中，t_ai表示用户a对项目i评分距当前的时长，t_bi表示用户b对项i评分距当前的时长,t_ai+t_bi表示用户a、b对共同评分项i评分的时间久远度，|t_ai-t_bi|表示用户a、b对共同评分项i评分的时间间隔；