[发明专利]一种基于混合兴趣相似度的协同过滤推荐方法

说明书

本专利提出一种新的混合用户兴趣相似度计算方法。通过建立用户对所用项目的评分矩阵，当发现用户评分矩阵为空，计算用户特征属性相似性寻找相似用户进行预测评分。当目标用户与其他用户之间共同评分物品个数比较少时，通过计算物品相似度，间接计算出用户兴趣相似度。用户兴趣相似度计算主要分成三个部分：直接计算用户评分的距离值、求出一组评分的贡献值以及这组评分在整个评分系统中是否为奇异值。最后，将三个计算用户兴趣相似度的方法通过sigmoid函数实现冷启动状态下根据用户属性计算相似度到根据用户评分信息的平滑过渡得到最终用户兴趣相似度。根据用户兴趣相似度计算目标用户未评分项目的预测评分，选取其中预测评分最高的N个项目推荐，本发明可以有效缓解冷启动问题、数据稀疏性问题并有效地提高预测推荐的准确度。

(一)技术领域

本发明涉及个性化推荐技术领域，具体涉及一种基于混合兴趣相似度的协同过滤推荐的方法。

(二)背景技术

推荐系统是一种解决信息过载的智能系统。协同过滤是现今推荐技术的方法之一，直接根据用户的历史行为预测其可能喜欢的物品，被广泛的应用于几乎所有的大型电子商务网站中。而当用户刚进入系统时没有任何评分记录，并且用户之间共同评分的物品数量过少导致数据稀疏性问题，通过传统的相似度计算出用户相似度不够准确，此时通过基于用户兴趣的混合相似度则可以解决数据稀疏性和提取用户兴趣问题。

用户兴趣相似度的关键技术包括对用户兴趣相似性的计算方式，不准确的相似性计算将导致用户兴趣提出不够精确，进而产生大量的错误推荐。传统的相似度计算方式在遇到系统日志中数据稀疏问题时会导致预测结果精度下降。最新研究针对这一问题提出从物品相似度上间接提取用户兴趣相似度，通过全面考虑用户评分信息计算用户相似性。但是忽略物品从稀疏到密集的过渡问题。据此进行用户兴趣相似性计算可能存在一定的偏差。因此本文提出一种基于混合兴趣相似度的协同过滤的方法，根据用户之间对物品评分绝对距离、贡献值和奇异值三个因素综合考虑用户评分信息计算用户之间的兴趣相似性。然后将用户兴趣相似性分为初始阶段、数据稀疏性阶段和最终阶段，根据用户对物品评分的个数进行对三个阶段进行混合。该方法有效提高获取用户兴趣准确率，保证推荐质量。

(三)发明内容

本发明的目的是提供一种基于混合兴趣相似度协同过滤的推荐方法。该方法通过将用户兴趣相似度分为三个阶段，首先用户刚进入系统根据用户属性进行相似度计算，然后用户之间共同评分数目较少时根据物品相似度间接计算用户相似度，最后目标用户与相似用户共同评分数目不稀疏时根据用户之间共同评分的物品计算出用户兴趣相似度。此方法更准确提取用户兴趣，有效解决冷启动、数据稀疏性问题，实现推荐系统的有效推荐。

为了达到上述目的，本发明采用如下方案实现：

首先提取用户特征属性以及物品特征属性。推荐系统新加入的用户数据为空，根据用户特征属性计算出用户相似性进行推荐，随着用户对物品评分数量上升，此时用户与用户之间共同评分物品数量过少，则根据物品相似性间接求得用户兴趣相似性，当用户之间共同评分物品数量增加到一定数量时则可以直接根据用户之间共同评分的物品进行计算用户相似性。通过使用sigmoid函数融合三种用户兴趣相似性寻找目标用户的相似用户从而预测出用户对为评分物品的评分，选取TOP-N物品列表完成推荐。

本发明中涉及到如下参数：