[发明专利]一种层叠组合协同过滤推荐方法

说明书

本发明公开了一种层叠组合协同过滤推荐方法，具体按照以下步骤实施：步骤1，构建用户‑项目评分矩阵；步骤2，计算用户之间的相似性，步骤3，查找目标用户的最近邻居，步骤4，对目标用户a进行预测评分，步骤5，填充步骤1中建立的原始用户‑项目评分矩阵R，步骤6，计算项目之间的相似性，步骤7，查找目标项目的最近邻居，步骤8，对目标用户a进行预测评分，步骤9，产生推荐物品列表。解决协同过滤推荐算法在应用中所遇到的数据稀疏性问题,进而有效提高了推荐质量。

技术领域

本发明属于数据挖掘技术领域，具体涉及一种层叠组合协同过滤推荐方法。

背景技术

随着网络资源的不断丰富和网络信息量的不断膨胀，对用户而言，面对如此丰富和复杂的信息资源，要从中挑选出真正喜欢的东西十分困难。近年来兴起的个性化推荐系统成为解决这一问题的主要方法，该方法在新闻网站、音乐网站和电子商务网站得到广泛运用。推荐系统就是分析并收集用户的历史行为信息，根据相关推荐算法对目标用户产生推荐。推荐系统中运用最广泛的是协同过滤推荐算法。它的基本思想是首先为目标用户寻找相似的邻居用户，然后把邻居用户感兴趣的项目推荐给目标用户。协同过滤推荐系统在信息服务系统中得到广泛应用，它需要利用用户的评分数据来计算用户或项目之间的相似性，如果没有足够的评分数据，协同过滤算法就没有较好的推荐精度。但是由于用户和商品的数量巨大，用户的精力又很有限，因此大多数用户只对很少一部分的项目进行评分，一般不会超过项目总数的1％，造成用户-项目评分矩阵的数据密度严重不足。另外，当新用户刚进入系统时，就会发生“新用户”问题，因为他没有对任何物品进行过评分，故无法找到与其具有相似兴趣爱好的最近邻用户,必须等待一段时间才有用户查看并进行评价，因此难以找到合适的方法为用户推荐。同样地，当新的物品刚进入系统时，就会发生“新物品”问题，因为没有任何用户对其进行过评价，故无法找到与其相似的物品，新物品无法得到推荐。因此，“数据稀疏性”问题是目前推荐系统都面临的一个巨大的困难和挑战，它也是造成协同过滤推荐系统质量下降的一个首要问题。尽管学者们针对协同过滤推荐系统面临的数据稀疏性问题做了许多研究，但是仍然存在不足，而且单一的协同过滤推荐算法往往只考虑到某一方面的相似性，不能使推荐系统的推荐精度得到综合提高。

发明内容

本发明的目的是提供一种层叠组合协同过滤推荐方法，解决协同过滤推荐算法在应用中所遇到的数据稀疏性问题,进而有效提高了推荐质量。

本发明所采用的技术方案是，一种层叠组合协同过滤推荐方法，具体按照以下步骤实施：

步骤1，构建用户-项目评分矩阵，

步骤2，计算用户之间的相似性，

步骤3，查找目标用户的最近邻居，

步骤4，对目标用户a进行预测评分，

步骤5，填充步骤1中建立的原始用户-项目评分矩阵R，

步骤6，计算项目之间的相似性，

步骤7，查找目标项目的最近邻居，

步骤8，对目标用户a进行预测评分，

步骤9，产生推荐物品列表。

本发明的特点还在于，

所述的步骤1具体为，

步骤1.1，获取用户喜好数据，用户喜好数据是以(UserID、ItemID、Preference)为元组的数据集，用户喜好数据包括用户的编号、项目的编号、用户对项目的兴趣偏好值，

步骤1.2，对通过预处理将无用数据过滤、数据类型转换和数据格式统一，按照推荐要求处理数据，将其转化为一个维度为m×n的初始用户评分数据矩阵R，