[发明专利]一种结合关联规则的多维度用户协同过滤推荐方法

权利要求书

1.一种结合关联规则的多维度用户协同过滤推荐方法，其特征在于，包括以下步骤：

收集用户的购买记录，所述购买记录用户购买时的上下文信息，生成包含上下文信息的用户-评分矩阵；

计算用户相似度；

确定邻居用户的集合；

确定上下文相似度；

预测商品评分；

计算目标用户历史购买商品相关的频繁项集；

生成推荐列表。

2.根据权利要求1所述的一种结合关联规则的多维度用户协同过滤推荐方法，其特征在于，所述上下文信息包括时间、地点、天气、同行人员、温度、湿度、季节、是否为节假日、是否为周末、白天还是夜晚、是否为用餐时间中任意若干种的组合。

3.根据权利要求1所述的一种结合关联规则的多维度用户协同过滤推荐方法，其特征在于，所述计算用户相似度，具体为：

其中，s_a,u,c表示目标用户a和用户u在上下文信息c条件下的相似度值，I_a表示目标用户a评分过的项目的集合，I_u表示用户u所接触过的商品集合，i表示目标用户a和用户u共同评分过的商品，r_a,i表示目标用户a对商品i的评分，表示目标用户a在当前上下文情况下的平均评分，r_u,i表示用户u对商品i的评分，表示用户u在当前上下文情况下的平均评分。

4.根据权利要求1所述的一种结合关联规则的多维度用户协同过滤推荐方法，其特征在于，所述确定邻居用户的集合，具体为：

选取用户相似度最大的若干个用户作为目标用户的邻居用户的集合。

5.根据权利要求1所述的一种结合关联规则的多维度用户协同过滤推荐方法，其特征在于，所述确定上下文相似度，具体为：

其中，sim_t(x,y,i)是上下文x和y在t维度下对商品i相似度，u是用户，是用户u在x_t上下文维度下对商品i的评分，是商品i的平均得分，是用户u在y_t上下文维度下对商品i的评分，是x_t上下文维度的标准差，是y_t上下文维度的标准差。

6.根据权利要求1所述的一种结合关联规则的多维度用户协同过滤推荐方法，其特征在于，所述预测商品评分，具体为：

其中，P_a,i,c为目标用户a在c上下文条件下对商品i的预测评分，表示目标用户a在c上下文条件下购买商品给出的平均打分，u'是目标用户a的邻居用户，N_c是目标用户a的邻居用户u'的集合，sim_a,u',c是目标用户a与某一邻居用户u'在c上下文条件下的相似度，R_u',i,c表示邻居用户u'对商品i的评分在考虑c上下文影响后的综合评分，是邻居用户u'在c上下文情况下对所有购买商品的平均打分，i是目标用户a尚未购买，而其邻居用户感兴趣并且打分较高的商品；

其中，c是目标用户所处的上下文，x是某评分记录所处的上下文，t是上下文的维度，sim_t(c,x,i)表示上下文c与上下文x在t维度上的相似度，r_u',i,c是邻居用户u'在c上下文维度下对商品i的评分，k表示上下文影响因子的权重。

7.根据权利要求1所述的一种结合关联规则的多维度用户协同过滤推荐方法，其特征在于，所述计算目标用户历史购买商品相关的频繁项集，具体为：

用FP-growth算法计算用户购买记录中出现的频繁项集，并选出与目标用户近期购买商品相关的支持度最高的若干个。

8.根据权利要求1所述的一种结合关联规则的多维度用户协同过滤推荐方法，其特征在于，所述生成推荐列表，具体为：

将所述商品评分中最好的若干个商品和所述频繁项集融合，得到推荐列表并展示给目标用户。