[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

说明书

本发明涉及一种结合关联规则的多维度用户协同过滤推荐方法。本发明首先将上下文维度融合到了用户协同过滤算法中，计算出上下文因素影响下的用户相似度和商品预测评分。同时用FP‑growth关联规则算法挖掘出目标用户商品购买记录中未包含的频繁项集，将挖掘结果融合到推荐列表中。本发明考虑了上下文多维度因素的影响，可以提高推荐系统的准确性。

技术领域

本发明涉及推荐算法技术领域，具体的说是一种结合关联规则的多维度用户协同过滤推荐方法。

背景技术

随着web2.0时代的降临，互联网进入了数据爆炸的时代。海量的数据在给用户带来丰富的同时，也淹没了有效数据。而推荐系统可以分析用户的历史购买行为及其他全局信息，为用户推荐他可能感兴趣的商品。帮助用户在海量商品中快速定位之间的关注点，提高了信息匹配效率，同时也使得商家在广告投放的时候更具有针对性，有助于实现用户和商家之间的共赢。

通信技术的发展使得移动端可以承载的数据流量越来越大，用户可以在移动端上完成很多购买和物品选择行为。用户的每次购买都有其具体的上下文，例如时间、地点、周围同行人员等。而这些上下文信息也会在很大程度上影响用户的决策。而移动设备可以获取到这些上下文信息，如当前时间，GPS定位可以获取用户的当前位置及其周围是否有同事、朋友、家人存在。

发明内容

针对现有技术中存在的上述不足之处，本发明要解决的技术问题是提供一种结合关联规则的多维度用户协同过滤推荐方法。

本发明为实现上述目的所采用的技术方案是：一种结合关联规则的多维度用户协同过滤推荐方法，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。

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。

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。

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。

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。

所述预测商品评分，具体为：