[发明专利]基于共现分析的推荐方法

说明书

本发明属于推荐系统技术领域，具体涉及基于共现分析的推荐方法，本发明涉及两种改进的协同过滤推荐方法(WCO_IBCF和MCO_IBCF)的提出，“协同过滤推荐”是一种跨领域的应用，推荐系统作为一种有效的信息过滤手段，特别着重于利用这些技术提高信息的使用效率。共现潜在语义分析理论与方法应用于推荐系统领域，将提高推荐结果的准确率。

技术领域

本发明属于推荐系统技术领域，具体涉及基于共现分析的两种推荐方法，本发明涉及两种改进的协同过滤推荐方法(WCO_IBCF和MCO_IBCF)的提出，“协同过滤推荐”是一种跨领域的应用，推荐系统作为一种有效的信息过滤手段，特别着重于利用这些技术提高信息的使用效率。共现潜在语义分析理论与方法应用于推荐系统领域，将提高推荐结果的准确率。

背景技术

协同过滤推荐技术是推荐系统中被研究和应用最广泛的技术。通过分析用户兴趣，在用户群中找到指定用户的相似(兴趣)用户，综合这些相似用户对某一信息的评价，形成系统对该指定用户对此信息的喜好程度预测，从而根据这一喜好程度来对目标用户进行推荐。相似度的计算是协同过滤推荐的核心，传统的协同过滤推荐在计算用户与用户、项目与项目之间的相似度时，由于用户评分矩阵普遍存在的稀疏性问题，导致计算出来的相似度准确性不高，从而降低推荐结果的精确度。目前，通过预测插补评分矩阵或者降维等方法来提高推荐质量存在局限性和瓶颈，原因在于对评分矩阵的构建上没有充分提取并合理表示出评分矩阵包含的信息。对于如何充分提取原始数据所表达的信息，可以进一步挖掘和利用。

发明内容

本发明针对推荐结果的精确不高的技术问题，提供一种基于共现分析的推荐方法。

为解决上述技术问题，本发明采用的技术方案为：

基于共现分析的推荐方法，包括以下步骤：

步骤1.数据准备：采集数据(例如：电影评分数据)，通过数据的融合重铸生成用户-项目评分矩阵R＝(r_ui)_n×m，即评分矩阵，将采集的数据中没有出现的评分项记为缺失项

其中n为用户总数，m为项目总数，r_ui为第u个用户对第i部电影的评分；

步骤2.将评分矩阵R转化为布尔矩阵A＝(a_ui)_n×m，将R中有评分的项记为1，缺失项记为0，

其中

其中：用户-项目评分矩阵中的每一行表示的是每位用户对所有项目评过分的情况，每一列表示的是每个项目在所有用户中的出现情况；

步骤3.根据CLSVSM计算共现矩阵，获得项目的出现频次以及项目之间两两共现频次；项目之间的共现矩阵为：C＝A^T·A＝(c_ij)_m×m，当i＝j时，c_ii为第i个项目出现的总频次；当i≠j时，c_ij表示项目i与项目j之间的共现频次；

步骤4.计算项目之间的共现相对强度矩阵：

其中，当i≠j时，b_ij为第i个项目与第j个项目的共现强度；显然当i＝j时，b_ij＝1，此时为最大共现强度；

步骤5.评分矩阵的补全：

基于项目与项目之间，用户与用户之间的共现分析，运用加权平均方法和最大值法两种模型分别进行评分信息补充，生成WR和MR矩阵；

步骤6.根据补全得到的新的评分矩阵，考虑不同的相似度计算方法，进行更加准确的邻居选择：