[发明专利]基于子空间划分的推荐方法及系统

说明书

本发明涉及一种基于子空间划分的推荐方法及系统，方法包括输入用户对物品的评分数据；根据评分数据将物品划分至子空间；在每个子空间中，分别计算用户之间的共同评分支持度，融合每个子空间的共同评分支持度得到总共同评分支持度，根据总共同评分支持度筛选出近邻集；根据近邻集获取目标用户对物品的评分预测值，并根据评分预测值向目标用户推荐物品。本发明子空间的划分使得每个评分子空间中的评分值相近，因此可以忽略每个子空间中用户对物品的具体评分值，只要分析用户在每个子空间上的评分行为即可，能够显著降低推荐系统的计算复杂度，提高推荐的速度和准确度，推荐性能高，而且更好地衡量用户之间的相关性，能够适应海量且稀疏的评分数据。

技术领域

本发明涉及信息处理领域，尤其是指一种基于子空间划分的推荐方法及系统。

背景技术

移动互联网技术的发展以及在线服务的普及为人们提供了快速获取所需信息的能力，人们可以通过各种途径随时随地访问互联网，海量数据更是给人们众多的选择。但是当人们的需求比较模糊时，选择的过程就会变得繁琐且复杂。除此之外，人们对信息的质量要求也越来越高，低质量的内容输出已满足不了人们的需求。因此，如何选择高质量信息也是人们需要面对的另外一个难题。推荐系统作为解决这些问题的关键技术，不需要与用户有过多的互动，却可以在海量数据中，为用户筛选出其感兴趣的一系列物品。推荐系统通过分析用户的行为信息，进而对用户进行个性化建模，主动挖掘出用户潜在兴趣点，从而引导用户发现自己的信息需求。推荐系统不仅可以为用户提供个性化服务，还能与用户之间建立密切关系，让用户对推荐产生依赖。

推荐系统广泛应用于不同领域中，如电商网站、视频、音乐、生活服务等等，本质上缓解了信息过载的问题。但是，数据稀疏性、数据高维度等依然是个性化推荐正在面临的挑战。每个用户都只能对一部分物品产生行为，因此，物品数量的增长，会导致数据逐渐稀疏且维度越来越高，加剧推荐系统的计算复杂度，降低推荐的速度，而且用户之间的相关性较差。

发明内容

为此，本发明所要解决的技术问题在于克服现有技术中因数据逐渐稀疏且维度越来越高而带来的计算复杂度大及推荐速度低的问题。

为解决上述技术问题，本发明的一个目的是提供一种基于子空间划分的推荐方法，包括：

输入用户对物品的评分数据；

根据评分数据将物品划分至子空间；

在每个子空间中，分别计算用户之间的共同评分支持度，融合每个子空间的共同评分支持度得到总共同评分支持度，根据所述总共同评分支持度筛选出近邻集；

根据所述近邻集获取目标用户对物品的评分预测值，并根据所述评分预测值向所述目标用户推荐物品。

在本发明的一个实施例中，所述用户对物品的评分数据包括用户集合U＝{u₁,u₂,...,u_n}、物品集合T＝{t₁,t₂,...,t_m}和用户评分矩阵R＝[r_ij]^n×m，其中n表示用户总数，m表示物品总数，r_ij表示用户u_i对物品t_j的评分值。

在本发明的一个实施例中，根据评分数据将物品划分至子空间包括：

将用户评分矩阵R转化为子矩阵，定义子矩阵中的最大值为r_max，子矩阵中的最小值为r_min，根据用户u_i对物品t_j的评分大小，将物品t_j划分至子空间。

在本发明的一个实施例中，子矩阵的大小均是n×m。