[发明专利]基于奇异值分解算法的聚类协同过滤推荐系统

摘要

本发明提出一种基于奇异值分解算法的聚类协同过滤推荐技术，通过利用本发明中提出的用户属性特征值将用户先分类，降低用户‑商品评分矩阵的维度；然后将在图像处理与自然语言处理中常用的奇异值分解(SVD)算法加以改进，并利用到推荐系统当中去。将用户所在聚类中的评分矩阵分解后聚合，从而填充矩阵中未评分项的预测得分，并且利用该填充矩阵计算同一聚类中用户间的相似度，最后利用在推荐系统中应用广泛的基于用户协同过滤技术计算最终商品的预测评分，并做出最终的推荐。该发明可以提高系统推荐效率，解决推荐系统数据稀疏性等问题，同时可以提高系统的推荐准确率。

主权项

1.基于奇异值分解算法的聚类协同过滤推荐系统，其特征在于，在计算用户相似度之前，首先将系统中的每个用户根据特定的聚类算法划分到不同的聚类中去，这样可以有效的降低用户-商品评分矩阵的维度，提高系统的推荐效率；其次将常用于图像处理与自然语言处理技术中的奇异值分解(SVD)算法改进后应用到推荐系统中去，将用户-商品矩阵分解之后再聚合，从而得出第一次预测后的商品评分，来计算用户间的相似度，这样可以有效的解决推荐系统中常见的矩阵稀疏问题；/n其中，实现方案共分为两个步骤，聚类和利用SVD算法填充用户-商品矩阵；聚类负责利用用户的属性特征值将系统中原有的大量用户-商品信息分类到多个小的聚类中去，用户特征值包括：性别，年龄以及职业，通过多次试验数据分析，取出每个特征值所占的权重，从而得出一个最佳计算综合属性特征值的聚类公式；利用SVD算法填充用户-商品矩阵负责将该用户所在聚类中的用户-商品评分矩阵中未评分的项通过分解后聚合填充，利用以上两个步骤可以降低系统计算维度，解决系统稀疏性问题，从而大大提高推荐的效率与准确率；/n利用SVD算法填充用户-商品矩阵包括以下步骤：/nS1，求出初始评分矩阵R每一列中的商品评分的平均分ri；其中，所述初始评分矩阵R是m×n的二维矩阵，m表示用户的个数，n表示商品的个数，未评分的项目填充为0；/nS2，将所述初始评分矩阵R中每一个具有非0评分值rui的项全部替换成所述非0评分值减去所述初始评分矩阵R每一列中的商品评分的平均分而得到的值，得到矩阵R’；/nS3，利用SVD算法，将所述矩阵R’分解成U、S、V三个矩阵；/nS4，将所述矩阵S中小于1的值全部设为0，然后将所有数值为0的行和列删除，生成矩阵S