[发明专利]一种结合模糊权重相似性度量和聚类协同过滤的方法

摘要

本发明公开了一种结合模糊权重相似性度量和聚类协同过滤的方法，依据用户—项目评分矩阵Rm×n，用fcos,fcor,fadj分别计算用户三种不同的相似度矩阵FCOS,FCOR,FADJ，再根据k‑means算法和分类个数kcluster对所有用户进行分类。确定用户的最近邻居集s(Ui)，然后利用ri,c计算预测评分；依照上述策略，直到对所有用户评分进行预测。本发明的模糊相似度聚类IBCF/UBCF在邻居集s(Ui)查找准确度上有了明显提高；对评分值和评分偏差进行模糊化，更接近于用户对于项目的真实评价；相似度计算加入模糊权重wc后，用户间的相似度更趋于精确，从而提高了推荐系统的性能。

主权项

一种结合模糊权重相似性度量和聚类协同过滤的方法，其特征在于，该结合模糊权重相似性度量和聚类协同过滤的方法包括以下步骤：步骤一，处理用户—项目评分矩阵Rm×n，确定目标用户Ui、待评分的项目Ic、最近邻居查询个数knear和分类数kcluster；步骤二，依据评分矩阵Rm×n，用fcos,fcor,fadj分别计算用户三种不同的相似度矩阵FCOS,FCOR,FADJ，从相似度矩阵中知道任意两个用户之间的相似度；fcos：模糊加权余弦相似性；fcor：模糊加权相关相似性；fadj：模糊加权修正余弦相似性；步骤三，由步骤二得出的相似度，再根据k‑means算法和分类个数kcluster对所有用户进行分类；步骤四，选取用户Ui所在的类index；确定用户的最近邻居集s(Ui)；步骤五，然后利用ri,c计算预测评分；ri,c=ri‾+ΣUj∈S(Ui)sim(Ui,Uj)×(rjc-rj‾)ΣUj∈S(Ui)sim(Ui,Uj)]]>ri,c：用户Ui对项目Ic的评分；用户Ui的平均评分；s(Ui)：用户Ui的最近邻居集；Uj表示用户j，rjc表示用户j对项目C的评分；s(Ui)的更新方法包括：第一步，对用户Ui与所在的类index中的其它用户按照相似度大小降序排列；并与对目标项目Ic评分不为0的用户集USERc中用户求交集组成用户群q(Ui)；第二步，若|q(Ui)|≥knear，取q(Ui)中前knear个用户组成s(Ui)；第三步，当0＜|q(Ui)|≤knear时，则s(Ui)为q(Ui)；第四步，当|q(Ui)|＝0时，对用户Ui与所有用户U按照相似度大小降序排列；并与USERc中用户求交集组成新用户群q(Ui)；第五步，若|q(Ui)|≥knear，取q(Ui)中前knear个用户组成s(Ui)；第六步，当0＜|q(Ui)|≤knear时，则s(Ui)为q(Ui)；第七步，当|q(Ui)|＝0时，对用户集USERc按照相似度大小降序排列，取前knear个用户作为s(Ui)；如果0＜|USERc|≤knear，取|USERc|个用户组成s(Ui)；否则|USERc|＝0，则s(Ui)为空集；步骤六，循环步骤四和五直到对测试集中的所有用户的评分都进行了预测。