[发明专利]一种综合用户正负性评分和评分偏好因子的协同过滤方法

摘要

一种综合用户正负性评分和评分偏好因子的协同过滤算法，本发明公开了一种应用于个性化推荐系统中的协同过滤项目推荐方法，协同过滤的基本思想首先是通过个性化推荐系统提供的用户对项目的评分记录构造评分矩阵；然后根据评分矩阵寻找与目标用户兴趣相似的用户；最后根据找到的相似用户的喜好对目标用户进行项目推荐。本发明所述的推荐步骤基于基本协同过滤的思想，从相似用户的寻找和预测评分的计算两个方面出发实现创新突破，提高了计算目标用户对项目的预测评分的准确性，从而做出更准确的项目推荐。

主权项

一种综合用户正负性评分和评分偏好因子的协同过滤方法，其特征在于，包括以下步骤：步骤1：通过推荐系统提供的用户‑评分记录构造成评分矩阵R；步骤2：当需要对用户u进行推荐时，利用评分矩阵R的数据和评分正负性相似计算公式，计算u与其他用户v的相似性值，评分正负性相似计算公式如下式(1)所示，sim(u,v)=|Iuv|Σi∈IuvRp(u,v,i)(|ru,i-rv,i|+rmin2)---(1)]]>式(1)中，sim(u,v)为用户u和用户v之间的相似性；Iuv为用户u和用户v共同评分过的项目集合，|Iuv|为集合中的元素个数；ru,i，rv,i分别为用户u和用户v对项目i的评分；rmin为评分系统中相邻两个评分间的最小差值；Rp(u,v,i)为评分偏好因子，其计算方法如下式(2)所示，Rp(u,v,i)=1+|ru+‾-rv+‾|rmx,(ru,i,rv,i>rmed)1+|ru-‾-rv-‾|rmx,(ru,i,rv,i≤rmed)1+|ru+‾-rv+‾+ru-‾-rv-‾|rmx,otherwise---(2)]]>式(2)中，分别表示用户u和用户v的正性评分平均值；分别表示用户u和用户v的负性评分平均值；rmx为评分系统的最大分值；rmed为评分系统的中位数分值；步骤3：将步骤2中的相似性值从大到小排列，取前k个用户，k的大小根据实际需要调节，作为用户u的最近邻用户集合Nu；步骤4：取步骤3中得到的最近邻用户集合Nu以及这些近邻用户与用户u的相似性值，每计算用户u对某一个未评分项目i的预测评分时，将Nu中对项目i的评分为正性评分的用户划分到集合对项目i的评分为负性评分的用户划分到集合利用正负性评分预测公式计算用户u对未评分项目i的预测值，正负性评分预测公式如下式(3)所示；ru,i=ru+‾+σu+·Σv∈Nu+sim(u,v)(rv,i-rv+‾σv+)Σv∈Nu+|sim(u,v)|,(|Nu+|>|Nu-|)ru‾,(|Nu+|=|Nu-|)ru-‾+σu-·Σv∈Nu-sim(u,v)(rv,i-rv-‾σv-)Σv∈Nu-|sim(u,v)|,(|Nu+|<|Nu-|)---(3)]]>式(3)中σu+，σv+分别表示用户u和用户v的正性评分方差；σu‑，σv‑分别表示用户u和用户v的负性评分方差；表示用户u所有评分项目的评分平均值；分别表示集合的元素个数；步骤5：重复步骤4，直至用户u所有未评分项目的预测评分全部算出，然后将用户u的未评分项目的预测值从大到小排列，选择前N个项目作为推荐项目。