[发明专利]一种基于用户和物品的自适应个性化推荐方法

摘要

本发明公开了一种基于用户和物品的自适应个性化推荐方法，分为训练和个性化推荐两个阶段。训练阶段，首先平台采集用户个人信息、用户行为特征以及用户对物品的评价等数据。根据用户数据将相似用户聚类，计算用户对物品评价的平均差矩阵，据此建立基于用户聚类的预测模型，计算出该模型对所有物品的评价预测误差；根据物品的属性计算物品之间的相似度，计算用户对物品的评价平均差，建立预测模型，形成基于用户和物品的自适应预测模型。个性化推荐阶段首先判断用户所属聚类，利用融合了用户和物品的自适应预测模型，推测用户对物品的评价，将预测评价高的物品推荐给用户。本发明相比于传统的个性化推荐方法具有自适应的能力，具有更高的准确性。

主权项

一种基于用户和物品的自适应个性化推荐方法，其特征在于该方法分为训练和个性化推荐两个阶段：一、训练阶段：包含以下五个子步骤：步骤1‑1：数据采集及预处理，平台采集用户个人信息，用户行为特征，以及用户对物品的评价数据形成用户评价矩阵，对用户评价数据预处理,用户对物品评价的空缺值使用用户对物品的平均评价代替,若该物品无评价用户，填充评价最高值的一半；步骤1‑2：用户相似性聚类，根据采集的用户数据对用户进行聚类，使用聚类算法将用户划分为K个聚类，具有相似行为和物品喜好的用户划分为同一聚类；步骤1‑3：物品相似性计算，根据物品自身的特征属性量化为特征向量，由相似性度量公式计算两两物品之间的相似度；步骤1‑4：计算物品间的评价平均差矩阵，根据用户对物品的评价打分，计算两两物品间的平均评价的差值；步骤1‑5：建立预测模型，分为三个步骤，首先根据物品之间的相似性，建立基于物品相似性的预测模型；其次，根据用户的相似性建立基于用户聚类的预测模型，最后，将两者融合建立基于用户和物品的自适应预测模型；二、个性化推荐阶段：包含以下三个步骤：步骤2‑1：数据采集及预处理，采集用户个人信息，用户近期行为特征，以及用户对物品的评价等数据；步骤2‑2：基于用户属性判定所属聚类，根据将采集的用户数据量化，步骤1‑2已经对用户聚类，由相似性公式分别计算用户与K个聚类核心的相似性，用户与某个聚类核心的相似度最高，判定用户属于该聚类；步骤2‑3：预测用户对未评价物品的打分，根据用户的历史评价数据，利用步骤1‑4中建立的基于用户和物品的自适应预测模型预测用户对未评价物品的的打分，将预测评价较高的N件物品推荐给用户。