[发明专利]一种基于混合兴趣相似度的协同过滤推荐方法

摘要

本专利提出一种新的混合用户兴趣相似度计算方法。通过建立用户对所用项目的评分矩阵，当发现用户评分矩阵为空，计算用户特征属性相似性寻找相似用户进行预测评分。当目标用户与其他用户之间共同评分物品个数比较少时，通过计算物品相似度，间接计算出用户兴趣相似度。用户兴趣相似度计算主要分成三个部分：直接计算用户评分的距离值、求出一组评分的贡献值以及这组评分在整个评分系统中是否为奇异值。最后，将三个计算用户兴趣相似度的方法通过sigmoid函数实现冷启动状态下根据用户属性计算相似度到根据用户评分信息的平滑过渡得到最终用户兴趣相似度。根据用户兴趣相似度计算目标用户未评分项目的预测评分，选取其中预测评分最高的N个项目推荐，本发明可以有效缓解冷启动问题、数据稀疏性问题并有效地提高预测推荐的准确度。

主权项

1.一种基于混合兴趣相似度的协同过滤推荐方法，本发明是这样实现的：在系统中记录用户的历史评分记录，首先提取用户特征属性以及物品特征属性。推荐系统新加入的用户数据为空，根据用户特征属性计算出用户相似性进行推荐，随着用户对物品评分数量上升，此时用户与用户之间共同评分物品数量过少，则根据物品相似性间接求得用户兴趣相似性，当用户之间共同评分物品数量增加到一定数量时则可以直接根据用户之间共同评分的物品进行计算用户相似性。用户兴趣相似性根据全面考虑用户对物品的评分从评分距离值、贡献值和奇异值三个因素进行计算。最后通过使用sigmoid函数融合三种用户兴趣相似性寻找目标用户的相似用户从而预测出用户对为评分物品的评分，选取TOP‑N物品列表完成推荐。本发明中涉及到如下参数：用户特征属性向量Attruser＝(au1,au2,...,aun)，rui表示用户u给物品i的评分；物品特征属性向量表示为Attritem＝(ai1,ai2,...,ain)；ru,p表示用户v给物品p的评分；μp表示所有用户给物品P进行评分的平均值；rmed表示系统中对评分值的中值；sim(i,j)表示物品i和j之间的相似度；Cuv表示用户u和v共同评分物品的集合；rup表示预测用户u对物品p的评分；rkp表示用户k对物品p的评分；其具体方法步骤为：(1)通过日志数据系统，获取用户对各个物品的兴趣信息，根据设定的评分原则，建立各用户对所有物品的评分矩阵；(2)根据评分矩阵计算每个用户对物品的平均评分，将用户特征属性和物品特征属性用向量表示；(3)新用户进入系统时没有历史数据，获取用户属性特征向量计算用户之间相似度simattr(u,v)；(4)根据两个用户对物品的评分求出两者在评分上的距离值，计算公示如下(5)根据两个用户对物品评分与评级系统中间值的差距得出一组评分的贡献值，计算公式如下：(6)为判断一组评分是否为奇异值，根据这组评分与所有评分的平均值进行对比，计算公式如下：(7)结合步骤(4)(5)(6)三个因素得到用户兴趣相似度，计算公式如下：sim(u,v)1PSS＝∑p∈Iproximity(ru,p,rv,p)×significance(ru,p,rv,p)×singularity(ru,p,rv,p)；(8)新用户进入系统中，由于没有任何数据，采取步骤(3)寻找相似用户；(9)当目标用户与其他用户之间共同评分物品的数目较少时，通过计算物品之间的相似度结合步骤(7)得到稀疏时用户之间的兴趣相似度sim2；(10)随着用户之间共同评分数目增多，此时通过主要通过用户之间共同评分的物品进行用户相似性计算；(11)步骤(7)(8)(9)通过用户对评分物品的数目和用户之间共同评分物品个数进行过度；(12)将三种相似度进行融合得到最终混合相似度，计算公式如下:simfinal(u,v)＝αsimattr(u,v)+βsim1+λsim2；λ＝1‑α‑β；(13)由步骤13得到用户兴趣相似度最后预测出用户对未评分的物品的评分，如下：(14)选取预测评分最高的前N个物品给推荐用户，算法结束。