[发明专利]一种基于相似性和相似性可信度的协同过滤推荐算法及装置

摘要

本发明提出了一种基于相似性和相似性可信度的协同过滤推荐算法及装置，该算法在概率矩阵分解模型的基础上，通过相似性关系约束潜在特征向量的夹角余弦，并通过相似性可信度影响约束权重。由于相似性可信度的约束，该算法有效减弱了评分稀疏性问题对相似性关系的影响，强化了模型对重要相似性关系的学习能力，从而缓解了评分稀疏性问题。相关实验表明该算法的推荐效果明显优于当前其它同类算法。接下来的工作就是将此算法运用于实际的推荐系统中，弥补传统推荐系统在实际应用中的数据稀疏性问题及其带来的推荐效果不佳的问题。

主权项

1.一种基于相似性和相似性可信度的协同过滤推荐算法，其特征在于，包括步骤1，建立用户‑项目评分矩阵R，用户‑项目评分矩阵R包括若干元素Ru,i，Ru,i表示用户u对项目i的评分，u＝1,2,..N，i＝1,2,3,..M，N表示推荐系统中的用户数量，M表示推荐系统中的项目数量；步骤2，建立评分指示矩阵I^R，评分指示矩阵I^R包括若干元素表示用户i对项目j是否进行过评分,若是，则若否，则步骤3，通过余弦相似性计算用户相似度矩阵D，用户相似度矩阵D包括若干元素Du,p，Du,p表示用户u和用户p之间的相似性，其中，I表示用户u和p共同评价过的项目集合，表示用户u对所有已评价项目的平均评分，表示用户p对所有已评价项目的平均评分；步骤4，通过余弦相似性计算项目相似度矩阵S，相似度矩阵S包括若干元素Si,j，Si,j表示项目i与项目j之间的相似性，其中，P表示同时评价过项目i和j的用户集合，表示项目i的平均评分，表示项目j的平均评分；步骤5，建立用户共同评分项数量矩阵C^D，用户共同评分项数量矩阵C^D包括若干元素表示用户u和用户p共同评价过的项目的数量，其中R_u和R_p分别表示用户u和用户p的评价过的项目的集合；步骤6，建立项目共同评分项数量矩阵C^S，项目共同评分项数量矩阵C^S包括若干元素表示同时评价过项目i和项目j的用户的数量，其中R_i和R_j分别表示评价过项目i和项目j的用户集合；步骤7，将用户共同评分项矩阵C^D和项目共同评分项矩阵C^S代入映射函数ω(c)，得到用户相似性可信度矩阵W^D＝ω(C^D)，和项目相似性可信度矩阵W^S＝ω(C^S)，其中为用户u和用户p对应的相似性可信度，为项目i和项目j对应的相似性可信度；映射函数ω(c)为C(θ)和C(β)分别为用户(或项目)的共同评分项数量的频率分布直方图的θ和β下侧分位点，0＜θ＜β＜1；步骤8，建立损失函数其中，λU和λV为PMF中的正则化参数，λD和λS为相似性正则化参数，g(x)＝1/(1+exp(‑x))，U和V分别表示用户因子矩阵和项目因子矩阵，Uu和Up分别表示用户u和用户p对应的用户因子向量，Vi和Vj分别表示项目i和项目j对应项目因子向量,cos(X,Y)为余弦函数；通过最小化损失函数E,得到用户因子矩阵U和项目因子矩阵V，然后通过公式来预测用户u对项目i的未知评分。