[发明专利]基于共现分析的推荐方法

摘要

本发明属于推荐系统技术领域，具体涉及基于共现分析的推荐方法，本发明涉及两种改进的协同过滤推荐方法(WCO_IBCF和MCO_IBCF)的提出，“协同过滤推荐”是一种跨领域的应用，推荐系统作为一种有效的信息过滤手段，特别着重于利用这些技术提高信息的使用效率。共现潜在语义分析理论与方法应用于推荐系统领域，将提高推荐结果的准确率。

主权项

1.基于共现分析的推荐方法，包括以下步骤：步骤1.数据准备：采集数据，通过数据的融合重铸生成用户‑项目评分矩阵R＝(r_ui)_n×m，即评分矩阵，将采集的数据中没有出现的评分项记为缺失项其中n为用户总数，m为项目总数，r_ui为第u个用户对第i部电影的评分；步骤2.将评分矩阵R转化为布尔矩阵A＝(a_ui)_n×m，将R中有评分的项记为1，缺失项记为0，其中其中：用户‑项目评分矩阵中的每一行表示的是每位用户对所有项目评过分的情况，每一列表示的是每个项目在所有用户中的出现情况；步骤3.根据CLSVSM计算共现矩阵，获得项目的出现频次以及项目之间两两共现频次；项目之间的共现矩阵为：C＝A^T·A＝(c_ij)_m×m，当i＝j时，c_ii为第i个项目出现的总频次；当i≠j时，c_ij表示项目i与项目j之间的共现频次；步骤4.计算项目之间的共现相对强度矩阵：其中，当i≠j时，b_ij为第i个项目与第j个项目的共现强度；显然当i＝j时，b_ij＝1，此时为最大共现强度；步骤5.评分矩阵的补全：基于项目与项目之间，用户与用户之间的共现分析，运用加权平均方法和最大值法两种模型分别进行评分信息补充，生成WR和MR矩阵；步骤6.根据补全得到的新的评分矩阵，考虑不同的相似度计算方法，进行更加准确的邻居选择：(1)余弦相似性：如果设共有n位用户对m个项目进行评分，那么每个项目得到的评分可以看做是n维空间上的向量，项目之间的相似性则可以通过向量间夹角的余弦来度量；夹角越小，两个向量的余弦会越大，项目之间的相似性就越大；设项目i和项目j得到的评分在n维空间上分别为则项目i和项目j的相似度Sim(i,j)为(2)修正的余弦相似性：余弦相似度未考虑到用户评分尺度问题，修正的余弦相似性度量方法通过减去用户对项目的平均评分来改善上述缺陷；设U为对项目i和项目j共同评分过的用户合集，则项目i和项目j的相似性计算公式如下：R_ui表示用户u对项目i的评分，R_uj表示用户u对项目j的评分，表示用户u对项目的平均评分；步骤7.用户对项目的预测评分计算：在预测用户u对项目i的评分时，需要加入用户u对和项目i相似的其他项目的评分：其中，S(i,K)表示和项目i最相似的项目合集，I_u(1)表示用户u评过分的项目合集，s_ij表示项目间的相似度，是项目i的平均分，是项目j的平均分；步骤8.根据用户对项目的预测评分生成Top‑N推荐方法进行推荐。