[发明专利]一种基于用户上下文感知的个性化推荐方法

摘要

本发明公开了一种基于用户上下文感知的个性化推荐方法，首先对获取社会网络中的信息数据进行预处理，聚类得到用户信息、项目信息，同时融入上下文信息；并提取用户信息、项目信息以及上下文信息的信息特征分别进行模型构建；然后，分别计算用户‑用户、项目‑项目、上下文‑上下文之间的相似度；并基于得到的相似度计算用户‑上下文、用户‑项目、上下文‑项目三者之间潜在相似度；使用LCP‑RM算法对用户‑项目、用户‑上下文和项目‑上下文的模型进行离线调优操作和在线调优操作；最后，在Last.fm数据集上对LCP‑RM算法和三维推荐模型进行测试，防止LCP‑RM算法和三维推荐模型的过拟合，实现个性化推荐；本发明解决了推荐过程数据稀疏性问题，提高个性化推荐的精度。

主权项

1.一种基于用户上下文感知的个性化推荐方法，其特征在于，所述方法包括步骤：S1、获取社会网络中的信息数据，预处理所述信息数据，聚类得到用户信息、项目信息，并基于所述用户信息和项目信息融入上下文信息构建用户‑项目‑上下文的三维推荐模型；S2、分别提取所述用户信息、项目信息以及上下文信息的信息特征，并基于所述信息特征构建用户‑项目模型、用户‑上下文模型以及项目‑上下文模型；S3、分别计算用户‑用户之间的第一相似度、项目‑项目之间的第二相似度、上下文‑上下文之间的第三相似度；并基于所述第一相似度、第二相似度以及所述第三相似度计算用户‑上下文之间的第一潜在相似度、用户‑项目之间的第二潜在相似度、上下文‑项目三者之间的第三潜在相似度；S4、使用LCP‑RM算法对所述用户‑项目模型、用户‑上下文模型和所述项目‑上下文模型进行离线调优操作，并根据用户在线的上下文行为，实时对所述用户‑项目模型、用户‑上下文模型和所述项目‑上下文模型进行在线调优操作；S5、在Last.fm数据集上对所述LCP‑RM算法和所述三维推荐模型进行测试，并计算所述LCP‑RM算法在推荐精度、推荐召回率以及推荐平均精度的平均值来防止算法和模型的过拟合。