[发明专利]一种用于个性化推荐的融合内容和行为的协同过滤方法

说明书

本发明涉及一种用于个性化推荐的融合内容和行为的协同过滤方法，该方法包括如下步骤：(1)特征输入：包括代表项目内容的项目‑属性矩阵以及代表用户行为的用户行为矩阵；(2)基于内容的项目聚类：计算项目相似性，对项目进行聚类；(3)评分预测与特征填充：对未评分项目进行评分预测，填充用户‑项目评分矩阵；(4)基于行为的用户聚类：根据项目聚类结果和用户‑项目评分矩阵，对用户进行聚类；(5)评分预测与项目推荐：确定目标用户所在的聚类簇，找到最近邻居用户集合，对目标用户的未评分项目进行评分预测，最后将预测评分最高的前N个项目推荐给目标用户。与现有技术相比，本发明有效解决了数据稀疏性和冷启动问题，推荐效率高。

技术领域

本发明涉及一种个性化推荐中的协同过滤方法，尤其是涉及一种融合内容和行为的协同过滤方法。

背景技术

自上世纪90年代Resnick和Varian提出推荐系统的概念以来，推荐系统由于其重要的理论价值和应用价值，受到了学术界和产业界的广泛关注，至今己经发展成一个独立的研究领域。在学术界，国外有很多著名的研究机构，产出了大量有突破性的学术研究和学术论文。在产业界，实用推荐系统服务于互联网新闻、电子商务、社交网络等各个领域，国内外各大互联网公司也都有专门研究推荐系统的团队。

各站点常见的分类排序和热门推荐也是推荐的一种形式，结果偏社会化，属于非个性化推荐(Non-personalized Recommendation)，系统不需要考虑用户的个性化需求，按一定的逻辑将相同的信息资源向用户展示。而个性化推荐基于数据挖掘，将特定的项目与用户的偏好相匹配，为用户提供一对一的、个性化的决策支持信息。个性化推荐服务的自动化、智能化程度更高，使用户从信息泛滥和选择困难中得到解放。个性化推荐服务是当今信息服务的热点，也是未来的必然趋势。

协同过滤推荐利用集体智慧，从群体用户的行为中得出具有统计意义的结论，这些结论蕴含着某种趋势或者人群中的共性。其基本思想是认为用户会偏好“与他兴趣相似的用户所喜欢的项目”或“与他喜欢的项目相似的其他项目”，由此对应的分别是基于用户的协同过滤(User-based Collaborative Filtering,UCF)和基于项目的协同过滤(Item-based Collaborative Filtering,ICF)。

协同过滤沿用GroupLens系统的方法，充分利用推荐系统中用户和项目的联系，以用户对项目的评分代表用户偏好，以用户之间对项目评分的相似性、项目之间得分的相似性，代表用户偏好的相似性、项目特征的相似性，无需关注用户或项目本身的属性，就能挖掘出用户的兴趣。

协同过滤算法不需要提取用户和项目的特征，故能很好的处理非结构化的网络信息，推荐对象可以为任何类型的资源，且个性化程度高、效果明显，易于挖掘用户潜在兴趣、产生新异推荐。协同过滤推荐优势明显、易于实现，是迄今为止应用最成功和最广泛的推荐技术。但过于依赖用户评分，将面临严重的数据稀疏性问题。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种用于个性化推荐的融合内容和行为的协同过滤方法。

本发明的目的可以通过以下技术方案来实现：

一种用于个性化推荐的融合内容和行为的协同过滤方法，该方法包括如下步骤：

(1)特征输入：特征输入包括代表项目内容的项目-属性矩阵以及代表用户行为的用户-项目浏览矩阵、用户-项目收藏矩阵、用户-项目购买矩阵、项目评价标签矩阵和用户-项目评分矩阵；

(2)基于内容的项目聚类：将项目-属性矩阵和项目评价标签矩阵组合，计算项目相似性，对项目进行聚类；

(3)评分预测与特征填充：针对用户-项目评分矩阵中的未评分项目，在与未评分项目相似性较高的聚类簇中寻找最近邻居项目，根据最近邻居项目的评分，对未评分项目进行评分预测，填充用户-项目评分矩阵；