[发明专利]一种基于协同过滤的优化方法

摘要

本发明公开了一种基于协同过滤的优化方法，该方法为一种基于奇异值分解和BP神经网络预测未评分项的改进方法；该方法通过奇异值分解用户‑项目评分矩阵，有效的降低了矩阵的稀疏性；同时在奇异值分解的基础上，进一步采用BP神经网络来对未评分的目标项目进行分值预测。在此基础上，进行相似性计算获取相似邻居列表，将商品进行推荐给目标用户。该方法的改进核心思想是将用户‑项目评分矩阵降维，有效的缓解数据稀疏性，使得推荐准确率更高。

主权项

1.一种基于协同过滤的优化方法，该方法为一种基于奇异值分解和BP神经网络预测未评分项的改进方法；其特征在于：该方法通过奇异值分解用户-项目评分矩阵，有效的降低了矩阵的稀疏性；同时在奇异值分解的基础上，进一步采用BP神经网络来对未评分的目标项目进行分值预测，这样做的好处是避免了用平均分值代替而产生的效果单一性，从而使推荐的准确性有了较大提升；将用户对商品的评分用m×n矩阵R表示，其中，m是用户数量，n是商品数量，矩阵中元素Rij是用户i对商品j的偏好，Rij为数值；用矩阵R进行表示； R = R 11 ... R 1 j ... R 1 n . . . . . . . . . R i 1 ... R i j ... R i n . . . . . . . . . R m 1 ... R m j ... R m n ]]>若r是m×n矩阵R的秩，那么对矩阵R进行分解 R = U * S * V T = U * Σ r 0 0 0 * V T ]]>(1)U是m×m阶酋矩阵，表示用户特征矩阵；S是半正定m×n阶对角矩阵，S还能够用∑r的对角阵来表示；VT是V的共轭转置矩阵，是n×n阶酋矩阵，表示商品的特征矩阵；(2)RRT的特征值λ1,λ2,…λr也是RTR的特征值；(3)存在m×n的矩阵S符合∑ii＝σi，其中1≤i≤r，σi就是矩阵R的奇异值，这里存在的数量关系即可用来表示特征值的关系；奇异值分解能够用于解决矩阵降维的问题，在电商个性化推荐系统中将其应用到用户-项目评分矩阵上，进行矩阵变换，这一过程是获取矩阵数据的重要特征值来取代整个的稀疏矩阵；(1)首先对于用户项目评分矩阵R，采用奇异值分解公式进行分解；(2)然后把矩阵S中对角线上r-k个最小奇异值置为0，得Sk；(3)最后计算Rk＝USkVT作为R的重构矩阵；奇异值分解过程是在进行奇异值分解之前首先对数据进行处理，将用户和商品区别开来，矩阵中的Rij即表示所有用户i对商品j的喜好分值，若没有用户评分，则该项设置为0；在结合协同过滤推荐算法中，奇异值分解可以方便快速的处理原始数据，在保证数据集基本不缺失重要数据的情况下，对当前评分矩阵数据极度稀疏性这一问题；在协同过滤推荐方法中，目标用户和商品之间的关系影响整个算法推荐流程，利用用户的相似邻居对某一商品的评分来对其他商品进行评估；在获得准确完整的用户评价数据之后即可利用奇异值来进行处理。