[发明专利]一种基于社会化标签的个性化推荐系统优化方法

权利要求书

1.一种基于社会化标签的面向用户和项目的个性化推荐系统优化方法，其特征在于包括有下列步骤：

第一步：在电子商务的项目集I＝{i₁，i₂，...，i_a，…i_n}和用户集U＝{u₁，u₂，…，u_c，...u_m}中采用矩阵形式表达出用户-项目评分矩阵R＝|U|×|I|和用户-项目社会化标签矩阵T＝|U|×|I|；

第二步：依据用户-项目评分矩阵R＝|U|×|I|、用户-项目社会化标签矩阵T＝|U|×|I|在K近邻推荐模型中获取目标项目i_n与任意一项目i_a之间的项目间相似度ISim(i_n→i_a)；

第三步：采用所述第二步的处理方法遍历目标项目i_n分别与项目集I＝{i₁，i₂，…，i_a，…i_n}中项目处理，目标项目i_n的项目集相似度ISim(i_n)；

第四步：依据用户-项目评分矩阵R＝|U|×|I|、用户-项目社会化标签矩阵T＝|U|×|I|在K近邻推荐模型中获取目标用户u_m与任意一用户u_c之间的用户间相似度USim(u_m→u_c)；

第五步：采用所述第四步的处理方法遍历目标项目i_n分别与用户集U＝{u₁，u₂，…，u_c，...u_m}中用户处理，目标项目i_n的用户集相似度UTSim(u_m)；

第六步：获取目标用户-近邻项目评分r(u_m，i′)；

根据项目集相似度ISim(i_n)来获取与目标项目i_n相似度最高的前面的项目，得到目标项目i_n的K近邻项目集合KNN(i_n)；所述K近邻项目集合KNN(i_n)中的任意一个元素记为i′，则有目标用户u_m对目标项目i_n的K近邻项目集合KNN(i_n)中任意一元素的评分记为r(u_m，i′)；

第七步：获取近邻用户-目标项目评分r(u′，i_n)；

根据用户集相似度USim(u_m)来获取与目标用户u_m相似度最高的前面的用户，得到目标用户u_m的K近邻用户集合KNN(u_m)。所述K近邻用户集合KNN(u_m)中的任意一个元素记为u′，则有目标用户u_m的K近邻用户集合KNN(u_m)对目标项目i_n的评分记为r(u′，i_n)；

第八步：从项目集相似度ISim(i_n)中选取与K近邻项目集合KNN(i_n)相关的相似度ISim(KNN(i_n))；

从用户集相似度USim(u_m)中选取与K近邻用户集合KNN(u_m)相关的相似度USim(KNN(u_m))；

第九步：计算预测评分

对目标用户-近邻项目评分r(u_m，i′)、近邻用户-目标项目评分r(u′，i_n)、目标项目-K近邻相似度ISim(KNN(i_n))和目标用户-K近邻相似度USim(KNN(u_m))进行加权平均，得到目标用户u_m对目标项目i_n的预测评分r^(um,in)=Σv∈KNN(um)∩R(in)USim(um,v)·r(v,in)+Σj∈KNN(in)∩R(um)ISim(in,j)·r(um,j)Σv∈KNN(um)∩R(in)USim(um,v)+Σj∈KNN(in)∩R(um)ISim(in,j),]]>v表示目标项目i_n的求和对象，KNN(u_m)表示目标用户u_m的K近邻用户集合，R(i_n)表示目标项目i_n的被评分集，USim(u_m，v)表示目标用户u_m与求和对象v的用户相似度，r(v，i_n)表示目标项目i_n在R＝|U|×|I|中的元素，KNN(i_n)表示目标项目i_n的K近邻项目集合，R(u_m)表示目标用户u_m的被评分集，ISim(i_n，j)表示目标项目i_n与求和对象j的项目相似度，r(u_m，j)表示目标用户u_m在R＝|U|×|I|中的元素。