[发明专利]对用户进行个性化推荐的方法和装置

权利要求书

1.一种对用户进行个性化推荐的方法，其特征在于，包括：

利用用户的标签数据计算用户之间的相似度，利用产品的标签数据计算产品之间的相似度，根据相似度信息获取每个用户和每项产品的邻居集合；

基于所述用户和产品的邻居集合信息，采取最近邻居矩阵分解算法计算出用户和产品的特征向量；

根据用户和产品的特征向量，预测用户对未评分产品的评分数据，根据所述评分数据对用户进行个性化产品推荐。

2.根据权利要求1所述的对用户进行个性化推荐的方法，其特征在于，所述的利用用户的标签数据计算用户之间的相似度，利用产品的标签数据计算产品之间的相似度，根据相似度信息获取每个用户和每项产品的邻居集合，包括：

对于用户-标签信息矩阵P，P_il是用户i对标签l的权重值，P_il的具体计算公式是：

P_il＝tf(i，l)*ln(L/d(fl))

其中tf(i，l)表示用户i的标签记录中标签l出现的归一化频率，df(l)表示使用过标签l的用户数；

对于产品-标签矩阵Q，Q_jl是产品j对标签l的权重值，Q_jl的具体计算公式是：

Q_jl＝tf(j，l)*ln(L/df(l))

其中tf(j，l)表示产品j的标签记录中标签l出现的归一化频率，df(l)表示使用过标签l的产品数；

根据所述用户-标签矩阵P分别得到用户i在标签空间中对应的向量用户j在标签空间中对应的向量用户i和用户j之间的相似度s(i，j)的计算方法如下：

s(i,j)=cos(i→,j→)=i→×j→||i→||×||j→||]]>

对于用户i，选取与其相似度最高的设定数量个用户组成邻居集合N_Ui，并计算所述设定数量个用户与用户i之间的相似度，并将所述设定数量个用户与用户i之间的相似度归一化：

∀j∈NUi]]>s(i,j)=s(i,j)Σl∈Nuis(i,l)]]>

∑_l∈Nuis(i，j)＝1；

根据所述产品-标签矩阵P分别得到产品i在标签空间中对应的向量产品j在标签空间中对应的向量产品i和产品j之间的相似度s(i，j)的计算方法如下：

t(i,j)=cos(i→,j→)=i→×j→||i→||×||j→||]]>

对于产品i，选取与其相似度最高的设定数量个产品组成邻居集合Nvj，并计算所述设定数量个产品与产品i之间的相似度，并将所述设定数量个产品与产品i之间的相似度归一化：

∀j∈Nvj]]>t(i,j)=t(i,j)Σl∈Nvjt(j,l)]]>

上述等式确保了∑_l∈Nvjt(j，l)＝1。