[发明专利]基于物品分类和用户分类的协同过滤推荐方法

说明书

技术领域

本发明涉及一种协同过滤算法，具体地说是一种基于物品分类和用户分类的协同过滤推荐算法。

背景技术

当今社会，网络信息浩如烟海，且每年都会有大量的新作加入，观众如何寻找到自己喜爱的信息呢？当前，搜索引擎是用户查找信息的重要手段之一，但这并不是问题的答案。因为搜索引擎存在下述致命缺点：1.传统的搜索算法为所有用户呈现完全一样的搜索排序结果、无法针对不同用户的个性化特征提供相应的服务；2.针对一个搜索关键字，搜索引擎会返回数以万计的信息条目，而这其中仅仅极少一部分才是用户真正需要或感兴趣的；3.搜索的前提是用户知道他/她需要什么，如果连用户自己都不知道自己能得到什么或想要得到什么的时候，搜索就无能为力了。

目前的解决方法是引入智能推荐算法及系统，通过推荐的方法来帮助用户发现自己需要/喜欢的个性化内容。近年来个性化推荐的研究与应用发展迅猛，这源于Web2.0技术的成熟使得用户从被动的网络信息浏览者进化为网络交互的主动参与者。准确、高效的推荐系统可以挖掘用户潜在的消费倾向，为众多的用户提供个性化服务。在当今日趋激烈的竞争环境下，个性化推荐系统已经不仅仅是一种商业营销手段，更重要的是可以增进用户的黏着性。个性化推荐系统已经为电子商务等领域带来巨大的商业利益。目前的推荐算法有基于内容的过滤推荐、协同过滤推荐算法、基于人口统计学的推荐算法、基于知识的推荐算法以及混合推荐算法，其中协同过滤算法是目前应用最为成功的推荐算法之

目前协同过滤推荐算法主要分为两类：1.基于用户的协同过滤算法：用户对物品的评分比较相似，则他们对其他物品的评分也比较相似，从而找到具有相似兴趣的最近邻，形成推荐；2.基于物品的协同过滤算法根据用户对不同物品评分的相似性来估计该用户对某个物品的评分，以此进行推荐。协同过滤算法主要不足有三个方面：一是稀疏性问题，即当推荐系统中数据量很大而用户的显式评分数据又很少时，难以计算相似性，而无法推荐；二是冷启动问题，当新物品刚进入系统时，没有用户对其评价，造成协同过滤无法推荐该资源。三是可扩展性问题，推荐系统中的用户和资源会随时间快速的增长，而协同过滤算法的复杂度和数据量呈线性关系增长，严重影响了执行效率，从而导致可扩展性较差。

发明内容

本发明的目的是克服现有技术的不足，提供是一种同时基于物品和用户的协同过滤推荐算法，能解决一般协同过滤算法中存在的稀疏性问题、冷启动问题以及可扩展性问题。

为了达到上述目的，本发明设计了一种基于物品分类和用户分类的协同过滤推荐算法，其特征在于采用如下步骤：

A、物品的聚类与分类步骤：

首先，采用PCA分析方法鉴别物品的主要特征，即对整个物品集合所张成的特征空间进行主轴定位，并得到PCA空间映射矩阵；

其次，采用KMEANS算法完成数据的聚类，即对每个物品都定义一个特征向量，该特征向量涵盖了物品的上述主要特征标签，通过余弦距离度量公式计算每两个物品之间的相似度，其公式如下：

其中，V₁，V₂表示物品的特征向量：V₁＝(v₁₁，v₁₂，...，v_1n)，V_s＝(v₂₁，v₂₂，...，v_2n)；

根据应用的不同，给每个特征项赋予一定的权重以表示该特征的重要程度，即：V₁＝(v₁₁，w₁₁；v₁₂，w₁₂；...；v_1n，w_1n)，V_s＝(v₂₁，w₂₁；v₂₂，w₂₂；...；v_2nw_2n)；

最后，在完成对物品的聚类后，记录每个类的类中心，当有新的物品加入时即可在PCA空间进行距离计算，把新物品分类到离它最近的类中心所代表的那个类别；

B、用户的聚类与分类步骤：当系统积累的用户数据量足够时，即可根据用户的类别消费特征向量来为用户进行聚类和分类，其过程和上述物品的聚类与分类步骤是一样的；