[发明专利]一种基于扩展特征向量的个性化协同过滤推荐方法

权利要求书

1.一种基于扩展特征向量的个性化协同过滤推荐方法，其特征在于：其包括基于用户的协同过滤推荐策略和基于用户的协同过滤推荐策略；

所述基于用户的协同过滤推荐策略的具体操作过程为：

步骤1.1：确定用户的扩展特征向量；

定义用户的扩展特征向量：user_i＝(p_(i，1),p_(i，2),…,p_(i，m),a_(i，1),a_(i,2),…,a_(i，p))；其中，user_i表示第i个用户对应的扩展特征向量，1≤i≤n，n为站点中的用户总数；p_(i，j)表示第i个用户对第j个物品的偏好值，1≤j≤m，m为站点中的物品总数；a_(i，k)表示第i个用户本身具有的第k个属性值，1≤k≤p，p为用户的属性个数；

所述偏好值是在站点中用户对物品的评分、评论、购买以及浏览记录等信息；

所述用户属性值是用户具有的属性信息，包括：用户性别、年龄、职业、注册时间、活跃度、所处地区、教育程度等；

步骤1.2：计算候选推荐物品的推荐值；

根据步骤1.1得到的扩展特征向量通过公式（1）计算候选推荐物品的推荐值；

R(u,j)=1|Uj|Σv∈Ujsim(u,v)p(v,j)---(1)]]>

其中，R_(u，j)表示物品j对于用户u推荐值；U_j表示已经对物品j给出偏好值的用户集合；|U_j|表示集合U_j中的元素个数；sim_(u，v)表示用户u和用户v之间的相似度，具体指用户u和用户v的扩展特征向量之间的相似度，u、v为该站点中的两个不同用户，且p_(v，j)为用户v对物品j的偏好值；

所述用户u和用户v之间的相似度的计算方法包括：皮尔逊相关系数、基于欧式距离的相似度和谷本相关系数等；

步骤1.3：对候选推荐物品的推荐值按照从大到小的顺序进行排序；

步骤1.4：在步骤1.3排序的基础上，选取前N个物品推荐给用户u，N为人为设定的某一正整数；

经过上述步骤的操作，即完成对用户u的物品推荐；

所述基于物品的协同过滤推荐策略的具体操作过程为：

步骤2.1：确定物品的扩展特征向量；

定义物品的扩展特征向量：item_j＝(p_(1，j)，p_(2，j),…,p_(n，j),b_(j，1),b_(j，2),…,b_(j，q))；其中，item_j表示第j个物品对应的扩展特征向量，1≤j≤m，m为站点中的物品总数；p_(i，j)表示第i个用户对第j个物品的偏好值，1≤i≤n，n为站点中的用户总数；b_(j,l)表示第j个物品本身具有的第l个属性值，1≤l≤q，q为站点中的物品的属性个数；

所述偏好值是在站点中用户对物品的评分、评论、购买以及浏览记录等信息；

所述物品属性值是物品具有的属性信息，包括：物品内容、类别、价格、年份、适用人群，产地等；

步骤2.2：计算候选推荐物品的推荐值；

根据步骤2.1得到的扩展特征向量通过公式（2）计算候选推荐物品的推荐值；

R(u,j)=1|Iu|Σj′∈Iusim(j,j′)p(u,j′)---(2)]]>

其中，R_(u，j)表示物品j对于用户u推荐值；I_u表示用户u给出偏好值的物品集合；|I_u|表示集合I_u中的元素个数；sim_(j，j)表示物品j和物品j'之间的相似度，具体指物品j和物品j'的扩展特征向量之间的相似度，j、j'为该站点中的两个不同物品，且p_(u,j′)为用户u对物品j'的偏好值；

所述物品j和物品j′之间的相似度的计算方法包括：皮尔逊相关系数、基于欧式距离的相似度和谷本相关系数等；

步骤2.3：对候选推荐物品的推荐值按照从大到小的顺序进行排序；

步骤2.4：在步骤2.3排序的基础上，选取前N个物品推荐给用户u，N为人为设定的某一正整数；

经过上述步骤的操作，即完成对用户u的物品推荐。