[发明专利]基于聚类的协同过滤的商品推荐方法及系统

权利要求书

1.基于聚类的协同过滤的商品推荐方法，其特征在于包含以下步骤:

步骤1）利用购物网站的API接口获取用户对商品的评分信息和商品的类型标签信息；

步骤2）根据用户的购买商品类型，对用户进行聚类；

步骤3）根据聚类的结果，并通过评分估值公式为用户-商品评分矩阵中缺省评分赋予评分估值；

步骤4）计算矩阵中商品之间的相似度，对目标用户未购买商品进行预测评分，并为目标用户推荐预测评分最高的前N件商品。

2.根据权利要求1所述的基于聚类的协同过滤的商品推荐方法，其特征在于所述步骤2）具体包括：

步骤2.1）用户c对商品s的评分表示为R_c,s，用户对商品类型i的评分公式为，

tc,i=Σs∈iRc,s|s|]]>

其中，分子表示，用户c已购买的商品中属于类型i的商品的评分的求和，分子|s|表示用户c已购买的商品中属于类型i的商品总数,1≤t_c,i≤5;

步骤2.2）根据用户对商品类型的评分，构建出一个用户-类型评分矩阵；

步骤2.3）采用K-means算法，首先选取k=10～15个用户作为初始的聚类中心，用户c的类型评分向量表示为U_c＝{t₁,t₂,t₃,...,t_k},t_i表示用户c对类型i的评分，称为一个用户节点，计算每个用户节点与聚类中心的欧式距离，并根据最小的距离对行向量的类别进行划分，重新计算每个聚类的均值，作为聚类的中心，利用新的聚类中心，重复上述过程，迭代多次之后，直到聚类中心不再发生变化为止，最终将所有的用户节点划分为k个类。

3.根据权利要求1所述的基于聚类的协同过滤的商品推荐方法，其特征在于所述步骤3）具体包括：

步骤3.1）根据步骤a获取的用户对已购买商品的评分信息，建立一个用户-商品评分矩阵；

步骤3.2）计算每个用户的平均打分值

步骤3.3）设定矩阵的系数度α，α表示为表明的是矩阵的稀疏程度，根据α的值，我们对用户-商品矩阵以概率Ρ=1-α的概率填充评分矩阵中的空值；

步骤3.4）对评分矩阵中的空缺值进行缺省赋值，得到稀疏度为α的密度化的评分矩阵。用户C对商品S的估计评分公式为其中集合U={购买过商品S并且与用户C属于同一个分类的所有用户}，表示属于集合U的用户对商品S的打分，表示集合U中的用户的平均打分。