[发明专利]一种基于用户特征及其信任度的协同过滤推荐方法

权利要求书

1.一种基于用户特征和用户信任度的协同过滤推荐方法，其特征在于：在协同过滤的基础上引入用户特征和用户信任度对协同过传统滤推荐算法进行改进，在计算相似度时结合评分数据和用户特征因素，并在生成推荐时加入用户信任度，包括如下步骤：

步骤1，获取用户的历史评分数据和用户特征信息；

步骤2，在历史评分数据上利用Pearson相关系数公式，在用户特征数据上利用欧氏距离公式，分别构造基于用户评分的用户相似度矩阵SimUser1(x,y)和基于用户特征的相似度矩阵SimUser2(x,y)：

SimUser1(x,y)=Σs∈Sxy(R(x,s)-Ax)(R(y,s)-Ay)Σs∈Sxy(R(x,s)-Ax)2Σs∈Sxy(R(y,s)-Ay)2]]>

SimUser2(x,y)=11+Σk=1n(xk-yk)2]]>

其中S_xy=S_x∩S_y，表示用户x和用户y共同评过分的项目集合，R_（x,s）表示用户x对项目s的评分，A_x表示用户x对项目的平均评分，R_（y,s）表示用户y对项目s的评分，A_y表示用户y对项目的平均评分，n表示用户的特征数目，x_k表示用户x的第k个特征值，y_k表示用户y的第k个特征值；

步骤3，选取权值ω，将基于用户评分的用户相似度SimUser1(x,y)和基于用户特征向量的用户相似度SimUser2(x,y)结合起来，得到最终用户相似度矩阵：

SimUser(i,j)=ω*SimUser1(i,j)+(1-ω)*SimUser2(i,j)

其中权值ω的范围为0至1；

步骤4，对用户相似度矩阵按照相似度从大到小的顺序对每个用户进行排序，得到邻居矩阵，利用KNN算法，即kNearestNeighbors，K最临近算法，在邻居矩阵中选出与目标用户最相似即SimUser值最大的k个用户作为近邻，得到用户最近邻居矩阵；

步骤5，将用户历史评分的数量作为信任度，构造用户信任度矩阵：

输入用户对项目的历史评分数据

输出UserTrui=θ+(1-θ)CriMaxCr]]>

1）首先获取用户对项目的历史评分数据；

2）对每个用户i统计其所评分项目的数量Cr_i，并找出Cr_i的最大值MaxCr，选取调和权值θ，范围为0至1；

3）根据输出所示等式计算用户信任度UserTru_i；

步骤6，利用用户最近邻矩阵和加入信任度的加权平均推荐公式计算用户推荐结果，得到最终的与测评分，推荐公式如下：

Pu=Au+Σi=1c(Ri-Ai)*SimUser(i,u)*UserTruiΣi=1cSimUser(i,u)*UserTrui]]>

其中A_u表示用户u对项目的平均评分，c表示用户u的邻居数目，R_i表示u的邻居用户i对当前项目的评分，A_i表示用户i对项目的平均评分，SimUser(i,u)表示用户i和u的相似度，UserTru_i表示邻居用户i的信任度，P_u表示用户u对当前项目的推荐结果。