[发明专利]基于高斯分布和距离相似度的混合聚类的推荐方法

权利要求书

1.一种基于高斯分布和距离相似度的混合聚类的推荐方法，其特征在于，包括如下步骤：

S1，获取用户行为数据集，将行为数据集划分为有标签数据和无标签数据，对有标签数据和无标签数据分别进行距离度量学习；

S2，根据所述距离度量权重矩阵，与高斯混合模型混合计算得到目标函数，对所述目标函数进行优化求解；

S3，根据得到目标函数优化求解后，通过聚类算法得到聚类行为数据，将聚类行为数据推荐给用户。

2.根据权利要求1所述的基于高斯分布和距离相似度的混合聚类的推荐方法，其特征在于，所述S1包括：

S1-1，假设和是行为数据集中两个实例的特征向量，则马氏距离为：其中S是这两个特征向量的协方差矩阵，L表示有标签数据，U表示无标签数据，W_ij表示实例x_i和实例x_j间边的权重。

3.根据权利要求1所述的基于高斯分布和距离相似度的混合聚类的推荐方法，其特征在于，所述S2构建权重矩阵的规则包括：

A，如果x_i∈L和x_j∈L，i、j为用户行为数据集中的任意两个行为数据；label(x_i)和label(x_j)为任意两个有标签数据的标签，

B，如果x_i∈L或者x_j∈U，

寻找μk=Σl=1m1{label(xl)=laberl(xi)}xlΣl=1m1{label(xl)=label(xi)},]]>

C，如果x_i∈U或x_j∈L，W_ij与B相同，

D，如果x_i∈U和x_j∈U，

当k∈{1…k}，k为数据点，m为正整数，μ_k为数据点的均值，执行dis(xi,μk)≤dismax(k)and dis(xj,μk)≤dismax(k),]]>

当W_ij＝1，或者W_ij＝0。