[发明专利]一种基于半余弦函数的个性化推荐算法

说明书

技术领域

本发明是将数学领域中常见的余弦函数变换为半余弦函数，并运用到个性化推荐技术中，解决用户兴趣随时间漂移的问题，属于计算机软件技术领域。

背景技术

随着web技术的快速发展，互联网信息量呈指数增长，大量纷杂的网络内容令人眼花缭乱，为了及时地从海量信息当中发现用户所需的信息，个性化推荐技术应运而生。根据推荐算法的不同，主流的推荐技术分为基于人口统计学的推荐、基于内容的推荐、协同过滤推荐和混合推荐算法。

其中，协同过滤算法的本质是用统计学的方法去发现目标用户的最近邻，即那些与目标用户有相似项目评分的用户群体，根据最近邻对项目的评分向目标用户产生预测推荐。虽然协同过滤推荐算法是目前应用最多且最有效的推荐技术，但传统协同过滤算法没有考虑到用户兴趣随时间的漂移，在计算用户相似性时通常较近时段下的项目评分参考性较大，而较久远的项目评分参考性不大，只有充分考虑了时间对项目评分参考意义的影响才能得到更准确的推荐结果。

现有技术中亟需一种考虑到用户兴趣随时间漂移的个性化推荐算法。

发明内容

本发明的目的是：为了解决传统协同过滤算法中没有考虑用户兴趣随时间漂移的问题，而提出一种基于半余弦曲线的个性化推荐算法。

本发明所采用的技术方案是：一种基于半余弦函数的个性化推荐算法，其特征在于：首先通过用户特征向量将用户进行聚类以缩小最近邻搜索范围；再采用一种半余弦函数作为时间权重函数捕捉用户兴趣的动态变化趋势，使距离当前时间较近的项目评分拥有较大权重；最后利用经典的协同过滤评分预测公式，根据最近邻用户对项目的评分，预测目标用户对项目的评分，根据评分高低生成项目推荐结果集合。

如上所述的基于半余弦函数的个性化推荐算法，其特征在于，包含如下步骤：

步骤1：根据用户的特征数据，将其作为计算两个用户之间特征相似度的参数，假设用户a和b的特征值向量为                                                ，，则用户a和b的特征相似度计算公式为：，其中k表示用户特征数，， 运用此公式再通过K-Means算法得到相似用户聚类簇集合；

步骤2：定义半余弦函数为，T是常数起到调节曲线变化快慢趋势的作用，定义域t的取值范围为，值域的范围在[0,1]；

假设用户a和b对项目i的原始评分为和，带时间权重的项目评分为和，平均评分为和，则，，同理可以得到，，再将和，和代入皮尔森相关系数公式计算用户之间相似度，公式如下：

 

由上述公式可以确定与目标用户相似度最高的δ个用户作为最近邻集合；

步骤3：将选出的δ个最近邻用户都评分过的项目作为待推荐项目，若恰好满足推荐要求个数，则将所有待推荐项目作为最终推荐项目；若不足推荐要求个数，选出δ-1个最近邻用户评分过的项目作为待推荐项目直到满足或者多于推荐要求个数；当多于推荐要求个数时，再利用经典的协同过滤评分预测公式，根据最近邻用户对所有项目的平均评分以及对项目i的评分，预测目标用户u对项目i的评分，根据评分大小生成项目推荐结果集合，预测公式如下：

。

本发明的有益效果是：本发明的基于半余弦函数的个性化推荐算法采用半余弦的曲线函数来描述用户对项目的关注程度变化趋势，以一种较为简单的参数可调的普通数学公式解决了用户兴趣漂移的复杂变化过程，并且经过多次模拟实验证明了本发明的可用性和有效性，能够更加精确地为用户推荐感兴趣的项目。

附图说明

图1是半余弦函数图像。

图2 是本发明的基于半余弦函数的个性化推荐算法框架流程。

具体实施方式

为了更好地理解本发明，下面结合实施例进一步阐明本发明的内容，但本发明的内容不仅仅局限于下面的实施例。本领域技术人员可以对本发明作各种改动或修改，这些等价形式同样在本申请所列权利要求书限定范围之内。