[发明专利]基于模糊机制用户评分邻域信息的协同过滤推荐方法

说明书

本发明公开一种基于模糊机制用户评分邻域信息的协同过滤推荐方法。其技术方案是：1.获取用户对项目的评分信息，创建评分矩阵；2.根据评分矩阵计算用户评分隶属度，根据项目上下文信息计算项目对相似度的贡献率；3.根据评分隶属度和相似度的贡献率，构建用户喜欢不喜欢相似度；4.对评分数目小的用户进行相似度值的缩减，构建用户Jnum相似度；5.根据用户喜欢不喜欢相似度和用户Jnum相似度，构建用户最终相似度；6.根据最终相似度，选取相似度值最高的前K个作为参考邻居用户，完成对目标用户的预测。实验仿真结果表明，本发明比传统协同过滤算法能得到更好的推荐质量，可用于向用户推荐感兴趣的项目。

技术领域

本发明属于协同过滤推荐技术领域，具体涉及一种基于模糊机制的用户评分邻域信息来构建用户相似度的协同过滤推荐方法，可用于网络项目推荐。

背景技术

互联网技术的迅速发展加重了信息过载的问题，面对海量的数据用户很难发现自己感兴趣的内容。推荐系统在上世纪90年代首次被提出便得到了广泛的关注，该系统根据用户的历史行为信息，建立用户与项目，例如：产品、电影、音乐等之间得关系，找到用户感兴趣的项目并将其推荐给用户。近些年来推荐系统应用日益广泛，如电子商务，图书等多个方面。一些网站通过收集和分析用户的购买历史，预测用户感兴趣的商品并将其推荐给用户，从而提高了销售业务。

目前，已存在许多经典的推荐系统，协同过滤推荐算法是推荐系统中最早被提出并得到广泛应用的一种推荐算法。协同过滤推荐技术主要分为两大类：基于模型的协同过滤和基于内存的协同过滤。与传统的基于内容的推荐不同，协同过滤算法的核心思想是分析用户的兴趣，在用户群中找到与目标用户相似的邻居用户。通过分析这些邻居用户对某一物品的综合评价，最后形成该目标用户对此物品的喜好程度的预测，推荐形式有评分预测及Top-N推荐。

协同过滤推荐算法主要通过相似度来预测用户对项目的评分，相似度可进一步分为基于用户的相似度和基于项目的相似度，相似度的度量准确性直接关系整个推荐系统的推荐质量。与一般的推荐系统相比，协同过滤推荐系统具有两大优势：一是可以发现用户潜在的但用户自身尚未觉察的兴趣偏好；二是对推荐的对象没有特殊的要求，即可以处理电影、音乐等难以用文本结构化的表示对象。但是随着电子商务系统的规模的不断扩大，用户数目和项目的数据急剧增加，加剧了用户项目的评分数据的稀疏特性。在用户评分数据极端稀疏的情况下，难以找到用户间的共同评分项目，使得传统的相似性度量方法存在着一定的偶然性，计算得到的目标用户及项目的最近邻不准确甚至无法计算相似性，从而导致推荐系统的推荐质量下降。

发明内容

本发明的目的在于针对已有协同过滤推荐算法中的不足，提出一种基于模糊机制的用户评分上下文信息来构建用户的相似度，以有效的缓解用户数据稀疏带来的问题，提高推荐系统的质量。

本发明的技术方案是：运用模糊逻辑创建用户的评分隶属度函数,缓解尖锐的评分边界问题。通过项目的上下文信息，充分挖掘项目对用户相似度的贡献率。通过惩罚评分数目较小的用户的相似度,缓解评分数据的稀疏性带来的难以描述用户偏好问题。其实现步骤包括如下：

(1)从原始的用户-物品-评分-时间这四维数据中获取用户U对项目I的评分信息，创建用户对项目的评分矩阵R_n×p，其中n代表用户的数目，p代表项目的数目；

(2)根据用户的评分矩阵，确定任意两个用户a与用户b的相似度值sim(a,b)：

(2a)运用软划分机制，分别构建用户u对项目i评分的喜欢隶属度L_u,i和用户u对项目i评分的不喜欢隶属度D_u,i：

其中r_u,i为用户u对项目i的评分，m为推荐系统用户评分的最小值，M为推荐系统用户评分的最大值，对于评分范围在1到5之间的数值，则m为1，M为5；