[发明专利]一种面向大规模用户的个性化信息推荐方法

权利要求书

1.一种面向大规模用户的个性化信息推荐方法，其特征在于，包括：

步骤1：读取数据集文件构建用户物品评分矩阵；

步骤2：使用SVD对用户物品评分矩阵进行降维；

步骤3：使用Canopy算法确定降维后的维度k₁的值和k₁个不同的初始中心；

步骤4:将k₁和k₁个不同的初始中心作为K-means的输入，进而进行用户聚类，最终得到k₁个用户类簇；

步骤5：针对每一个用户使用slope one算法进行数据填充，若用户类簇中的用户稀疏，再次使用slope one算法进行数据填充直至用户不稀疏；

步骤6：确首先确定相似用户的邻居个数，根据协同过滤算法经过多次试验，经验上一般选择邻居个数为6到10之间的一个数为宜，然后使用距离函数计算用户相似度，其中，r_ui表示用户u对物品i的评分，表示用户u的评分的均值，r_vi表示用户v对物品i的评分，表示用户v的评分的均值；

步骤7：在用户类簇内使用基于用户的协同推荐算法针对每一个用户进行推荐，最终对每一个用户生成一个物品的推荐列表。

2.根据权利要求1所述的一种面向大规模用户的个性化信息推荐方法，其特征在于，步骤1中用户物品评分矩阵R(m×n)，其中矩阵的每一行表示表示同一个用户对不同物品的评分，每一列表示不同用户对同一个物品的评分，m表示用户总数，n表示物品总数。

3.根据权利要求1所述的一种面向大规模用户的个性化信息推荐方法，其特征在于，步骤2中由于用户物品评分矩阵R可以表示为R＝UλV^T，其中λ为矩阵R的特征向量，并且特征值是从大到小排列的，取前k个特征值，保证前k个特征值的和占所有特征值总和的80％，即per(k)＝80％。k的计算公式为

$per\left(k\right)=\frac{\underset{i=1}{\overset{k}{\Σ}}{\mathrm{\λ}}_i}{\underset{i=1}{\overset{n}{\Σ}}{\mathrm{\λ}}_i}$

其中，n是用户物品评分矩阵的秩，k是降维后的维度，最后降维后的矩阵。

4.根据权利要求1所述的一种面向大规模用户的个性化信息推荐方法，其特征在于，步骤6中定义物品i相对于物品j的平均偏差其中S_j,i()表示同时对物品i和物品j给予评分的用户集合，而card()表示集合包含的元素数量；使用dev_j,i+u_i获得用户u对物品j的预测值。当把所有的预测值平均起来得到其中R_j表示所有用户u已经给予评分且满足条件(i≠j且S_j,i非空)的物品集合。