[发明专利]一种基于联合聚类的矩阵分解推荐方法

说明书

技术领域

本发明涉及个性化推荐领域，具体的说是一种基于联合聚类的矩阵分解推荐方法。

背景技术

随着网络技术的发展,使得用户在海量信息中失去方向，很难从中选出自己真正需要的信息，反而让信息的使用效率降低了，这就是所谓的信息过载问题。为解决信息过载问题，推荐系统应运而生。推荐系统是根据用户的信息需求，为用户推荐感兴趣物品的过程，这是一种个性化推荐过程。个性化推荐系统定位于目标用户的兴趣，不需要用户输入关键词，从用户先前的一些行为，比如浏览记录、加入购物车情况以及购买记录等，来主动推荐一些用户可能感兴趣的东西，帮助用户在信息的海洋中自由遨游。

目前存在的推荐算法中，协同过滤算法是各大电商应用最广泛的算法之一。协同过滤算法通过对用户历史行为数据的挖掘发现用户的偏好，从而推荐相似的商品。虽然该类算法能保持很好的精度，但还是存在时间复杂度较高的问题。

目前存在的协同过滤算法已经可以让推荐精度达到较高的水平，但是想在此基础上进行时间效率的提高，对目前存在的推荐算法而言仍是待解决的问题。所以，如何在保持较高精度的前提下，提高协同过滤算法的时间效率已经是个大问题。

发明内容

本发明是为了解决现有协同过滤算法的时效较低问题，提出的一种基于联合聚类的矩阵分解推荐方法，以期能够充分利用聚类内部间的紧密相关性和概率矩阵分解算法的高精度，对于信息过载时代的大数据处理问题，能够在保证不错精度的同时以较快的速度进行推荐。

本发明为解决技术问题采用如下技术方案：

本发明一种基于联合聚类的矩阵分解推荐方法的特点按如下步骤进行：

步骤1、构造用户-项目评分矩阵R

令U表示用户集，且U＝{u₁,u₂,...,u_i,...,u_M}，u_i表示第i个用户，1≤i≤M，M表示用户总数；令V表示项目集，且V＝{v₁,v₂,...,v_j,...,v_N}，v_j表示第j个项目，1≤j≤N，N表示项目总数；令r_ij表示第i个用户u_i对第j个项目v_j的评分值，则用户-项目评分矩阵为R＝{r_ij}_M×N；

步骤2、用户-项目评分矩阵R通过联合聚类分成若干个类别

步骤2.1、设定类别总数为K，随机初始化第i个用户u_i对第j个项目v_j的评分值r_ij属于第k个类别C_k的概率p(k|u_i,v_j,r_ij)，设定迭代阈值为τ_max，当前迭代次数为τ，并初始化τ＝1；

步骤2.2、利用式(1)、式(2)、式(3)分别计算第τ次迭代时第i个用户u_i属于第k个类别C_k的概率(p(k|u_i))^τ，第τ次迭代时第j个项目v_j属于第k个类别C_k的概率(p(k|v_j))^τ，第τ次迭代时第k个类别C_k中出现评分值r_ij的概率(p(r_ij|k))^τ：

式(1)中，V(u_i)表示第i个用户u_i评过分的所有项目集合，假设项目集合V(u_i)中的项目个数为A，则v_f表示项目集合V(u_i)中的第f个项目，且f∈{1，2,...,A}，r_if表示第i个用户u_i对第f个项目v_f的评分值，(p(k|u_i,v_f,r_if))^τ表示第τ次迭代时第i个用户u_i对第f个项目v_f的评分r_if属于第k个类别C_k的概率；