[发明专利]一种融合FP-growth算法和Slope-One算法的混合推荐模型

说明书

本发明公开了一种融合FP‑growth算法和Slope One算法的混合推荐模型，该模型采用FP‑growth算法和Slope One算法使得推荐结果更加准确。

技术领域

本发明涉及推荐算法领域，尤其涉及一种融合FP-growth算法和Slope One算法的混合推荐模型。

背景技术

2005年Lemire教授提出了Slope One算法，其核心思想是：线性回归f(x)＝x+b。借助大量用户对item的评分，可以得到任意两个item的回归直线。未评分item的评分(值根据已评分item评分值计算，根据计算出的评分值排序做Top-N推荐。它的优点是算法简单，容易实现，可扩展性也不错，但必须基于评分，如果没有评分，需要构造评分。并给出了Weighted-Slope One算法模型修正Slope One未考虑对物品产生行为的用户数对偏差的贡献度不同，但Weighted-Slope One不具有解释性，推荐结构不够精确。

目前对Slope One算法改进一般使用聚类方法提高其精度，比如使用改进的 K-means方法聚类用户后，利用User-CF搜索最近邻居，结合Slope One为目标用户推荐对应的产品。又比如融合领近项目的Slope One算法，基于项目属性相似和MapReduce 并行化的Slope One算法。这些混合算法都是在提高算法的精度上做出了一定的贡献，但其关联性和可解释性相对较差。

发明内容

本发明的主要目的在于提供一种融合FP-growth算法和Slope One算法的混合推荐模型，能够是推荐结构更加的准确。

为达到以上目的，本发明采用的技术方案为：一种融合FP-growth算法和SlopeOne 算法的混合推荐模型，通过以下步骤实现：

1)输入推荐参数：数据集和最小支持度；

2)对数据集在数据库中进行第一次扫描，获得频繁项的集合F和其中每个频繁项的支持度，并对F中的所有频繁项按其支持度进行降序排序，得到频繁项表L，移除头指针表中不满足最小支持度的元素项；

3)再次扫描数据库，由每个事务不断构建FP-Tree，同时对每个数据集中的项集初始化空FP树；

4)根据已经构造好的FP-Tree、项集α、最小支持度对每个项集进行过滤和重排序；

5)使用步骤4中的项集更新FP树；

6)根据得到的数据集D中的频繁项集L，构建频繁项集与未评分项集构造轻量级矩阵；根据频繁项集数据，构建self.diffs/self.freqs字典；

7)计算与目标项的评分偏差dev；

8)对得到的评分偏差dev采用Weighted-Slope One算法进行修正。

优选地，步骤7中采用以下公式进行计算：

其中，S_j，i( )统计在同一时间对物品i和j的评分的所有用户的集合。

与现有技术相比，本发明的推荐模型的推荐结果更加的准确。

附图说明

图1是根据本发明的一个优选实施例的原理图

具体实施方式

以下描述用于揭露本发明以使本领域技术人员能够实现本发明。以下描述中的优选实施例只作为举例，本领域技术人员可以想到其他显而易见的变型。

如图1所示的一种融合FP-growth算法和Slope One算法的混合推荐模型，通过以下步骤实现：

1)输入推荐参数：数据集和最小支持度；