[发明专利]一种基于社会化关系用户分类及推荐方法

说明书

本发明公开了一种基于社会化关系用户分类及推荐方法，包括：通过分析商品的属性、用户的兴趣和用户对某个商品的评价，三个维度的数据来推测用户对商品的喜欢程度进行量化，然后给用户进行分类，建立用户兴趣模型，对用户感兴趣的商品进行推荐；首先从商品的属性和用户对某商品的评分信息和用户标签，采用神经网络算法来建立商品属性向量和用户兴趣向量，然后通过向量对用户兴趣进行分类，最后给用户兴趣相似的进行商品推荐，本发明提出一种兴趣建模及混合推荐算法，针对以前推荐技术的不足，提出了一种新的基于用户兴趣的混合推荐模型，它是一种结合了协同过滤推荐算法和基于用户兴趣算法的模型。

技术领域

本发明属于数据挖掘和社交网站推荐系统领域，更具体的说明，涉及一种基于社交网站用户分类后的用户兴趣或商品购买相同一种推荐方法。

背景技术

混合推荐系统是推荐系统中目前应用比较流行和成功的技术，这种推荐系统综合了协同过程、内容推荐、知识推荐的技术，该模型与其他推荐模型的不同在于:对用户的兴趣、推荐系统及其推荐技术进行了一些研究与探索，建立了基于用户兴趣的混合推荐模型，并在该模型的基础上采用BP神经网络和奇异值分解的算法向用户做出预测，实施推荐。主要的研究内容包括用户兴趣混合模型的建立、基于改进的奇异值分解算法和基于用户兴趣的时间递归神经网络算法。在整个推荐过程中，主要分为两个阶段，即模型的建立阶段和实施预测推荐的阶段。在模型的建立阶段，主要基于的假设是：用户对商品喜欢程度是由三方面决定，即商品自身的属性、用户的兴趣和用户近邻对该商品的评价，然后采用数据预处理方法建立用户的兴趣模型。在预测推荐阶段，首先从用户对商品的历史评分信息中统计出用户的兴趣偏好和商品本身的属性信息，建立用户的兴趣偏好向量和商品的属性向量。然后分别采用时间递归神经网络算法和基于奇异值分解的算法来预测用户对待推荐商品的评分。最后结合这两个评分做出最终的推荐。分析结果表明，结合了商品属性的用户兴趣模型和混合推荐算法不仅弥补了协同过滤算法中信息稀疏问题带来的不足，同时也解决了基于内容过滤算法中对用户考虑过于简单带来的问题，从而提高了整个推荐系统的推荐质量。

发明内容

围绕社会化网络个性化推荐系统中的混合推荐模型展开，结合协同过滤推荐技术与基于用户兴趣的推荐技术，对最后的推荐结果做出预测。主要是研究传统的协同过滤算法中的数据稀疏性问题，并提出了自己的基于用户兴趣的模型，最后结合这两者，得出推荐结果。先根据建立起来的基于用户兴趣的模型设计好需要得到的数据，然后采用数据预处理工具Python通过“抽取-转换-加载”得到模型中用户兴趣的数据，再采用神经网络算法来预测用户对目标商品的评分。这种方法是从用户本身的兴趣和商品的属性出发来进行预测。另一方面，通过奇异值分解的方法对稀疏的用户评分矩阵进行分解，一行或者一列的搜索最佳用户特征矩阵和最佳项特征矩阵，它的总体思路是采用主成分分析的方法，使其能有效的保留原始数据的特征。然后计算用户之间的相似性，找到目标用户的邻居集，通过邻居集来预测目标用户对目标商品的评分。这种方法在某种程度上弥补了数据稀疏性带来的不足，有效的提高了推荐结果的精确度。从以上两个方面得到了用户对目标商品的预测评分后，结合这两个评分，得到最终的评分预测结果。从实验结果可以看出，采用上面的基于用户兴趣的混合模型对推荐的精度确实有个很好的提高。除此之外，最大的一个特色是把用户兴趣和商品属性引入到模型中，充分利用了用户的历史数据，得到比较精确的推荐结果。

附图说明

图1为本申请一示例性实施例提供的一种基于社会化关系用户分类及推荐方法的架构意图。

具体实施方式

1、基于前面对推荐系统的介绍。下面提出一个新的推荐系统模型，它与现有推荐系统最大的区别是在推荐的过程中引入了商品属性这个因子，同时结合了数据仓库来建立用户的兴趣模型。再在此基础上实现了混台推荐，首先该模型是基干一个假设：用户对商品的喜好程度，主要受用户的兴趣、商品本身的属性及其他用户的评价信息二个因素影响。

2、然后采用预测目标用户对待推荐商品的评分。基本思路是先依据用户自身的兴趣和商品的属性，通过神经网络算法预测到该目标用户对待推荐商品的一个评分，再依据用户的兴趣和其他用户对该商品的评分信息，通过协同推荐技术预测到该目标用户对待推荐商品的另外一个评分，然后综合这两个评分信息得到最终目标用户对待推荐商品的评分，并对预测评分从大到小排好序，最后选取Top-N个商品作为推荐结果，推荐给当前用户。