[发明专利]一种基于加权协同过滤算法的电影推荐方法

说明书

本发明公开了一种基于加权协同过滤算法的电影推荐方法，方法包括获取历史评分数据集，基于历史评分数据集生成第一历史评分矩阵R_CF及第二历史评分矩阵R_SL其中，对第一历史评分矩阵R_CF进行协同过滤生成第一评分矩阵R’_CF，合并第一评分矩阵R’_CF及第二历史评分矩阵R_SL生成第二评分矩阵R_mn，对第二评分矩阵进行加权协同过滤计算出所有电影的第一预测评分，将所有电影按照其第一预测评分的大小以预设规律进行排序并进行推荐。本发明通过预设阈值对用户进行分层，使协同过滤时矩阵更稠密，减少由于评分矩阵规模增长带来的计算耗时增加，使得计算时间在不同规模的数据集上差异不会太大。

技术领域

本发明属于多媒体信息处理技术领域，具体涉及一种基于加权协同过滤算法的电影推荐方法。

背景技术

使用协同过滤算法进行推荐是推荐系统领域最成熟、通用的一种方法，传统的协同过滤算法分为基于项目的协同过滤(movie-based Collaborative Filtering)和基于用户的协同过滤(User-based Collaborative Filtering)。Slope One是一种movie-Based协同过滤推荐算法主要思想是利用全体用户的评分偏差来预测特定用户的评分。该算法思想易于理解，可以在各种平台上轻松实现，精度和运算速度上均优于传统协同过滤算法，但其太依赖于用户的历史评分因而存在冷启动和矩阵稀疏的问题，因此存在待改进的地方。因此提高 slope one算法的输入矩阵的密度是解决该算法在稀疏矩阵表现不佳的重要办法，是将slope one成功用于电影推荐系统的基础。

为了解决这个问题，一种方法是引入奇异值分解方法改进Slope One算法，但该改进算法的空间复杂度过大，且矩阵降维易造成信息丢失，对于一个在推荐速度、推荐精度上有一定要求的电影推荐系统来说，实用价值不大；一种方法是结合项目相似度计算和SlopOne算法,这种方法在一定程度上改善了数据稀疏性，但在大规模数据集中进行相似度计算所需要的时间复杂度太高。

针对以上存在的问题，为了较好的解决传统协同过滤和Slope One算法存在的问题，本发明提出了一种基于加权协同过滤算法的电影推荐方法。

发明内容

针对现有技术中存在的上述不足，本发明提供了一种基于加权协同过滤算法的电影推荐方法,通过预设阈值对用户进行分层，使协同过滤时矩阵更稠密，减少由于评分矩阵规模增长带来的计算耗时增加，使得计算时间在不同规模的数据集上差异不会太大。

为解决上述技术问题，本发明采用了如下的技术方案：

一种基于加权协同过滤算法的电影推荐方法，包括：

获取历史评分数据集；

基于历史评分数据集生成第一历史评分矩阵R_CF及第二历史评分矩阵R_SL，其中，所述第一历史评分矩阵R_CF包括了第一用户对电影的历史评分数据，所述第一用户是为预设阈值及预设阈值以上的个数的电影进行过评分的用户，所述第二历史评分矩阵R_SL包括了第二用户对电影的历史评分数据，所述第二用户是为预设阈值以下的个数的电影进行过评分的用户；

对所述第一历史评分矩阵R_CF进行协同过滤生成第一评分矩阵R’_CF；

合并所述第一评分矩阵R’_CF及所述第二历史评分矩阵R_SL生成第二评分矩阵 R_mn；

对所述第二评分矩阵进行加权协同过滤计算出所有电影的第一预测评分；

将所有电影按照其第一预测评分的大小以预设规律进行排序并进行推荐。