[发明专利]一种基于内容与协同过滤相结合的个性化推荐方法

说明书

本发明公开了一种基于内容与协同过滤相结合的个性化推荐方法，分为训练和个性化推荐两个阶段：训练阶段通过采集数据信息形成已有用户‑新物品预推荐矩阵，个性化推荐阶段完成对新用户的物品推荐及用户产生评分后的进一步推荐。本发明相比于传统的个性化推荐方法能够解决冷启动问题，对新加入的物品进行预测，推荐给用户，在预推荐之后使用协同过滤推荐，提高了推荐物品的多样性和准确度。并且，通过聚类算法生成虚拟用户大大降低了矩阵维数，同时降低了计算的复杂度。

技术领域

本发明涉及大数据的个性化推荐技术领域，尤其涉及一种基于内容和协同过滤相结合的个性化推荐方法。

背景技术

信息时代，信息也成为了一种资源。信息时代的迅猛发展加快了整个世界的进步，加快了人们生活的节奏，时间利用的有效性成为了关键。而与此相违背的爆炸性的数据量又是一个亟待解决的问题。在此背景下，推荐系统的产生和发展的合理性也就众所周知。为用户在较短时间内选择到针对他的喜好物品是推荐系统的目标。

已有的基于内容和协同过滤的推荐算法都存在着各自的缺陷，特别是协同过滤的冷启动问题以及基于内容的推荐单一性问题都不能使这两种推荐系统达到预想的推荐效果。

发明内容

本发明所要解决的技术问题是针对背景技术中所涉及到的缺陷，提供一种基于内容和协同过滤相结合的个性化推荐方法，使用基于内容的方式解决冷启动问题，又用协同过滤来提高推荐的精确度和推荐物品的多样性，从而改善了系统推荐的效果。

本发明为解决上述技术问题采用以下技术方案：

一种基于内容和协同过滤相结合的个性化推荐方法。具体的技术方案，包括训练和个性化推荐两个阶段：

步骤1：训练：

步骤1-1：平台采集已有用户的用户数据，所述用户数据包括用户的个人信息及其历史行为特征、以及用户对物品的评分数据，形成用户评分矩阵R_m×n，其中，m表示已有用户的数量，n表示平台中已有物品的数量；

步骤1-2：根据采集的用户数据对用户进行聚类，使用聚类算法将用户划分为M个聚类，并设定和所述M个聚类一一对应的M个虚拟用户；

步骤1-3：在每个聚类中，根据用户的历史行为特征分析已有用户对已有物品特征属性的喜好程度，喜欢以1表示、不喜欢以-1表示、不关心以0表示，形成已有用户-物品特征属性矩阵D_C×K，并针对每一个特征属性取所有用户喜好程度的平均值以此作为该聚类的虚拟用户对该特征属性的喜好程度，形成虚拟用户-物品特征属性矩阵P_M×K，其中，C为一个聚类中已有用户的个数，K为已有物品的所有特征属性的数量；

步骤1-4：根据提取的已有物品的所有特征属性，对每个新物品进行判断，新物品具备的特征属性以1表示，新物品不具备的特征属性以0表示，得到新物品-物品特征属性矩阵 Q_N×K，其中，N为新物品的数量；

步骤1-5：将矩阵P_M×K与矩阵Q_N×K的转置做内积运算，得到虚拟用户-新物品预推荐矩阵F_M×N，矩阵中每一元素即代表虚拟用户对于相应新物品的预评分；

步骤1-6：筛选出矩阵F_M×N每列向量的最高预评分对应的虚拟用户，对以这些虚拟用户为代表的用户进行预推荐；

步骤1-7：根据用户对新物品的反馈，采集评分，更新用户评分矩阵R_m×n；

步骤1-8：将更新的用户评分矩阵R_m×n进行矩阵分解，获得用户评分矩阵R_m×n中物品未得到的用户评分；

步骤2：个性化推荐：

步骤2-1：采集新用户个人信息，进行数据预处理；