[发明专利]结合矩阵分解和协同过滤算法的电影推荐方法

说明书

综上所述，本申请公开了结合矩阵分解和协同过滤算法的电影推荐方法，包括如下步骤：获取用户原始评分矩阵，用户原始评分矩阵包括了N个用户对M部电影的评分信息；基于用户原始评分矩阵采用奇异值分解提取用户‑特征矩阵U_Z；基于用户‑特征矩阵U_Z计算用户相似度矩阵SIM_u,v；基于预设的k值及用户相似度矩阵SIM_u,v计算用户的k特征近邻集合；基于用户的k特征近邻集合及用户原始评分矩阵计算每部电影的预测评分；基于每部电影的预测评分将所有电影按预设规律进行排序并推荐。本申请公开的方法能够提升slope one算法在电影推荐系统中的推荐准确度，在保证该算法运算速度的情况下提高个性化程度，并且减小由于矩阵稀疏对slope one算法带来的影响。

技术领域

本发明属于电影推荐技术领域，具体涉及结合矩阵分解和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(Item-based Collaborative Filtering)和基于用户的协同过滤(User-based Collaborative Filtering)。Slope One是一种Item-Based协同过滤推荐算法，算法的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，并且因其对所用用户均采用无差别的推荐方法，因此在个性化表达方面存在不足。因此将用户特征或标签引入推荐系统，是提高预测精度和推荐个性化的基础。为了解决这个问题，一种方法是在预测之前对用户进行聚类分析，但考虑到用户-电影矩阵通常规模较大，在大规模数据集中进行聚类需要的时间及空间复杂度太高，使用该方法不适宜进行快速推荐，一种方法是使用基于标签的slope one推荐，这种方法在一定程度上弥补了个性化的额不足，但因为用户对电影进行评分是一个主观的过程，通常这些标签并不能完整的代表用户或电影的主要特征。

因此，本申请公开了结合矩阵分解和协同过滤算法的电影推荐方法，能够提升slope one算法在电影推荐系统中的推荐准确度，在保证该算法运算速度的情况下提高个性化程度，并且减小由于矩阵稀疏对slope one算法带来的影响。

发明内容

针对现有技术中存在的上述不足，本申请公开了结合矩阵分解和协同过滤算法的电影推荐方法，能够提升slope one算法在电影推荐系统中的推荐准确度，在保证该算法运算速度的情况下提高个性化程度，并且减小由于矩阵稀疏对slope one算法带来的影响。

为解决上述技术问题，本发明采用了如下的技术方案：

结合矩阵分解和协同过滤算法的电影推荐方法，包括如下步骤：

获取用户原始评分矩阵，所述用户原始评分矩阵包括了N个用户对M部电影的评分信息；

基于所述用户原始评分矩阵采用奇异值分解提取用户-特征矩阵U_Z；

基于所述用户-特征矩阵U_Z计算用户相似度矩阵SIM_u,v；

基于预设的k值及所述用户相似度矩阵SIM_u,v计算用户的k特征近邻集合；

基于用户的k特征近邻集合及所述用户原始评分矩阵计算每部电影的预测评分；

基于每部电影的预测评分将所有电影按预设规律进行排序并推荐。

优选地，基于所述用户原始评分矩阵采用奇异值分解提取用户-特征矩阵 U_Z的具体方法包括：