[发明专利]一种基于用户社区和评分联合社区的推荐方法

说明书

本发明请求保护一种基于用户社区和评分联合社区的推荐方法。首先基于用户间的社交关系和评分数据获取用户间的信任关系和用户间的相似关系，从而得出用户间的混合相似度值；然后根据混合相似度的值对用户进行k‑means聚类操作，得到用户的社区；其次根据评分矩阵的评分模式利用概率的方法对评分矩阵中的用户和商品进行联合聚类；最后面向用户‑物品的联合社区结构利用矩阵分解技术，并融入用户社区结构进行推荐。本发明能够充分利用社区内部用户的高度相关性以及矩阵分解技术的高精度性，能够在保证不错的推荐准确率的同时提高推荐效率。

技术领域

本发明属于个性化推荐领域，具体的说是一种基于用户社区和评分联合社区的推荐方法。

背景技术

随着信息技术的发展，带来了信息超载问题，面对如此庞大的网络数据，带给用户的不是大数据的优越感，而是一种在如此庞大的数据中的不知所措，这样反而让信息的使用效率降低了。很多时候用户都没有明确的需求，这样推荐系统便应运而生。推荐系统就是在用户需求不明确的情况下，根据用户的历史行为记录，比如用户的浏览记录，购买记录，播放视频记录等等，以这些历史记录为基础为用户推荐感兴趣的物品，帮助用户发现物品的价值。

目前存在的推荐算法中，协同过滤算法是使用最为普遍的算法之一，其主要依靠用户的历史记录，给用户推荐相似的商品，尽管该算法能保持比较好的推荐精度，但也存在着时间复杂度高的问题。

由于时间复杂度高的问题，一些基于社区的推荐技术也在不断被提出，其主要思想是基于用户的历史行为信息，利用社区挖掘技术将相似的用户或项目划分到同一个社区中，然后在每一个社区中应用传统的协同过滤推荐算法。但是当前的研究工作大多只考虑了单一的信息源的社区结构，比如用户社区，项目社区等，因此探究多种社区结构相结合是一个重点要研究的问题。

发明内容

本发明旨在解决以上现有技术的问题。提出了一种方法。本发明的技术方案如下：

一种基于用户社区和评分联合社区的推荐方法，其包括以下步骤：

1)、首先，基于用户间的社交关系数据得到用户间的信任度，基于用户间的评分数据得到用户间的相似度，从而得出用户间的混合相似度值；

2)、然后根据混合相似度的值对用户采用改进的K-means聚类操作，改进k-means聚类操作改进在于对用户成为专家的可能性进行评估，寻找专家值最大的K个用户作为初始的聚类中心，最后得到用户聚类簇；

3)、其次，根据评分矩阵的评分模式利用概率的方法对评分矩阵中的用户和商品进行联合聚类，得到评分矩阵联合聚类簇；

4)、最后面向用户-物品的联合社区结构利用矩阵分解技术，并融合用户聚类簇和评分矩阵联合聚类簇进行用户社区结构进行推荐；

所述步骤1)中分别利用输入的用户社交关系数据和用户评分数据构建用户间的信任关系和相似关系，融合两者构建新的相似度计算方法，其计算公式如下：

Sim(u,v)＝β·Trust(u,v)+(1-β)·SimRat(u,v) (1)

式中Trust(u,v)表示信任矩阵T中用户u和用户v之间的信任关系，SimRat(u,v)表示用户u和v之间的相似关系，定义一个权重β来表示二者所占的比重，为了权衡信任关系和相似关系，这里将β设置为0.5；

所述用户间的信任度、用户间的相似度分别为：

定义用户间的信任关系值度量公式如下：

式中，Trust(u,v)∈(0,1]，d(u,v)是用户u和用户v之间的最短距离；

定义用户间的相似关系，提出一种基于用户评分偏好的相似度计算方法，其计算公式如下：