[发明专利]基于评分预测和用户特征的协同过滤电影推荐方法及系统

说明书

本公开公开了基于评分预测和用户特征的协同过滤电影推荐方法及系统，包括：计算任意两个电影之间的电影相似性，存储到电影相似性数据库中；根据电影相似性数据库中待推荐用户已评分过的电影和待推荐用户未评分过的电影之间的电影相似性，计算待推荐用户对某个未评分过的电影的第一预测评分；根据所述用户集合中用户与用户的特征相似度，计算待推荐用户对未评分过的电影的第二预测评分；对待推荐用户对未评分过的电影的第一预测评分和第二预测评分进行求和运算，得到最终的预测评分；对最终的评分按照从到大到小进行排序，将排序最前面的电影作为推荐电影，输出给待推荐用户。

技术领域

本公开涉及推荐领域，特别是涉及基于评分预测和用户特征的协同过滤电影推荐方法及系统。

背景技术

本部分的陈述仅仅是提到了与本公开相关的背景技术，并不必然构成现有技术。

在实现本公开的过程中，发明人发现现有技术中存在以下技术问题：

随着Web服务及其相关技术的迅速发展，电子商务平台不断壮大，人们需要花费大量的时间从海量数据信息中获取自己真正需要的信息，“信息过载”问题急需解决。推荐系统的诞生显得尤为重要。推荐系统通过分析用户兴趣特征和历史行为来实现个性化服务，为其推荐相应的对象，从而实现用户对真正感兴趣的信息的搜索准确度。

根据不同的推荐方法，推荐系统可以分为基于内容的推荐、基于协同过滤的推荐、基于知识的推荐和基于内容与基于协同过滤相混合的推荐等。其中，协同过滤算法(Collaborative Filtering Algorithm)是目前个性化推荐系统中应用最广泛、研究最深入的推荐算法之一。协同过滤算法主要可以分为基于用户的协同过滤(User-Based CF)算法和基于电影的协同过滤(Item-Based CF)算法。其基本思想是：通过计算与目标用户兴趣爱好基本相同的用户对电影评分之间的相似性，形成具有相同兴趣爱好的邻居集，最后选择出最近邻居的评分电影以向目标用户生成推荐，即目标用户对未评分电影的评分能够通过最近邻居对此电影评分的加权平均值来近似得到。

传统的协同过滤算法完全依赖于用户对电影评分来计算用户相似度，然后寻找出k个最近邻居的方法为用户选择合适的推荐电影。然而，随着推荐系统中用户数量和商品数目越来越多，用户评分数据极其稀疏，传统的相似性度量方法完全依赖于用户评分数据，这样使得推荐系统的推荐质量下降。

现有技术亟需解决的技术问题是：如何实现用户感兴趣电影的精确推荐。

发明内容

为了解决现有技术的不足，本公开提供了基于评分预测和用户特征的协同过滤电影推荐方法及系统；

第一方面，本公开提供了基于评分预测和用户特征的协同过滤电影推荐方法；

基于评分预测和用户特征的协同过滤电影推荐方法，包括：

获取对电影u和电影v两个电影均有过评分的用户集合；根据所述用户集合中的每个用户对电影u和电影v两个电影的用户评分；计算对电影u和电影v两个电影之间的电影相似性；将电影u和电影v两个电影的电影名称及两个电影之间的电影相似性，存储到电影相似性数据库中；

重复上述步骤，计算任意两个电影之间的电影相似性，存储到电影相似性数据库中；

获取待推荐用户对某个已评分过的电影的评分，根据电影相似性数据库中待推荐用户已评分过的电影和待推荐用户未评分过的电影之间的电影相似性，计算待推荐用户对某个未评分过的电影的第一预测评分；

采集用户集合中每个用户的特征，计算所述用户集合中用户与用户的特征相似度；根据所述用户集合中用户与用户的特征相似度，计算待推荐用户对未评分过的电影的第二预测评分；