[发明专利]一种基于用户偏好相似度加权的协同过滤推荐方法

权利要求书

1.一种基于用户偏好相似度加权的协同过滤推荐方法，其特征在于，具体步骤如下：

步骤1：建立用户与项目之间的评分矩阵R，从评分矩阵R中统计出用户集合，记为U＝{u₁,u₂,...,u_m},m表示用户集合中用户的数量，项目集合I＝{I₁,I₂,...,I_n}，其中n表示项目数量，根据项目信息统计出所有出现过的标签集合，记为L＝{l₁,l₂,...,l_g}，其中g表示标签数量，用户评分为给定的一个评分区间，且满足用户评分越高，表示用户越喜欢；

步骤2：根据评分矩阵R通过标签权重计算公式计算出每一个用户u中所有项目标签l所占的权重W_ul,然后通过所述权重W_ul构建用户标签偏好矩阵W；

用户u喜欢的项目标签l所占的权重W_ul计算公式如下：

其中J表示用户u评价过的项目集合，L表示所有出现过的标签集合，C_il表示在项目i中标签l出现的次数，R_ui表示用户u对项目i的评分，C_i表示项目i中标签的总数量，T_u为用户u评价过的项目总评分；

步骤3：1)对于评分矩阵R，采用余弦相似度来遍历计算评分矩阵R中每一个用户与其余用户的评分相似度，然后将遍历计算得到的所有所述评分相似度存入评分相似矩阵A中，所述的评分相似度计算公式如下：

其中，S(u,v)表示用户u与用户v之间的评分相似度，(u,v)∈U且U表示所有用户的集合，I表示项目集合，I＝{I₁,I₂,...,I_n}，其中n表示项目数量，R_ui表示用户u对项目i的评分，R_vi表示用户v对项目i的评分；

2)对于用户标签偏好矩阵W，也采用余弦相似度来遍历计算用户标签偏好矩阵W中每一个用户与其余用户的偏好相似度，然后将遍历计算得到的所有所述偏好相似度存入偏好相似矩阵B中，所述的偏好相似度计算公式如下：

其中，Q(u,v)表示用户u与用户v之间的偏好相似度，(u,v)∈U且U表示所有用户的集合，L表示标签集合，L＝{l₁,l₂,...,l_g}，其中g表示标签数量，W_ul表示用户u对标签l的评分占用户u对所有标签评分总分的比重，W_vl分别表示用户v对标签l的评分占用户v对所有标签评分总分的比重；

步骤4：方法一，将评分相似矩阵A中每一行的所有评分相似度按照从大到小排序，然后取前k个用户作为用户u的近邻用户集合，记为N_u，其中0<k<m，m表示用户集合U中用户的数量，所述的通过评分相似矩阵A计算得到的近邻用户集合N_u中的评分相似度满足S(u,u₁)≥S(u,u₂)≥...≥S(u,u_σ)...≥S(u,u_k)，其中u_σ∈N_u，0＜σ＜k；方法二，将偏好相似矩阵B中每一行的所有偏好相似度按照从大到小排序，然后取前k个用户作为用户u的近邻用户集合，记为PN_u，其中0<k<m，m表示用户集合U中用户的数量，所述的通过偏好相似矩阵B计算得到的近邻用户集合PN_u中的偏好相似度满足Q(u,u₁)≥Q(u,u₂)≥...≥Q(u,u_σ)...≥Q(u,u_k)，其中u_σ∈PN_u，0＜σ＜k；通过所述两种方法计算之后，最后每一个用户都会存在一个通过评分相似矩阵A计算得到的近邻用户集合N_u和通过偏好相似矩阵B计算得到的近邻用户集合PN_u；

步骤5：首先通过评分相似矩阵A计算得到的近邻用户集合N_u来计算基于用户的协同过滤预测评分P_r(u,i)，其中u∈U,i∈I，U表示所有用户的集合，I表示项目集合，通过偏好相似矩阵B计算得到的近邻用户集合PN_u来计算基于用户偏好的预测评分P_p(u,i)，其中u∈U,i∈I，U表示所有用户的集合，I表示项目集合，然后将通过评分相似矩阵A计算得到的近邻用户集合N_u计算求得的协同过滤预测评分P_r(u,i)与通过偏好相似矩阵B计算得到的近邻用户集合PN_u计算求得的基于用户偏好的预测评分P_p(u,i)采用线性加权的方式计算，最后得出用户u对项目i的最终预测评分P(u,i)；

所述的协同过滤预测评分P_r(u,i)的计算公式如下：

其中，表示用户u对项目集合I中的n个项目的平均评分，表示用户u_σ对项目集合I中的n个项目的平均评分，S(u,u_σ)表示通过评分相似矩阵A计算得到的近邻用户集合N_u中的评分相似度，表示用户u_σ对项目j的评分，j又表示项目集合I中项目i之外的其他项目；

所述的基于用户偏好的预测评分P_p(u,i)的计算公式如下：

其中，表示用户u对项目集合I中的n个项目的平均评分，表示用户u_σ对项目集合I中的n个项目的平均评分，Q(u,u_σ)表示通过偏好相似矩阵B计算得到的近邻用户集合PN_u中的偏好相似度，表示用户u_σ对项目j的评分，j又表示项目集合I中项目i之外的其他项目。

2.根据权利要求1所述的一种基于用户偏好相似度加权的协同过滤推荐方法，其特征在于所述的线性加权计算公式如下：

P(u,i)＝W_pP_p(u,i)+(1-W_p)P_r(u,i)

其中，W_p表示用户可结合自己需要调整的权重因子，P_r(u,i)表示所述的协同过滤预测评分，P_p(u,i)表示所述的基于用户偏好的预测评分。