[发明专利]一种融合标签数据和朴素贝叶斯分类的推荐方法及系统

权利要求书

1.一种融合标签数据和朴素贝叶斯分类的推荐方法，其特征在于，包括以下步骤：

首先，设置标签数据扩展的阈值；采用用户标签数据作为用户的属性特征，站在用户的角度，利用统计学和概率论的思想建立用户和标签之间的关联，并将用户和标签之间的关联与朴素贝叶斯分类算法相结合，进而对老用户进行分类，以及对目标用户进行类别的匹配；

考虑标签的扩展性和时间上下文信息这两个因素，最后计算类别里的用户对物品的平均评分信息，实现Top-N推荐；

所述设置标签数据扩展的阈值，具体包括：通过计算标签之间的相似度来设置阈值，对于标签t，令N(t)为打上标签t的物品集，n_t,i为给物品i打上标签t的用户数，利用余弦相似度公式计算标签t和标签t'之间的相似度：

根据公式(1)计算出标签t与其相似标签的相似度，设置阈值y，若sim(t,t')＞y，则标签t'属于标签t的扩展集；

所述利用基于标签的朴素贝叶斯分类器对用户进行分类，具体包括以下步骤：

(1)先确定用户类别的类先验概率，定义用户类别C(u₁,u₂,…,u_x)∈U(C₁,C₂,…,C_m)，x表示类别C里有x个用户，m表示有m个用户类别；

如公式(3)所示：

(2)估算用户u每个属性即标注的不同标签的条件概率，如公式(4)所示：

式中，SIM(t)表示标签t扩展后的标签集，表示用户u标注标签t_k的次数，N(t)表示用户u产生标注标签行为的总次数，f(τ_k)表示时间衰减函数；

所述对目标用户进行类别的匹配，具体包括：在目标用户进入系统后，提取其兴趣标签，按照利用基于标签的朴素贝叶斯分类器对用户进行分类的步骤和计算公式得到目标用户的类别。

2.根据权利要求1所述的一种融合标签数据和朴素贝叶斯分类的推荐方法，其特征在于，所述对老用户进行分类，具体包括：首先在系统中随机选出x个活跃用户作为分类的类别，再利用基于标签的朴素贝叶斯分类器对用户进行分类，其计算公式如公式(2)所示：

式中，P(C)表示用户类别的类先验概率，P(u_i|C)表示用户u每个属性的条件概率，C表示用户类别，d表示代表用户的属性数量。

3.根据权利要求1所述的一种融合标签数据和朴素贝叶斯分类的推荐方法，其特征在于，生成推荐列表具体包括：考虑标签的扩展性和时间上下文信息这两个因素，其中标签的扩展性即通过计算标签的相似性来对标签的范围进行扩展，利用公式(1)计算；时间上下文信息通过引入衰减函数f(τ_k)；

根据所得目标用户的类别，提取该类别所有用户对物品的平均评分，将此评分作为目标用户的预测评分，将预测评分最高的前N项推荐给用户。

4.一种融合标签数据和朴素贝叶斯分类的推荐系统，其特征在于，包括：

分类模块：用于设置标签数据扩展的阈值，并采用用户标签数据作为用户的属性特征，站在用户的角度，利用统计学和概率论的思想建立用户和标签之间的关联，并将用户和标签之间的关联与朴素贝叶斯分类算法相结合，进而对老用户进行分类：

匹配模块，用于对目标用户进行类别的匹配；

推荐模块：考虑标签的扩展性和时间上下文信息这两个因素，最后计算类别里的用户对物品的平均评分信息，实现Top-N推荐；

考虑标签的扩展性和时间上下文信息这两个因素，最后计算类别里的用户对物品的平均评分信息，实现Top-N推荐；

所述设置标签数据扩展的阈值，具体包括：通过计算标签之间的相似度来设置阈值，对于标签t，令N(t)为打上标签t的物品集，n_t,i为给物品i打上标签t的用户数，利用余弦相似度公式计算标签t和标签t'之间的相似度：

根据公式(1)计算出标签t与其相似标签的相似度，设置阈值y，若sim(t,t')＞y，则标签t'属于标签t的扩展集；

所述利用基于标签的朴素贝叶斯分类器对用户进行分类，具体包括以下步骤：

(1)先确定用户类别的类先验概率，定义用户类别C(u₁,u₂,…,u_x)∈U(C₁,C₂,…,C_m)，x表示类别C里有x个用户，m表示有m个用户类别；

如公式(3)所示：

(2)估算用户u每个属性即标注的不同标签的条件概率，如公式(4)所示：

式中，SIM(t)表示标签t扩展后的标签集，表示用户u标注标签t_k的次数，N(t)表示用户u产生标注标签行为的总次数，f(τ_k)表示时间衰减函数；

所述对目标用户进行类别的匹配，具体包括：在目标用户进入系统后，提取其兴趣标签，按照利用基于标签的朴素贝叶斯分类器对用户进行分类的步骤和计算公式得到目标用户的类别。