[发明专利]运用动态偏向值提高预测准确度的电影推荐系统算法

说明书

本发明公开了一种运用动态偏向值提高预测准确度的电影推荐系统算法，基于每位用户的特征值矩阵和每部电影的特征值矩阵得到用户的预测评分值，通过这种算法预测计算后的电影推荐系统准确率提高了10%，明显提高了预测准确度，运用于实用APP的电影推荐系统中，可以更加准确地向电影观众推荐他们喜好的电影，极大地增加电影观看票房值，提高了用户满意度，有利于用户资源的增长，效果显著。

技术领域

本发明涉及一种运用动态偏向值提高预测准确度的电影推荐系统算法，属于计算机技术 领域。

背景技术

如今的电商市场中，使用推荐系统来满足用户个性化需求成为了发展趋势，许多电脑和 手机APP的电影栏目会根据用户的观看喜好向他们推荐喜欢的电影。从上世纪90年代开始 出现邮件推荐系统的算法，到21世纪初，使用协同过滤方法的推荐系统得到逐步发展，比如 用K近邻算法通过找出拥有相似喜好的用户给予合适的推荐。目前在推荐系统中应用最广泛 的是基于协同过滤方法的梯度下降算法。即使此算法已将准确度提高了10％，但预测准确性 仍然不理想，使用均方根误差衡量，梯度下降算法的误差大约是0.88。同时，在实际使用电 商平台时，大多数平台内嵌推荐系统也总是出现有偏差的推荐结果，从而用户满意度下降， 长期用户资源流失。

发明内容

本发明所要解决的技术问题是克服现有技术的缺陷，提供一种运用动态偏向值提高预测 准确度的电影推荐系统算法，明显提高预测准确度，大大提高向电影观看用户推荐结果的准 确度，提升了用户使用满意度。

为达到上述目的，本发明提供运用动态偏向值提高预测准确度的电影推荐系统算法，包 括以下步骤：

定义用户数量为u位、电影数量为m部，u范围为[1，U]，m范围为[1,M]；

电影预测评分值矩阵r_um如下：

定义电影预测评分值矩阵r_um表示第u位用户对第m部电影的预测评分值，电影预测评分 值矩阵r_um包括U*M个预测评分值；

将电影预测评分值矩阵分解为每位用户的特征值矩阵和每部电影的特征值矩阵，定义每 位用户的特征值矩阵如下：

其中，表示第u位用户对第n类电影的预测评分值，n范围为[1,N]，p_u是行向量；定义每部电影的特征值矩阵如下：

其中，表示第m部电影的f_n特征值，q_m是列向量；

所有用户对所有电影的预测评分值由对应的两个特征向量p_u和q_m的积表示：

T表示矩阵的转置，每位用户的特征值矩阵和每部电影的特征值矩阵的数据个数总计是 U*N+M*N＝(U+M)*N。

优先地，所有用户对所有电影的预测评分值r_um的计算再添加3个偏向值：

公式中，r_um表示所有用户对所有电影的预测评分值，T表示矩阵的转置；3个偏向值包括 总平均值μ、差b_m和差b_u，总平均值μ由所有用户对所有电影的预测评分值求平均值得到， 差b_m由电影预测评分值矩阵中所有用户对第m部电影的预测评分值求平均值后与总平均值μ 作差得到，差b_u由电影预测评分值矩阵中第u位用户对所有电影的预测评分值求平均值后与 总平均值μ作差得到。