[发明专利]基于链接聚类和约简的协同过滤推荐方法

说明书

本发明公开了一种可同时提高推荐精确度和多样性的基于链接聚类和约简的协同过滤推荐方法，依次按照如下步骤进行：将用户‑物品评分矩阵映射为用户‑物品加权二分网络；对用户‑物品加权二分网络按照链接进行聚类；根据全局‑局部加权二分模块度指导聚类结果，得到最佳聚类值；根据链接约简算法删除每个聚类簇中的冗余链接；根据约简后的聚类簇中的评分信息选取目标用户的邻近用户；根据邻近用户的评分预测目标用户未评分物品，选取预测评分最高的N个物品作为推荐结果提供给目标用户。

技术领域

本发明涉及推荐技术领域，尤其涉及一种可同时提高推荐精确度和多样性的基于链接聚类和约简的协同过滤推荐方法。

背景技术

推荐系统可以根据用户的个人需求而提供个性化的服务。用户协同过滤算法是推荐系统领域应用最广泛、最成功的推荐技术之一，具有计算简单、效率高等优点。但是，传统的用户协同过滤算法假设用户在过去有相似的爱好，那么用户在将来也可能有相似的爱好，故目标用户的邻近用户趋于拥有相同的爱好，所以通过这些邻近用户获得的预测评分高的物品往往集中于少量种类的热门物品，甚至仅仅是流行物品，即存在着推荐过拟合的问题。

发明内容

本发明为了解决现有技术所存在的上述技术问题，提出了一种可同时提高推荐精确度和多样性的基于链接聚类和约简的协同过滤推荐方法。

本发明的技术解决方案是：一种基于链接聚类和约简的协同过滤推荐方法，按照如下步骤进行：

步骤1.根据用户对物品的评分信息形成用户-物品加权二分网络 UIBN＝G(U,I,L)，所述U表示用户的集合，I表示物品的集合，L表示链接集合， l_u,i∈L表示用户u和物品i之间的链接；

步骤2.对用户-物品加权二分网络按照链接进行聚类：

随机将用户-物品之间的链接聚为K类，使得并根据公式(1)、(2)、(3)进行迭代计算至收敛为止，得出每个链接、用户和物品属于第k个聚类簇的概率；

式(1)(2)(3)中，K表示聚类数目，C_k表示第k个聚类簇，P(C_k|l_u，i)表示链接l_u，i属于聚类簇C_k的概率，P(C_k|u)表示用户u属于聚类簇C_k的概率，P(C_k|i)表示物品i属于聚类簇C_k的概率；

步骤3.按照公式(4)计算全局-局部加权二分模块度Q并根据全局-局部加权二分模块度Q指导聚类结果，得到最佳聚类数目：

式(4)中，Q表示全局-局部加权二分模块度，M表示全部链接的数目，RT(u) 和CT(i)分别表示链接矩阵L中第u行和第i列中元素之和；

步骤4.根据链接约简算法删除每个聚类簇中的冗余链接：

在链接集合L中，如果两个用户与同一个物品之间存在链接，则把这两个链接看作等价链接；如果用户i的链接集合L_i包含于另一个用户j的链接集合 L_j中，则用户i的链接集合L_i将被看作冗余链接从链接集合L中移除，即链接集合L中只保留用户j的链接集合L_j；

步骤5.根据约简后的聚类簇中的评分信息选取目标用户的邻近用户：

利用皮尔森相似度量函数(5)计算目标用户au和候选邻近用户u∈U_r之间的相似度，