[发明专利]一种基于神经网络的K近邻矩阵分解推荐方法

说明书

本发明公开了一种基于神经网络的K近邻矩阵分解推荐方法，该方法包括：从网站中获取数据集，选取数据集中的若干个用户以及若干个项目，根据若干个用户和若干个项目组成初始矩阵；使用RBF神经网络对初始矩阵的部分空缺值进行预测填充，以降低初始矩阵的稀疏度；对于目标用户使用KNN算法计算在S2步骤中得出的初始矩阵中找到K个最近邻居用户，同理对于目标项目也找到K个最近邻居项目，根据该K个最近邻居用户和K个最近邻居项目构建评分矩阵；对评分矩阵进行矩阵分解，U矩阵代表目标用户的特征，V矩阵代表目标项目的特征，提取新的隐含特征，增加分解的可解释性；将评分矩阵的行列式乘上1/k作为评分标准，给定推荐阈值，判定是否给予推荐。

技术领域

本发明涉及推荐系统领域，具体涉及一种基于神经网络的K近邻矩阵分解推荐方法。

背景技术

随着在线信息量的不断增长，在线活跃用户的不断增加，用户对互联网上的信息不能准确把握，导致用户需求得不到满足，上网冲浪的体验感变差，而推荐系统的出现成为克服信息过载的有效策略。推荐系统根据用户需求、兴趣等，通过推荐算法从海量数据中挖掘出用户感兴趣的项目(如信息、服务、物品等)，并将结果以个性化列表的形式推荐给用户。

目前推荐系统算法大致分为三类，基于内容的推荐系统，基于协同过滤的推荐系统，混合推荐系统。基于内容的推荐系统难度在于用户内容信息的获取和过滤，混合推荐系统的难度在于用户的信息内容和用户的实体信息结合，两者之间的联系如何表示成结构化数据的问题，因此协同过滤成为了目前最主流的推荐系统算法。

本发明为了解决协同过滤算法中矩阵稀疏度和可拓展性问题，在用户的高质量信息和边缘信息无法获取的时候，让机器从不完整的信息矩阵中学习预测用户的行为特征，提出了一种基于神经网络的K近邻矩阵分解算法，在信息量较少的情况下挖掘用户和项目之间的联系具有重要意义。

发明内容

本发明的目的在于提供一种基于神经网络的K近邻矩阵分解推荐方法，根据网站提供的公共数据集，运用目前流行的神经网络对缺失矩阵进行补全，同时运用聚类技术对相似用户和相似项目进行聚类，最后使用推荐列表的形式给对应用户推荐用户喜好的项目。

为了达到上述目的，本发明采用的技术方案如下：

一种基于神经网络的K近邻矩阵分解推荐方法，该方法包括：

步骤S1、从网站中获取数据集，选取所述数据集中的若干个用户以及若干个项目，根据所述若干个用户和所述若干个项目组成初始矩阵；

步骤S2、使用RBF神经网络对所述初始矩阵的部分空缺值进行预测填充，以降低所述初始矩阵的稀疏度；

步骤S3、对于目标用户使用KNN算法计算在S2步骤中得出的初始矩阵中找到K个最近邻居用户，同理对于目标项目也找到K个最近邻居项目，根据该K个最近邻居用户和所述K个最近邻居项目构建评分矩阵；

步骤S4、对所述评分矩阵进行矩阵分解，U矩阵代表目标用户的特征，V矩阵代表目标项目的特征，隐语义特征U、V，增加了分解的可解释性；

步骤S5、将所述评分矩阵的行列式乘上1/k作为评分标准，给定推荐阈值，判定是否给予推荐。

进一步地，该方法还包括对所述初始矩阵的预处理步骤，该预处理步骤包括：

将所述若干用户中用户稀疏度大于99.5％的用户删除，其中，该用户稀疏度a的计算公式如下：

a＝1-用户评过分的项目数/总的项目数；

将所述若干项目中没有任何评分的项目删除。

进一步地，该方法还包括对于所述初始矩阵的归一化处理，该归一化处理用于将评分值统一映射到[0,1]的区间上，具体通过计算公式如下：