[发明专利]一种基于改进的协同过滤算法的刀具推荐方法

说明书

本发明公开了一种基于改进的协同过滤算法的刀具推荐方法。包括以下步骤：提取用户‑项目评分表并进行预处理；对处理后的数据进行转化，通过相似度的计算公式进行计算；选择用户的最近邻据集；对目标用户的邻居集的未评分项目进行预测评分。本发明能够在稀疏数据集上获得很好的预测效果，解决了传统算法受共同评分项限制的问题，提高了预测准确率。

技术领域

本发明涉及物品推荐领域，特别是涉及一种基于改进的协同过滤算法的刀具推荐方法。

背景技术

智能制造是祖国未来制造业的主攻方向，在国防军工、高端装备、高精密装备制造过程中刀具起着至关重要的地位。一个零件的加工需要数把刀具的配合才能够完成。

大数据时代，信息数据量日益增长，由于加工的需求，使得刀具多样化，复杂化。制造商、供应商、应用企业对刀具的需求与日俱增。客户可以在全球范围内寻找自己所需的产品，产品的个性化生产使得对刀具的需求越来越多。同时为了高速、高效、高质地加工所需产品，各种专用刀具不断被设计出来，刀具的种类和数量也越来越繁多。导致Web用户对于刀具的选择造成一定的困惑，很难捕捉到有价值的信息。

推荐系统可以主动预测用户需求，为用户推荐相应的需求，已成为缓解信息过载问题最常用的方法之一。推荐系统从用户过去购买刀具的记录中分析出商品的特性，通过分析用户对刀具的评分进行预测进而推荐给符合用户需求的刀具。

传统的协同过滤推荐算法受共同评分项的限制，预测准确率不高。

发明内容

1、发明目的。

本发明提供一种基于改进的用户协同过滤推荐算法的刀具推荐方法。

2、本发明所采用的技术方案。

本发明公开了一种基于改进的用户协同过滤推荐算法的刀具推荐方法，具体步骤为：

S1：收集用户--项目的评分矩阵；

S2:通过用户的评分信息进行相似度计算；

S3：巴氏系数计算公式:

其中：k表示评分数目，n(i)表示用户的评分项目数目，n(x)表示分值为v的项目数目。

S4：KL散度计算公式:

其中：ρ_u为项目u的密度函数，r^max为评分区间的最大值，ρ_ur＝#r/#u为用户u中评分值为 r的比率，#u为用户对项目的评分个数，#r为用户u中值为r的评分个数。

S5:Jaccard系数计算公式:

其中I_u表示用户u评分的项目，I_v表示用户v评分项目。

S6：Pearson系数:

其中I_u,v表示用户u和v的共同评分项目集，r_u,i和r_v,j分别表示用户u和v对项目i的评分，表示用户u的平均评分，表示用户v的平均评分。

S7：融合KL散度、巴氏系数:

sim_CFBKJ(u,v)＝sim_Jac(sim_KL(u,v)×sim_BC(u,v)+sim_pear(u,v)) (5)

其中：sim_Jac为Jaccard相似度，通过共同评分项的比重，提高相似度。sim_KL(u,v)为KL散度相似度，解决评分高度重叠问题。sim_BC(u,v)为巴氏系数相似度，解决了评分偏好问题。sim_pear(u,v) 为Pearson相关系数，用于计算共同评分项的相似度。

S8:选择目标用户相似度高的前n个邻居用户：