[发明专利]一种基于SVD++和UBCF算法的混合推荐方法

说明书

本发明公开了一种基于SVD++和UBCF算法的混合推荐方法，该方法包括以下步骤：构造SVD++对象的初始化方法，用于定义初始化参数并进行赋值；定义SVD++对象的训练方法，用于构造神经网络，迭代地使用SVD++算法对初始矩阵进行训练并输出；主函数对SVD++算法的调用；在程序中对生成推荐结果函数进行定义，然后定义计算RMSE的函数，最后在主函数中对UBCF算法进行调用，对新评分矩阵进行二次预测计算，获得SVD++与UBCF混合推荐结果。本发明在程序中对生成推荐结果函数进行定义，然后定义计算RMSE的函数，最后在主函数中对UBCF算法进行调用，对新评分矩阵进行二次预测计算，获得SVD++与UBCF混合推荐结果。

技术领域

本发明属于个性化推荐的技术领域，尤其涉及一种基于SVD++和UBCF算法的混合推荐方法。

背景技术

随着网络信息的过载，推荐系统显得越来越重要。推荐系统是通过信息产品以及用户形成之间的二元关系，依靠当前掌握的详细关系以及选择场景来开发各类用户的感兴趣对象，进而开展了更具个性化的相关推荐操作，本质为信息过滤，具备收集、分析和推荐3个部分。

在推荐系统中，奇异值分解(SVD)算法由Lanczos提出，是数据挖掘中一种基本的数学方法，许多学者进行了大量研究，在一定程度上提高了推荐的准确性。众多的推荐算法研究，在初始数据的处理方面，对数据的稀疏性考虑不足。

现有技术的算法主要分为三个过程。

(1)对评分矩阵使用SVD++算法进行填充，使数据的稀疏性问题得到缓解，得到新评分矩阵。

(2)对新评分矩阵计算Pearson相似度得到用户相似度矩阵用于构建UBCF的推荐引擎。

(3)使用UBCF对新评分矩阵进行二次预测计算，获得SVD++与UBCF混合推荐结果。

上述方案的缺点在于对推荐系统的冷启动问题以及数据稀疏性等问题没有进行更多的解决。

发明内容

针对推荐系统存在的准确率和协同过滤(CF)推荐引擎推荐准确率较低的问题，本发明提出一种基于SVD++和UBCF算法的混合推荐方法，提出SVD++与用户协同过滤(UBCF)的混合推荐引擎，以提高推荐准确率。

为了解决上述技术问题，本发明通过以下技术方案来实现：

本发明提供的基于SVD++和UBCF算法的混合推荐方法，包括以下步骤：

S1、构造SVD++对象的初始化方法，用于定义初始化参数并进行赋值；

S2、定义SVD++对象的训练方法，用于构造神经网络，迭代地使用SVD++算法对初始矩阵进行训练并输出；

S3、主函数对SVD++算法的调用；

S4、在程序中对生成推荐结果函数进行定义，然后定义计算RMSE的函数，最后在主函数中对UBCF算法进行调用，对新评分矩阵进行二次预测计算，获得SVD++与UBCF混合推荐结果。

进一步的，所述步骤S1中，首先初始化参数并判断是否完成构造，若否，则对初始矩阵进行赋值，设置参数，添加编号至词典变量；若是则结束。

进一步的，所述步骤S2中，首先训练网络并设置参数，输出数据，训练次数是否达到预设次数，若否，则进行随机排序，赋值给变量，均方根误差设为0；若是，则判断是否完成遍历矩阵，若否，则设置参数值，计算预测值，均方根误差等值，迭代更新，判断是否完成遍历用户词典，若是，返回矩阵；若否，更新参数，输出均方根误差。

由上，本发明的基于SVD++和UBCF算法的混合推荐方法至少具有如下优点：