[发明专利]一种基于社会化标签的个性化推荐系统优化方法

摘要

本发明公开了一种基于社会化标签的个性化推荐系统优化方法，该方法采用社会标签相似度和评分相似度，应用于面向用户和项目的K近邻模型的计算，然后将K近邻的用户和项目同时用于计算用户对项目的预测评分。该方法由于同时采用了标签相似度和评分相似度，使得用户和项目的K近邻计算更加精确，其推荐精度明显高于单采用评分相似度的推荐精度，并且能避免基于标签相似度模型的冷启动问题。然后使用面向用户和项目的推荐模型计算预测评分，能避免数据稀疏性问题，且其推荐精度也明显高于现有的面向用户的推荐模型和面向项目的推荐模型。

主权项

一种基于社会化标签的面向用户和项目的个性化推荐系统优化方法，其特征在于包括有下列步骤：第一步：在电子商务的项目集I＝{i1，i2，...，ia，…in}和用户集U＝{u1，u2，…，uc，...um}中采用矩阵形式表达出用户‑项目评分矩阵R＝|U|×|I|和用户‑项目社会化标签矩阵T＝|U|×|I|；第二步：依据用户‑项目评分矩阵R＝|U|×|I|、用户‑项目社会化标签矩阵T＝|U|×|I|在K近邻推荐模型中获取目标项目in与任意一项目ia之间的项目间相似度ISim(in→ia)；第三步：采用所述第二步的处理方法遍历目标项目in分别与项目集I＝{i1，i2，…，ia，…in}中项目处理，目标项目in的项目集相似度ISim(in)；第四步：依据用户‑项目评分矩阵R＝|U|×|I|、用户‑项目社会化标签矩阵T＝|U|×|I|在K近邻推荐模型中获取目标用户um与任意一用户uc之间的用户间相似度USim(um→uc)；第五步：采用所述第四步的处理方法遍历目标项目in分别与用户集U＝{u1，u2，…，uc，...um}中用户处理，目标项目in的用户集相似度UTSim(um)；第六步：获取目标用户‑近邻项目评分r(um，i′)；根据项目集相似度ISim(in)来获取与目标项目in相似度最高的前面的项目，得到目标项目in的K近邻项目集合KNN(in)；所述K近邻项目集合KNN(in)中的任意一个元素记为i′，则有目标用户um对目标项目in的K近邻项目集合KNN(in)中任意一元素的评分记为r(um，i′)；第七步：获取近邻用户‑目标项目评分r(u′，in)；根据用户集相似度USim(um)来获取与目标用户um相似度最高的前面的用户，得到目标用户um的K近邻用户集合KNN(um)。所述K近邻用户集合KNN(um)中的任意一个元素记为u′，则有目标用户um的K近邻用户集合KNN(um)对目标项目in的评分记为r(u′，in)；第八步：从项目集相似度ISim(in)中选取与K近邻项目集合KNN(in)相关的相似度ISim(KNN(in))；从用户集相似度USim(um)中选取与K近邻用户集合KNN(um)相关的相似度USim(KNN(um))；第九步：计算预测评分对目标用户‑近邻项目评分r(um，i′)、近邻用户‑目标项目评分r(u′，in)、目标项目‑K近邻相似度ISim(KNN(in))和目标用户‑K近邻相似度USim(KNN(um))进行加权平均，得到目标用户um对目标项目in的预测评分 r ^ ( u m , i n ) = Σ v ∈ KNN ( u m ) ∩ R ( i n ) USim ( u m , v ) · r ( v , i n ) + Σ j ∈ KNN ( i n ) ∩ R ( u m ) ISim ( i n , j ) · r ( u m , j ) Σ v ∈ KNN ( u m ) ∩ R ( i n ) USim ( u m , v ) + Σ j ∈ KNN ( i n ) ∩ R ( u m ) ISim ( i n , j ) , v表示目标项目in的求和对象，KNN(um)表示目标用户um的K近邻用户集合，R(in)表示目标项目in的被评分集，USim(um，v)表示目标用户um与求和对象v的用户相似度，r(v，in)表示目标项目in在R＝|U|×|I|中的元素，KNN(in)表示目标项目in的K近邻项目集合，R(um)表示目标用户um的被评分集，ISim(in，j)表示目标项目in与求和对象j的项目相似度，r(um，j)表示目标用户um在R＝|U|×|I|中的元素。