[发明专利]一种基于用户行为模型和蚁群聚类的协同过滤推荐算法

摘要

本发明属于协同过滤推荐技术领域，具体涉及一种基于用户行为模型和蚁群聚类的协同过滤推荐算法。本发明在传统协同过滤推荐技术基础上，采用蚁群聚类算法对用户进行分类，在整个用户空间高效的查找邻居用户群，结合用户行为模型和基于项目内容的推荐，使现有方法存在的问题得到很大改善。本发明涉及更好地模拟蚁群聚类，选择用户行为模型的更新方程，降低预处理复杂度及进一步挖掘用户行为模型的研究等。本发明经过多重模型组合，得到较传统协同过滤推荐技术的算法更为灵活的推荐技术，可以适应多种场景并提高了推荐质量。

主权项

一种基于用户行为模型和蚁群聚类的协同过滤推荐算法，其特征在于具体的步骤如下：（一）基于蚁群聚类的协同过滤推荐聚类问题的蚁群算法基本思路如下：在每个模式样本处分别放置1个蚂蚁，蚂蚁倾向于选择信息素最多的一条路径移动，也就是距离最近的一个模式样本；将第模式样本分配给第个聚类中心，蚂蚁在模式样本到聚类中心的路径上留下信息素，那么第个蚂蚁选择聚类中心的概率为：(1)聚类中心选择好以后，路径上信息素的更新方程为：(2)上式中，为样本到聚类中心的距离，是信息素的持久性系数，与信息素随时间消散的速度成反比，为一正的常数，可视为信息素的初始值；蚁群聚类的算法流程如下：（1）（为循环次数），给赋相同的初值，给出、常数的值，随机给出一个蚂蚁的分配方案；（2）对每个蚂蚁按照路径选择概率选择下一个节点，按更新方程更新信息素；（3）计算新的聚类中心，计算每个模式样本到新的聚类中心新的距离；（4），若超过规定次数，停止运行，根据信息素强度输出聚类结果，否则转到（2）；（二）基于用户行为模型的推荐影视数据是具有很高内容相关度的数据集，用户行为模型以影视数据进行说明；（1）计算影片相似度通过计算影片的相似度可以找到与目标影片在不同维度上相似的影片集合，在用户浏览的历史行为较少的情况下，针对用户当前正在观看的影片进行推荐；根据影片词条维度和时间维度的信息，分别按照公式（3）和（4）计算两部影片和之间的字段相似度和时间相似度：(3)(4)上式中，表示电影在第维上的词条集合，表示在第维上的时间戳信息，是一个可调的参数，表示热度时间窗口的长度；每部影片的信息用一个向量表示，不同影片的相似度通过向量之间的欧氏距离来衡量：(5)(6)通过相似度的计算，对影片各个维度进行相似度的排名，根据排名得到初步的预选集；（2）计算用户行为权重用户行为权重是基于影片相似度的一种度量用户跳转行为的模型；用户在浏览当前影片时，由于兴趣的转变而浏览下一部影片，完成一次跳转行为；对于一个特定用户，使用一个权重向量描述他的跳转行为，它表示用户在浏览影片不同维度信息时会发生跳转的概率，即用户习惯的搜索与拓展方式；当某一维度权重较高时，该用户更倾向于选择该维度上相似的影片观看；是一个用户行为模型的反馈向量，随着用户浏览影片时的跳转行为而不断被反馈和更新：(5)式中，表示用户的总点击数，表示用户采用第类跳转的点击数，和分别表示初始值和反馈率；通过加权平均的方法，在根据影片相似度计算得到的初步预选集上面进一步缩小用户可能喜欢的预测范围，并且得到的集合更加适合用户的浏览习惯，提高推荐的命中率，从而将这个集合的影片推荐给目标用户；（三）线性回归模型组合通过基于蚁群的协同过滤推荐算法以及基于用户行为模型的推荐算法，得到两个预测的集合，采用线性回归的方法将两个模型自适应地组合在一起，并根据推荐命中率反馈线性方程的系数，达到自适应调节组合结果的目的；线性回归模型组合方程如公式（6）所示；                                         (6)上式中，表示第个模型对的预测评分，而表示第个模型对应的组合系数；K是参与线性组合的预测模型的总数，K=2。