[发明专利]融入时间上下文信息的协同过滤推荐方法

摘要

一种融入时间上下文信息的协同过滤推荐方法，在原有的基于项目的协同过滤推荐算法和基于用户的协同过滤推荐算法的基础上，融入时间上下文信息，并将这两种算法结合到一个统一的算法中。对于基于用户的协同过滤算法，首先在用户相似度计算阶段融入时间衰减函数；然后对物品进行聚类，训练出一个用户对一个物品类别的兴趣衰减因子；最后在评分预测阶段融入时间衰减函数。针对基于物品的协同过滤算法，过程与基于用户的协同过滤算法类似，最后将两种算法结合到一个统一的算法中。由于在相似度计算阶段和评分预测阶段都引入了时间衰减函数，而且为不同用户对不同类别的物品使用不同的时间衰减因子，从而可以有效提高预测的准确度。

主权项

一种融入时间上下文信息的协同过滤推荐方法，其特征在于，包括：收集用户对物品的评分；建立用户‑物品评分矩阵；计算用户、物品的评分平均值；计算融入时间衰减函数的用户相似度和物品相似度，使用公式计算用户之间的皮尔逊系数相似度，使用公式计算物品之间的皮尔逊系数相似度，同时在相似度计算公式中融入时间衰减函数，时间衰减函数见公式融入时间衰减函数的方式是直接和时间衰减函数相乘，其中时间衰减函数中的α是时间衰减系数，表示相似度随时间变化的速度；分别对用户和物品进行聚类；计算用户对物品聚类的时间衰减系数和学习用户聚类对物品的时间衰减系数；混合基于物品的协同过滤算法和基于用户的协同过滤算法进行评分预测，在基于用户的协同过滤算法的预测公式中引入相同的衰减函数后得到新的预测公式：其中是用户u的平均评分，是与用户u相似的用户v的平均评分，Δt为当前时间与用户v对物品i的评分时间之差，用户v对物品i的评分时间越靠近当前时间，则用户v评分过的物品就越容易获得用户u的青睐，在基于物品的协同过滤算法的预测公式中引入相同的衰减函数后得到新的预测公式：其中是物品i获得的平均评分，是和物品i相似的物品j的平均评分，Δt为当前时间和用户u对物品i的评分时间之差，用户u对物品i的评分时间越靠近当前时间，则与物品i相似的物品就越容易获得较高的预测评分，基于物品的协同过滤算法和基于用户的协同过滤算法进行评分预测的具体公式为：P(ru,i)＝wu×PU(ru,i)+wi×PI(ru,i)，其中wu和wi分别是基于用户的算法和基于物品的算法的权重，wu+wi＝1。