[发明专利]一种基于项目属性评分均值的协同过滤推荐方法

摘要

一种基于项目属性评分均值的协同过滤推荐方法。为解决传统协同过滤推荐算法在单一评分数据集上的推荐精度低等问题，提出一种基于项目属性评分均值的推荐方法。首先构造用户-项目评分矩阵，然后采用均值方法构造用户－项目属性评分矩阵、确定项目属性。其次基于每个属性评分矩阵，计算目标用户与各用户的皮尔逊相似度，得到目标用户的最近邻居集。然后针对每个最近邻居集，在用户－项目评分矩阵上完成对目标用户对目标项目的初步评分预测。最后，将多个初步预测评分取平均值作为最终的预测评分，将评分最高的T个项目推荐给目标用户，完成推荐。实验结果表明，该算法能有效提高单一评分数据集上的推荐精度。

主权项

一种基于项目属性评分均值的协同过滤推荐方法其特征在于，主要包括以下步骤：(1)用户‑项目属性评分矩阵的构造。定义项目的属性集为A＝{A₁,A₂,…,A_k,…A_l}，A_k＝{a₁,a₂,…,a_t}。需要注意的是，对于某一项目的属性A_k，其可能有多个取值。例如，一部电影既是动作片又是科幻片，一件商品既是女装又是户外等。设用户对第k个属性A_k的评分矩阵为G，表示如下：确定用户对各属性值的评分，即g_ij。采用均值法：即以用户对具有某一属性值的项目的评分的均值作为其评分，定义如下：$g_{\text{ij}}\text{=}\frac{{\Σ}_{h=1}^N{r}_h}{N}$由定义可知，每个用户对每个属性值的评分至多只有一个值，例如，用户A对喜剧电影的评分为4；如果A没有看过悲剧电影，则其没有该项评分。(2)项目属性的确定。主要从以下两个方面进行度量：数据稀疏度：用户评分数据矩阵中未评分条目所占的百分比，其公式定义如下：$P_s=(1-\frac{N_r}{m\×n})\×100\%$数据减少率：用户‑项目属性评分相比用户‑项目评分所减少的数据量的比率，定义如下：$p_d=(1-\frac{N_a}{N_o})\×100\%$(3)推荐的生成。对多个预测评分求均值作为最终评分，并选取Top T项目推荐给用户。