[发明专利]一种基于SRV函数的协同过滤推荐方法

摘要

本发明公开了一种基于SRV函数的协同过滤推荐算法，该方法包括以下步骤：根据所有用户的数据将用户的所有感知属性进行分类，具体使用K‑means聚类方法首先将用户进行分类；将所属类别的特征进行提取，取得所属类别的代表元，然后就能得到相应的蛛网图；对所加入的新用户首先进行每个代表元的距离计算，看是否是该类用户，如果是则归类，如果不是则转入下一步；对新用户进行旋转，每次旋转角度可以根据属性的多少来决定，直到找到最优的旋转角度。本发明具有效率高、精确度高的特点。

主权项

一种基于SRV函数的协同过滤推荐算法，其特征在于，包括以下步骤：第一种情况：属性和打分不是一一对应的Step1根据所有用户的数据将用户的所有感知属性进行分类，将用户的感知属性分为品牌、广告、外观、质量、价格、功能、快递速度、地域、风格九个感官体验，并分别根据历史数据得到具体的打分；Step2根据第一步的打分使用K‑means聚类方法将用户进行分类，并得到每一类的代表元记为K1,K2,…,Kn；Step3针对第二步中的代表元将代表元的具体分数给出记为K1(K11,K12,K13,…K19)然后得到相应的蛛网图；Step3对所加入的新用户记为N(N1,N2,..N9),首先运用距离公式其中对每个代表元进行距离计算，通过计算与第二步中的每个代表元的距离计算得出最小的距离值，则该用户属于该类，如果不是则转入下一步；Step4，对新用户进行旋转每次旋转角度根据属性的多少来决定，直到找到最优的旋转角度；其中其中O为旋转矩阵，此时的距离的最小值通过迭代方法最后确定；第二种情况：每一个属性和打分相匹配Step1根据所有用户的数据将用户的所有感知属性进行分类，将用户的感知属性分为品牌、广告、外观、质量、价格、功能、快递速度、地域、风格九个感官体验，并分别根据历史数据得到具体的打分；Step2根据第一步的打分使用K‑means聚类方法将用户进行分类，并得到每一类的代表元记为K1,K2,…,Kn；Step3根据对应属性和打分进行推送；第三种情况：某个属性缺失打分Step1根据所有用户的数据将用户的所有感知属性进行分类，将用户的感知属性分为品牌、广告、外观、质量、价格、功能、快递速度、地域、风格九个感官体验，并分别根据历史数据得到具体的打分；Step2根据第一步的打分使用K‑means聚类方法将用户进行分类，并得到每一类的代表元记为K1,K2,…,Kn；Step3对缺失的属性进行添加；假设X＝(K1,K2,…,K(n‑1))为信息完全的变量，Y为存在缺失值的变量，那么首先对K或其子集行聚类，然后按缺失个案所属类来插补不同类的均值。