[发明专利]一种基于内容与协同过滤相结合的个性化推荐方法

摘要

本发明公开了一种基于内容与协同过滤相结合的个性化推荐方法，分为训练和个性化推荐两个阶段：训练阶段通过采集数据信息形成已有用户‑新物品预推荐矩阵，个性化推荐阶段完成对新用户的物品推荐及用户产生评分后的进一步推荐。本发明相比于传统的个性化推荐方法能够解决冷启动问题，对新加入的物品进行预测，推荐给用户，在预推荐之后使用协同过滤推荐，提高了推荐物品的多样性和准确度。并且，通过聚类算法生成虚拟用户大大降低了矩阵维数，同时降低了计算的复杂度。

主权项

1.一种基于内容和协同过滤相结合的个性化推荐方法，其特征在于，包含以下步骤：步骤1：训练：步骤1‑1：平台采集已有用户的用户数据，所述用户数据包括用户的个人信息和其历史行为特征、以及用户对物品的评分数据，形成用户评分矩阵Rm×n，其中，m表示已有用户的数量，n表示平台中已有物品的数量；步骤1‑2：根据采集的用户数据对用户进行聚类，使用聚类算法将用户划分为M个聚类，并设定和所述M个聚类一一对应的M个虚拟用户；步骤1‑3：在每个聚类中，根据用户的历史行为特征分析已有用户对已有物品特征属性的喜好程度，喜欢以1表示、不喜欢以‑1表示、不关心以0表示，形成已有用户‑物品特征属性矩阵DC×K，并针对每一个特征属性取所有用户喜好程度的平均值以此作为该聚类的虚拟用户对该特征属性的喜好程度，形成虚拟用户‑物品特征属性矩阵PM×K，其中，C为一个聚类中已有用户的个数，K为已有物品的所有特征属性的数量；步骤1‑4：根据提取的已有物品的所有特征属性，对每个新物品进行判断，新物品具备的特征属性以1表示，新物品不具备的特征属性以0表示，得到新物品‑物品特征属性矩阵QN×K，其中，N为新物品的数量；步骤1‑5：将矩阵PM×K与矩阵QN×K的转置做内积运算，得到虚拟用户‑新物品预推荐矩阵FM×N，矩阵中每一元素即代表虚拟用户对于相应新物品的预评分；步骤1‑6：筛选出矩阵FM×N每列向量的最高预评分对应的虚拟用户，对以这些虚拟用户为代表的用户进行预推荐；步骤1‑7：根据用户对新物品的反馈，采集评分，更新用户评分矩阵Rm×n；步骤1‑8：将更新的用户评分矩阵Rm×n进行矩阵分解，获得用户评分矩阵Rm×n中物品未得到的用户评分；步骤2：个性化推荐：步骤2‑1：采集新用户个人信息，进行数据预处理；步骤2‑2：将采集的新用户数据量化，由相似性公式分别计算新用户与M个聚类的相似性，选取相似度最高的聚类新用户的所属聚类，且新用户能够用其所属聚类对应的虚拟用户表示；步骤2‑3：根据新用户所属聚类对应的虚拟用户及虚拟用户‑新物品预推荐矩阵FM×N，向新用户进行新物品推荐；步骤2‑4：新用户在得到物品推荐、产生历史行为特征、更新用户评分矩阵后，通过对用户评分矩阵Rm×n进行矩阵分解以预测用户对其未评分物品的评价，通过预测的评分高低将高评分的物品推荐给用户，使用户获得更多物品推荐。