[发明专利]基于蝙蝠优化的用户偏好聚类协同过滤推荐算法

摘要

本发明属于信息过滤技术领域，具体为基于蝙蝠优化的用户偏好聚类协同过滤推荐算法，解决了现有协同过滤推荐算法的可扩展性以及结果准确性受到了巨大的挑战的问题，本发明所述算法首先利用用户评分信息和项目类型信息构建了用户兴趣偏好系数矩阵，以缓解数据稀疏性并真实地反映用户兴趣偏好；然后在用户兴趣偏好系数矩阵上利用基于蝙蝠优化的模糊c均值聚类算法对用户进行聚类，以减少可扩展性问题，增强聚类，提高推荐质量；最后，对目标用户采用线性拟合的相似度模型进行评分预测并做出推荐；该算法大幅度降低了数据处理量，显著提高可扩展性和推荐结果的准确性。

主权项

1.基于蝙蝠优化的用户偏好聚类协同过滤推荐算法，其特征在于，包括以下步骤：①搜集用户以及项目数据，形成用户‑项目评分矩阵R以及项目‑类型矩阵M：所述用户‑项目评分矩阵R的每个矩阵元素表示不同用户对不同项目的具体打分情况，未评分的数据记为0；在项目‑类型矩阵M中，当项目包含某一类型属性时，相应的矩阵元素记为1，反之为0；②构建用户兴趣偏好系数矩阵：利用公式(1)对步骤①得到的用户‑项目评分矩阵R以及项目‑类型矩阵M进行重构，得到用户对项目类型的“用户兴趣偏好系数矩阵P”，具体计算公式如下：其中，表示用户u评价过的所有具有类型e的项目的评分总和，∑R_u表示用户u对全部项目的全部类型的总评分，|d(E)|表示项目的总个数，|d(e)|表示具有类型e的项目个数，表示用户u在所有评分中对具有类型e的项目的评分比例，如果评分比例过高，则表示用户u更偏爱具有类型e的项目，表示项目的权重因子，所述项目的权重因子能在一定程度上惩罚由于属于类型e的热门项目对用户偏好产生的影响；③利用基于蝙蝠优化算法和模糊c均值的混合聚类算法对步骤②得到的用户兴趣偏好系数矩阵P进行聚类：先用蝙蝠优化算法查找初始聚类中心，再对步骤②中的用户兴趣偏好系数矩阵P的全部用户进行模糊c均值聚类；④生成用户的最近邻居：根据步骤③得到的用户聚类结果，找出目标用户所述的类簇，并且通过相似度计算公式(2)计算目标用户与该类簇中的其他用户之间的用户项目类型偏好相似度，并且按照从高到低排序，将前K个用户作目标用户的最近邻居，相似度计算公式(2)具体如下：其中，E表示项目的所有类型，au表示目标用户，u表示目标用户au的候选邻居，R_au,e表示的是目标用户au对具有类型e的项目评分，R_u,e表示的是用户u对具有类型e的项目评分，表示目标用户au对评价过的所有类型的项目的评分的均值，表示用户u对评价过的所有类型的项目的评分的均值；⑤计算拟合的用户相似度；采用线性拟合方法将步骤④得到的用户项目类型偏好相似度和传统的用户项目评分相似度进行合并，其中传统的用户项目评分相似度计算公式(3)如下：其中，R_au,i表示目标用户au对项目i的评分，R_u,i表示用户u对项目i的评分，表示目标用户au对所有评价过的项目评分的均值，表示用户u对所有评价过项目评分的均值，I表示目标用户au和用户u共同评价过的项目集合；最终拟合的用户相似度的计算公式(4)如下：sim(au,u)＝sim_u(au,u)·λ+sim_e(au,u)·(1‑λ)  (4),其中，sim_u(au,u)表示传统的用户项目评分相似度，sim_e(au,u)表示用户项目类型偏好相似度，λ表示拟合参数，取值在[0,1]之间；⑥对目标用户进行评分预测：预测目标用户au的未评级项目集合中的每个项目i的评级分数，将目标用户对未评分项目的评分结果值按照递减的方式来排序，选取预测评分高的前N个物品作为推荐结果，评分计算公式(5)如下：其中，P_au,i代表目标用户au对项目i的预测值，U_i代表所有评价过项目i的用户集合，N_au代表目标用户au的所有邻居集合，表示目标用户au对所有评价过的项目评分的均值，R_u,i表示用户u对项目i的评分，表示用户u对所有评价过项目评分的均值。