基于用户相似度的稀疏数据协同过滤推荐方法

摘要

本发明公开一种基于用户相似度的稀疏数据协同过滤推荐方法，主要解决现有技术中面临稀疏数据时，计算用户之间相似度值不准确，进而影响推荐质量的问题。其实现步骤为：(1)构建稀疏用户对项目的评分矩阵；(2)计算任意两个项目之间的全局相似性；(3)计算任意两个用户评分之间的局部相似性；(4)计算任意两个用户之间的相似度；(5)预测评分；(6)产生推荐列表；(7)完成了对所有用户的协同过滤项目推荐。通过实验仿真结果表明，在稀疏数据集上，本发明与传统协同过滤推荐方法相比计算用户之间相似度更准确，进而提高推荐质量，更好的满足用户需求。

主权项

一种基于用户相似度的稀疏数据协同过滤推荐方法，包括如下步骤：(1)构建稀疏用户对项目的评分矩阵：(1a)从用户对项目的评分数据集中随机提取用户对项目的评分信息，创建用户对项目的稀疏评分矩阵R(n×m)，其中，n表示用户数量，m表示项目数量；(1b)将稀疏评分矩阵中用户未评过分的项目的评分用0表示，将稀疏评分矩阵中用户评过分的项目的评分用对应评分值表示；(2)计算稀疏评分矩阵中任意两个项目之间的全局相似性：(2a)按照下式，计算稀疏评分矩阵中任意两个项目之间的雅克比Jaccard系数：$Jaccard(i,j)=\frac{|r_i\cap r_j|}{|r_i\cup r_j|}$其中，Jaccard(i,j)表示稀疏评分矩阵中任意项目i与项目j的雅克比Jaccard系数，r_i表示稀疏评分矩阵中项目i的评分集合，r_j表示稀疏评分矩阵中项目j的评分集合，r_i∩r_j表示项目i的评分集合与项目j的评分集合的交集，|r_i∩r_j|表示两个评分集合的交集中评分个数，r_i∪r_j表示项目i的评分集合与项目j的评分集合的并集，|r_i∪r_j|表示两个评分集合的并集中评分个数；(2b)计算稀疏评分矩阵中任意两个项目之间的巴氏Bhattacharyya系数；(2c)按照下式，计算稀疏评分矩阵中任意两个项目之间的全局相似性：BCJ(i,j)＝[1+Jaccard(i,j)]*BC(i,j)其中，BCJ(i,j)表示稀疏评分矩阵中任意项目i与项目j的全局相似性，Jaccard(i,j)表示项目i与项目j的雅克比Jaccard系数，*表示相乘操作，BC(i,j)表示项目i与项目j的巴氏Bhattacharyya系数；(2d)判断是否计算完稀疏评分矩阵中所有项目的全局相似性，若是，执行步骤(3)，否则，执行步骤(2a)；(3)计算稀疏评分矩阵中任意两个用户评分之间的局部相似性：(3a)按照下式，计算稀疏评分矩阵中任意两个用户评分之间的局部相似性：$loc(r_{ui},r_{vj})=\frac{1}{1+e^{-(r_{ui}-\overline{r_u})*(r_{vj}-\overline{r_v})}}*\frac{1}{1+e^{-(r_{ui}-\overline{r_{med}})*(r_{vj}-\overline{r_{med}})}}$其中，loc表示稀疏评分矩阵中任意两个用户评分之间的局部相似性，r_ui表示稀疏评分矩阵中任意用户u对项目i的评分，r_vj表示稀疏评分矩阵中任意用户v对项目j的评分，表示稀疏评分矩阵中任意用户u的平均评分，表示稀疏评分矩阵中任意用户v的平均评分，e表示求自然常数操作，*表示相乘操作，表示在[1,2,3,4,5]评分区间的中位数3；(3b)判断是否计算完稀疏评分矩阵中所有用户评分的局部相似性，若是，执行步骤(4)，否则，执行步骤(3a)；(4)计算稀疏评分矩阵中任意两个用户之间的相似度：(4a)计算稀疏评分矩阵中任意两个用户之间雅克比Jaccard系数；(4b)按照下式，计算稀疏评分矩阵中任意两个用户之间的相似度：$sim(m,n)=Jaccard(m,n)+\underset{i\in I_m}{\Sigma }\underset{j\in I_n}{\Sigma }BCJ(i,j)*loc(r_{mi},r_{nj})$其中，sim(m,n)表示稀疏评分矩阵中任意用户m与用户n的相似度，Jaccard(m,n)表示用户m与用户n的雅克比Jaccard系数，∑表示求和操作，I_m表示用户m的评分集合，I_n表示用户n的评分集合，∈表示属于符号，BCJ(i,j)表示项目i与项目j的全局相似性，*表示相乘操作，loc(r_mi,r_nj)表示评分r_mi与评分r_nj的局部相关性，r_mi表示用户m对项目i的评分，r_nj表示用户n对项目j的评分；(4c)判断是否计算完稀疏评分矩阵中所有用户的相似度，若是，执行步骤(5)，否则，执行步骤(4a)；(5)预测评分：(5a)选取稀疏评分矩阵中任意一个用户作为目标用户；(5b)将目标用户与其它用户的相似度值按照从大到小排序，选取排序中前K个用户，作为目标用户的邻居用户集，K≥50；(5c)采用协同过滤公式，对稀疏评分矩阵中目标用户评分为0的项目进行预测评分；(5d)判断稀疏评分矩阵中所有用户是否均选为目标用户，若是，则执行步骤(6)，否则，执行步骤(5a)；(6)产生推荐列表：(6a)选取稀疏评分矩阵中任意一个用户作为目标用户，并为其产生推荐列表；(6b)将稀疏评分矩阵中目标用户评分为0的项目按照预测评分从大到小排序，从排序中选取前N个项目作为最终的推荐集合，2≤N≤20；(6c)判断稀疏评分矩阵中所有用户是否均产生了推荐列表，若是，则执行步骤(7)，否则，执行步骤(6a)；(7)完成了对所有用户的协同过滤项目推荐。