基于相对熵相似度的知识推荐方法

摘要

本发明公开了一种基于相对熵相似度的知识推荐方法，基于构建的在线学用户与在线知识资源模型，步骤一：根据在线学用户在线学浏览记录，建立在线学用户与项目关系的评分矩阵，对项目基于内容进行聚类，形成项目聚类集合；步骤二：建立在线学用户与项目聚类集合之间的典型度关系矩阵；步骤三：训练相对熵相似度计算公式参数α、β，得到其最优值；步骤四：使用相对熵相似度公式计算用户之间的相似度；步骤五：根据相似度计算结果，为用户选取“邻居”，形成邻居用户集合；步骤六、根据邻居用户集合，形成相应在线知识资源推荐列。本发明提高传统推荐算法应用到知识推荐上时相似度计算的效果，从而优化最终推荐效果。

主权项

一种基于相对熵相似度的知识推荐方法，基于构建的在线学习用户与在线知识资源模型，其特征在于，该方法以下步骤：步骤(101)、根据在线学习用户在线学习浏览记录，建立在线学习用户与项目关系的评分矩阵；对项目基于内容进行聚类，形成项目聚类集合；步骤(102)、建立在线学习用户与项目聚类集合之间的典型度关系矩阵；步骤(103)、训练相对熵相似度计算公式参数α、β，得到其最优值；步骤(104)、通过相似度计算公式得到两个用户之间的相似度，基于典型度相对熵相似度的具体计算方法如下式所示：$sim(U_i,U_j)=\exp (-\frac{\underset{t=1}{\overset{n}{\Sigma }}\left(\right|v_{i,t}log\left(\frac{v_{i,t}}{v_{j,t}}\right)|+\alpha |v_{i,t}log\left(\frac{v_{i,t}}{v_{j,t}}\right)\left|\right)}{\beta })$其中，U_i代表用户i，U_j代表用户j，v_i,t表示用户i与推荐对象t关系评分。在基于典型度推荐算法中，v_i,t表示用户i在聚类t典型度关系评分，α、β为步骤103训练得到的结果；步骤(105)、根据相似度计算结果，为用户选取“邻居”，形成邻居用户集合；步骤(106)、根据邻居用户集合，形成相应在线知识资源推荐列。