| 主权项 |
一种基于小波网络的丝绸产品个性化推荐方法，其特征在于，包括以下步骤：(1)用户行为特征提取：首先通过对用户兴趣进行分析，得到其状态转移序列，根据此序列采用Viterbi算法获得其隐含行为状态，然后建立隐半马尔可夫模型对用户兴趣特征进行提取；(2)数据预处理：首先对用户行为数据流进行基于小波变换的压缩处理，所述用户行为数据流包括用户浏览行为、描述评价和打分；采用Haar小波方法构建小波概要结构，一维Haar小波分解通过求均值方法将向量A＝(x<sub>1</sub>,x<sub>2</sub>,…,x<sub>n</sub>)变换为n个小波系数(c<sub>1</sub>,c<sub>2</sub>,…,c<sub>n</sub>)；(3)量化用户评价：对压缩后的用户行为数据流进行量化表示，用户对某商品的评价通常包括描述评价和打分评价，其中，描述评价需要经过加权量化，其数值化范围依照用户打分范围设定；(4)用户相似度计算：假设有m个用户，n个商品，用户集U＝{u<sub>1</sub>,u<sub>2</sub>,…,u<sub>m</sub>}，商品集O＝{o<sub>1</sub>,o<sub>2</sub>,…,o<sub>n</sub>}；如果用户i接触过商品j，所述接触为浏览、评价或选择，那么就在i和j之间连接一条边a<sub>ij</sub>＝1，反之a<sub>ij</sub>＝0；对于任意两个用户，他们共同接触过的商品数目用c<sub>ij</sub>来表示，其计算公式为：<maths num="0001" id="cmaths0001"><math><![CDATA[<mrow><msub><mi>c</mi><mrow><mi>i</mi><mi>j</mi></mrow></msub><mo>=</mo><munderover><mo>Σ</mo><mrow><mi>l</mi><mo>=</mo><mn>1</mn></mrow><mi>n</mi></munderover><msub><mi>a</mi><mrow><mi>l</mi><mi>i</mi></mrow></msub><msub><mi>a</mi><mrow><mi>l</mi><mi>j</mi></mrow></msub></mrow>]]></math><img file="FDA0000901348940000011.GIF" wi="284" he="143" /></maths>用户的偏好由用户对某一商品浏览、评价、打分行为反映；用户之间的信任关系由他们对共同商品的偏好反映；以余弦相似度计算公式为基础，进行改进，得出基于用户偏好程度的相似度计算公式：<maths num="0002" id="cmaths0002"><math><![CDATA[<mrow><msub><mi>s</mi><mrow><mi>i</mi><mi>j</mi></mrow></msub><mo>=</mo><mfrac><mn>1</mn><msqrt><mrow><mi>k</mi><mrow><mo>(</mo><msub><mi>u</mi><mi>i</mi></msub><mo>)</mo></mrow><mi>k</mi><mrow><mo>(</mo><msub><mi>u</mi><mi>j</mi></msub><mo>)</mo></mrow></mrow></msqrt></mfrac><munderover><mo>Σ</mo><mrow><mi>l</mi><mo>=</mo><mn>1</mn></mrow><mi>n</mi></munderover><msub><mi>a</mi><mrow><mi>l</mi><mi>i</mi></mrow></msub><msub><mi>a</mi><mrow><mi>l</mi><mi>j</mi></mrow></msub><msup><mrow><mo>[</mo><mfrac><mrow><mo>(</mo><mn>1</mn><mo>-</mo><mfrac><mrow><mo>|</mo><mrow><msub><mi>v</mi><mrow><mi>l</mi><mi>i</mi></mrow></msub><mo>-</mo><msub><mi>v</mi><mrow><mi>l</mi><mi>j</mi></mrow></msub></mrow><mo>|</mo></mrow><mi>M</mi></mfrac><mo>)</mo></mrow><mrow><mi>k</mi><mrow><mo>(</mo><msub><mi>o</mi><mi>l</mi></msub><mo>)</mo></mrow></mrow></mfrac><mo>]</mo></mrow><mi>α</mi></msup></mrow>]]></math><img file="FDA0000901348940000012.GIF" wi="869" he="222" /></maths>其中，k(u<sub>i</sub>)表示用户u<sub>i</sub>的度，即该用户接触过多少样商品；k(o<sub>l</sub>)表示商品o<sub>l</sub>的度，即该商品被多少用户接触过；v<sub>li</sub>表示用户的偏好程度，该偏好程度由步骤(3)中量化得到；M表示用户打分跨度；(5)目标用户的商品推荐：在获得目标用户最相似的用户群后，将这些用户群选择过的而目标用户未选择过的商品量化评价分数计入分数矩阵，并计算出目标用户对这些商品可能的评分；将这些商品按照评分高低进行排序，值越大说明该用户可能喜欢的概率越大；将排名靠前的商品推荐给用户。 |
