[发明专利]基于邻域的top‑k推荐方法

权利要求书

1.一种基于邻域的top-k推荐方法，其特征在于，包括如下步骤：

步骤一，响应客户端的请求，建立用户-对象关系矩阵；

从服务器中获取包含目标用户在内的一组用户作为用户集合，再获取一组推荐对象作为对象集合；

从服务器中读取上述用户集合中各用户分别针对对象集合中各推荐对象产生的行为数据；

当任一用户对任一推荐对象未产生行为数据时，均以一预设值作为假定的行为数据；

根据获取的上述行为数据值和假定的行为数据值，建立一个用户-对象关系矩阵；

步骤二，分解用户-对象关系矩阵；

通过迭代的方法对步骤一所建立的用户-对象关系矩阵进行降维处理，获得分别对应各用户的一组用户特性向量；所述用户特性向量中每个数值表示该用户对相应的对象的潜因子特性的关联程度；

步骤三，计算目标用户到其他用户的相似度；

逐一计算步骤二获得的目标用户的用户特性向量到其他用户的用户特性向量的相似度，并将结果作为目标用户到其他用户的相似度；

步骤四，建立推荐用户群；

选取与目标用户相似度大于预设阈值的用户，或与目标用户相似度最高的k1个用户，组成推荐用户群；

步骤五，获取与步骤四所述的推荐用户群中的用户具有行为关联的推荐对象，组成一候选对象集合；

步骤六，对候选对象集合中的每个推荐对象，计算推荐用户群中与该推荐对象具有行为关联的用户针对该对象产生的行为数据的加权平均值，对应各用户的权重为与该用户对应的步骤三中所述的目标用户到其他用户的相似度值；

步骤七，按由大到小顺序，排列步骤六所获得的对应各推荐对象的加权平均值，并过滤掉和目标用户已有历史行为的对象；

步骤八，将数值最大的前k个加权平均值对应的推荐对象返回给客户端。

2.根据权利要求1所述的基于邻域的top-k推荐方法，其特征在于，步骤三所述的目标用户的用户特性向量到其他用户的用户特性向量的相似度，是指目标用户的用户特性向量到其他用户的用户特性向量间的cosine相似度或者Pearson相似度。

3.一种基于邻域的top-k推荐方法，其特征在于，包括如下步骤：

步骤一，响应客户端的请求，建立用户-对象关系矩阵；

从服务器中获取包含目标用户在内的一组用户作为用户集合，再获取一组推荐对象作为对象集合；

从服务器中读取上述用户集合中各用户分别针对对象集合中各推荐对象产生的行为数据；

当任一用户对任一推荐对象未产生行为数据时，均以一预设值作为假定的行为数据；

根据获取的上述行为数据值和假定的行为数据值，建立一个用户-对象关系矩阵；

步骤二，分解用户-对象关系矩阵；

通过迭代的方法对步骤一所建立的用户-对象关系矩阵进行降维处理，获得分别对应各用户的一组用户特性向量；所述用户特性向量中每个数值表示该用户对相应的对象的潜因子特性的关联程度；

步骤三，计算目标用户到其他用户的相似度；

逐一计算步骤二获得的目标用户的用户特性向量到其他用户的用户特性向量的相似度，并将结果作为目标用户到其他用户的相似度；

步骤四，建立推荐用户群；

选取与目标用户相似度大于预设阈值的用户，或与目标用户相似度最高的k1个用户，组成推荐用户群；

步骤五，模拟推荐；

计算所述推荐用户群各用户的大于预定阈值的行为数据与该用户到目标用户的特性相似度之积，并将结果作为单个用户对相应对象的推荐力度，计算不同用户对同一个对象的推荐力度值之和作为推荐用户群对此推荐对象的推荐力度；

步骤六，过滤掉和目标用户已有历史行为的对象，然后进行top-k推荐；

将用户群对各推荐对象的推荐力度值由大到小进行排序；将数值最大的k个推荐力度值对应的k个推荐对象返回给客户端。

4.根据权利要求3所述的基于邻域的top-k推荐方法，其特征在于，步骤三所述的目标用户的用户特性向量到其他用户的用户特性向量的相似度，是指目标用户的用户特性向量到其他用户的用户特性向量间的cosine相似度或者Pearson相似度。