[发明专利]一种基于神经网络解决协同过滤推荐数据稀疏性的方法

说明书

技术领域

本发明属于人工神经网络及个性化推荐技术领域，更为具体来讲，涉及一种基于神经网络解决协同过滤推荐数据稀疏性的方法。

背景技术

在现代信息社会，各行业经过一段时期的积累都会产生海量的信息数据，如何有效地从海量数据中提取有用的信息掀起了个性化推荐技术的研究热潮。协同过滤技术作为主要的推荐技术备受关注，已经被成功运用到各种推荐系统中。但是随着资源种类的不断膨胀与用户的日益增加，用来评判的数据矩阵越来越稀疏，严重影响了推荐质量。

神经网络是一种模仿动物神经网络行为特征，进行分布式并行信息处理的算法数学模型。神经网络的处理单元一般可分为三类：输入单元、隐层单元、输出单元。输入单元实现网络与外界的连接，隐层实现输入空间到隐藏空间的非线性变换，输出单元实现最终的网络输出。常用的神经网络有反向传播网络、自组织网络、递归网络及径向基函数网等。

广义回归神经网络GRNN（Generalized Regression Neural Network）与其他神经网络相比，训练过程更为简单，只需确定训练样本，相应的网络结构和各神经元之间的连接权值会自动确定，网络训练过程最重要的是确定光滑因子的过程。广义回归神经网络具有较高的逼近能力、学习速度、鲁棒性、容错性以及非线性映射能力，在决策控制系统、结构分析、教育产业、信号分析等领域应用广泛。

发明内容

本发明的目的在于克服现有技术的不足，提供一种基于神经网络解决协同过滤推荐数据稀疏性的方法，采用广义回归神经网络GRNN，通过训练网络模型并进行评分预测，对稀疏的数据进行完全填充，改善协同过滤技术的数据高度稀疏性问题。

为实现上述发明目的，本发明基于神经网络解决协同过滤推荐数据稀疏性的方法，其特征在于，包括以下步骤：

步骤1：对于表示M个用户对N个项目评分的稀疏评分矩阵A，计算每个用户对所有项目评分的稀疏度以及每个项目所有用户评分的稀疏度，其中，稀疏评分矩阵A中某个用户未评价的某个项目的评分值统一用0代替；

设置用户稀疏度阈值和项目稀疏度阈值，当某个用户的稀疏度小于用户稀疏度阈值时，则删除该用户；当某个项目的稀疏度小于项目稀疏度阈值时，则将删除该项目，得到的用户数量记为m、项目数量记为n，根据m个用户U_i,1≤i≤m对n个项目P_j,1≤j≤n的评分构建原始评价矩阵T：