[发明专利]一种基于多向测度和属性相似度的混合协同过滤方法

说明书

技术领域

本发明涉及一种信息推荐方法，尤其涉及一种基于多向测度和属性相似度的混合协同过滤方法。 

背景技术

随着网络技术快速发展，网络中的资源数量以指数级增长，用户不得不面对浩如烟海的网络信息，加大了在其中寻找对用户有益信息的难度，这就是信息过载。推荐系统作为一种信息过滤手段，可以根据用户的兴趣给用户提供个性化推荐，是当前解决上述问题的有效方法。在网络时代之前，人们往往会从与自己有相同喜好的同伴那里获得各种建议以帮助自己决策，这就是协同过滤的出发点。协同过滤通过计算用户或项目间的相似性，找出有相似偏好的用户或相似的项目，预测目标用户的喜好，进而作出推荐，独立于项目本身的内容，且具有易于实现的优点，目前已取得广泛应用。推荐系统的其他方法还有贝叶斯网络模型，条件概率，基于图技术的推荐算法等。与此同时，数据存储的方便导致网络中的数据不断增长，每一个用户不可能对众多的项目都有评分信息，进而使用户对项目的评分矩阵高度稀疏，传统协同过滤相似性计算方法也逐渐暴露了其局限性，无法适应在大数据时代下的要求，在数据稀疏情况下推荐效果不佳，我们在后面的介绍中会分析传统相似性计算方法存在的弊端。另外，对于新加入系统的用户，其对项目的评分太少，以至于无法提供使推荐系统分析出该用户的偏好情况的信息，系统不能对该用户做出准确的推荐，这就是新用户问题。对于新加入系统的项目，用户对该项目评分太少，系统也不能将这 个项目推荐给用户，这就是新项目问题。新用户和新项目问题都属于冷启动问题^[10]。由于存在这些问题，一些学者提出种种改进措施，文献【1】提出基于项目的项目评分相似性和项目属性相似性自适应权值加权结合，以解决新项目问题，但不能解决新用户问题。文献【2】提出基于阈值的对余弦相似性的改进，该方法可以提高推荐的多样性，但不能保证推荐准确度。文献【3】提出基于交叠的邻居集选择方法，该方法要求设置合适的参数。文献【4】提出基于用户的项目评分池方法，根据用户对项目的评分将用户分成多个独立子集分别对总评分做出贡献，该方法一定程度上提高了推荐准确度，但并不能解决数据稀疏问题，而且需要调整的参数众多。 

发明内容

因此，本文提出一种基于多向测度和项目属性的相似性计算方法，利用用户对项目属性的偏好程度和多向测度相似性计算方法加权结合，得到用户间相似性，最后生成推荐。实验表明该方法较传统相似性计算方法具有了更好的准确度，在数据稀疏的情况下，结果仍较好。过程如下： 

读入用户-项目评分矩阵和项目属性矩阵。项目属性矩阵是n*k矩阵，n是项目数，k是属性数，元素s(i,j)=1表示项目i有属性j，s(i,j)=0表示项目i没有属性j。 

进一步的，计算每个用户的平均评分和每个项目的平均评分。 

进一步的，按公式计算用户对项目属性的评分，并计算出每个用户对项目属性的平均评分和每个属性的平均评分,其中，sum(u,j)表示用户u对具有属性j的项目的总评分，num(u,j)表示用户u对有属性j的项目的评分次数。