[发明专利]一种基于改进型协同过滤算法的音频推荐方法

说明书

技术领域

本发明涉及用户需求分析推荐领域，尤其是涉及一种用于网络音频播放系统的基于改进型协同过滤算法的音频推荐方法。

背景技术

随着互联网技术的蓬勃发展，我们已经处在信息大爆炸时代，如何从纷繁复杂的信息中找到对自己有用的信息变得非常重要和急迫，从分类目录发展搜索引擎，在查找知识的效率方面有了显著的提升，你可以根据任何一个关键字查找和这个关键字匹配的内容。但是这有个前提，那就是你知道要找什么。实践证明，往往很多时候我们并不知道如何给自己想要的信息定义一个准确的关键字。解决此问题的一个有效的方法是利用推荐系统。

推荐系统的原理是，机器通过每次和人的交互自动学习，并利用一些数学模型将交互行为量化为各项指标，从而建立一个虚拟的人物角色，学习的越多，人物角色的定义也就越精确，最后通过搜索引擎按当前的时空环境猜测用户接下来可能的行为，给出合理的推荐。

目前，推荐系统到处可见，国外的Amazon、Netflix，国内的淘宝，京东，豆瓣FM，虾米等，都在一定程度上给我们提供了很多建议，简化了我们查找信息、购物、听音乐、看电影等查找信息的复杂度。常见的推荐系统算法主要有：基于内容推荐、协同过滤推荐、基于关联规则推荐、基于效用推荐、基于知识推荐和组合推荐。

各推荐算法的优缺点如下表：

中华人民共和国国家知识产权局于2014年02月05日公开了申请公布号CN103559622A的专利文献，名称是基于特征的协同过滤推荐方法，其包括以下步骤：步骤一、根据物品的特征，将原有的物品-用户打分矩阵投影到不同的物品特征上，得到多个聚合的特征-用户打分矩阵；步骤二、对于每一个用户统计其在各个特征上打分的方差，并用该方差值刻画用户对该特征的好恶程度，方差越大，表明用户对该特征的取值有越强偏向；步骤三、基于各个特征-用户打分矩阵，预测用户对某新物品的打分值；步骤四、利用步骤二各特征上打分的方差，对步骤三计算得到的打分预测值进行加权平均，得到用户对该物品的最终打分预测值；步骤五、基于最终的打分预测值，进行物品推荐。此方案没有考虑到已打分物品和未打分物品之间的相关性，推荐精度不够高，容易出现误推荐的情况。

发明内容

本发明主要是解决现有技术所存在的不能考虑已打分项目和未打分项目之间的相关性、推荐精度不够高等的技术问题，提供一种引入已打分项目和未打分项目之间的相关度、排除相关度低的项目、有效提高推荐精度的基于改进型协同过滤算法的音频推荐方法。

本发明针对上述技术问题主要是通过下述技术方案得以解决的：一种基于改进型协同过滤算法的音频推荐方法，包括以下流程：

S1、查找与目标用户相似度最高的N个邻居用户；

S2、选择一个未评分项目c，计算未评分项目c与目标用户在有效时间内的最高评分项目之间的项目相关性Rc；未评分项目定义为目标用户未评分过的项目；

S3、根据邻居用户对未评分项目c的评分值和项目相关性Rc计算目标用户对未评分项目c的预计评分值Pc；

S4、重复步骤S2和S3，直至所有未评分项目都被计算出预计评分值；

S5、将所有未评分项目根据预计评分值进行排序，向用户推荐预计评分值最高的M个未评分项目。

作为优选，所述步骤S1中，查找与目标用于相似度最高的N个邻居用户具体为：

S11、选择一个邻居用户，查找目标用户和此邻居用户都评分过的所有项目；设查找到的项目数量为n；

S12、计算目标用户和此邻居用户之间的相似度r，计算公式为

式中，x_i为目标用户对第i个项目的评分，为目标用户对查找到的n个项目的平均评分值，y_i为此邻居用户对第i个项目的评分，为此邻居用户对查找到的n个项目的平均评分值；

S13、重复步骤S11和S12，直至所有邻居用户都计算完毕；

S14、对所有邻居用户根据相似度排序，选择相似度最高的N个邻居用户。

作为优选，步骤S2中，计算未评分项目c与目标用户在有效时间内的最高评分项目之间的项目相关性Rc具体为：

S21、读取未评分项目c各个标签的值；

S22、读取所述最高评分项目的各个标签的值；

S23、计算所述最高评分项目和此未评分项目c之间的相关性Rc，计算公式如下：