[发明专利]一种基于用户聚类的推荐方法

权利要求书

1.一种基于用户聚类的推荐方法，其特征在于，包括以下步骤：

Step1，输入用户集合U＝{u₁,u₂…u_α}和主题标签集合C＝{s₁,s₂…s_β}，α表示用户个数，β表示主题标签集合C中主题标签个数；初始化当前处理用户序号i取值为1，转到Step2；

Step2，初始化当前处理标签序号j取值为1，转到Step3；

Step3，如果用户u_i关注了主题标签s_j，转到Step4；否则令用户对第j个主题标签感兴趣的程度d_j＝0，转到Step9；

Step4，根据用户u_i对主题标签s_j的浏览次数n，确定出用户u_i对主题标签s_j的总浏览频率f＝n，转到Step5；

Step5，确定用户u_i对主题标签s_j的第k次浏览时间t_j,k以及总浏览时间T，k的取值为1,2,…n，转到Step6；

Step6，确定用户u_i对主题标签s_j的有效浏览频率e_f，转到Step7；

确定方式为，若t_min≤t_j,k≤t_max，t_min和t_max为用户u_i对标签的最小浏览时间和最大浏览时间的预设阈值，则用户u_i对第j个主题标签的第k次浏览是有效的，则用户u_i对第j个主题标签的n次浏览过程中，所有有效浏览的次数之和为用户u_i对第j个主题标签的有效浏览频率；

Step7，求e_f次有效浏览的浏览时间之和，计算出用户u_i对主题标签s_j的有效浏览时间e_t，转到Step8；

Step8，根据下式，计算出用户u_i对主题标签s_j兴趣度d_j，转到Step9；

其中，参数f1为用户对所有主题标签的浏览频率之和；ps为预设的系统参数兴趣时间系数，表示用户对第j个主题标签的平均浏览时间，表示用户对第j个主题标签的平均有效浏览时间；

Step9，设用户u_i在主题标签集合C中未浏览过的标签集合用c_b表示，浏览过的标签集合用c_a表示，根据下式，计算V_i,j，V_i,j表示用户u_i对主题标签s_j的兴趣度值，用户u_i的兴趣向量为v_i(V_i,1,V_i,2,…V_i,β)；令j＝j+1，如果j小于等于β则转到Step3，否则转到Step10；

Step10，令i＝i+1，如果i小于等于α，转到Step2，否则令i＝1，初始化核心用户数目γ取值为0，转到Step11；

Step11，根据用户u_i的兴趣向量v_i(V_i,1,V_i,2,…V_i,β)中非零元素所占比例得到兴趣密度值density(u_i)，如果兴趣密度值density(u_i)＞λ，标记u_i为核心用户，转到Step12；否则转到Step13；其中，λ为预设的密度阈值；

Step12，令γ＝γ+1，转到Step13；

Step13，令i＝i+1，如果i小于等于α，转到Step11；否则转到Step14；

Step14，当前得到γ个核心用户，开始用K-means算法对全部用户进行聚类，本步骤以γ个核心用户为初始的聚类中心，初始定义变量newJ＝0，oldJ＝-1，转到Step15；

Step15，计算fabs(newJ-oldJ)，fabs函数表示计算绝对值，如果fabs(newJ-oldJ)大于等于绝对值的相应预设阈值，转到Step16，否则转到Step19；

Step16，对用户集合U＝{u₁,u₂…u_α}中作为聚类中心的用户以外的各剩余用户，分别计算剩余用户与每个作为聚类中心的用户之间的欧式距离，并分配到距离最近的聚类中心相应聚类中，转到Step17；

Step17，计算每个用户聚类R_h中所有用户兴趣向量的平均值，作为用户聚类R_h新的聚类中心Z_h，转到Step18；

Step18，令oldJ＝newJ，根据准则函数计算新的准则函数值赋值给newJ，转到Step15；

Step19，当前得到γ个用户聚类R₁,R₂…R_γ，转到Step20；

Step20，初始化当前处理类别序号h取值为1，转到Step21；

Step21，根据下式计算该类别的类兴趣向量Rv_h＝(RV_h1,RV_h2,...,RV_hβ)，转到Step22；

其中，|R_h|表示用户聚类R_h中的用户个数，表示用户聚类R_h中的任一用户，用w表示聚类R_h中用户个数，取值为1,2......w，表示用户聚类R_h中用户对第j个主题标签的兴趣度，RV_hj表示用户聚类R_h对第j个主题标签的兴趣度，j取值为1,2......β；

Step22，令h＝h+1，如果h小于等于γ，转到Step21，否则转到Step23；

Step23，此时得到γ个类别的类兴趣向量，Rv₁,Rv₂…Rv_γ，令h＝1，转到Step24；

Step24，为用户聚类R_h中的每个用户分别推荐主题标签，设用户聚类R_h中的用户为用户集合U＝{u₁,u₂…u_α}中的用户u_i，对于用户u_i的兴趣向量v_i(V_i,1,V_i,2,…V_i,β)，把它与用户聚类R_h的类兴趣向量Rv_h＝(RV_h1,RV_h2,...,RV_hβ)中各兴趣值RV_hj进行比较，如果V_i,j大于等于RV_hj，则把主题标签s_j推荐给用户，转到Step25；

Step25，令h＝h+1，如果h小于等于γ，转到Step24，否则转到Step26；

Step26，对用户集合U＝{u₁,u₂…u_α}中每个用户的自动推荐均已完成，结束。

2.根据权利要求1所述基于用户聚类的推荐方法，其特征在于：Step18中，准则函数的计算公式如下，

其中，w代表用户聚类R_h中用户个数，表示两个特征向量之间的偏差的平方，为用户聚类R_h中的用户的兴趣向量，Z_h为相应类别的聚类中心。