[发明专利]一种基于项目属性评分均值的协同过滤推荐方法

说明书

技术领域

本发明涉及一种协同过滤推荐方法，尤其涉及一种基于项目属性评分均值的协同过滤推荐方法。

背景技术

随着Internet和电子商务的迅猛发展，“信息爆炸”和“信息过载”问题越来越严重，用户很难从海量的信息中找到自己真正需要的信息。推荐系统可以在用户目的不明确的情况下帮助用户找到可能感兴趣的信息并推荐给用户。协同过滤是现行推荐系统中应用最广泛最成功的技术之一，但其需要维护一个存储用户偏好的数据库。因此，随着系统中用户和项目数量的不断增加，协同过滤面临严峻的用户评分数据稀疏性、推荐实时性、可扩展性挑战，推荐质量迅速下降。针对上述问题，迫切需要一种能够提高推荐质量的推荐方法。

发明内容

针对协同过滤推荐算法在单一评分数据集上存在预测精度低的问题，本发明研制一种基于项目属性评分均值的协同过滤推荐方法。

本发明其特征在于，包括以下步骤：

(1)用户-项目属性评分矩阵的构造。定义项目的属性集为A＝{A₁,A₂,…,A_k,…A_l}，A_k＝{a₁,a₂,…,a_t}。需要注意的是，对于某一项目的属性A_k，其可能有多个取值。例如，一部电影既是动作片又是科幻片，一件商品既是女装又是户外等。设用户对第k个属性A_k的评分矩阵为G，表示如下：

其中，m为用户数量，t是属性A_k值的数量。

确定用户对各属性值的评分，即g_ij。采用均值法：即以用户对具有某一属性值的项目的评分的均值作为其评分，定义如下：

gij=Σh=1NrhN]]>

其中，N代表用户i评价过的A_k＝a_j的项目的数量，r_h代表用户对A_k＝a_j的项目的评分。

由定义可知，每个用户对每个属性值的评分至多只有一个值，例如，用户A对喜剧电影的评分为4；如果A没有看过悲剧电影，则其没有该项评分。

(2)项目属性的确定。主要从以下两个方面进行度量：

数据稀疏度：用户评分数据矩阵中未评分条目所占的百分比，其公式定义如下：

Ps=(1-Nrm×n)×100%]]>

其中，N_r为评分总量，m为矩阵的行数(用户的数量)，n为矩阵的列数(项目或者项目属性值的数量)。

数据减少率：用户-项目属性评分相比用户-项目评分所减少的数据量的比率，定义如下：