[发明专利]一种基于内容和评分的组合预测方法

权利要求书

1.一种基于内容和评分的组合预测方法，其特征在于，包括下列步骤：

步骤a.将评分数据集进行划分

通过将评分数据集进行划分，划分为训练集a、训练集b以及测试集；其中训练集a作为学习最优参数所需要的集合，训练集b作为学习最优限制性玻尔兹曼机协同过滤模型所需要的模型，测试集为了测试系统性能；

步骤b.获取最优筛选阈值

通过训练集a、用户数据、物品数据获得最优的筛选阈值；

步骤c.获取最优限制性玻尔兹曼机协同过滤模型

通过训练集b、用户数据、物品数据、以及在步骤b获得的最优筛选阈值获得最优限制性玻尔兹曼机协同过滤模型；

步骤d.对数据进行预测

通过使用步骤c所获得的最优限制性玻尔兹曼机协同过滤模型对测试集进行预测。

2.如权利要求1所述的方法，其特征在于，所述步骤b中获取最优筛选阈值的过程如下：

(b1)通过给定的用户信息和物品信息生成用户特征以及物品特征；

(b2)生成已有评分的内容特征；根据训练集a中已有评分的用户编号以及物品编号在步骤(b1)所生成的用户特征以及物品特征进行查找获得用户特征以及物品特征，然后将这两个特征进行融合形成已有评分的内容特征，对应的评分作为类标；

(b3)输入到分类器进行训练；将步骤(b2)中所形成的已有评分的内容特征以及类标作为输入，在超限学习机分类器上进行训练，获得在训练集a上基于内容的分类器模型；

(b4)生成缺失评分的内容特征；根据训练集a中缺失评分的用户编号以及物品编号在步骤(b1)所生成的用户特征以及物品特征进行查找获得用户特征以及物品特征，然后将这两个特征进行融合形成缺失评分的内容特征；

(b5)输入到分类器进行预测；将步骤(b4)中所形成的缺失评分的内容特征作为输入，使用在训练集a上训练好的基于内容的分类器模型进行预测，得到缺失评分的填充值；

(b6)生成在0-2范围内，步长为0.1的筛选阈值的范围集合；

(b7)使用阈值范围集合筛选填充值；将步骤(b5)中所得到的缺失评分的填充值进行阈值筛选，去掉一部分填充值，形成若干个填充值集合；

(b8)对训练集a进行填充；将步骤(b7)中经过筛选的填充值集合分别填充到训练集a中，形成若干个经过填充的训练集a；

(b9)将步骤(b8)中若干个经过填充的训练集a输入基于限制性玻尔兹曼机协同过滤的模型进行训练，选择其中训练结果最佳的那个阈值范围作为最优筛选阈值。

3.如权利要求1所述的方法，其特征在于，所述步骤c中获取最优限制性玻尔兹曼机协同过滤模型的过程如下：

(c1)通过给定的用户信息和物品信息生成用户特征以及物品特征；

(c2)生成已有评分的内容特征；根据训练集b中已有评分的用户编号以及物品编号在步骤(c1)所生成的用户特征以及物品特征进行查找获得用户特征以及物品特征，然后将这两个特征进行融合形成已有评分的内容特征,对应的评分作为类标；

(c3)输入到分类器进行训练；将步骤(c2)中所形成的已有评分的内容特征以及类标作为输入，在超限学习机分类器上进行训练，获得在训练集b上基于内容的分类器模型；

(c4)生成缺失评分的内容特征；根据训练集b中缺失评分的用户编号以及物品编号在步骤(c1)所生成的用户特征以及物品特征进行查找获得用户特征以及物品特征，然后将这两个特征进行融合形成缺失评分的内容特征；

(c5)输入到分类器进行预测；将步骤(c4)中所形成的缺失评分的内容特征作为输入，使用在训练集b上训练好的基于内容的分类器模型进行预测，得到缺失评分的填充值；

(c6)使用最优筛选阈值筛选填充值；将步骤(c5)中所得到的缺失评分的填充值进行阈值筛选，去掉一部分填充值，形成一个填充值集合；

(c7)对稀疏矩阵进行填充；将步骤(c6)中经过筛选的填充值集合分别填充到训练集b中，形成若干个经过填充的训练集b；

(c8)将步骤(c7)中若干个经过填充的训练集b输入基于限制性玻尔兹曼机协同过滤的模型进行训练，得到最优的限制性玻尔兹曼机协同过滤模型。