[发明专利]基于邻近项目Slope One算法的用户改进推荐方法

说明书

技术领域

本发明涉及一种基于邻近项目SlopeOne算法的用户改进推荐方法，具体 讲的是通过结合数据，分析大量的用户—项目数据，从而对数据进行预测，其 属于数据挖掘和数据分析领域。

背景技术

相对于传统的基于进化算法处理方法，协同过滤算法对于解决推荐和预测 的问题有很大的优势。首先算法利用用户的历史行为分析用户偏好，进而向用 户推荐商品或信息。slopeone算法是一种基于评分预测的协同过滤算法，利 用用户对一组项目的评分偏差和用户对某些项目的评分，预测该用户对其他项 目的评分值。该算法没有计算项目之间的相似性，使用最简单的线性回归模型 对项目评分进行预测，具有计算速度快、可扩展性好、对数据稀疏性有较好适 应性的优点。

以往的算法设计,只是针对项目评分偏差的问题进行改进，没有考虑项目之 间的相似性问题，这往往导致设计的冗余，给实际应用带来了很大的不便。

发明内容

本发明的目的在于提出一种基于邻近项目SlopeOne算法的用户改进推荐 方法，其也是基于k近邻项目聚类算法和slopeone算法相结合的一种预测算 法。使用slopeone算法对与目标项目最邻近的k个项目进行预测值计算，以k个 最近邻项目进行评分，从而减少了计算量，且降低了数据的稀疏性。并且将预 测问题转化为相应的推荐问题来求解，采用成型的推荐算法进行设计和改进， 不依赖设计者的经验，可移植性好。

为了实现上述目的，本发明所采用的技术方案为基于邻近项目SlopeOne 算法的用户改进推荐方法，其具体步骤如下：

步骤1、构建项目相似性矩阵。

步骤2、形成邻近项目集合(步骤1和步骤2为k-means聚类算法)。

步骤3、计算与其它评分项目之间的评分偏差。

步骤4、获得测试集的用户—项目评分矩阵。

步骤5、帮助用户推荐出评分最大的前几个预测项目。

所述步骤1中，结合数据集中的评分数据，采用k-means聚类算法计算项 目间的相似度的矩阵，构建项目相似性矩阵；

所述步骤2中，根据用户u评价过的项目i，选择与项目i最为相似的k个 项目组成k邻近项目集合K′。

所述步骤3中，计算目标项目Item_j与k邻近项目集合K′中项目Item_i之间的 评分偏差dev_j,i。针对k邻近项目集合K′，使用式(3)计算与其它评分项目之 间的评分偏差dev_j,i。

devj,i=Σu∈Sj,i(x)uj-uicard(Sj,i(x))---(3)]]>

其中，S_j,i(x)为对项目Item_j和Item_i评分的用户集合；card(S)表示集合S中的元 素个数。