[发明专利]同时融入好友特征和相似用户特征的协同过滤方法

权利要求书

1.同时融入好友特征和相似用户特征的协同过滤方法，其特征在于，包括以下步骤：

步骤一：获取用户-物品评分矩阵，通过皮尔逊相关系数计算用户之间的相似度，建立用户相似度矩阵；

步骤二：获取用户-用户关系矩阵，对原始用户-用户关系矩阵进行归一化处理，得到归一化后的用户-用户关系矩阵；

步骤三：根据用户相似度矩阵和归一化后的用户-用户关系矩阵将相似用户特征和好友用户特征融入概率矩阵分解模型的用户特征，根据融入相似用户特征和好友用户特征的概率矩阵分解模型获取用户对物品的预测评分，根据预测评分为用户推荐物品。

2.如权利要求1所述的同时融入好友特征和相似用户特征的协同过滤方法，其特征在于，步骤一中，用户之间相似度的计算公式为：

$S_{iw}={\mathrm{\Σ}}_{j\∈I}(R_{ij}-\stackrel{\‾}{r_i})(R_{wj}-\stackrel{\‾}{r_w})/\sqrt{{\mathrm{\Σ}}_{j\∈I}{(R_{ij}-\stackrel{\‾}{r_i})}^2}\sqrt{{\mathrm{\Σ}}_{j\∈I}{(R_{wj}-\stackrel{\‾}{r_w})}^2}$

其中，S_iw为用户i与物品w的相似度，I为用户i和用户w的公共评分集合，R_ij为用户i对物品j的评分，为用户i的评分均值，R_wj为用户w对物品j的评分，为用户w的评分均值。

3.如权利要求1所述的同时融入好友特征和相似用户特征的协同过滤方法，其特征在于，步骤二中，对原始用户-用户关系矩阵进行归一化的过程为：通过归一化，使得F_i表示用户i的好友集合，T_iv为原始用户-用户关系矩阵中第i行第v列的元素表示用户i对用户v的关系。

4.如权利要求1所述的同时融入好友特征和相似用户特征的协同过滤方法，其特征在于，步骤一中，设置相似度阈值，根据用户相似度矩阵选择与用户相似度高于相似度阈值的用户集合作为高相似度用户集合。