[发明专利]一种基于用户和物品的自适应个性化推荐方法

说明书

技术领域

本发明属于基于大数据的个性化推荐技术领域，具体涉及一种基于用户和物品的自适应个性化推荐方法。

背景技术

互联网技术的迅速发展使得大量的信息爆炸式地呈现在大众面前。信息爆炸会降低信息的使用率，也就是所谓的“信息超载”。个性化推荐是当前研究的热门领域，它可以在大量冗余信息中找到用户的需求，因此，可以很好地提升用户体验，从而提升企业营销。通过相关的机器学习及数据挖掘技术，推荐系统挖掘用户的购买倾向，将用户可能感兴趣的物品推荐给用户。一个良好的推荐系统可以挖掘出用户潜在的消费偏好，为不同的用户提供针对性的服务。

已有的基于用户或者物品的个性化推荐方法，其精度对用户数量、物品数量以及评价矩阵稀疏性具有依赖性，以上两种方法分别从用户和物品两个角度考虑问题。但是不论是只从用户角度考虑还是只从物品角度考虑，实践证明预测的精度很难让人满意。

现有技术中还没有出现将两者融合，形成一种基于用户和物品的自适应个性化推荐方法，实现较高的预测精度。

发明内容

本发明要解决的技术问题是针对现有技术中为了提高个性化推荐的精准度提出一种基于用户和物品的自适应个性化推荐方法。

为此，本发明提出的技术方案是一种基于用户和物品的自适应个性化推荐方法，该方法分为训练和个性化推荐两个阶段：

一、训练阶段：包含以下五个子步骤：

步骤1-1：数据采集及预处理，平台采集用户个人信息，用户行为特征，以及用户对物品的评价数据形成用户评价矩阵，对用户评价数据预处理,用户对物品评价的空缺值使用用户对物品的平均评价代替,若该物品无评价用户，填充评价最高值的一半；

步骤1-2：用户相似性聚类，根据采集的用户数据对用户进行聚类，使用聚类算法将用户划分为K个聚类，具有相似行为和物品喜好的用户划分为同一聚类；

步骤1-3：物品相似性计算，根据物品自身的特征属性量化为特征向量，由相似性度量公式计算两两物品之间的相似度；

步骤1-4：计算物品间的评价平均差矩阵，根据用户对物品的评价打分，计算两两物品间的平均评价的差值；

步骤1-5：建立预测模型，分为三个步骤，首先根据物品之间的相似性，建立基于物品相似性的预测模型；其次，根据用户的相似性建立基于用户聚类的预测模型，最后，将两者融合建立基于用户和物品的自适应预测模型；

二、个性化推荐阶段：包含以下三个步骤：

步骤2-1：数据采集及预处理，采集用户个人信息，用户近期行为特征，以及用户对物品的评价等数据；

步骤2-2：基于用户属性判定所属聚类，根据将采集的用户数据量化，步骤1-2已经对用户聚类，由相似性公式分别计算用户与K个聚类核心的相似性，用户与某个聚类核心的相似度最高，判定用户属于该聚类；

步骤2-3：预测用户对未评价物品的打分，根据用户的历史评价数据，利用步骤1-4中建立的基于用户和物品的自适应预测模型预测用户对未评价物品的的打分，将预测评价较高的N件物品推荐给用户。

进一步，上述步骤1-1中，所述个人信息指的是能够用于用户相似性聚类的用户信息，所述用户行为特征是从针对某件物品的行为中抽取特征，并进行量化，对用户评价信息进行量化，形成用户评价矩阵R_m×n：

m:表示用户的数量，n：表示物品的数量，r_ij:表示用户i对物品j的评价，R[i]代表用户i对所有商品的评价，给出相似评价的用户具有相似性，R[i]可直接用于用户相似性计算或者相似性聚类。

步骤1-4中，根据用户评价矩阵R_m×n，计算物品i与物品j的评价平均差：

r_ui:用户u对物品i的评价；U(i，j):对物品i,j同时给出评价的用户集合；

N(U(i，j)):对物品i,j同时给出评价的用户数量；由此可以得到物品间的评价平均差矩.形成如下物品的评价平均差矩阵DEV_n×n：

其中，dev_i，j:物品i与物品j的评价平均差，即：用户对i物品的打分比j物品的打分平均高dev_i，j；n:物品的数量，主对角线元素dev_i，i不具有实际意义，填充为0，dev_i，j＝-dev_j，i，为减少不必要的计算，仅需要计算DEV_n×n的下三角或上三角元素。