[发明专利]一种基于粒子群算法的电影推荐方法

说明书

本发明提供了一种基于粒子群算法的电影推荐方法，该方法从用户对影片的评分信息和影片自身所包含信息的角度出发，结合基于用户和基于项目的邻域推荐算法的知识，与隐语义模型相结合，应用于电影网站的个性化推荐中，解决了现有技术中推荐精度的瓶颈问题，同时通过粒子群寻优过程，寻找全局最优的权重，提升了电影推荐水平。

技术领域

本发明涉及电影的推荐方法，具体涉及一种基于粒子群算法的电影推荐方法。

背景技术

各种推荐技术都被作为推荐系统的基础方法而提出，协同过滤、基于内容的推荐、基于知识的推荐、基于人口统计的推荐等等。对于推荐系统而言，每种推荐算法都有各自适宜的应用场景，尚且没有哪一种算法能够完美解决各种推荐问题。实际应用中通常采用多种推荐算法融合的方式来提高推荐精度，融合的推荐系统结合了多种推荐技术的优点，并且能够使得这些推荐技术共同协作，从而取得比较理想、稳定的推荐效果。

然而，目前对于电影的推荐方法存在着精度较差的问题，即使进行方法模型的调整，也还存在着精度瓶颈。

发明内容

针对现有技术的缺点，本发明的目的在于提供一种基于粒子群算法的电影推荐方法，该方法包括如下步骤：

(1)获取电影网站中用户对电影的评分信息和电影本身的信息；

(2)按照如下公式进行计算评分

α₁+α₂+α₃＝1

其中，

S(u,K)是和用户u最相似的K个用户集合,N(i)是对电影i评过分的用户集合，r_vi是用户v对电影i的评分，w_uv是电影之间的相似度，是用户v对他评过分所有电影评分的平均值；

S(u,K)是和i最相似的电影集合,N(u)是用户u评过分的电影集合，w_ij是电影之间的相似度，是电影的平均分；

其中u为集合中所有参评电影的评分均值，b_u为由于用户u个人评分尺度带来的偏差值，b_i为由于电影i本身属性引起的偏差；b_u和b_i均初始化为0。p_u表示用户u对各因子的爱好程度，q_i表示电影i的因子权重分布情况，其中p_u和q_i一般初始化为介于之间的随机数，其中F为隐类个数。

(3)利用粒子群算法的全局寻优特性，自动调节步骤(2)中α₁，α₂，α₃的值，以均方根误差RMSE为目标函数，寻找出最优的权重α₁，α₂，α₃组合，获得最优的并进行储存；

(4)将步骤(3)所得结果输出，并推荐给用户。

本发明的有益效果：

本发明从用户对影片的评分信息和影片自身所包含信息的角度出发，结合基于用户和基于项目的邻域推荐算法的知识，与隐语义模型相结合，应用于电影网站的个性化推荐中，解决了现有技术中推荐精度的瓶颈问题，通过粒子群寻优过程，寻找全局最优的权重，提升了电影推荐水平。

附图说明

图1为本发明评分预测RMSE对比图；

图2为本发明评分预测MAE对比图。

具体实施方式