[发明专利]基于用户群组的推荐系统构建方法

权利要求书

1.基于用户群组的推荐系统构建方法，其特征在于，具体包括如下步骤：

101)数据划分步骤：对用户属性特征数据采用Kmeans方法进行聚类划分用户所属类别，得到用户所属的类别集合，根据用户的栏目点播详单、栏目表、评分表来划分出用户的栏目点播偏好集，根据用户的点播详单、评分表来划分出用户资产点播偏好集；所述Kmeans是通过不断地取离种子点最近均值的方法来获取数据的聚集；

102)组内分类步骤：在步骤101)后，对用户所属的类别集合中的每一个用户，结合用户的栏目点播偏好集，使用决策树对用户所属的类别进行进一步分类；

103)推荐栏目步骤：根据步骤101)对聚类划分用户所属类别和步骤102)分类后用户进一步的分组类别，使用基于用户的协同过滤方法，向用户推荐栏目，所述栏目会兼顾栏目和资产的归属关系，依据步骤102)中的用户的栏目点播偏好集对推荐的资产集进行组内重排；

所述步骤101)中Kmeans方法具体包括如下步骤：

201)选取聚类质心点步骤：随机选择9个聚类质心点为{ctk₁,ctk₂,…,ctk₉}；

202)用户归类步骤：对每一个用户属性特征数据进行判定其应该属于的类，判定公式(a)如下：

其中：＝符号是用后面的内容的式子来定义前面的标识，ct⁽ⁱ⁾代表样本与9个类中最近的那个类，ct⁽ⁱ⁾是9个类中的一个，ctk_j为质心点，所述质心点是对属于同一个类的样本中心点的猜测；

203)重新确定质心点步骤：根据步骤202)对于每一个聚类质心进行重新计算具体公式(b)：

其中j标识为所要计算的具体质心点，其中k表示用户数，即样本数；

重新计算后，回到步骤202)，直到收敛，即质心不再发生变化而结束；

所述步骤102)中决策树的具体步骤如下：

301)获取信息增益的步骤：通过如下公式(c)获得栏目点播偏好集中所有属性划分数据集D所得的信息增益；

其中A为某一属性，设置A有k个 不同的值，则使用属性A可将数据集D划分为{S₁,S₂,…,S_k}；p_i(i＝1,2,…,m)表示第i个类别属性在样本中出现的频率；Gain(A)表示使用属性A进行划分前后的信息熵的变化，Entropy(D)表示按照类标签对训练数据集D进行划分得到的信息熵，Entropy_A(D)表示按照属性A对D进行划分，得到的信息熵；

302)分裂信息和信息增益率步骤：根据步骤301)得到的数据，再使用如下公式计算各个属性的分裂信息公式(d)和信息增益率公式(e)；

其中Split(A)表示分裂信息，是用来衡量属性A用来分裂数据的广度和均匀程度；GainRatio(A)表示信息增益率，Gain(A)表示使用属性A进行划分前后的信息熵的变化；

303)选择分裂节点步骤：根据步骤302)选择出信息增益率取值最大的属性作为分裂节点；

304)确定决策树步骤：反复递归调用步骤301)、步骤302)、步骤303)，获得不同的分裂节点，最终获得决策树；

所述步骤103)的用户的协同过滤方法具体步骤如下：

401)获取相似度步骤：使用余弦相似度方法来获取用户的相似度，具体公式(f)：

对于给定的用户u和v，N(u)表示用户u感兴趣的商品集合，N(v)表示用户v感兴趣的商品集合；

402)推荐产品步骤：根据如下公式(g)来获取用户最感兴趣的topN产品，并推送给用户：

其中p(u,i)表示用户u对物品i的感兴趣程度，S(u,K)表示和用户u兴趣最接近的K个用户，N(i)表示对物品i有过行为的用户集合，w_uv表示用户u和用户v的兴趣相似度，r_vi表示用户v对物品i的感兴趣程度；

所述组内重排，为优先推荐其所属栏目偏好的资产，然后再按照喜好程度进行降序排列。