[发明专利]一种基于最近邻协同过滤推荐算法的供应商推荐方法

说明书

本发明属于专门适用于特定领域的管理、监督或预测等目的的数据处理系统或方法的技术领域，具体涉及一种基于最近邻协同过滤推荐算法的制造业供应商推荐方法。所述方法通过步骤S2在评分数据极端稀疏的情况下，预测供应商u在项目p的评分r’_u，p，依此为基础求得相似度，避免了数据稀疏带来的准确率急剧下降的情况。本发明所述方法根据有效的用户相似性得出了更准确的供应商推荐结果；并且本算法既可以作为制造业供应商推荐，也可以非常扩展到数据极端稀疏情况下的其他推荐领域，如零售产品推荐等，具有更广泛的应用范围。

技术领域

本发明属于专门适用于特定领域的管理、监督或预测等目的的数据处理系统或方法的技术领域，具体涉及一种基于最近邻协同过滤推荐算法的制造业供应商推荐方法。

背景技术

制造业面对海量的庞大数据，如何更好地分析挖掘利用这些信息是制造业面临的最大挑战，目前在客户和供应商方面，对于前者的分析研究比较全面，但是对后者的分析较少。随着制造模式的变迁和集成化供应链管理理论的发展，作为制造过程中资源优化配置经典问题的供应商评价与选择问题，不断被赋予新的内涵，同时也得到了学术界和企业界越来越多的关注。

为了产生精确的推荐，国内外研究者提出了各种不同的推荐算法,如协同过滤推荐技术、Bayesian网络技术、聚类技术、关联规则技术等；其中最近邻协同过滤推荐是当前最成功的推荐技术,其基本思想是基于评分相似的最近邻居的评分数据向目标用户产生推荐，由于最近邻居对项目的评分与目标用户非常相似，因此目标用户对未评分项目的评分可以通过最近邻居对该项目评分的加权平均值逼近。

但是随着制造业规模的扩大，供应商(用户)和项目/产品数据急剧增加，导致用户评分数据的极端稀疏性，在用户评分数据极端稀疏的情况下，传统相似性度量方法均存在各自的弊端，使得计算得到的目标用户的最近邻居不准确，推荐系统的推荐质量急剧下降。目前具有代表性的相似性度量方法为Person相关相似性和修正的余弦相似性Person相关相似性和修正的余弦相似性。一方面，此类相似性度量方法在计算项目或者用户间的相似性时只考虑了有共同评分的数据，导致只有拥有共同评分项目的用户有相似的可能，与实际情况不符；另一方面，协同推荐面临着数据稀疏和冷启动问题的挑战，随着用户数目和项目数目的急剧增加，导致用户最近邻居和项目最近邻居的计算准确性降低，使得推荐系统的推荐质量急剧下降。此外,目前对相似度的计算普遍采用k近邻模型，但使用k近邻模型需要预先计算出用户或者项目的k个最近邻居,k值过大时会导致计算量过大而影响推荐产生的实时性,而k值过小则会导致推荐精度下降；因此k的值选取多少需要要根据反复计算得出，加重了计算成本。

因此传统的相似性度量方法在用户评分数据极端稀疏的情况下并不能有效地度量用户之间的相似性,从而使得计算出来的目标用户的最近邻居不准确，导致整个对供应商的推荐方法的推荐质量急剧下降。

发明内容

本发明的目的就是针对现有技术的不足，提供一种基于最近邻协同过滤推荐算法的制造业供应商推荐方法，能够在用户评分数据极端稀疏的情况下有效地度量用户之间的相似性，进而提高对制造业供应商的推荐质量。

为实现上述目的，本发明基于最近邻协同过滤推荐算法的供应商推荐方法的技术方案如下：设对供应商u评分的项目集合为I_u，对供应商v评分的项目集合为I_v，所述方法的具体步骤为：

S1、计算对供应商u和v评分的项目集合的并集I′_uv，即I′_uv＝I_u∪I_v；则供应商u在项目空间I′_uv中未评分项目集合N_u为N_u＝I′_uv-I_u；

S2、在项目空间I′_uv中，对任意项目p∈N_u，预测供应商u在项目p的评分R’_u,p，具体步骤为: