[发明专利]基于用户置信度和时间上下文的协同过滤推荐方法

说明书

本发明请求保护一种基于用户置信度和时间上下文的协同过滤推荐方法，涉及协同过滤推荐方法中用户之间相似度的计算。针对用户评分数据极端稀疏的情况下传统相似度度量方法的不足问题和用户兴趣动态变化情况，提出一种基于用户置信度和时间上下文的协同过滤推荐方法。首先，构造用户与项目之间的评分矩阵。其次，通过本发明提出的基于用户置信度和时间上下文相似度计算方法计算用户之间的相似度。然后，根据用户之间相似度排序的结果，选择最优的近邻用户集，或者设定一个相似度的阈值，选择超过阈值的用户作为目标用户的邻居。最后，获得目标用户地最近邻集合后，将相似度作为权重得到目标用户对未评分项目的预测，形成Top‑N列表推荐给用户。

技术领域

本发明属于个性化推荐方法的技术领域，特别是基于用户置信度和时间上下文的协同过滤推荐方法。

背景技术

如今，网络上的资源呈爆炸式增长。一方面，人们通过网络获取越来越丰富的信息，给生活带来了极大的便利；另一方面，海量的信息空间带来用户更多元化选择的同时，也使得用户迷失在信息的海洋中。尽管传统的搜索引擎可以在一定程度上缓解用户地信息检索需求，然而它们呈现给所有的用户同样的排序结果，无法针对不同的用户的兴趣爱好主动提供个性化的服务。在此背景下，个性化推荐应运而生。

个性化的实质是为不同的用户提供不同的服务。在实际生活中，个性化推荐系统的职责更像是一个商场的导购员，导购员需要熟知商场中每一种产品的属性特征，以便在用户到访时及时为用户推荐出适合用户需要的商品。个性化推荐系统中推荐算法的研究是核心，需要优秀合适的推荐算法，才能为用户推荐其最有可能感兴趣的新项目。协同过滤推荐算法是推荐系统中最为流行和应用广泛的算法

但目前而言，个性化推荐系统存在准确性和可靠性低的情况。很多个性化推荐系统不能充分根据用户的兴趣变化情况进行推荐，特别是用户不同时段的兴趣上的改变，使得推荐失去了准确性和针对性。

发明内容

本发明根据以上问题，提出一种基于用户置信度和时间上下文的协同过滤推荐方法。通过分析用户的行为数据，基于修正的余弦相似度计算方法，结合用户置信度和时间上下文这两个方面的因素更加全面地计算用户之间的相似度，并在此基础上提出一种基于用户置信度和时间上下文的协同过滤推荐方法，具体步骤如下：

S1：获取用户行为数据，构造用户与项目之间的评分矩阵。

S2：利用基于用户置信度和时间上下文的相似度计算方法，在修正的余弦相似度基础上计算用户之间的兴趣相似度，并选取与目标用户最近邻用户集合。

S3：根据S2中得到的与目标用户的最近邻集合，计算目标用户对未产生行为项目的感兴趣程度。

S4：根据S3中得到的目标用户对未产生行为项目的感兴趣程度，对目标用户进行项目推荐。

所述S1中获取用户行为数据，包括获取用户项目的评分数据、评分的时间和项目的信息。

所述S2中计算用户之间的相似度，在修正的余弦相似度计算方法基础上，添加用户置信度和时间上下文来计算用户之间的相似度。

所述修正的余弦相似度计算方法是一种较为流行的相似度计算方法，通过减去用户对项目的平均评分来改善余弦相似度中没有考虑不同用户评分尺寸的问题。

所述用户置信度是指在日常生活中，每一个领域都有“专家”，这些“专家”在对应的领域投入的时间和精力比普通人多，因此对所在领域发生的事情评价也往往更具有参考价值。从这个角度出发，反过来思考，我们认为相比其他人投入时间和精力更多的人在该领域的评价就更有参考价值。