[发明专利]一种基于物品内容特征的改进协同过滤推荐方法

说明书

本发明涉及一种基于物品内容特征的改进协同过滤推荐方法，包括以下步骤：读取数据集，并拆分数据集，获取用户评分记录以及物品点击量数据；计算物品与物品之间的共现矩阵以及每个物品点击量均值；计算物品点击量影响因子，该因子与物品之间的点击量差值成反相关；物品相似度与物品点击量因子相乘得到改进后的物品相似度，最终生成相似度矩阵；针对目标用户，找到K个相似的物品，根据兴趣度计算公式计算用户对物品的兴趣程度；最后根据用户对物品的兴趣度排序，推荐最感兴趣的前N个物品。本发明有效提高推荐的覆盖率，增加了推荐物品的多样性。

技术领域

本发明涉及商品推荐技术领域，特别是涉及一种基于物品内容特征的改进协同过滤推荐方法。

背景技术

推荐系统(Recommendation System,RS)，简单来说就是根据用户的日常行为，自动预测用户的喜好，为用户提供更多完善的服务。协同过滤技术是目前推荐系统中最成功和应用最广泛的技术，在理论研究和实践中都取得了快速的发展，它根据用户的历史选择信息和相似性关系，收集与用户兴趣爱好相同的其他用户的评价信息来产生推荐。推荐系统使用了一系列不同的技术，主要可以分为以下两类：基于内容(content-based)的推荐，主要依据的是推荐项的性质。基于协同过滤(collaborative filtering)的推荐，主要依据的是用户或者物品之间的相似性。而基于协同过滤的推荐系统用可以分为两类：基于物品(item-based)的推荐系统，主要依据的是物品与物品之间的相似性。基于用户(user-based)的推荐系统，主要依据的是用户与用户之间的相似性。

发明内容

本发明所要解决的技术问题是提供一种基于物品内容特征的改进协同过滤推荐方法，能够增加推荐物品的多样性。

本发明解决其技术问题所采用的技术方案是：提供一种基于物品内容特征的改进协同过滤推荐方法，包括以下步骤：

(1)读取数据集，并拆分数据集，获取用户评分记录以及物品点击量数据；

(2)计算物品与物品之间的共现矩阵以及每个物品点击量均值；

(3)计算物品点击量影响因子；

(4)物品相似度与物品点击量影响因子相乘得到改进后的物品相似度，最终生成相似度矩阵；

(5)针对目标用户，找到K个相似的物品，计算用户对相似的物品的兴趣程度；

(6)根据用户对相似的物品的兴趣度进行排序，推荐最感兴趣的前N个物品。

所述步骤(4)中物品相似度计算方式为：其中，N(i)是喜欢物品i的用户集合，N(j)是喜欢物品j的用户集合，N(u)表示用户喜欢的物品集合，S为物品点击量影响因子。

所述步骤(5)中用户对相似的物品的兴趣程度的计算方式为：其中，P_uj表示用户u对物品j的兴趣，N(u)表示用户喜欢的物品集合，S(j,k)表示和物品j最相似的K个物品集合，w_ji表示物品j和物品i的相似度，r_ui表示用户u对物品i的兴趣。

有益效果

由于采用了上述的技术方案，本发明与现有技术相比，具有以下的优点和积极效果：本发明通过引入用户活跃度对数的倒数和物品特征内容影响因子来修正物品相似度，从而有效提高推荐的覆盖率，即增加了推荐物品的多样性。

附图说明

图1是本发明的流程图；

图2是本发明与现有技术在不同k值下的评测指标对比图。

具体实施方式