[发明专利]基于BP神经网络评分预测误差的近邻用户选择方法

说明书

本发明公开了一种基于BP神经网络评分预测误差的近邻用户选择方法，具体步骤如下：确定需要引入的k种物品属性特征，初始化每个物品的属性特征向量；利用BP神经网络为每个用户构建关于物品属性特征向量的评分预测模型；为每个用户筛选近邻用户：利用每个候选近邻用户的评分预测模型对当前用户的历史评价物品进行评分预测，统计每个候选近邻用户对目标用户的历史评价物品的整体预测误差E_u,v，那么候选近邻用户v与当前用户u的相似度为sim(u,v)＝1/(1+E_u,v)，最后为当前用户u选择相似度最高的前k个用户。本发明缓解了在稀疏评分矩阵下用户共同评价项目较少无法较好地描述用户间兴趣偏好相似性的问题，从而提高评分预测准确性。

技术领域

本发明涉及软件技术以及推荐算法领域，具体涉及一种基于BP神经网络评分预测误差的近邻用户选择方法。

背景技术

随着移动互联网的发展，信息过载的现象不断加剧，如何从海量的数据中为合适的用户推荐合适的信息是一种重要的课题，而推荐算法通过对历史数据进行数学分析，预测用户对新物品的满意度，从而推荐用户满意度较高的物品，而满意度可以用评分值来表示，因此推荐算法可以看作是一种评分预测算法。假设有用户集合U＝{u₁,u₂,...,u_m}，物品集合I＝{i₁,i₂,...,i_n}，用户对物品的满意程度可以用一个评分值来表示，那么我们可以用一个大小为m×n的评分矩阵R 来表示每个用户对物品的评分信息，其中矩阵第i行为ID为i的用户对所有物品的评分向量，那么第i行第j列的值则表示ID为i的用户对ID为j的物品的评分值，i,j≥1，由于实际中每个用户只会对物品集合I中的一部分物品进行评价，因此该评分矩阵通常是一个高度稀疏的矩阵，其中评分矩阵的缺失值根据具体场景可以用0或者其它缺失值处理方式处理。推荐算法的目标是希望利用当前评分矩阵已有信息去预测评分矩阵中的缺失值，从而预测用户对未知物品的评分值，从而为用户做出适合的推荐策略。

在推荐算法的发展过程中，协同过滤算法是目前应用最广泛而推荐效果最为有效的推荐算法，其中基于邻域的协调过滤算法是协同过滤中最典型的算法，该算法的核心思想是为当前用户寻找兴趣偏好相似的近邻用户，利用近邻用户的历史评分行为来为当前用户预测评分提供参考，因此需要一种相似度计算模型来衡量用户之间的相似度，从而可以较准确地为当前用户选择合适的近邻用户集合。传统的常用的相似度计算模型有余弦相似度，修正的余弦相似度，它们把每个用户的评分向量作为用户的特征向量，通过计算两个用户特征向量的相似度来衡量两个用户之间的相似度，此外只考虑用户共同的评分项目数而不考虑评分值差异的杰拉德相似度，这些相似度在两个用户的共同评分项目数较少的情况下直接计算用户间的相似度无法较好地描述用户之间的兴趣偏好相似性，因此国内外的学者针对传统的相似度计算模型也提出一些改进方法，比如引入用户的背景信息，把评分相似度和用户背景相似度采用线性加权的方式结合起来，这些方法从用户背景特征出发，基于背景特征相似的用户较大概率具有相似的兴趣偏好，最直观的认识为年龄偏小的用户对动画少儿题材的物品更感兴趣，一定程度上改进了传统的相似度方法，但是实际上用户背景特征相似的群体中每个用户个体还是存在差异；因此需要一种从用户个体的兴趣偏好出发，在评分矩阵稀疏用户共同评分项目较少的情况下能够较好地描述用户兴趣偏好相似度的方法，从而为用户选择兴趣偏好相似的近邻用户集。

发明内容

为了克服现有技术中存在的上述缺陷，本发明提供一种基于BP神经网络评分预测误差的近邻用户选择方法，通过本发明可以在评分矩阵稀疏用户共同评分项目数较少的情况下较好地衡量用户之间的兴趣偏好相似度。