[发明专利]协同推荐的方法、装置及终端设备

说明书

本发明适用于计算机技术领域，提供了一种协同推荐方法、装置及终端设备。其中，方法包括：获取预定数量的项目数据集信息，所述项目数据集信息包括用户对所述项目数据集里面的项目的评分信息；基于所述项目数据集信息，根据乌鸦搜索算法进行迭代搜索，查找到最优模糊C‑means聚类的簇中心的位置；将所述最优模糊C‑means聚类的簇中心的位置作为初始簇中心的位置，基于优化后的所述初始簇中心的位置，根据模糊C‑means聚类方法计算用户之间的相似度，根据所述相似度对所述用户进行分类，以构建推荐模型；基于所述推荐模型，对目标用户未评分的项目进行预测，通过相似度度量得到预测评分，并基于所述预测评分的排序信息将前N个项目推荐给所述目标用户。

技术领域

本发明属于计算机技术领域，尤其涉及一种协同推荐的方法、装置及终端设备。

背景技术

随着信息技术的更新、互联网技术和云计算的快速发展，数据量也呈指数级增长。这些数据在为人类提供丰富信息的同时，也产生了信息过载的问题，人们难以在海量的数据信息中找出自身感兴趣或有用的信息，搜索引擎也不能完全满足需求，有时需求不明确，针对这一问题，推荐系统应运而生，它在信息过滤、信息分类细化以及为用户提供个性化服务中起着至关重要的作用，通过对用户的行为习惯进行分析，并根据其变化实时更新，自动推荐给用户各种需求信息，能极大程度地提高用户体验度，为用户带来更为准确的信息，例如，推荐系统在各大电商平台应用非常的广泛。

目前的推荐技术中，协同过滤是应用最广泛的技术之一。推荐算法主要包括基于内容过滤推荐算法和基于协同过滤推荐算法两类。其中，基于内容过滤推荐算法主要利用信息检索或信息过滤技术，根据推荐项目的内容信息和用户配置文件的相关性向目标用户推荐相关项目。基于协同过滤推荐算法又分为基于内容的过滤推荐方法和基于模型的过滤推荐方法：其中，基于内容过滤推荐算法往往不能够灵活结合多方面的有用信息进行准确推荐，而基于模型的过滤推荐方法依赖于显式或隐式的评分数据，然而当信息量较大时，用户不可能对所有项目都进行评分，从而存在稀疏问题和实时性问题，因此进行相似度度量时易产生较大误差，准确率不高。

发明内容

有鉴于此，本发明实施例提供了一种协同推荐的方法、装置及终端设备，以解决现有技术中协同推荐的方法存在准确率不高的问题。

本发明实施例的第一方面提供了一种协同推荐的方法，包括：

获取预定数量的项目数据集信息，所述项目数据集信息包括用户对所述项目数据集里面的项目的评分信息；

基于所述项目数据集信息，根据乌鸦搜索算法进行迭代搜索，查找到最优模糊C-means聚类的簇中心的位置；

将所述最优模糊C-means聚类的簇中心的位置作为初始簇中心的位置，基于优化后的所述初始簇中心的位置，根据模糊C-means聚类方法计算用户之间的相似度，根据所述相似度对所述用户进行分类，以构建推荐模型；

基于所述推荐模型，对目标用户未评分的项目进行预测，通过相似度度量得到预测评分，并基于所述预测评分的排序信息将前N个项目推荐给所述目标用户。

可选地，基于所述项目数据集信息，根据乌鸦搜索算法进行迭代搜索，查找到最优模糊C-means聚类的簇中心的位置，包括：