[发明专利]一种基于二部图最近邻的个性化推荐方法

权利要求书

1.一种基于二部图最近邻的个性化推荐方法，其特征在于：

假设已有用户-项目评分矩阵，在此基础上做如下定义：

W：二部图中边的权重,：单调系数,N：最近邻居集的大小,：用户c对项目i的评分,：最近邻居集；

具体步骤如下：

步骤1：数据预处理，初始化=1，N=5，根据用户-项目评分矩阵构造二部图；根据用户-项目评分矩阵，用户对项目有评分，则用户和项目之间就有一条边连接，构造用户-项目评分矩阵对应的二部图;

步骤2：根据用户-项目评分矩阵和步骤1中得到的二部图，采用以下公式计算二部图中边的权重，

其中， 是用户c对项目j的评分权重， 是用户c对项目j的评分， 是单调系数，经计算后得到评分权重矩阵；

步骤3：根据步骤2生成的评分权重矩阵，采用以下公式计算用户c和用户d的相似度，

其中，是用户c和用户d之间的相似度，是用户c和用户d共同评分的项目数，是用户-项目评分矩阵中用户的总数，是用户-项目评分矩阵中项目的总数，是用户c对项目j的评分权重，是用户d对项目j的评分权重，是项目的度，经计算后生成用户相似度矩阵;

步骤4：根据步骤3生成的用户相似度矩阵，对相似度进行降序排列，筛选目标用户的最近邻居集;

步骤5：根据步骤3生成的用户相似度矩阵和步骤4生成的最近邻居集，采用以下公式预测用户对未评分项目的评分值，

其中，是用户c对项目i的预测评分，是用户c对项目评分的平均值，是用户d对项目i的评分,是用户d对项目评分的平均值，是用户c和用户d之间的相似度，是用户c的N个最近邻居的集合；

步骤6： 采用以下公式计算均方根误差RMSE，并判断RMSE是否是最小值，如果不是，步骤2、步骤3、步骤4、步骤5、步骤6循环迭代，不断调整 和N的值，直到均方根误差最小,

其中，是用户c对项目i的实际评分， 是用户c对项目i的预测评分，是用户-项目评分矩阵中项目的总数;

步骤7：预测目标用户对新项目的评分值，并进行降序排列，把预测评分最高的K个项目推荐给目标用户，生成推荐列表。