[发明专利]一种改良Widrow-Hoff网络的用户偏好协同推荐方法

权利要求书

1.一种改良Widrow-Hoff网络的用户偏好协同推荐方法，其特征在于，所述方法包括：

输入数据集，从数据集中得到“用户-评分”矩阵；

“用户-评分”矩阵中每两个用户作为一组，分别求出每组用户的局部相似度、全局相似度以及总相似度，得到相似度矩阵；

根据Widrow-Hoff网络，以相似度矩阵中每一个相似度作为输入，对权重进行更新，直至收敛或者所有输入都迭代了一遍，得到最终权重；

根据最终权重重新计算每组用户的相似度，得到最终相似度矩阵；

将目标用户与其他所有用户之间的最终相似度递减排序，选择最终相似度排序中前k个用户作为目标用户u的最近邻居，得到最近邻居集合；

根据“用户-评分”矩阵以及最近邻居集合，由k个最近邻居用户对某一未知项目的评分，通过加权平均求和得到目标用户对该未知项目的预测评分；

其中，所述“用户-评分”矩阵中每两个用户作为一组，分别求出每组用户的局部相似度、全局相似度以及总相似度，具体为：

根据Jaccard相似度计算公式计算每两个用户间的全局相似度：

其中I_u表示用户u评分的项目，I_v表示用户v评分的项目；

根据巴氏系数的计算公式计算每两个用户评价项目的评分分布规律：

其中m是评分类别总数，#u是对用户u评分的项目总量，#h表示用户u评分为h的项目总量，表示评分h从1到m的相关数据经过计算后求和；

根据所述评分分布规律和Pearson相关系数结合计算两个用户间的局部相似度：

其中r_u,i表示用户u对项目i的评分,r_v,j表示用户v对项目j的评分，表示用户u的平均评分，表示用户v的平均评分；

根据所述全局相似度、评分分布规律、局部相似度计算出总相似度,总相似度公式如下：

其中，所述根据Widrow-Hoff网络，以相似度矩阵中每一个相似度作为输入，对权重进行更新，直至收敛或者所有输入都迭代了一遍，得到最终权重，具体为：

初始化权重w₁,w₂，其中w₁表示全局相似度的权重，w₂表示局部相似度的权重；

当前权重值代入所述总相似度公式，代入权重之后的总相似度公式为：

计算预测评分的预测评分公式为：

该预测评分公式中，表示第1到第k个邻居用户v的相关数据经过计算之后求和，

根据预测评分，计算平均绝对误差MAE：

其中p_u,i是用户u对项目i的预测评分，r_u,i是用户u对项目i的实际评分，T是“用户-评分”矩阵的项数；

由所得的MAE代入下面的公式以更新权重：

w_β(t+1)＝w_β(t)+α·χ_β(MAE(t)-MAE_target),β＝1或2

其中α是学习率，χ₁＝sim_Jac(u,v)，χ₂＝sim_loc(u,v)，MAE_target是预期希望达到的MAE阈值；

重复迭代计算直到权重收敛，即MAE达到阈值，或者所有相似度数据都输入到网络执行了一遍权重更新；

最后，根据“用户-评分”矩阵以及所述最近邻居集合，由所述k个最近邻居用户对某一未知项目的评分，代入到所述预测评分公式，通过加权平均求和得到目标用户对该未知项目的预测评分。