[发明专利]一种基于中介真值程度度量和用户的协同过滤推荐方法

说明书

本发明公开了一种基于中介真值程度度量和用户的协同过滤推荐方法，在采用传统方式计算用户兴趣相似度之后，再用中介真值程度度量方式对用户的反馈行为的相似程度进行度量的方法和策略，对兴趣相似度较高的邻居对象进行反馈行为相似度度量，改进传统的计算用户兴趣相似度的方式，最终达到提高推荐结果准确性和召回率的目的。本发明通过将中介真值程度度量应用于基于用户的协同过滤推荐方法的用户兴趣相似度计算，解决了现有方法在计算用户兴趣相似度时，缺乏对用户反馈的科学考虑，造成的推荐结果准确性和召回率较低的问题，实现提高推荐结果准确性和召回率的效果。

技术领域

本发明涉及基于用户的协同过滤推荐方法(UserCF)的技术领域，特别涉及一种基于中介真值程度度量(Measuring Of Medium Truth Degree，MMTD)和用户的协同过滤推荐方法。

背景技术

基于用户的协同过滤推荐方法简单来说就是利用某种方法找到兴趣相投、拥有共同经验的群体，将这些群体的喜好推荐给同类型的用户。方法通过用户对信息做出的回应(如评分，收藏)的分析，实现对信息过滤的目的，进而帮助其他用户筛选信息。

传统的基于用户的协同过滤推荐方法主要包括：兴趣相似度计算和结果推荐两大部分。兴趣相似度计算是其中最重要的一环，一般采用的方法有Jaccard公式和余弦公式等。这种两种方法的核心思想都是求取用户有过正反馈的物品集的交集，再除以某一个定值，结果为用户间的兴趣相似度，这种做法简单且可以得到拥有一定的准确性的结果，但是由于没有科学考虑用户对物品所做出的反馈，使得推荐结果的准确性和召回率较低，虽然近年来通过改进相似度计算公式让准确性和召回率有一些提升，但是结果依然有提升的空间。

综上所述，传统的基于用户的协同过滤方法在计算用户兴趣相似度时，缺乏对用户反馈的科学考虑，使得推荐结果并不完全符合用户的兴趣习惯，最终造成推荐结果的准确性和召回率较低的问题。因此需要对计算用户兴趣相似度的方式做出改进，使其能够更加符合用户的兴趣习惯，从而提高推荐结果的准确性和召回率。本发明能很好地解决上述问题。

发明内容

发明目的：为了克服现有技术中存在的不足，本发明提供一种基于中介真值程度度量和用户的协同过滤推荐方法，解决传统的基于用户的协同过滤方法在计算用户兴趣相似度时，缺乏对用户反馈的科学考虑，使得推荐结果并不完全符合用户的兴趣习惯，推荐结果的准确性和召回率较低的问题。

技术方案：为实现上述目的，本发明采用的技术方案为：

一种基于中介真值程度度量和用户的协同过滤推荐方法，包括以下步骤：

步骤1，用户兴趣相似度计算：

检索整个训练集记录各物品被购买的次数，按从大到小排序，根据推荐物品数n选择前F/n个物品组成热门物品集G′，0＜F/n＜0.05F，F表示训练集中物品总数，根据用户曾经有过正反馈的物品集得到共有物品集S，

S＝N(i)∩N(j)，

其中，N(i)表示用户i曾经有过正反馈的物品集，N(j)表示用户j曾经有过正反馈的物品集；

将热门物品集G′引入，得到去除热门物品后的用户反馈数据集：

N(i)′＝N(i)-N(i)∩G′

N(j)′＝N(j)-N(j)∩G′

建立物品到用户的倒查表：

C[i][j]＝|N(i)′∩N(j)′|

若用户i，j同时属于倒查表中M₁个物品对应的用户列表，则令C[i][j]＝M₁，

通过改进的余弦相似值公式计算用户i和j的兴趣相似度：