[发明专利]一种基于MCL-HCF算法的电视节目混合推荐方法

权利要求书

1.一种基于MCL-HCF算法的电视节目混合推荐方法，其特征在于，所述基于MCL-HCF算法的电视节目混合推荐方法首先，采用马尔可夫聚类对各个时间段的电视用户进行聚类，产生不同的群组，追求每个群组里的成员和群主整体的偏好差异最小化，再以群组为单位进行电视节目推荐；然后，使用基于物品的协同过滤和基于用户的协同过滤算法分别产生推荐列表；最后，为实现推荐结果惊喜度和相关性的平衡，对两个推荐列表使用加权方式进行混合，得到最终的混合推荐结果；

建立相似用户的群组，单个家庭由多个家庭成员组成，在某一个时间段S_t时，某些成员对节目P_i感兴趣，成员将在这个时间段构成一个新的群组U_b；在其他的时间段集合，同样对应着其他的群组，并且从聚类的结果来看，一个家庭里的不同成员可以被划分到多个群组中；

(1)建立同一时段的邻接矩阵，筛选出在同一时间段内观看节目的用户，当两个用户同时观看了同一个节目时，其邻接矩阵对应元素加上1，邻接矩阵：

(2)消除奇偶性依赖，在对图的状态转移矩阵进行处理之前，为每个顶点增加自循环，即矩阵对角线的值置为1，得到改进的邻接矩阵：

(3)利用改进的邻接矩阵，计算得到概率矩阵P；

其中，B'_ij∈B'表示位于改进的邻接矩阵B'的第i行，第j列的元素，N_p表示该时段观看节目的总用户数，得到概率矩阵如下所示：

(4)对概率矩阵进行扩展和膨胀交替操作，首先执行的是扩展操作，扩展操作是使概率矩阵自乘e次，让流对象扩展到图的不同区域，其指数e的大小决定游走区域的大小：

P＝P^e；

然后，对概率矩阵P进行膨胀操作，参数r影响聚簇的粒度，具体计算公式如下：

其中，Γ_rP表示膨胀操作，p_ij∈P表示位于P的第i行，第j列的元素；

(5)聚类过程优化，设置一个阈值θ，概率矩阵经过扩展膨胀操作后，遍历所有p_ij，当p_ij≤θ时，令p_ij＝0；

混合推荐定义公式表示推荐节目的惊喜度：

其中，Ps表示推荐的惊喜度，N_G表示群组总数，PLEA⁽ⁱ⁾表示第i个群组的推荐分类中排名最低的分类节目总数，GEN表示推荐总数；

为用户推荐节目与用户观看过的节目间的相关程度，即两个节目是否属于同一类，定义如下公式表示推荐节目的相关性：

其中，Co表示推荐结果的相关性，N_G表示群组总数，REC⁽ⁱ⁾表示第i个群组的推荐结果中每一个节目所属类别总数的集合，GEN表示推荐总数。