[发明专利]一种融合用户弱痕迹行为偏好的互相关协同过滤方法

权利要求书

1.一种融合用户弱痕迹行为偏好的互相关协同过滤方法，其特征在于：该方法具体包括以下步骤：

步骤1、构建用户的评分矩阵和弱痕迹行为矩阵：

假设用户和物品的数量分别为n和m，而评分值的分数区间为[0,5]，建立用户弱痕迹行为矩阵B和评分矩阵R_o，矩阵的大小为n*m：

b_i,j＝(x|x∈{0,1}) (1)

r_i,j＝(x|x∈[0,5]) (2)

由是否发生点击、物品被浏览时间确认用户i对物品j是否产生弱痕迹行为，结果用b_i,j表示，b_i,j＝0表示未产生行为，b_i,j＝1表示产生了弱痕迹行为，将用户产生点击行为或物品被浏览时间Te判断为产生了弱痕迹行为；r_i,j表示用户i对物品j的真实评分；

步骤2、对评分矩阵进行数据归一化和再处理：

(1)对评分矩阵进行归一化处理：

其中，r′_i,j表示归一化之后的评分值，表示原始评分值；和分别表示评分矩阵R_o中的最大值和最小值，归一化之后的r′_i,j∈[0,1]；

(2)计算每一个用户的评分均值：

其中表示用户i的评分均值，N_r表示R_o中值不为0的元素数量，且N_r≤m；

(3)基于评分均值和评分矩阵R_o对评分值进行再处理，形成评分增强矩阵R,矩阵的大小为n*m：

将用户的评分均值赋给产生过弱痕迹行为但未产生评分的商品，用以表示用户的弱痕迹行为偏好度；

步骤3、结合评分增强矩阵计算物品的热门惩罚系数：

其中h_j表示物品j的热门惩罚系数，|·|表示取绝对值，n表示所有用户的数量；

通过热门惩罚系数，降低因热门因素被大众所点击和浏览，而造成的非偏好行为对用户偏好相似度计算的影响；

步骤4、建立用户-用户偏好相似度计算模型：

(1)基于互相关系数计算方法，计算用户的互相关系数：

其中，和表示加入热门惩罚值之后的用户x和y对集合B_xy中物品的评分均值，B_xy表示评分增强矩阵R中用户x和y共同评分值不为0的物品集合，K表示B_xy中的元素数量，h_j表示物品j的热门惩罚系数；表示基于互相关系数用户x和y之间的互相关系数r′_x,j表示用户x对物品j的评分值，r′_y,j表示用户y对物品j的评分值；

(2)基于评分增强矩阵R，加入热门惩罚系数对互相关系数计算方法进行改进：

其中，和通过式(7)计算得到，w_xy表示加入热门惩罚系数后用户x和y的互相关系数，r′_x,j表示用户x对物品j的评分值，B_xy表示评分增强矩阵R中用户x和y共同评分值不为0的物品集合，h_j表示用户的热门惩罚系数，K表示集合B_xy中元素的个数；

(3)建立用户偏好相似度矩阵W：

对于每一个用户x和用户y，若B_xy≠Φ，计算他们的互相关系数w_xy：

并根据计算得到的w_xy建立维度为n×n的用户-用户偏好相似度矩阵W；

步骤5、结合步骤2中计算得到的评分增强矩阵R和步骤4中计算得到的用户偏好相似度矩阵W建立用户的相似偏好推荐列表：

(1)计算用户对新物品偏好的预测评分：

其中，p(x,j)表示用户x对物品j偏好的预测评分，S(x)表示用户偏好相似度矩阵W中基于用户x偏好相似度不为0的用户集合；U(j)表示对物品j产生过浏览行为的用户集合；I表示所有物品的集合，I_x表示用户x访问过的物品集合，表示用户x未曾访问过的物品集合，I_y表示用户y访问过的物品集合；

(2)结合公式(11)和公式(12)，计算用户x对满足条件的物品j偏好的预测评分p(x,j)，并由高到低排序建立用户x的相似偏好物品推荐列表。

2.如权利要求1所述一种融合用户弱痕迹行为偏好的互相关协同过滤方法，其特征在于：步骤1中，e≥10秒。