[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

说明书

本发明公开了一种融合用户弱痕迹行为偏好的互相关协同过滤方法。本发明通过采集点击、物品被浏览时间等弱痕迹行为，构建用户的评分矩阵和弱痕迹行为矩阵，并将用户的算术评分均值赋值表示用户的弱痕迹行为偏好，得到融合用户弱痕迹行为偏好的评分增强矩阵，更准确地描述用户行为偏好和物品之间的相关性；进而提出一种改进的互相关系数计算方法，融合热门惩罚系数构建“用户‑用户”偏好相似度矩阵，预测用户对物品的偏好相似度，优化相似偏好物品的推荐排序。本发明改善了传统协同过滤方法中的数据稀疏问题，降低了用户评分尺度不一、热门因素造成非偏好行为等因素对用户偏好相似度计算的影响，从而有效提高相似偏好推荐结果及排序的准确性。

技术领域

本发明属于信息智能推荐领域，特别涉及一种融合用户弱痕迹行为偏好的互相关协同过滤方法。

背景技术

互联网的高速发展带来了巨量信息，用户日常耗费在信息检索上的时间日益增加。信息智能推荐可以根据用户的历史行为分析用户偏好和潜在兴趣，并对信息进行数据挖掘和智能推荐，从而满足用户的个性化需求，为用户节省信息筛选时间。传统的协同过滤推荐方法是信息智能推荐领域中一种常用方法，分为基于用户的协同过滤和基于物品的协同过滤两类：基于用户的协同过滤通过采集用户的历史偏好信息，为用户寻找有相似兴趣的人群，把相似人群喜欢的物品推荐给用户；基于物品的协同过滤通过采集物品信息，计算物品之间的相似度，把相似物品推荐给不同用户。传统协同过滤方法中“用户-物品”评分矩阵的稀疏性一直是影响推荐准确率的主要难题，尤其随着互联网用户数量和物品数量的指数型增长，稀疏性问题愈加突出；同时，用户评分尺度不一、热门因素造成的非偏好行为等问题，也造成了用户偏好相似度计算的偏差，增加了用户相似偏好物排序的难度，给传统的协同过滤方法带来了新的挑战。

发明内容

针对现有技术的不足，本发明提出一种融合用户弱痕迹行为偏好的互相关协同过滤方法，对用户未评分的物品进行弱痕迹行为偏好赋值；同时对现有的热门惩罚系数计算方法和用户偏好相似度计算方法进行改进，在降低数据稀疏性的同时，提高用户偏好相似度计算和推荐排序算法的准确性。

一种融合用户弱痕迹行为偏好的互相关协同过滤方法，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，e的取值根据物品类型和场景等进行设定，作为优选，e≥10秒；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：