[发明专利]一种基于上下文典型性的电影推荐方法

权利要求书

1.一种基于上下文典型性的电影推荐方法，其特征在于，该方法包括：

S1：获取用户数据，并将用户数据进行集合，得到数据集；根据数据中的信息计算数据的上下文典型性；用户数据包括电影信息、评分信息以及上下文属性值；计算数据上下文典型性的公式为：

其中，表示用户x对电影类型t的评分程度，C_h,k表示第h个上下文属性的第k个属性值，r表示评分程度，表示用户x对电影类型t的评分频率，f表示评分频率；

S2：根据用户数据以及每个用户对不同电影类型的上下文典型性构建上下文典型性矩阵；

S3：在上下文典型性矩阵中寻找近邻，根据近邻的上下文属性值计算近邻用户的评分；

S4：采用近邻用户的评分预测目标用户在该上下文属性值下对该电影的评分；

S5：根据用户数据的评分信息，采用知识粒度计算出上下文属性对每个电影类型的重要度；

S6：根据重要度和目标用户在上下文属性值下对该电影的评分计算出多上下文的预测评分；

S7：根据多上下文的预测评分对电影进行推荐。

2.根据权利要求1所述的一种基于上下文典型性的电影推荐方法，其特征在于，构建上下文用户典型性向量的具体过程包括：

步骤1：计算出用户在上下文属性值下对电影类型的用户典型性；

步骤2：将用户对每个电影类型的上下文用户典型性转化为上下文用户典型性向量；上下文用户典型性向量的表达式为：

步骤3：将所有的上下文用户典型性向量构建为上下文典型性矩阵；

其中，表示上下文用户典型性向量，C_h,k表示第h个上下文属性的第k个属性值，表示用户x在上下文属性值C_h,k下对第n电影类型的用户典型性。

3.根据权利要求2所述的一种基于上下文典型性的电影推荐方法，其特征在于，上下文典型性矩阵为：

其中，m表示用户个数，n代表用户组的个数，代表用户x在上下文属性值C_h,k下的用户典型向量。

4.根据权利要求1所述的一种基于上下文典型性的电影推荐方法，其特征在于，在上下文典型矩阵中寻找近邻的包括计算上下文典型性矩阵中的用户数据与目标用户数据的余弦相似度，对所有的余弦相似度的大小进行判断，当余弦相似度最大的用户数据为上下文典型性矩阵的近邻；余弦相似度公式为：

其中，||·||表示向量的模，表示的上下文典型性向量。

5.根据权利要求1所述的一种基于上下文典型性的电影推荐方法，其特征在于，近邻用户对不同类型电影的单上下文的预测评分的公式为：

其中表示在上下文属性值C_h,k下用户i对电影y所属的类型t的用户典型性，表示近邻用户i在上下文属性值C_h,k下对电影y的历史评分。

6.根据权利要求1所述的一种基于上下文典型性的电影推荐方法，其特征在于，采用知识粒度计算出上下文属性对每个电影类型的重要度的公式为：

其中，d_y,t表示电影y所属的电影类型t，C_h,k表示第h个上下文属性的第k个属性值，[r]_dy,t表示在相同单上下文属性的电影类型的评分集合，R_x,y表示用户x对电影y的评分，n表示第n个评分。

7.根据权利要求1所述的一种基于上下文典型性的电影推荐方法，其特征在于，多上下文预测评分的公式为：

其中，x表示第x个用户，c表示用户所处的上下文属性合集，y表示第y个电影，C_h,k表示第h个上下文属性的第k个属性值，d_y,t表示电影y所属的电影类型t，G(d_y,t|C_h,k)表示上下文属性值C_h,k对电影类型d_y,t的重要度，表示用户x对电影y的单上下文预测评分。