[发明专利]一种基于上下文典型性的电影推荐方法

说明书

本发明属于计算机科学与技术邻域，具体涉及一种基于上下文典型性的电影推荐方法，该方法包括：获取用户数据，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；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；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；根据重要度和单上下文的计算出多上下文的预测评分；根据多上下文的预测评分对电影进行推荐；相比传统的协同过滤推荐系统，本发明用典型性协同过滤替代传统协同过滤，有效的缓解了数据的稀疏性。

技术领域

本发明属于计算机科学与技术邻域，具体涉及一种基于上下文典型性的电影推荐方法。

背景技术

随着互联网的数据的不断增长，传统的信息检索(IR)已经不能满足用户的需求了。为了能够确定用户的兴趣，并把用户感兴趣的信息呈现给用户，推荐系统(RecommenderSystems)成为了新时代互联网最具有潜力的方式。

在推荐系统领域中，仅仅依靠“用户－项目”二元关系，会造成系统在评分过程中，使得记录的数据存在稀疏性问题，导致所刻画的偏好关系并不合理。传统的协同过滤算法是采用项目评分来衡量一个用户，在项目评分的低维度上捕获用户偏好。在数据稀疏时，用户之间没有足够的共同评分项目，会导致衡量用户的相似性不准确，使得系统给用户推荐的信息不准确。

发明内容

为解决以上现有技术存在的问题，本发明提出了一种基于上下文典型性的电影推荐方法，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；

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：根据重要度和单上下文的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。

优选的，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。

进一步的，用户在上下文属性值下对电影类型的用户典型性的公式为：

进一步的，上下文典型性矩阵为：

优选的，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：

优选的，根据目标用户的近邻用户对不同电影的单上下文预测评分的公式为：

优选的，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：

优选的，多上下文预测评分的公式为：