[发明专利]一种基于对偶理论的混合过滤推荐方法及系统

权利要求书

1.一种基于对偶理论的混合过滤推荐方法，其特征在于，包括：

根据用户在上一迭代次数下的项目相似度、偏好向量和基于内容的推荐方法得到的对各用户的推荐列表计算所述用户对各待推荐项目在当前迭代次数下的第一选择概率，所有用户对各待推荐项目在当前迭代次数下的第一选择概率构成的集合为原始概率集；

基于上一迭代次数下的项目相似度和偏好向量，确定当前迭代次数下原始项目推荐集合和原始相似用户集群；所述原始项目推荐集合包括采用基于内容的推荐方法对待推荐项目集合处理得到的对各用户的推荐列表；所述原始相似用户集群是对所述原始项目推荐集合进行聚类得到的用户集合；

根据当前迭代次数下的用户相似性矩阵、上一迭代次数下的项目评分矩阵和采用协同过滤推荐方法得到的对各用户的推荐列表计算所述用户对各待推荐项目在当前迭代次数下的第二选择概率，所述用户对各待推荐项目在当前迭代次数下的第二选择概率构成的集合为对偶概率集；

基于上一迭代次数下的项目评分矩阵，确定当前迭代次数下对偶项目推荐集合和对偶相似用户集群；所述对偶相似用户集群为基于当前迭代次数下的用户相似性矩阵对所有的用户进行聚类得到的；所述对偶项目推荐集合包括基于所述对偶相似用户集群，采用协同过滤推荐方法对待推荐项目集合处理得到对各用户的推荐列表；

根据当前迭代次数下的所述原始项目推荐集合、所述对偶项目推荐集合、所述原始相似用户集群和所述对偶相似用户集群得到第一函数值，根据当前迭代次数下的所述原始概率集和所述对偶概率集得到第二函数值；

判断所述第一函数值是否小于第一预设阈值且所述第二函数值是否小于第二预设阈值；

若是，则根据当前迭代次数下的所述原始项目推荐集合和所述对偶项目推荐集合得到各目标用户的最终推荐列表；

若否，则根据当前迭代次数下的所述原始项目推荐集合和所述对偶项目推荐集合更新偏好向量、项目相似度和项目评分矩阵得到当前迭代次数下的偏好向量、项目相似度和项目评分矩阵，并进行下次迭代；

所述根据当前迭代次数下的所述原始项目推荐集合、所述对偶项目推荐集合、所述原始相似用户集群和所述对偶相似用户集群得到第一函数值，具体为：

根据公式得到第一函数值，其中，Fun1为第一函数值，minimize()为求最小值函数，为原始项目推荐集合和对偶项目推荐集合的差异，为原始相似用户集群和对偶相似用户集群的差异；

所述根据当前迭代次数下的所述原始概率集和所述对偶概率集得到第二函数值，具体为：

根据公式得到第二函数值，其中，Fun2为第二函数值，minimize()为取最小值函数，loss()为损失函数，P(r,u')为用户集u'对项目集r的原始概率集，P(u,r')为用户集u对项目集r'的对偶概率集，R为原始项目推荐集合，U为原始相似用户集群，R'为对偶项目推荐集合，U'为对偶相似用户集群。

2.根据权利要求1所述的一种基于对偶理论的混合过滤推荐方法，其特征在于，所述基于上一迭代次数下的项目评分矩阵，确定当前迭代次数下对偶项目推荐集合和对偶相似用户集群，具体包括：

获取上一次迭代次数下的项目评分矩阵；所述项目评分矩阵包括所有用户在上一迭代次数下的项目评分列表；

根据上一迭代次数下的项目评分列表，采用皮尔逊相关系数法计算任意两个所述用户之间的相似度，所有用户之间的相似度构成当前迭代次数下的用户相似性矩阵；

由上一迭代次数下的项目评分矩阵和当前迭代次数下的用户相似性矩阵，确定当前迭代次数下对偶项目推荐集合和对偶相似用户集群。

3.根据权利要求1所述的一种基于对偶理论的混合过滤推荐方法，其特征在于，所述基于上一迭代次数下的项目相似度和偏好向量，确定当前迭代次数下原始项目推荐集合和原始相似用户集群，具体包括：

对于任意一个用户，按照所述用户在上一次迭代次数下的偏好向量对待推荐项目集合进行选择得到所述用户的初始项目集合；

采用分类算法，根据上一迭代次数下的项目相似度对所述初始项目集合进行分类，得到当前迭代次数下对各用户的推荐列表，从而得到原始项目推荐集合；

采用聚类算法对在当前迭代次数下的原始项目推荐集合进行聚类得到多个聚类列表集合；

将所述聚类列表集合中各推荐列表对应的用户确定为在当前迭代次数下的用户集合；所有聚类列表集合对应的用户集合为当前迭代次数下的原始相似用户集群。