[发明专利]一种基于对偶理论的混合过滤推荐方法及系统

说明书

本发明涉及一种基于对偶理论的混合过滤推荐方法及系统。所述方法包括：根据用户的项目相似度、偏好向量和基于推荐列表得到原始概率集；基于项目相似度和偏好向量，确定原始项目推荐集合和原始相似用户集群，根据用户相似性矩阵、项目评分矩阵和推荐列表得到对偶概率集；基于项目评分矩阵，确定当前对偶项目推荐集合和对偶相似用户集群；根据原始项目推荐集合、对偶项目推荐集合、原始相似用户集群、对偶相似用户集群、原始概率集和对偶概率集得到最终推荐列表。本发明在面临历史访问数据和评价数据极度稀疏的情况时，可以提高混合推荐方法的推荐性能，从而提高推荐结果的准确性。

技术领域

本发明涉及推荐技术领域，特别是涉及一种基于对偶理论的混合过滤推荐方法及系统。

背景技术

随着互联网资源，尤其是商品和娱乐资源的爆炸式增长，越来越多的人在网上搜索他们需要的物品，推荐系统也成为电子商务等领域研究的热点，得到广泛的应用。

混合推荐技术结合了两种或两种以上的推荐技术，以获得更好的性能。因为有些推荐系统在有历史访问数据时才能有效地工作，譬如基于内容的推荐；而有些推荐系统则在有足够评价数据时才能效地工作，譬如协同过滤推荐。

在目前混合推荐技术的研究中，多采用神经网络、降维、贝叶斯网络和矩阵以及张量因子分解等策略，以得到更精确的显式或隐式用户关联。这些方法的实施基于一个前提，即必须存在很多的用户历史数据和评价数据，当面临的历史访问数据和评价数据极度稀疏的情况时，混合推荐方法的推荐性能较低，从而导致个性化推荐的准确度较低。

发明内容

本发明的目的是提供一种基于对偶理论的混合过滤推荐方法及系统，在面临历史访问数据和评价数据极度稀疏的情况时，可以提高混合推荐方法的推荐性能，从而提高推荐结果的准确性。

为实现上述目的，本发明提供了如下方案：

一种基于对偶理论的混合过滤推荐方法，包括：

根据所述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。