[发明专利]基于用户兴趣和评分偏好差异自适应结合的协同过滤推荐算法

说明书

本发明公开了基于用户兴趣和评分偏好差异自适应结合的协同过滤推荐算法，包括以下步骤：步骤一：用户相似度的计算；步骤二：用户评分偏好差异的建模；步骤三：用户相似度和用户评分偏好差异的自适应结合；步骤四：目标用户的评分预测并给予推荐；本发明的协同过滤推荐算法通过集成用户兴趣和评分行为偏好差异，利用改进的相似度计算方法，融合项目评分及时间因素，计算了用户之间的兴趣相似度，通过利用用户评分的变异系数，对用户评分行为偏好差异进行建模，最后，自适应结合为ITPCR相似度，并据此选择最近邻用户，并根据邻居集为用户生成推荐，该算法缓解了数据稀疏性的问题，提高了系统的推荐效率和精度。

技术领域

本发明涉及数据推荐技术领域，具体是基于用户兴趣和评分偏好差异自适应结合的协同过滤推荐算法。

背景技术

现代社会，信息技术的快速发展，大大的丰富和方便了人们的日常生活，与此同时，在海量信息供给予用户多样化需求之间矛盾日益突出的情况下，将个性化推荐应用到相关领域是明智的选择。推荐算法有很多分类，主要有基于内容的推荐、基于协同过滤的推荐和基于关联规则的推荐。

协同过滤是应用最广泛的个性化推荐算法之一，随着该推荐算法的广泛应用与研究，协同过滤推荐技术的问题逐渐凸显出来了，在对数据稀疏性和预测精度问题，本发明固提出基于用户兴趣和评分偏好差异自适应结合的协同过滤推荐算法。

发明内容

本发明的目的在于提供基于用户兴趣和评分偏好差异自适应结合的协同过滤推荐算法，以解决上述背景技术中提出的问题。

为实现上述目的，本发明提供如下技术方案：

基于用户兴趣和评分偏好差异自适应结合的协同过滤推荐算法，包括以下步骤：

步骤一：用户相似度的计算；

步骤二：用户评分偏好差异的建模；

步骤三：用户相似度和用户评分偏好差异的自适应结合；

步骤四：目标用户的评分预测并给予推荐。

作为本发明再进一步的方案：所述步骤一的用户相似度计算通过结合用户、项目平均评分及时间因素优化相似度测量模型，如下公式(1)所示：

其中ω_u、ω_i分别为用户、项目时间因子，计算方法如下公式(2)、公式(3)所示：

其中，分别为用户最后一次和第一次提供评分的时间，分别为最后一次和第一次对项目进行评分的时间。

作为本发明再进一步的方案：所述步骤二通过更能够体现出组内变化差异的变异系数来对用户评分行为偏好差异进行建模，降低了变量个体的数值差异对变量间相似度的影响，用户评分的变易系数计算公式如下公式(4)所示：

其中，Var_a为用户a的评分方差，计算公式为下公式(5)所示：

其中，|I_a|表示被用户a评分过的项目数量，

使用用户变异系数建模的用户评分行为偏好即如下公式(6)所示：

在公式(6)中，分别代表着用户a和用户b的平均评分，CV_a、CV_b分别代表着用户a和用户b评分的变异系数。