[发明专利]一种基于用户聚类的推荐方法

摘要

本发明提出一种基于用户聚类的推荐方法，为了合理的根据用户兴趣对用户进行有效推荐，根据用户对各主题标签的总浏览频率、浏览时间以及总浏览时间、有效浏览频率以及有效浏览时间，得到兴趣度，形成用户的兴趣特征向量；根据用户的兴趣特征向量，筛选核心用户，构成核心用户集，使用K‑means聚类算法对全体用户进行聚类；得到全用户聚类之后，计算出每个用户聚类在每个主题之上的类兴趣向量；比较兴趣值和类兴趣向量，对其进行推荐。本发明所提供的CCVR方法推荐效果要好于其它的推荐方法，具有良好的准确性。

主权项

一种基于用户聚类的推荐方法，其特征在于，包括以下步骤：Step1，输入用户集合U＝{u1,u2…uα}和主题标签集合C＝{s1,s2…sβ}，α表示用户个数，β表示主题标签集合C中主题标签个数；初始化当前处理用户序号i取值为1，转到Step2；Step2，初始化当前处理标签序号j取值为1，转到Step3；Step3，如果用户ui关注了主题标签sj，转到Step4；否则令用户对第j个主题标签感兴趣的程度dj＝0，转到Step9；Step4，根据用户ui对主题标签sj的浏览次数n，确定出用户ui对主题标签sj的总浏览频率f＝n，转到Step5；Step5，确定用户ui对主题标签sj的第k次浏览时间tj,k以及总浏览时间T，k的取值为1,2,…n，转到Step6；Step6，确定用户ui对主题标签sj的有效浏览频率ef，转到Step7；确定方式为，若tmin≤tj,k≤tmax，tmin和tmax为用户ui对标签的最小浏览时间和最大浏览时间的预设阈值，则用户ui对第j个主题标签的第k次浏览是有效的，则用户ui对第j个主题标签的n次浏览过程中，所有有效浏览的次数之和为用户ui对第j个主题标签的有效浏览频率；Step7，求ef次有效浏览的浏览时间之和，计算出用户ui对主题标签sj的有效浏览时间et，转到Step8；Step8，根据下式，计算出用户ui对主题标签sj兴趣度dj，转到Step9；dj=(1-p)×fT/ps+2×p×efet/ps]]>其中，参数f1为用户对所有主题标签的浏览频率之和；ps为预设的系统参数兴趣时间系数，表示用户对第j个主题标签的平均浏览时间，表示用户对第j个主题标签的平均有效浏览时间；Step9，设用户ui在主题标签集合C中未浏览过的标签集合用cb表示，浏览过的标签集合用ca表示，根据下式，计算Vi,j，Vi,j表示用户ui对主题标签sj的兴趣度值，用户ui的兴趣向量为vi(Vi,1,Vi,2,…Vi,β)；令j＝j+1，如果j小于等于β则转到Step3，否则转到Step10；Vi,j=djj∈ca0j∈cb]]>Step10，令i＝i+1，如果i小于等于α，转到Step2，否则令i＝1，初始化核心用户数目γ取值为0，转到Step11；Step11，根据用户ui的兴趣向量vi(Vi,1,Vi,2,…Vi,β)中非零元素所占比例得到兴趣密度值density(ui)，如果兴趣密度值density(ui)＞λ，标记ui为核心用户，转到Step12；否则转到Step13；其中，λ为预设的密度阈值；Step12，令γ＝γ+1，转到Step13；Step13，令i＝i+1，如果i小于等于α，转到Step11；否则转到Step14；Step14，当前得到γ个核心用户，开始用K‑means算法对全部用户进行聚类，本步骤以γ个核心用户为初始的聚类中心，初始定义变量newJ＝0，oldJ＝‑1，转到Step15；Step15，计算fabs(newJ‑oldJ)，fabs函数表示计算绝对值，如果fabs(newJ‑oldJ)大于等于绝对值的相应预设阈值，转到Step16，否则转到Step19；Step16，对用户集合U＝{u1,u2…uα}中作为聚类中心的用户以外的各剩余用户，分别计算剩余用户与每个作为聚类中心的用户之间的欧式距离，并分配到距离最近的聚类中心相应聚类中，转到Step17；Step17，计算每个用户聚类Rh中所有用户兴趣向量的平均值，作为用户聚类Rh新的聚类中心Zh，转到Step18；Step18，令oldJ＝newJ，根据准则函数计算新的准则函数值赋值给newJ，转到Step15；Step19，当前得到γ个用户聚类R1,R2…Rγ，转到Step20；Step20，初始化当前处理类别序号h取值为1，转到Step21；Step21，根据下式计算该类别的类兴趣向量Rvh＝(RVh1,RVh2,...,RVhβ)，转到Step22；其中，|Rh|表示用户聚类Rh中的用户个数，表示用户聚类Rh中的任一用户，用w表示聚类Rh中用户个数，取值为1,2......w，表示用户聚类Rh中用户对第j个主题标签的兴趣度，RVhj表示用户聚类Rh对第j个主题标签的兴趣度，j取值为1,2......β；Step22，令h＝h+1，如果h小于等于γ，转到Step21，否则转到Step23；Step23，此时得到γ个类别的类兴趣向量，Rv1,Rv2…Rvγ，令h＝1，转到Step24；Step24，为用户聚类Rh中的每个用户分别推荐主题标签，设用户聚类Rh中的用户为用户集合U＝{u1,u2…uα}中的用户ui，对于用户ui的兴趣向量vi(Vi,1,Vi,2,…Vi,β)，把它与用户聚类Rh的类兴趣向量Rvh＝(RVh1,RVh2,...,RVhβ)中各兴趣值RVhj进行比较，如果Vi,j大于等于RVhj，则把主题标签sj推荐给用户，转到Step25；Step25，令h＝h+1，如果h小于等于γ，转到Step24，否则转到Step26；Step26，对用户集合U＝{u1,u2…uα}中每个用户的自动推荐均已完成，结束。