[发明专利]一种基于二部图最近邻的个性化推荐方法

摘要

本发明一种基于二部图最近邻的个性化推荐方法，先对用户‑项目评分矩阵进行预处理，构造相对应的二部图；然后计算计算二部图中边的权重，生成评分权重矩阵；计算用户之间的相似度，生成用户相似度矩阵；对相似度进行降序排列，筛选目标用户的最近邻居集；预测目标用户对未评分项目的评分值；将预测评分和实际评分进行均方根误差分析；反复循环迭代，不断调整参数，直到均方根误差最小；通过训练好的参数来预测用户对项目的评分，产生推荐列表，推荐给用户。实验比较表明，本推荐方法性能优于当前的推荐方法，提高了推荐的准确率和精准度，大幅度降低了推荐的误差，能够解决传数据稀疏性和冷启动的难题。

主权项

1.一种基于二部图最近邻的个性化推荐方法，其特征在于：假设已有用户‑项目评分矩阵，在此基础上做如下定义：W：二部图中边的权重(用户对项目的评分权重),：单调系数,N：最近邻居集的大小,：用户c对项目i的评分,：最近邻居集；具体步骤如下：步骤1：数据预处理，初始化=1，N=5，根据用户‑项目评分矩阵构造二部图；步骤2：根据用户‑项目评分矩阵和步骤1中得到的二部图，采用以下公式计算二部图中边的权重，其中， 是用户c对项目j的评分权重， 是用户c对项目j的评分， 是单调系数，经计算后得到评分权重矩阵；步骤3：根据步骤2生成的评分权重矩阵，采用以下公式计算用户c和用户d的相似度，其中，是用户c和用户d之间的相似度，是用户c和用户d共同评分的项目数，是用户‑项目评分矩阵中用户的总数，是用户‑项目评分矩阵中项目的总数，是用户c对项目j的评分权重，是用户d对项目j的评分权重，是项目的度，经计算后生成用户相似度矩阵;步骤4：根据步骤3生成的用户相似度矩阵，对相似度进行降序排列，筛选目标用户的最近邻居集;步骤5：根据步骤3生成的用户相似度矩阵和步骤4生成的最近邻居集，采用以下公式预测用户对未评分项目的评分值，其中，是用户c对项目i的预测评分，是用户c对项目评分的平均值，是用户d对项目i的评分,是用户d对项目评分的平均值，是用户c和用户d之间的相似度，是用户c的N个最近邻居的集合；步骤6： 采用以下公式计算均方根误差RMSE，并判断RMSE是否是最小值，如果不是，步骤2、步骤3、步骤4、步骤5、步骤6循环迭代，不断调整 和N的值，直到均方根误差最小,其中，是用户c对项目i的实际评分， 是用户c对项目i的预测评分，是用户‑项目评分矩阵中项目的总数;步骤7：预测目标用户对新项目的评分值，并进行降序排列，把预测评分最高的K个项目推荐给目标用户，生成推荐列表。