[发明专利]一种基于中介真值程度度量和用户的协同过滤推荐方法

摘要

本发明公开了一种基于中介真值程度度量和用户的协同过滤推荐方法，在采用传统方式计算用户兴趣相似度之后，再用中介真值程度度量方式对用户的反馈行为的相似程度进行度量的方法和策略，对兴趣相似度较高的邻居对象进行反馈行为相似度度量，改进传统的计算用户兴趣相似度的方式，最终达到提高推荐结果准确性和召回率的目的。本发明通过将中介真值程度度量应用于基于用户的协同过滤推荐方法的用户兴趣相似度计算，解决了现有方法在计算用户兴趣相似度时，缺乏对用户反馈的科学考虑，造成的推荐结果准确性和召回率较低的问题，实现提高推荐结果准确性和召回率的效果。

主权项

1.一种基于MMTD和用户的协同过滤推荐算法，其特征在于，包括以下步骤：步骤1，用户兴趣相似度计算：检索整个训练集记录各物品被购买的次数，按从大到小排序，根据推荐物品数n选择前F/n个物品组成热门物品集G′，0<F/n<0.05F，F表示训练集中物品总数，根据用户曾经有过正反馈的物品集得到共有物品对象集S，S＝N(i)∩N(j)，其中，N(i)表示用户i曾经有过正反馈的物品集，N(j)表示用户j曾经有过正反馈的物品集；将热门物品数据集G′引入，得到去除热门物品后的用户反馈数据集：N(i)′＝N(i)‑N(i)∩G′N(j)′＝N(j)‑N(j)∩G′建立物品到用户的倒查表：C[i][j]＝|N(i)′∩N(j)′|若用户i，j同时属于倒查表中M₁个物品对应的用户列表，则令C[i][j]＝M₁，通过改进的余弦相似值公式计算用户i和j的兴趣相似度：步骤2，基于MMTD的评分相似程度计算：用户i和j对物品对象的评分可能是n₁～n₂之间的任意一个正整数值，记谓词P(x(i,j))表示待考察的用户i与j对物品对象评分相同，╕P(x(i,j))表示N(i)与N(j)相异，～P(x(i,j))表示i与j介于相同相异之间，通过计算距离比例函数h_T(x(i,j))得到用户i与j对物品对象评分的相似程度；根据用户对物品的评分得到相对评分f(x(i,j))：f(x(i,j))＝|Q_ig‑Q_jg|；其中，Q_ig为用户i对物品g的评分，Q_jg为用户j对物品g的评分；在数轴上y＝f(x(i,j))以～P为对称中心，左右分别为P和╕P,f(x(i,j))的取值为[0,n₂‑n₁]；y＝f(x(i,j))的值落在三个值域(α_r+ε_r,α_l‑ε_l),(0,α_r+ε_r),(α_l‑ε_l,n₂‑n₁)内，～P(x(i,j))的区域为(α_r+ε_r,α_i‑ε_l)，P(x(i,j))的区域为(0,α_r+ε_r)，╕P(x(i,j))的区域为(α_l‑ε_l,n₂‑n₁)，P(x(i,j))的真值为1，╕P(x(i,j))的真值为0；相对于P(x(i,j))的距离比率函数其中，其中d为两个值之差的绝对值，通过距离比率函数h_Tg(x(i,j))的计算，得到用户i与j对物品对象g评分的相似程度；遍历共有物品对象集S，将用户i与j所有共有物品对象评分的相似程度求和，再除以共有物品集S的大小n，得到综合评分相似程度h_Tn(x(i,j))：推荐结果依据综合评分相似程度由小到大排序选择邻居对象。