[发明专利]一种基于粗糙聚类的社会化推荐方法

摘要

本发明提供一种基于粗糙聚类的社会化推荐方法，包括：将用户的社会化评分数据构造评分矩阵；计算除所述第一个初始聚类中心外的其他的聚类中心，将所述聚类中心按照密度函数从大到小排序后；分别计算每个所述剩余用户到K个聚类中心的余弦相似度及最大相似度进而进行聚类划分；计算非聚类中心用户的权重值w_i与聚类集合的近似集合影响因子；根据所述预测评分的高低形成由高至低的推荐项目集合，为目标用户进行项目推荐。本文提出的一种基于粗糙聚类的社会化推荐算法，通过计算数据对象的密度函数对K‑means聚类推荐算法进行改进，优化了初始聚类中心的选取问题，实现了粗糙集上、下近似集合的权重自适应，并采用余弦相似度替换传统的欧氏距离计算方式。

主权项

1.一种基于粗糙聚类的社会化推荐方法，其特征在于，包括以下步骤：S1：将用户的社会化评分数据，以横坐为标属性纵坐标为所述评分构造一个二维的评分矩阵，为；其中，U＝{u₁，u₂，...，u_m}表示数量为m的用户集合，T＝{t₁，t₂，...，t_n}表示数量为n的评测项目集合，rating_ij表示用户u_j对于项目t_i的评分；S2：根据公式(1)计算所述用户的密度函数f(u_i)，选取密度最大的用户作为第一个初始聚类中心；根据公式(3)进行计算除所述第一个初始聚类中心外的其他的聚类中心，将所述聚类中心按照密度函数从大到小排序后，从最大的开始依次选取，密度最大且距聚类中心距离最远的用户作为其他初始聚类中心，选取K个初始聚类中心构成聚类集合C，分别记为C＝{c₁，c₂，…，c_k}；其中，sim(x_i，x_j)表示两个数据对象之间的余弦相似度，表示为：其中分别表示用户u_i和u_j对项目t_l的评分，分别表示用户u_i和u_j的平均评分，表示用户u_i和u_j同时给予评分的项目集合；R表示数据对象x_i所在邻域的有效半径，则对于领域半径的为：其中，c_k表示已经确定的聚类中心，m表示c_k的数目，sim(x_j，c_k)表示数据对象x_j与c_k的余弦相似度随着所述初始聚类中心的依次选取，m值逐渐增加；当K个初始聚类中心全部选取，则m＝K；S3：对于未被选择的剩余用户，分别计算每个所述剩余用户到K个聚类中心的余弦相似度并通过所述公式(2)求得其中的最大相似度；S4：分别计算所述未被选择的剩余用户到每个聚类中心的余弦相似度差|sim(u_I，c_j)‑sim_max)|，并根据所述余弦相似度差与自定义阈值S_threshold的关系进行聚类划分；S5：根据公式(4)‑公式(6)分别计算非聚类中心用户的权重值w_i与聚类集合的近似集合影响因子，根据公式(7)分别重新计算每个聚类集合的聚类中心c_i；其中，表示x_i所在聚类集合的下近似集合，表示x_i所在聚类集合的边界集合；w_lower和w_upper分别表示上、下近似集合的预设的权重；则x_i所在集合的影响因子为：其中表示x_i所在下近似集合中数据对象的数目；f_upper表示边界集合的影响因子，表示x_i所在边界集合中数据对象的数目；S6：重复步骤S3‑步骤S5，直至新的聚类中心与原聚类中心相等或准则函数收敛；S7：在目标用户所在的聚类集合中计算所述目标用户与其他用户之间的相似度，在所述所在的聚类集合的下近似集合与上近似集合中获得目标用户的近邻集合V；S8：以所述目标用户的近邻用户的项目评分为基础，对目标用户的未评分项目的评分进行预测评分；S9：根据所述预测评分的高低形成由高至低的推荐项目集合，为目标用户进行项目推荐。