The present invention relates to a hybrid collaborative filtering recommendation method based on multi-similarity for dual-limit learning machine, which includes the following steps: calculating similarity from both items and users by using score matrix, and adding similarity as weight to the nearest neighbor score vector to obtain user contribution vector and item contribution vector; training the dual-limit learning machine network with user contribution in training Vectors and item contribution vectors are used as input of double-limit learning machine. The trained network of double-limit learning machine is used to predict user u's score on item I and to judge whether to recommend item I to user u according to the score. The invention can reduce the error of score prediction and improve the accuracy of recommendation.
【技术实现步骤摘要】
一种基于多相似度的双极限学习机混合协同过滤推荐方法
本专利技术涉及互联网技术中的兴趣点推荐
,特别是涉及一种基于多相似度的双极限学习机混合协同过滤推荐方法。
技术介绍
随着互联网的高速发展,推荐系统在电子商务,新闻推荐,视频推送等领域崭露头角,取得不错的效果。目前,大多数互联网公司都使用着各种推荐系统作为一种新的方式来提升服务质量和客户粘性。对于广大的消费者来说,推荐系统在一定程度上省去了海量信息检索的过程,可以轻易获取想要的信息。在推荐系统中,协同过滤(CollaborativeFiltering,CF)算法作为一种最重要的信息过滤的手段,受到了人们的广泛关注,并取得了很大的成功,协同过滤推荐源于现实生活中口碑相传的过程,利用相似用户之间具有相似兴趣偏好的方法,来发现用户对物品的潜在偏好。严格意义上来说,协同过滤推荐算法主要包括三类:基于内存的协同过滤(MemorybasedCF)算法,基于模型的协同过滤(modelbasedCF)推荐算法,混合协同过滤(hybridCF)推荐算法。基于内存的协同过滤算法是在稀疏评分矩阵的基础上通过计算用户或物品间的相似度,来预测评分或进行TopN推荐,比如基于用户的协同过滤(User-basedCF),基于物品的协同过滤(Item-basedCF)。基于模型的协同过滤是建立一个基于评分数据集的模型,然后从数据集中提取一些信息,并将其作为“模型”来进行推荐,这种方法有着快速和可伸缩性的优点,如矩阵分解,概率潜在语义分析,贝叶斯网络。混合协同过滤将基于内存的协同过滤与基于模型的协同过滤相结合,克服数据稀疏的不足,提高 ...
【技术保护点】
1.一种基于多相似度的双极限学习机混合协同过滤推荐方法,其特征在于,包括以下步骤:(1)利用评分矩阵从物品和用户两方面计算相似度,并将相似度作为权重加入到近邻评分向量中得到用户贡献向量和物品贡献向量;(2)对双极限学习机网络进行训练,训练时以用户贡献向量和物品贡献向量作为双极限学习机的输入;(3)采用训练好的双极限学习机网络预测用户u对物品i的评分,并根据评分情况判断是否向用户u推荐物品i。
【技术特征摘要】
1.一种基于多相似度的双极限学习机混合协同过滤推荐方法,其特征在于,包括以下步骤:(1)利用评分矩阵从物品和用户两方面计算相似度,并将相似度作为权重加入到近邻评分向量中得到用户贡献向量和物品贡献向量;(2)对双极限学习机网络进行训练,训练时以用户贡献向量和物品贡献向量作为双极限学习机的输入;(3)采用训练好的双极限学习机网络预测用户u对物品i的评分,并根据评分情况判断是否向用户u推荐物品i。2.根据权利要求1所述的基于多相似度的双极限学习机混合协同过滤推荐方法,其特征在于,所述步骤(1)包括以下子步骤:(11)清洗数据样本,去除重复数据,对用户和商品进行连续编号;(12)构建评分矩阵,矩阵的同一列为不同用户对同一商品的评分,同一行为同一用户对不同商品的评分,以零来填充缺失的项;(13)从用户维度和物品维度计算用户间相似度和物品间相似度,以行向量为特征向量构建用户相似度矩阵SuserN×N,以列向量为特征向量构建物品相似度矩阵SitemM×M;(14)对用户间相似度和物品间相似度分别进行排序,根据预设的近邻数,确定目标用户和目标物品的近邻群体;(15)将用户间相似度和物品间相似度分别与评分记录相乘,来度量近邻分数对评分的贡献,得到用户贡献矩阵和物品贡献矩阵。3.根据权利要求2所述的基于多相似度的双极限学习机混合协同过滤推荐方法,其特征在于,所述步骤(13)中用户间相似度和物品间相似度均采用余弦相似度计算方法进行计算,其中,用户间相似度物品间相似度rak和rbk表示用户a与用户b对物品k的评分,rka和rkb表示用户k对物品a和物品b的评分。4.根据权利要求1所述的基于多相似度的双极限学习机混合协同过滤推荐方法,其特征在于,所述步骤(2)包括以下...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。