The invention discloses a multiple feedback collaborative filtering recommendation method based on a group of users, which relates to the field of recommender systems and the field of machine learning. The method comprises the following steps: step one: interactive data to the user items are pre processed using cosine similarity calculation the distance between users; step two: the fusion distance matrix, using the K Medoids algorithm and K clusters; step three: in each cluster single run BPR MF algorithm personalized ranking, according to the KNN algorithm to generate top N recommendation. Multi user group feedback collaborative filtering recommendation algorithm combines multiple user feedback based on the data provided by the invention, including explicit user feedback, such as rating data, including the user's implicit feedback, such as user browsing data etc.. Compared with the traditional collaborative filtering recommendation algorithms only consider a single user feedback, the recommendation algorithm can better alleviate the data sparsity problem, and uses Bayesian learning based personalized recommendation algorithm, the gradient descent learning BPR, can improve the recommendation system very good accuracy.
【技术实现步骤摘要】
一种基于用户组的多反馈协同过滤推荐方法
本专利技术公开了一种基于用户组的多反馈协同过滤推荐方法,具体为根据用户多反馈按照聚类形成K个簇,在用户组里生成个性化推荐列表,涉及推荐系统领域及机器学习领域。
技术介绍
随着信息技术和互联网的快速发展,人们逐渐从信息匮乏的时代走进了信息过载的时代。为了解决信息过载问题,强大的搜索引擎应运而生,使得人们可以在海量的信息中找到自己想要的内容,与搜索引擎一样,推荐系统也可以帮助用户发现有用的信息,并且用户不再是被动的网页浏览者,而逐步成为了主动参与者。近年来,推荐系统受到了越来越多的互联网巨头以及电商的青睐,尤其是个性化推荐技术的发展,对改善用户体验和提高服务质量起到了重要的作用。当前主要的推荐系统主要包括基于关联规则的推荐系统、基于内容的推荐系统、协同过滤系统以及混合推荐系统。基于关联规则的推荐以项目之间的关联规则为基础,通过数据挖掘发现项目之间的潜在关联以实施连带推荐,但是当数据量非常大的时候,此推荐算法的计算复杂度将会随之升高;基于内容的推荐系统首先提取推荐对象的内容特征,其次将产品特征与用户兴趣偏好匹配,将匹配度较高的产品向用户实施推荐,由于多媒体资源目前还没有有效的特征提取方法,因此基于内容的推荐系统会受推荐对象特征提取能力的限制;关于协同过滤推荐,首先找到与目标用户兴趣偏好相似的最近邻居集,然后根据这个最近邻居集对项目的评分来预测目标用户未评分项目的评分,选择预测评分最高的N个项目作为推荐结果反馈给用户,该推荐算法能够发现用户尚未发现且潜在的兴趣偏好,尽管如此,协同过滤推荐算法仍然面临着冷启动、稀疏性、精确性、 ...
【技术保护点】
一种基于用户组的多反馈协同过滤推荐方法,其特征在于:包括以下步骤:步骤一:对用户‑物品的互动数据进行预处理,使用余弦相似度计算用户间的距离;步骤二:融合距离矩阵,使用K‑Medoids算法分类并得到k个簇;步骤三:在每个簇内单独的运行BPR MF算法,得到个性化推荐列表。
【技术特征摘要】
1.一种基于用户组的多反馈协同过滤推荐方法,其特征在于:包括以下步骤:步骤一:对用户-物品的互动数据进行预处理,使用余弦相似度计算用户间的距离;步骤二:融合距离矩阵,使用K-Medoids算法分类并得到k个簇;步骤三:在每个簇内单独的运行BPRMF算法,得到个性化推荐列表。2.如权利要求1所述的一种基于用户组的多反馈协同过滤推荐方法,其特征在于:在步骤一中,用户-物品的互动数据不仅包括了用户的显性反馈还包含隐性反馈,计算出用户间兴趣距离。3.如权利要求2所述根据用户-物品多反馈,计算用户间的兴趣距离。其中距离4.如权利要求1所述的一种基于用户组的多反馈协同过滤推荐方法,其特征在于:在步骤二中,融合距离矩阵,使用K-Medoids算法分类并得到k个簇:(1)通过计算用户间的兴趣距离,根据距离融合公式融合用户兴趣距离得到;大小为|U|×|U|的距离矩阵,融合距离的公式为其中Ni表示互动类型的数量,λ*表示平衡不同互动类型的权重系数,定义如下:Nu和Nv分别表示用户u和用户v互动次数,Nuv表示用户u和v共同互动的次数。(2)根据距离矩阵,使用K-Medoid算法计算两个数据集...
【专利技术属性】
技术研发人员:张刚,周宇红,胡恒,段志杰,陈格,刘魁,
申请(专利权)人:重庆邮电大学,
类型:发明
国别省市:重庆,50
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。