一种基于市场效应的协同过滤推荐方法及推荐系统技术方案

本发明专利技术属于数据处理技术领域，公开了一种基于市场效应的协同过滤推荐方法；根据对事物评价中人们常见的评分行为及评分数据的特征，提出市场效应概念，进而提出一种预测用户对商品的评分的协同过滤技术MEbCF。本发明专利技术利用定位函数分析商品得到的评分的整体情况来确定它们在市场上所处的位置，通过定位精度函数选择适当的商品项为参照来预测用户评分，并根据预测项与参照项的市场期望之间的关系对预测评分进行调整；本发明专利技术能够获得较好的评分预测效果，同时又具有算法简单、便于实现以及算法的时间和空间开销较低等显著特点，是一种具有较强竞争力的推荐技术，在电子商务推荐系统及其他评分预测领域具有良好的应用前景。

【技术实现步骤摘要】
一种基于市场效应的协同过滤推荐方法及推荐系统
本专利技术属于数据处理
，尤其涉及一种基于市场效应的协同过滤推荐方法。
技术介绍
推荐系统(recommendersystems)的研究和应用已有二十多年的历史。它始于上个世纪90年代中期，随电子商务的产生而产生，随电子商务研究和应用的发展而发展，今天已经成为电子商务研究和应用中的一个重要领域。在应用实践中，国内外几乎所有的大型电子商务以及各种Web网站，如国外的亚马逊(Amazon)、eBay、Netflix、谷歌(Google)、雅虎(Yahoo)、GroupLens，以及国内的阿里巴巴、豆瓣网、当当网、新浪等，都不同程度使用了各种各样的推荐系统，其推荐对象涉及图书、电影、音乐等文化商品，网站、网页、新闻等信息服务，饭店、旅游景点、金融和理财等服务商品，以及众多的普通商品等领域，为人们的商务活动、信息浏览和检索以及解决日常生活中的问题提供便捷的个性化信息服务。推荐系统已经成为各种基于Internet应用的重要组成部分。数据，是产生预测和推荐的基础。任何推荐技术都以如何应用已有的历史数据为基础。按照推荐技术所使用的数据类型，当前的本文档来自技高网...

【技术保护点】
一种基于市场效应的协同过滤推荐方法，其特征在于，所述基于市场效应的协同过滤推荐方法利用定位函数分析商品得到的评分的整体情况来确定它们在市场上所处的位置；通过定位精度函数确定参照商品的选择范围，进而选择适当的商品项为参照来预测用户评分；并根据预测项与参照项的市场期望之间的关系对预测评分进行修正调整。

【技术特征摘要】
1.一种基于市场效应的协同过滤推荐方法，其特征在于，所述基于市场效应的协同过滤推荐方法利用定位函数分析商品得到的评分的整体情况来确定它们在市场上所处的位置；通过定位精度函数确定参照商品的选择范围，进而选择适当的商品项为参照来预测用户评分；并根据预测项与参照项的市场期望之间的关系对预测评分进行修正调整。2.如权利要求1所述的基于市场效应的协同过滤推荐方法，其特征在于，所述基于市场效应的协同过滤推荐方法具体包括：步骤一，利用现有的评分数据，以市场期望为定位函数，按式(15)计算每项商品的市场期望及评分用户数等相关信息，并按商品项进行存储；步骤二，由步骤一已经计算储好存的商品的市场期望及评分用户数等相关信息在评分数据发生变化而需要重新计算时，仅对评分数据发生变化的商品项按式(15)进行处理，而评分数据未发生变化的商品项不需要再进行处理，也无需处理评分数据变化后的各个商品项之间的关系；步骤三，在评分预测中，根据要预测的商品以及要预测的用户评价过的相关商品的评分用户数，利用定位函数式(22)和(23)确定预测商品的定位精度ε；步骤四，根据要预测的商品的定位精度ε，在预测用户评价过的相关商品中，按式(14)找出其市场期望值满足精度要求的商品，构成用来对预测的商品进行评分预测的参照项目集；步骤五，利用要预测的用户对参照商品的评分以及预测商品、参照商品的市场期望值，按照式(16)～(19)，计算预测商品的预测分值。3.如权利要求1所述的基于市场效应的协同过滤推荐方法，其特征在于，所述定位函数为基于市场期望的定位函数；具体包括：市场期望为一项商品得到的全部用户的评分的平均值，该平均值反映该商品在整个市场上得到的用户评分的期望，用来区分每项商品在市场上所处的位置；所述步骤一中，对一项商品其定位函数用其市场期望来计算，计算公式如式(15)：其中，为对商品进行过评分的全部用户组成的集合，为用户u对商品的评分，为集合中数据的个数；所述步骤一中的处理采用离线方式进行，包括：一次处理完所有商品的市场期望及评分用户数等相关信息，然后以数据库或其它数据文件的形式存储起来，供以后的评分预测使用；数据的存储以一项商品为一个记录。4.如权利要求1所述的基于市场效应的协同过滤推荐方法，其特征在于，所述步骤三中，精度函数利用要预测的商品以及要预测的用户评价过的相关商品的评分用户数，来确定预测商品的定位精度ε，计算公式为式(22)：其中，为要预测的商品的现有评分用户集，即为商品得到的实际评分用户数(在步骤一中计算并存储)；为要预测的用户评价过的全部商品的平均评分饱和度，计算公式为式(23)：式(23)中为要预测的用户评价过的全部项目集，card(U(g))为各相关项目得到的实际评分用户数，其值均在步骤一中计算并存储；card(U)为系统所拥有的用户总数。一个用户的评分饱和度为该用户进行过的实际评分项目数量与这些相应的商品应得到的评分总数之比。式(22)中，若预测的用户评价过的全部项目的评分饱和度低，定位精度的取值应较大，反之应较小；若预测项目的现有评分数量少，则定位精度的取值应较大，反之则应较小。5.如权利要求1所述的基于市场效应的协同过滤推荐方法，其特征在于，所...

【专利技术属性】
技术研发人员：赵昆，陈韬伟，余益民，刘祖根，皮佳明，
申请(专利权)人：云南财经大学，
类型：发明
国别省市：云南,53