The invention provides a collaborative filtering recommendation method based on object-oriented clustering, which comprises the following steps: reading the historical score data and item type data information of the item by the user; generating the user score prediction matrix by the optimized PMF model; calculating the user bias factor, item bias factor and type bias factor, and generating Prediction matrix of bias factor is constructed; object-oriented feature samples are constructed, and object-oriented feature samples are clustered and numbered to generate object-oriented clustering results; user preference matrix is constructed; preference index values in user preference matrix are updated to generate recommendation list. The invention provides a collaborative filtering recommendation method based on object-oriented clustering, which uses preference index to represent the recommendation strategy of user's interest in items. At the same time, by introducing similarity relation between objects, the problem of poor prediction accuracy of traditional matrix decomposition model and unsatisfactory recommendation effect can be alleviated. The recommended effect of recommendation system can be improved, and the recommendation method can be applied to many scenarios.
【技术实现步骤摘要】
一种基于面向对象聚类的协同过滤推荐方法
本专利技术涉及个性化推荐
,更具体的,涉及一种基于面向对象聚类的协同过滤推荐方法。
技术介绍
步入二十一世纪,数据量的迅速增长以及信息技术的快速发展将我们从信息匮乏的时代带入了信息过载的时代。由于缺乏对事物的亲身体验和经历,信息过载使得人们在面对一些不了解的事物时往往难以抉择。推荐系统的出现恰好为这种问题提供了个性化的解决方案,它不仅帮助用户减少在茫茫物品中发现喜欢物品的时间花费,同时有利于将物品快速准确地呈列在对其感兴趣用户的面前,实现生产者与消费者之间的双赢。推荐系统出现于20世纪90年代早期,作为一门研究学科,从它提出至今便一直受到研究者的广泛关注。由于推荐系统在市场经济下蕴藏着的巨大潜力,已有众多商业公司投身于推荐系统研究的热潮中。当前,推荐系统主要运用到的推荐算法可分为基于内容的推荐算法和协同过滤推荐算法。除此之外,还有包括基于知识的推荐算法,混合推荐算法等。与其它方法相比,协同过滤推荐算法以其结构简单、构建成本低、推荐效果好、应用领域广等特点受到研究者的广泛关注。同样在商业界,以亚马逊、Facebook、Youtube等为代表的众多互联网公司,凭借其推荐系统应用的协同过滤推荐算法而取得可观收益。但传统的协同过滤推荐算法存在稀疏性问题,即当推荐系统中数据量很大而用户的显式评分数据又很少时,矩阵分解模型预测准确度不佳,从而导致推荐系统的效果欠佳。
技术实现思路
本专利技术为克服上述现有技术中存在的矩阵分解模型预测准确度不佳及对于新物品无法推荐的问题,提供一种基于面向对象聚类的协同过滤推荐方法。为解决上述技术 ...
【技术保护点】
1.一种基于面向对象聚类的协同过滤推荐方法,其特征在于,包括以下步骤:S1:读取用户对物品的历史评分数据、物品类型数据信息;S2:根据用户对物品的历史评分数据,通过优化的PMF模型生成用户评分预测矩阵;S3:根据用户对物品的历史评分数据、物品类型信息数据,计算用户偏置因子、物品偏置因子、类型偏置因子,生成偏置因子预测矩阵;S4:利用物品类型信息构建面向对象的特征样本,并利用K‑means聚类方法对面向对象的特征样本进行聚类编号,生成面向对象聚类结果;S5:利用用户评分预测矩阵以及偏置因子预测矩阵,构建用户偏好矩阵;S6:根据面向对象聚类结果,更新用户偏好矩阵中的偏好指标值,根据更新后的用户偏好指标值产生推荐列表。
【技术特征摘要】
1.一种基于面向对象聚类的协同过滤推荐方法,其特征在于,包括以下步骤:S1:读取用户对物品的历史评分数据、物品类型数据信息;S2:根据用户对物品的历史评分数据,通过优化的PMF模型生成用户评分预测矩阵;S3:根据用户对物品的历史评分数据、物品类型信息数据,计算用户偏置因子、物品偏置因子、类型偏置因子,生成偏置因子预测矩阵;S4:利用物品类型信息构建面向对象的特征样本,并利用K-means聚类方法对面向对象的特征样本进行聚类编号,生成面向对象聚类结果;S5:利用用户评分预测矩阵以及偏置因子预测矩阵,构建用户偏好矩阵;S6:根据面向对象聚类结果,更新用户偏好矩阵中的偏好指标值,根据更新后的用户偏好指标值产生推荐列表。2.根据权利要求1所述的基于面向对象聚类的协同过滤推荐方法,其特征在于:所述步骤S2中优化的PMF模型训练函数表示为:其中,Iui表示矩阵中用户u对物品i的偏好指标;Rui表示矩阵R中用户u对物品i的历史评分数据;Uu表示用户偏置因子矩阵,Vi表示物品偏置因子矩阵;λ为矩阵的特征值;表示生成的用户预测评分,其中m表示表示用户对所有物品的平均评分,映射函数Map(x)表示为:映射函数Map(x)将预测值映射在1至5分的区间内。3.根据权利要求1所述的基于面向对象聚类的协同过滤推荐方法,其特征在于:所述步骤S3中包括对用户偏置因子、物品偏置因子、类型偏置因子的计算,构建构建偏置因子预测矩阵,其中,用户偏置因子的计算方式为:其中,|User(u)|表示由用户u已有的评分项所构成的集合大小,r表示数据集中的评分项;物品偏置因子的计算方式为:其中,|Item(i)|表示物品i得到的用户评分项所构成的集合大小,r表示数据集中的评分项;类型偏置因子的计算方式为:其中,|Genre(g)|表示由属于类型g的物品评分项所构成的集合大小,r表示数据集中的评分项;构建偏置因子预测矩阵的过程如下:初始化一个矩阵B,矩阵的行数为用户的数量,矩阵的行数为物品的数量,矩阵B中第u行第i列的项表示由用户u偏置因子、物品i偏置因子、物品i对应物品类型g偏置因子生成的用户u对物品i的预测评分其计算方式为:其中,取用户偏置因子、物品偏置因子、类型偏置因子的平均值作为其结果。4.根据权利要求1所述的基于面向对象聚类的协同过滤推荐方法,其特征在于:所述步骤S4利用物品类型信息构建面向对象的特征样本的步骤如下:初始化一个全零的面向对象类型矩阵S,矩阵行...
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。