一种基于多类别联合软聚类的推荐方法及系统技术方案

本发明专利技术公开了一种基于多类别联合软聚类的推荐方法及系统，其中，所述推荐方法包括：获取用户‑物品交互信息，根据所述用户‑物品交互信息构建评分矩阵和分类矩阵；对所述评分矩阵和所述分类矩阵进行多类别软聚类处理，获取多类别软聚类结果；采用加权非负矩阵分解对所述多类别软聚类结果进行用户喜好度预测，获取预测结果；根据所述预测结果向用户推荐预测分数最高的物品。在本发明专利技术实施例中，可以根据用户对物品的喜爱程度对进行评分预测，根据评分预测向用户推荐物品，预测准确度较高。

【技术实现步骤摘要】
一种基于多类别联合软聚类的推荐方法及系统
本专利技术涉及数据分析
，尤其涉及一种基于多类别联合软聚类的推荐方法及系统。
技术介绍
个性化推荐目前应用于我们生活的方方面面，它能从大量的文章、物品、电影、音乐、网络等等中筛选出用户用户感兴趣的部分。目前比较热门的推荐系统包括Amazon等各电商平台，音乐推荐系统，电影系统。一个好的推荐系统对于推荐系统拥有者和用户都能从中受益。根据推荐方法的不同推荐系统大致上可以分为以下几种：①基于内容(Content-based)的推荐②基于协同过滤(CollaborativeFiltering-Based)的推荐③混合型(Hybrid)推荐系统。基于内容的推荐算法完成的是原始的协同过滤任务。它们所使用数据处理技术去建立一个用户的邻居关系，然后通常使用的是一个评分的加权求和去预测没有评分的用户-物品对。基于内容的推荐算法最重要的一个环节就是相似度的计算。其中比较著名的处理方法包括皮尔逊相关系数，矢量相似度以及他们的一些拓展。基于协同过滤的推荐系统是目前应用最广泛也是最成功的推荐算法。和基于内容的推荐系统不同的是，它无需处理用户和物品的属性，只需要知本文档来自技高网...

【技术保护点】
1.一种基于多类别联合软聚类的推荐方法，其特征在于，所述推荐方法包括：获取用户‑物品交互信息，根据所述用户‑物品交互信息构建评分矩阵和分类矩阵；对所述评分矩阵和所述分类矩阵进行多类别软聚类处理，获取多类别软聚类结果；采用加权非负矩阵分解对所述多类别软聚类结果进行用户喜好度预测，获取预测结果；根据所述预测结果向用户推荐预测分数最高的物品。

【技术特征摘要】
1.一种基于多类别联合软聚类的推荐方法，其特征在于，所述推荐方法包括：获取用户-物品交互信息，根据所述用户-物品交互信息构建评分矩阵和分类矩阵；对所述评分矩阵和所述分类矩阵进行多类别软聚类处理，获取多类别软聚类结果；采用加权非负矩阵分解对所述多类别软聚类结果进行用户喜好度预测，获取预测结果；根据所述预测结果向用户推荐预测分数最高的物品。2.根据权利要求1所述的基于多类别联合软聚类的推荐方法，其特征在于，所述根据所述用户-物品交互信息构建评分矩阵和分类矩阵，包括：根据所述用户-物品交互信息获取用户-物品关系、用户-用户关系、物品-物品关系；根据所述用户-物品关系、所述用户-用户关系、所述物品-物品关系构建所述评分矩阵和所述分类矩阵；所述分类矩阵包括用户分类矩阵和物品分类矩阵。3.根据权利要求1所述的基于多类别联合软聚类的推荐方法，其特征在于，所述对所述评分矩阵和所述分类矩阵进行多类别软聚类处理，包括：根据所述评分矩阵和所述分类矩阵构建共享的低阶空间矩阵；采用最小化目标函数对所述低阶空间矩阵进行多类别聚类迭代计算处理，获取所述目标函数迭代值；采用所述目标函数迭代值与迭代阈值进行比较，若所述目标函数迭代值小于迭代阈值，则停止迭代，获取聚类低阶空间矩阵；反之，则继续进行迭代计算；对所述聚类低阶空间矩阵的每一行进行归一化处理，获取多类别软聚类结果。4.根据权利要求1所述的基于多类别联合软聚类的推荐方法，其特征在于，所述采用加权非负矩阵分解对所述多类别软聚类结果进行用户喜好度预测，包括：对所述多类别软聚类结果进行子类矩阵划分出来，获取子类矩阵；对所述子类矩阵进行非负矩阵分解预测处理，获取子类矩阵预测结果；采用所述加权求和对所述子类矩阵预测结果进去计算，获取预测结果。5.根据权利要求1所述的基于多类别联合软聚类的推荐方法，其特征在于，所述根据所述预测结果向用户推荐预测分数最高的物品，包括：将获取的所述预测结果进行预测分数从搞到低排序，获取排序结果；将排序最高的前10个物品推荐给用户。6.一种基于多类别联合软聚类的推荐系统，...

【专利技术属性】
技术研发人员：胡建国，郑慧琳，李仕仁，
申请(专利权)人：广州智慧城市发展研究院，中山大学，广州中大微电子有限公司，
类型：发明
国别省市：广东,44