一种基于MMTD和用户的协同过滤推荐算法制造技术

本发明专利技术公开了一种基于MMTD和用户的协同过滤推荐算法，在采用传统方式计算用户兴趣相似度之后，再用MMTD方式对用户的反馈行为的相似程度进行度量的方法和策略，对兴趣相似度较高的邻居对象进行反馈行为相似度度量，改进传统的计算用户兴趣相似度的方式，最终达到提高推荐结果准确性和召回率的目的。本发明专利技术通过将MMTD应用于基于用户的协同过滤推荐算法的用户兴趣相似度计算，解决了现有算法在计算用户兴趣相似度时，缺乏对用户反馈的科学考虑，造成的推荐结果准确性和召回率较低的问题，实现提高推荐结果准确性和召回率的效果。

【技术实现步骤摘要】
一种基于MMTD和用户的协同过滤推荐算法
本专利技术涉及基于用户的协同过滤推荐算法(UserCF)的
，特别涉及一种基于中介真值程度度量(MeasuringOfMediumTruthDegree,MMTD)和用户的协同过滤推荐算法。
技术介绍
基于用户的协同过滤推荐算法简单来说就是利用某种算法找到兴趣相投、拥有共同经验的群体，将这些群体的喜好推荐给同类型的用户。算法通过用户对信息做出的回应(如评分，收藏)的分析，实现对信息过滤的目的，进而帮助其他用户筛选信息。传统的基于用户的协同过滤推荐算法主要包括：兴趣相似度计算和结果推荐两大部分。兴趣相似度计算是其中最重要的一环，一般采用的方法有Jaccard公式和余弦公式等。这种两种方法的核心思想都是求取用户有过正反馈的物品集的交集，再除以某一个定值，结果为用户间的兴趣相似度，这种做法简单且可以得到拥有一定的准确性的结果，但是由于没有科学考虑用户对物品所做出的反馈，使得推荐结果的准确性和召回率较低，虽然近年来通过改进相似度计算公式让准确性和召回率有一些提升，但是结果依然有提升的空间。综上所述，传统的基于用户的协同过滤算法在计算用户兴趣相似本文档来自技高网...

【技术保护点】
1.一种基于MMTD和用户的协同过滤推荐算法，其特征在于，包括以下步骤：步骤1，用户兴趣相似度计算：检索整个训练集记录各物品被购买的次数，按从大到小排序，根据推荐物品数n选择前F/n个物品组成热门物品集G′，0<F/n<0.05F，F表示训练集中物品总数，根据用户曾经有过正反馈的物品集得到共有物品对象集S，S＝N(i)∩N(j)，其中，N(i)表示用户i曾经有过正反馈的物品集，N(j)表示用户j曾经有过正反馈的物品集；将热门物品数据集G′引入，得到去除热门物品后的用户反馈数据集：N(i)′＝N(i)‑N(i)∩G′N(j)′＝N(j)‑N(j)∩G′建立物品到用户的倒查表：C[i]...

【技术特征摘要】
1.一种基于MMTD和用户的协同过滤推荐算法，其特征在于，包括以下步骤：步骤1，用户兴趣相似度计算：检索整个训练集记录各物品被购买的次数，按从大到小排序，根据推荐物品数n选择前F/n个物品组成热门物品集G′，0<F/n<0.05F，F表示训练集中物品总数，根据用户曾经有过正反馈的物品集得到共有物品对象集S，S＝N(i)∩N(j)，其中，N(i)表示用户i曾经有过正反馈的物品集，N(j)表示用户j曾经有过正反馈的物品集；将热门物品数据集G′引入，得到去除热门物品后的用户反馈数据集：N(i)′＝N(i)-N(i)∩G′N(j)′＝N(j)-N(j)∩G′建立物品到用户的倒查表：C[i][j]＝|N(i)′∩N(j)′|若用户i，j同时属于倒查表中M1个物品对应的用户列表，则令C[i][j]＝M1，通过改进的余弦相似值公式计算用户i和j的兴趣相似度：步骤2，基于MMTD的评分相似程度计算：用户i和j对物品对象的评分可能是n1～n2之间的任意一个正整数值，记谓词P(x(i,j))表示待考察的用户i与j对物品对象评分相同，╕P(x(i,j))表示N(i)与N(j)相异，～P(x(i,j))表示i与j介于相同相异之间，通过计算距离比例函数hT(x(i,j))得到用户i与j对物品对象评分的相似程度；根据用户对物品的评分得到相对评分f(x(i,j))：f(x(i,j))＝|Qig-Qjg|；其中，Qig为用户i对物品g的评分，Qjg为用户j对物品g的评分；在数轴上y＝f(x(i,j))以～P为对称中心，左右分别为P和╕P,f(x(i,j))的取值为[0,n2-n1]；y＝f(x(i,j))的值落在三个值域(αr+εr,αl-ε...

【专利技术属性】
技术研发人员：周宁宁，陆荣，
申请(专利权)人：南京邮电大学，
类型：发明
国别省市：江苏,32