【技术实现步骤摘要】
面向评分矩阵的多数据源融合方法
本专利技术属于数据融合处理
，具体涉及一种面向评分矩阵的多数据源融合方法。
技术介绍
互联网的出现和普及给用户带来了大量的信息，满足用户在信息时代对信息的需求，但随着网络的迅速发展，网上信息量大幅增长，使得用户在面对大量信息时无法从中获得对自己真正有用的信息，对信息的使用效率反而降低，这就是信息超载问题。解决信息超载问题一个非常有潜力的办法是推荐系统，推荐系统现已广泛应用于很多领域，其中最典型的应用领域是电子商务领域。在电子商务领域，现有商品推荐系统主要实现方式为：从多个电子商务平台收集购买用户对商品的评分数据；然后，对来源多个电子商务平台的评分数据进行汇总分析，得到反应用户购买特征的特征信息；最后，针对用户特征信息，实现对用户的个性化商品推荐。由此可见，来源多个电子商务平台的评分数据是实现精准推荐的基础，然后，在对来源多个电子商务平台的评分数据进行汇总时，主要存在以下问题：对于来源不同电子商务平台的评分矩阵，常常出现用户不一致或商品不一致的情况，其中，用户不一致是指：两个不同来源的评分矩阵中，用户ID相同，但实际上为不同的用户，例如，平台1中，小王的用户ID为1254874；而在平台2中，小李的用户ID同样为1254874。商品不一致是指：两个不同来源的评分矩阵中，商品ID相同，但实际上为不同的商品。因此，在对不同来源的评分矩阵进行汇总时，由于在数据汇总时已脱离平台，因此，当出现用户不一致或商品不一致的情况时，会导致数据汇总结果出现偏差，从而直接影响最终的商品推...
【技术保护点】
1.一种面向评分矩阵的多数据源融合方法，其特征在于，包括以下步骤：/n步骤1，获取分别来自两个数据源的评分矩阵，分别为：评分矩阵DS
【技术特征摘要】
1.一种面向评分矩阵的多数据源融合方法，其特征在于，包括以下步骤：
步骤1，获取分别来自两个数据源的评分矩阵，分别为：评分矩阵DS1和评分矩阵DS2；其中，每个评分矩阵由多条评分数据记录组成；每条评分数据记录为某个用户标识的用户，对某个商品标识的商品进行的评分；
步骤2，对两个评分矩阵进行分析，识别用户不一致的评分数据记录，并进行数据处理，方法如下：
步骤2.1，遍历评分矩阵DS1中的用户标识以及评分矩阵DS2中的用户标识，判断是否存在评分矩阵DS1中的用户标识与评分矩阵DS2中的用户标识相同的情况，如果不存在，则执行步骤3；如果存在，则执行步骤2.2；
步骤2.2，设评分矩阵DS1中的用户标识U1与评分矩阵DS2中的用户标识U2相同，则遍历评分矩阵DS1，查找到用户标识U1在评分矩阵DS1的所有评分数据记录，从而得到用户标识U1在评分矩阵DS1进行评分的商品集合P1；
遍历评分矩阵DS2，查找到用户标识U2在评分矩阵DS2的所有评分数据记录，从而得到用户标识U2在评分矩阵DS2进行评分的商品集合P2；
对商品集合P1和商品集合P2进行交集运算，得到共同商品集合P0＝(p1,p2,...,pn)；其中，n为共同商品集合P0中的商品数量；
步骤2.3，对共同商品集合P0＝(p1,p2,...,pn)中的商品种类进行分析，将属于同一商品种类的商品划分到一个子集合中，从而得到若干个子集合，对于每个子集合，均执行以下步骤：
步骤2.3.1，设任意子集合为R0＝(r1,r2,...,rm)；m为子集合R0中的商品数量；
步骤2.3.2，得到用户标识U1对子集合R0中的每个商品在评分矩阵DS1中的评分，得到评分集合Score1：
Score1＝{score1(U1,r1),score1(U1,r2),...,score1(U1,rm)}
其中：
score1(U1,r1)代表用户标识U1对子集合R0中的商品r1在评分矩阵DS1中的评分；
score1(U1,r2)代表用户标识U1对子集合R0中的商品r2在评分矩阵DS1中的评分；
依此类推
score1(U1,rm)代表用户标识U1对子集合R0中的商品rm在评分矩阵DS1中的评分；
得到用户标识U2对子集合R0中的每个商品在评分矩阵DS2中的评分，得到评分集合Score2：
Score2＝{score2(U2,r1),score2(U2,r2),...,score2(U2,rm)}
其中：
score2(U2,r1)代表用户标识U2对子集合R0中的商品r1在评分矩阵DS2中的评分；
score2(U2,r2)代表用户标识U2对子集合R0中的商品r2在评分矩阵DS2中的评分；
依此类推
score2(U2,rm)代表用户标识U2对子集合R0中的商品rm在评分矩阵DS2中的评分；
步骤2.3.3，分析比较评分集合Score1和评分集合Score2，得到所有满足以下条件的一致性用户评分序对，所有的一致性用户评分序对形成一致性用户评分序对集合Con；而所有的非一致性用户评分序对形成非一致性用户评分序对集合NCon：
一致性用户评分序对判断条件：
1)评分集合Score1中的两个不同元素，score1(U1,ra)和score1(U1,rb)，其中，a≠b；
评分集合Score2中的两个不同元素：score2(U2,ra)和score2(U2,rb)；
2)如果score1(U1,ra)≤score1(U1,rb)时，score2(U2,ra)≤score2(U2,rb)；
或者，如果score1(U1,ra)≥score1(U1,rb)时，score2(U2,ra)≥score2(U2,rb)，即：用户标识U1对评分矩阵DS1中两个不同商品的评分高低感受，与用户标识U2对评分矩阵DS2中的同样两个商品的评分高低感受一致，则两个用户评分序对(score1(U1,ra),score2(U2,ra))和(score1(U1,rb),score2(U2,rb))为一致性用户评分序对；
相反，如果score1(U1,ra)≤score1(U1,rb)时，score2(U2,ra)＞score2(U2,rb)；
或者，如果score1(U1,ra)≥score1(U1,rb)时，score2(U2,ra)＜score2(U2,rb)，则两个用户评分序对(score1(U1,ra),score2(U2,ra))和(score1(U1,rb),score2(U2,rb))为非一致性用户评分序对；
步骤2.3.4，对于一致性用户评分序对集合Con中的每一对一致性用户评分序对，采用下式计算一致性用户评分序对距离值，然后将一致性用户评分序对集合Con中每个一致性用户评分序对对应的距离值相加，得到一致性集合距离值Dcon；
如果(score1(U1,ra),score2(U2,ra))和(score1(U1,rb),score2(U2,rb))为一致性用户评分序对，则一致性用户评分序对距离值为：
max{|score1(U1,ra)-score2(U2,ra)|,|(score1(U1,rb)-score2(U2,rb)|}
对于非一致性用户评分序对集合NCon中的每一对非一致性用户评分序对，采用下式计算非一致性用户评分序对距离值，然后将非一致性用户评分序对集合NCon中每个非一致性用户评分序对对应的距离值相加，得到非一致性集合距离值Dncon：
如果(score1(U1,ra),score2(U2,ra))和(score1(U1,rb),score2(U2,rb))为非一致性用户评分序对，则非一致性用户评分序对距离值为：
max{|score1(U1,ra)-score2(U2,ra)|,|(score1(U1,rb)-score2(U2,rb)|}
步骤2.3.5，采用下式计算评分矩阵DS1中用户标识U1与评分矩阵DS2中用户标识U2之间的用户相似度sim1：
其中：
|Con|代表一致性用户评分序对集合Con中的元素数量；
|NCon|代表非一致性用户评分序对集合NCon中的元素数量；
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。