一种基于非独立同分布下推荐算法优化方法技术

本发明专利技术公开了一种基于非独立同分布下推荐算法优化方法，步骤为：步骤一，数据预处理：依据用户评分表中的评分时间这一组值作为评分异常值的检测标准；步骤二，对用户的属性进行分类：计算用户属性值出现的计算用户属性值组的熵值；将得到的综合均分矩阵作为最终得到的均分评分矩阵。本发明专利技术的基于非独立同分布下推荐算法优化方法，解决用户评分矩阵的稀疏性问题，使用改进分类决策树对用户属性对用户进行分类，再通过已分好类的用户的评分均值矩阵进行预测。进行预测。进行预测。

【技术实现步骤摘要】
一种基于非独立同分布下推荐算法优化方法


[0001]本专利技术属于学习推荐方法的
，尤其涉及一种基于非独立同分布下推荐算法优化方法。

技术介绍

[0002]随着信息化时代的快速发展，电子商务和社交网络等应用已经成为互联网信息化服务的主要分支。由于网络用户在获取信息时也成为网络信息的使用者和生产者，所以用户的数量也决定着网络信息的多少。与此同时，用户属性量及属性值量的增长速度相对于用户数量的增长较慢。为了防止网络信息超过了个人或系统所能接受、处理货有效利用的范围，并导致故障的状况的情况发生。所以，为解决信息过载的发生就产生了协同过滤推荐。
[0003]协同过滤这一概念首次由Goldberg、Nicols、Oki及Terry在1992年提出，应用于Tapestry系统，该系统适合用户群量少且要求用户给予较多的显示评价信息。Tapestry系统奠定了协同过滤推荐研究的雏形。协同过滤推荐算法包括基于记忆的协同过滤推荐算法和基于模型的协同过滤推荐算法，而基于记忆的协同过滤推荐算法主要是有两种具体形式，一是基于用户的推荐算法，二是基于物品的推本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于非独立同分布下推荐算法优化方法，其特征在于，包括以下步骤：步骤一，数据预处理：依据用户评分表中的评分时间这一组值作为评分异常值的检测标准；步骤二，对用户的属性进行分类：计算用户属性值出现的概率；计算用户属性值组的熵值；将得到的综合均分矩阵作为最终得到的均分评分矩阵。2.如权利要求1所述的基于非独立同分布下推荐算法优化方法，其特征在于，所述步骤一中，先将同一用户对不同电影的评分时间和对电影评分的数量，将这评分时间差计算出来，再将这组时间差与评分电影的数量相除得到一个评分时间均值差；最后将这组评分时间均值差在一个范围内的用户作为正常用户，不在这个范围的用户就为异常值。3.如权利要求1所述的基于非独...

【专利技术属性】
技术研发人员：郭鹏飞，孙铭阳，
申请(专利权)人：辽宁工程技术大学，
类型：发明
国别省市：