基于子空间划分的推荐方法及系统技术方案

本发明专利技术涉及一种基于子空间划分的推荐方法及系统，方法包括输入用户对物品的评分数据；根据评分数据将物品划分至子空间；在每个子空间中，分别计算用户之间的共同评分支持度，融合每个子空间的共同评分支持度得到总共同评分支持度，根据总共同评分支持度筛选出近邻集；根据近邻集获取目标用户对物品的评分预测值，并根据评分预测值向目标用户推荐物品。本发明专利技术子空间的划分使得每个评分子空间中的评分值相近，因此可以忽略每个子空间中用户对物品的具体评分值，只要分析用户在每个子空间上的评分行为即可，能够显著降低推荐系统的计算复杂度，提高推荐的速度和准确度，推荐性能高，而且更好地衡量用户之间的相关性，能够适应海量且稀疏的评分数据。

【技术实现步骤摘要】
基于子空间划分的推荐方法及系统
本专利技术涉及信息处理领域，尤其是指一种基于子空间划分的推荐方法及系统。
技术介绍
移动互联网技术的发展以及在线服务的普及为人们提供了快速获取所需信息的能力，人们可以通过各种途径随时随地访问互联网，海量数据更是给人们众多的选择。但是当人们的需求比较模糊时，选择的过程就会变得繁琐且复杂。除此之外，人们对信息的质量要求也越来越高，低质量的内容输出已满足不了人们的需求。因此，如何选择高质量信息也是人们需要面对的另外一个难题。推荐系统作为解决这些问题的关键技术，不需要与用户有过多的互动，却可以在海量数据中，为用户筛选出其感兴趣的一系列物品。推荐系统通过分析用户的行为信息，进而对用户进行个性化建模，主动挖掘出用户潜在兴趣点，从而引导用户发现自己的信息需求。推荐系统不仅可以为用户提供个性化服务，还能与用户之间建立密切关系，让用户对推荐产生依赖。推荐系统广泛应用于不同领域中，如电商网站、视频、音乐、生活服务等等，本质上缓解了信息过载的问题。但是，数据稀疏性、数据高维度等依然是个性化推荐正在面临的挑战。每个用户都只能对一本文档来自技高网...

【技术保护点】
1.一种基于子空间划分的推荐方法，其特征在于，包括：/n输入用户对物品的评分数据；/n根据评分数据将物品划分至子空间；/n在每个子空间中，分别计算用户之间的共同评分支持度，融合每个子空间的共同评分支持度得到总共同评分支持度，根据所述总共同评分支持度筛选出近邻集；/n根据所述近邻集获取目标用户对物品的评分预测值，并根据所述评分预测值向所述目标用户推荐物品。/n

【技术特征摘要】
1.一种基于子空间划分的推荐方法，其特征在于，包括：
输入用户对物品的评分数据；
根据评分数据将物品划分至子空间；
在每个子空间中，分别计算用户之间的共同评分支持度，融合每个子空间的共同评分支持度得到总共同评分支持度，根据所述总共同评分支持度筛选出近邻集；
根据所述近邻集获取目标用户对物品的评分预测值，并根据所述评分预测值向所述目标用户推荐物品。


2.根据权利要求1所述的基于子空间划分的推荐方法，其特征在于，所述用户对物品的评分数据包括用户集合U＝{u1,u2,...,un}、物品集合T＝{t1,t2,...,tm}和用户评分矩阵R＝[rij]n×m，其中n表示用户总数，m表示物品总数，rij表示用户ui对物品tj的评分值。


3.根据权利要求1所述的基于子空间划分的推荐方法，其特征在于，根据评分数据将物品划分至子空间包括：
将用户评分矩阵R转化为子矩阵，定义子矩阵中的最大值为rmax，子矩阵中的最小值为rmin，根据用户ui对物品tj的评分大小，将物品tj划分至子空间。


4.根据权利要求3所述的基于子空间划分的推荐方法，其特征在于，子矩阵的大小均是n×m。


5.根据权利要求3所述的基于子空间划分的推荐方法，其特征在于，将用户评分矩阵R转化为子矩阵，定义子矩阵中的最大值为rmax，子矩阵中的最小值为rmin，根据用户ui对物品tj的评分大小，将物品tj划分至子空间包括：
定义子空间分别为高分子空间、平均分子空间和低分子空间；
若则将物品tj划分至高分子空间；
若则将物品tj划分至平均分子空间；
若则将物品tj划分至低分子空间。


6.根据权利要求1所述的基于子空间划分的推荐方法，其特征在于，在每个子空间中，分别计算用户之间的共同评分支持度包括：
定义高分子空间中的物品集合为T1、平均分子空间的物品集合为T2及低分子空间中的物品集合为T3；
对于任意两个用户ui和up，它们之间的共同高评分支持度S1(ui,up)、共同平均评分支持度S2(ui,up)及共...

【专利技术属性】
技术研发人员：张莉，孙晓寒，屈蕴茜，王邦军，
申请(专利权)人：苏州大学，
类型：发明
国别省市：江苏;32