基于多元线性回归和第三方信用的改进协同过滤方法技术

由于简单易懂得步骤和卓越的计算性能，协同过滤算法已成为推荐系统中的一个热门研究领域，与此同时，传统的协同过滤算法存在着很多不足，如：稀疏性矩阵、冷启动问题、用户的信任问题、相似度计算公式的缺陷等。通过分析协同过滤算法中的上述问题，提出了一种面向基于多元线性回归及第三方信用的改进协同过滤算法，从而实施第三方信用模型的构建以及用信用相似度的计算。具体实施结果表明，基于多元线性回归及第三方信用的改进协同过滤算法优于传统的协同过滤算法。在提出的基于多元线性回归及第三方信用的改进协同过滤算法中，协同过滤算法之间的稀疏性问题、用户的信任问题、相似度计算公式得到了有效缓解。似度计算公式得到了有效缓解。

【技术实现步骤摘要】
基于多元线性回归和第三方信用的改进协同过滤方法


[0001]本专利技术属于智能推荐算法领域，具体是基于多元线性回归及第三方信用的改进协同过滤算法。

技术介绍

[0002]在高速发展的信息时代，如何从海量的数据中挖掘出数据的共性，找出其中潜在的规律，变得越来越重要。改进的协同过滤算法从数据中找出用户的潜在需求并结合互联网的快速发展趋势，可以推广到生活的各个方面。每天清晨想要找到一首喜欢的歌迎接一天的好心情时，协同过滤算法可以帮你；每餐想要找到自己爱吃的食物补充能量时，协同过滤算法可以帮你；吃多了想要运动减肥却又纠结运动装备如何选择时，协同过滤算法也可以帮你。总之，协同过滤算法已经渗透到生活里的方方面面，应用实例数不胜数。
[0003]但是传统的协同过滤算法存在着很多不足，如：稀疏性矩阵、冷启动问题、用户的信任问题、相似度计算公式的缺陷。如何有效的缓解或者解决传统协同过滤算法的缺陷一直是一大难题，针对这一问题，大量学者提出了一些解决方案。姚劲勃、余宜诚等人提出利用PCA降维的方式，改善稀疏性矩阵的问题；于金明、孟军等人提出的相似性度量方法，本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于多元线性回归及第三方信用的改进协同过滤方法，其特征在于：首先构建基于第三方个人的加权信用模型，其次收集用户对某个项目产生行为的信用值矩阵。通过喜爱向量进行量化得到线性回归方程，对选取与目标用户最相似的N个用户作为目标用户的邻居。最后利用推荐公式实现对用户产生推荐。(1)加权信用模型计算描述为：其中，Credit
Tac
(m,n)表示信用值矩阵的转置,ω
a
,ω
b
,ω
c
分别代表不同等级的信任机构的信任权重。(2)信用值矩阵计算描述为：其中，a为某一常数，c代表某一评判等级含有的第三方个人的数量，m代表行，q代表n个用户，max代表当前评判等级中最认可的第三方信任，min代表当前评判等级中认可度排名最后的第三方个人。(3)喜爱向量计算描述为：nat
i
＝(nat
i1
,nat
i2
,...,nat
ij
,...,nat
in
)其中，nat
in
代表了第i个用户的第代表了第i个用户的n个属性，nat
i
代表了第i个用户的喜爱向量。(4)对每一个用户的喜爱向量量化构建多元线性回归...

【专利技术属性】
技术研发人员：朱赟，于士浩，郑闻悦，高连峰，陈剑，
申请(专利权)人：赣南师范大学，
类型：发明
国别省市：