【技术实现步骤摘要】
本专利技术是综合用户与项目各自评分数据及特征因素产生的推荐算法,主要解决传统推荐算法中的冷启动问题及数据稀疏性问题,属于推荐研究的
技术介绍
当今推荐系统使用的大多数技术主要划分为两类基于内容的推荐算法和协同过滤推荐算法。基于内容的推荐算法是指基于物品本身的属性特征信息进行相似度计算,而协同过滤推荐算法是指通过分析用户兴趣,在用户群中找到指定用户的相似兴趣用户,综合相似用户对某一信息的评价,形成系统对该指定用户对此信息的喜好程度预测。现有的推荐算法中普遍存在三大问题(1)数据稀疏性问题在项目数量很大,用 户评分的项目数量却很少时,就会产生很稀疏的评分矩阵。(2)冷启动问题新用户没有对任何项目评过分,新项目没有任何用户对它评过分。(3)可扩展性问题当系统规模变大时,推荐算法性能急剧下降,从而产生不准确推荐。协同过滤算法被普遍认为是最成功的推荐算法,但是它不能解决传统推荐算法中普遍存在的冷启动问题,当有新用户和新项目时,由于没有评分记录,就很难通过协同过滤算法产生很好的推荐效果,因此需要可以依据用户特征和项目特征而产生的推荐算法。同时,在现实应用中,项目数量巨大,而用户评分或购买的项目很小,这样导致用户评分矩阵非常稀疏,直接导致用户之间或者项目之间的相似度计算不准确,从而影响推荐精度,因此需要通过推荐算法预估用户评分,解决数据稀疏性问题。在推荐算法中,过多的关注用户或项目特征因素忽视评分数据,由于项目特征有限,很难有效的得到更多数据,而过多关注评分数据忽视用户或项目特征因素,由于是基于历史数据,对新用户或新项目都会产生冷启动问题,这样偏向任一方都有 ...
【技术保护点】
一种综合用户和项目评分及特征因素的推荐方法,其特征在于:结合评分数据和特征因素,并将用户和项目的最终推荐结果相结合,具体步骤如下:步骤一,构造基于用户和基于用户特征的相似度模型SimUser1(i,j),SimUser2(i,j)如下:SimUser1(i,j)=Σc∈Ii,j(Ri,c-Ai)(Rj,c-Aj)Σc∈Ii,j(Ri,c-Ai)2Σc∈Ii,j(Rj,c-Aj)2Dis(i,j)=Σk=1n(ik-jk)2SimUser2(i,j)=11+Dis(i,j)其中Ri,c表示用户i对项目c的评分,Rj,c表示用户j对项目c的评分,Ii,j表示用户i和j都评过分的项目集合,Ai表示用户i对Ii,j集合中的所有项目评分的平均值,Aj表示用户j对Ii,j集合中的所有项目评分的平均值,Dis(i,j)等式中的n表示用户的特征数目,ik表示用户i的第k个特征值,jk表示用户j的第k个特征值;步骤二,选取权值ω将SimUser1(i,j)和SimUser2(i,j)结合起来,SimUser( ...
【技术特征摘要】
1.一种综合用户和项目评分及特征因素的推荐方法,其特征在于结合评分数据和特征因素, 并将用户和项目的最終推荐结果相结合,具体步骤如下 步骤一,构造基于用户和基于用户特征的相似度模型SimUser1 (i, j), SimUser2Q, j)如下2.根据权利要求I所述的ー种综合用户和项目评分及特征因素的推荐方法,其特征在于所述步骤一的构造基于用户和基于用户特征的相似度模型的过程如下 输入原始训练数据集、用户评分矩阵、推荐算法考虑的用户特征总数 输出3.根据权利要求I所述的ー种综合用户和项目评分及特征因素的推荐方法,其特征在于所述步...
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。