專利名稱：一種基于逆鄰分析的協(xié)作過濾推薦系統(tǒng)及方法
技術(shù)領(lǐng)域：
本發(fā)明屬于網(wǎng)絡(luò)推薦系統(tǒng)技術(shù)領(lǐng)域，特別涉及一種基于逆鄰分析的協(xié)作過濾推薦 系統(tǒng)及方法。
背景技術(shù)：
網(wǎng)絡(luò)上的信息回的信息/商品過多而無所適從。個(gè)性化推薦系統(tǒng)是幫助用戶過 濾掉其他無用信息/商品，聚焦在他最有可能感興趣的信息/商品的有力手段。協(xié)作過濾 推薦是迄今為止個(gè)性化推薦系統(tǒng)中應(yīng)用得最廣泛、最成功的推薦技術(shù)，其基本思想是通過 用戶對(duì)已瀏覽的信息或已購買商品進(jìn)行評(píng)分，通過評(píng)分表達(dá)他對(duì)該信息/商品的喜好或厭 惡程度，系統(tǒng)根據(jù)多個(gè)用戶在多個(gè)信息/商品(下稱為項(xiàng)目)上的評(píng)分矩陣，計(jì)算用戶之 間(稱為基于用戶的協(xié)作過濾)或項(xiàng)目(稱為基于項(xiàng)目的協(xié)作過濾)相似性，并保存下來。 當(dāng)為目標(biāo)用戶計(jì)算在未評(píng)分項(xiàng)目上的推薦時(shí)，系統(tǒng)在線為目標(biāo)項(xiàng)目尋找興趣最相近的若干 個(gè)項(xiàng)目，考慮這些項(xiàng)目接受該用戶的評(píng)分情況，并根據(jù)這個(gè)評(píng)分來決定是否將該未評(píng)分項(xiàng) 目推薦給用戶。然而，評(píng)分?jǐn)?shù)據(jù)的稀疏性給協(xié)作過濾推薦帶來了很多問題，一是系統(tǒng)使用初 期，系統(tǒng)資源還未獲得足夠多的評(píng)價(jià)，此時(shí)的評(píng)分矩陣中獲得評(píng)分的項(xiàng)目相當(dāng)?shù)纳?；二是隨 著數(shù)據(jù)庫中項(xiàng)目數(shù)量的增加，每個(gè)用戶對(duì)這些項(xiàng)目相關(guān)的評(píng)分密度就會(huì)減少。由于用戶與 用戶之間在已評(píng)分項(xiàng)目上的交集很小，那么由評(píng)分項(xiàng)目體現(xiàn)出來的特征相似性就會(huì)降低， 從而導(dǎo)致系統(tǒng)產(chǎn)生不可靠的推薦結(jié)果，而且此時(shí)必須花費(fèi)很高的代價(jià)來維持用戶相似性矩 陣，計(jì)算量大大增加，系統(tǒng)的性能和準(zhǔn)確性都會(huì)越來越低。

發(fā)明內(nèi)容
本發(fā)明的首要目的在于克服上述現(xiàn)有技術(shù)的缺點(diǎn)與不足，提供一種結(jié)構(gòu)簡(jiǎn)單、合 理的基于逆鄰分析的協(xié)作過濾推薦系統(tǒng)，同時(shí)結(jié)合目標(biāo)用戶的最近鄰和逆最近鄰來為目標(biāo) 用戶產(chǎn)生推薦列表。本發(fā)明的另一目的還在于提供由上述系統(tǒng)實(shí)現(xiàn)的基于逆鄰分析的協(xié)作過濾推薦 方法。為達(dá)上述目的，本發(fā)明采用如下的技術(shù)方案一種基于逆鄰分析的協(xié)作過濾推薦系統(tǒng)，包括依次連接的用戶信息記錄器、用戶 信息存儲(chǔ)模塊、逆鄰分析器和推薦產(chǎn)生器，所述逆鄰分析器包括項(xiàng)目相似度計(jì)算模塊、項(xiàng)目 相似度分析模塊、最近鄰產(chǎn)生模塊和逆最近鄰產(chǎn)生模塊，所述項(xiàng)目相似度計(jì)算模塊分別與 用戶信息存儲(chǔ)模塊、項(xiàng)目相似度分析模塊連接，所述項(xiàng)目相似度分析模塊分別與最近鄰產(chǎn) 生模塊、逆最近鄰產(chǎn)生模塊連接，所述最近鄰產(chǎn)生模塊、逆最近鄰產(chǎn)生模塊分別與推薦產(chǎn)生 器連接。所述推薦產(chǎn)生器包括相互連接的項(xiàng)目預(yù)測(cè)分?jǐn)?shù)計(jì)算模塊和推薦列表產(chǎn)生模塊，所 述項(xiàng)目預(yù)測(cè)分?jǐn)?shù)計(jì)算模塊分別與最近鄰產(chǎn)生模塊、逆最近鄰產(chǎn)生模塊連接。所述項(xiàng)目預(yù)測(cè)分?jǐn)?shù)計(jì)算模塊包括相互連接的評(píng)分模塊和判斷模塊，所述評(píng)分模塊分別與最近鄰產(chǎn)生模塊、逆最近鄰產(chǎn)生模塊連接；所述推薦列表產(chǎn)生模塊包括排序模塊、選值模塊和列表生成模塊，所述排序模塊 與判斷模塊連接。其中所述用戶信息記錄器用于記錄用戶對(duì)不同項(xiàng)目的評(píng)分；所述用戶信息存儲(chǔ)模塊，用于將通過記錄模塊得到的用戶評(píng)分信息保存在物理存 儲(chǔ)中，并將其在使用時(shí)通過矩陣的形式讀出，矩陣列為所有項(xiàng)目資源的名稱，矩陣行為每個(gè) 用戶對(duì)相應(yīng)資源的評(píng)分；所述逆鄰分析器根據(jù)用戶信息存儲(chǔ)模塊中已有的用戶評(píng)分，分析項(xiàng)目間的相似程 度，來推測(cè)各項(xiàng)目間的關(guān)系，最后通過這種關(guān)系得到目標(biāo)項(xiàng)目的最近鄰與逆最近鄰。所述推薦產(chǎn)生器，利用逆鄰分析模塊提供的最近鄰以及逆最近鄰，對(duì)用戶未評(píng)分 的項(xiàng)目進(jìn)行預(yù)測(cè)評(píng)分，并根據(jù)評(píng)分的結(jié)果對(duì)用戶進(jìn)行推薦。項(xiàng)目相似度計(jì)算模塊，通過分析用戶對(duì)項(xiàng)目已有評(píng)分，對(duì)所有項(xiàng)目之前的相似度 進(jìn)行計(jì)算。項(xiàng)目相似度分析模塊，通過對(duì)項(xiàng)目相似度計(jì)算模塊得出的項(xiàng)目相似度信息，對(duì)各 項(xiàng)目的相似性進(jìn)行分析，得到項(xiàng)目相似性的一個(gè)排名，以列表的形式存儲(chǔ)待后續(xù)步驟使用。最近鄰產(chǎn)生模塊，根據(jù)項(xiàng)目相似度計(jì)算模塊得到的項(xiàng)目間相似度，為每一個(gè)項(xiàng)目 找到與之最相似的若干個(gè)其他項(xiàng)目，作為這個(gè)項(xiàng)目的最近鄰。逆最近鄰產(chǎn)生模塊，根據(jù)項(xiàng)目相似度計(jì)算模塊得到的項(xiàng)目間相似度，為每一個(gè)項(xiàng) 目找到那些將該項(xiàng)目視為前若干個(gè)最相似項(xiàng)目的其他項(xiàng)目，作為這個(gè)項(xiàng)目的逆最近鄰。項(xiàng)目預(yù)測(cè)分?jǐn)?shù)計(jì)算模塊，根據(jù)逆鄰分析器中最近鄰產(chǎn)生模塊與逆最近鄰產(chǎn)生模塊 得到的針對(duì)目標(biāo)項(xiàng)目的兩個(gè)項(xiàng)目集合，與這兩個(gè)項(xiàng)目集合上用戶給出的評(píng)分記錄，預(yù)測(cè)用 戶對(duì)目標(biāo)項(xiàng)目的評(píng)分情況。推薦列表產(chǎn)生模塊，根據(jù)預(yù)測(cè)分?jǐn)?shù)計(jì)算模塊得出的對(duì)于目標(biāo)項(xiàng)目的預(yù)測(cè)分?jǐn)?shù)，對(duì) 所有項(xiàng)目進(jìn)行比較，取預(yù)測(cè)評(píng)分最高的那部分項(xiàng)目作為對(duì)用戶的推薦列表。逆鄰分析器的輸入為用戶信息存儲(chǔ)模塊的輸出，即結(jié)構(gòu)化的用戶-項(xiàng)目評(píng)分矩 陣；逆鄰分析器的輸出是目標(biāo)項(xiàng)目的最近鄰集合和逆最近鄰集合；推薦產(chǎn)生器的輸入是目 標(biāo)項(xiàng)目的最近鄰集合與逆最近鄰集合，即逆鄰分析器的輸出，其輸出是對(duì)用戶可能感興趣 之項(xiàng)目的推薦列表。由上述系統(tǒng)實(shí)現(xiàn)的基于逆鄰分析的協(xié)作過濾推薦方法，包括步驟(1)用戶分別對(duì)部分項(xiàng)目作出評(píng)分，并通過用戶信息記錄器記錄用戶給各項(xiàng)目所 作出的已有評(píng)分信息；(2)步驟(1)中記錄所得的評(píng)分信息發(fā)送至用戶信息存儲(chǔ)模塊的物理存儲(chǔ)中保 存，并通過用戶信息存儲(chǔ)模塊建立用戶_項(xiàng)目評(píng)分矩陣；所述用戶-項(xiàng)目評(píng)分矩陣為一個(gè)結(jié) 構(gòu)化的二維矩陣，其縱坐標(biāo)為項(xiàng)目列表，橫坐標(biāo)為用戶列表，每一個(gè)矩陣單元中存儲(chǔ)的數(shù)據(jù) 為該矩陣單元橫坐標(biāo)對(duì)應(yīng)的用戶給該矩陣單元縱坐標(biāo)對(duì)應(yīng)的項(xiàng)目的評(píng)分值；(3)逆鄰分析(3-1)相似度計(jì)算將步驟(2)中的用戶-項(xiàng)目評(píng)分矩陣輸入逆鄰分析器中，逆鄰 分析器中的項(xiàng)目相似度計(jì)算模塊根據(jù)用戶_項(xiàng)目評(píng)分矩陣計(jì)算所有各項(xiàng)目之間的相似度；
(3-2)逆鄰分析器中的項(xiàng)目相似度分析模塊對(duì)計(jì)算所得的各項(xiàng)目之間的相似度進(jìn) 行分析，建立項(xiàng)目相似性列表，所述項(xiàng)目相似性列表的第一列為目標(biāo)項(xiàng)目，第一列以上的各 列為目標(biāo)項(xiàng)目以外的其他各項(xiàng)目，且所述目標(biāo)項(xiàng)目以外的其他各項(xiàng)目按照其與目標(biāo)項(xiàng)目的 相似度由大至小依次排列；相似度以一個(gè)橫坐標(biāo)與縱坐標(biāo)均為項(xiàng)目的項(xiàng)目間距離矩陣來表 示；(3-3)為多個(gè)用戶產(chǎn)生推薦，分別為每個(gè)用戶產(chǎn)生推薦的獨(dú)立過程；對(duì)一個(gè)用戶 進(jìn)行推薦，由逆鄰分析器選擇一個(gè)該用戶未評(píng)分且未予預(yù)測(cè)的項(xiàng)目為目標(biāo)項(xiàng)目；(3-4)最近鄰產(chǎn)生模塊在步驟(2-2)所得項(xiàng)目相似性列表中查找到該目標(biāo)項(xiàng)目 的所有最近鄰，并構(gòu)成最近鄰集；所述最近鄰集合為其與該目標(biāo)項(xiàng)目相似度的排名在設(shè)定 百分比以上的其他各項(xiàng)目構(gòu)成的集合；各目標(biāo)項(xiàng)目與其最近鄰集合構(gòu)成最近鄰-相似性列 表，所述最近鄰_相似性列表的第一列為目標(biāo)項(xiàng)目，第一列以上的各列分別為該目標(biāo)項(xiàng)目 的最近鄰集合中的各最近鄰，且各最近鄰按其與目標(biāo)項(xiàng)目的相似度由大至小依次排列；(3-5)逆最近鄰產(chǎn)生模塊在步驟(2-2)所得項(xiàng)目相似性列表中查找該目標(biāo)項(xiàng)目的 所有逆最近鄰，并構(gòu)成逆最近鄰集；所述逆最近鄰集為視該目標(biāo)項(xiàng)目為最近鄰的其他項(xiàng)目 構(gòu)成的集合；各目標(biāo)項(xiàng)目與其逆最近鄰集合構(gòu)成逆最近鄰-相似性列表，所述逆最近鄰-相 似性列表的第一列為目標(biāo)項(xiàng)目，第一列以上的各列分別為該目標(biāo)項(xiàng)目的逆最近鄰集合中的 各最近鄰，且各逆最近鄰按其與目標(biāo)項(xiàng)目的相似度由大至小依次排列；(4)根據(jù)步驟(3-4)得到的最近鄰-相似性列表和步驟(3-5)得到的逆最近鄰-相 似性列表，項(xiàng)目預(yù)測(cè)分?jǐn)?shù)計(jì)算模塊中的評(píng)分模塊計(jì)算用戶對(duì)該目標(biāo)項(xiàng)目的預(yù)測(cè)評(píng)分，得到 該用戶對(duì)各目標(biāo)項(xiàng)目的預(yù)測(cè)評(píng)分值；(5)預(yù)測(cè)分?jǐn)?shù)計(jì)算模塊中的判斷模塊判斷是否所有目標(biāo)項(xiàng)目都已完成預(yù)測(cè)評(píng)分， 若是，則進(jìn)行下一步驟，否則執(zhí)行步驟(3-3) 步驟(3)，對(duì)下一個(gè)目標(biāo)項(xiàng)目進(jìn)行預(yù)測(cè)評(píng)分；(6)推薦列表產(chǎn)生模塊中的排序模塊對(duì)所有已進(jìn)行預(yù)測(cè)評(píng)分的項(xiàng)目的預(yù)測(cè)評(píng)分值 由大至小進(jìn)行排序，選值模塊選取預(yù)測(cè)評(píng)分值的排名位于設(shè)定百分比以上的所有項(xiàng)目，并 通過列表生成模塊將選取的結(jié)果生成推薦列表，返回給用戶；(7)完成項(xiàng)目的推薦。作為優(yōu)選方案，所述步驟(3-4)中，所述最近鄰集合為其與該目標(biāo)項(xiàng)目相似度的 排名在5% 20%以上的其他各項(xiàng)目構(gòu)成的集合；作為優(yōu)選方案，所述步驟(6)中，所述選值模塊選取預(yù)測(cè)評(píng)分值的排名位于5% 20%以上的所有項(xiàng)目。作為優(yōu)選方案，所述步驟(3-5)中，所述逆最近鄰集為目標(biāo)相似度在其與所有項(xiàng) 目相似度中的排名在5% 20%以上的其他所有項(xiàng)目構(gòu)成的集合。對(duì)于所述步驟(3-1)中的相似度，作為一種優(yōu)選方案，所述步驟(3-1)中，兩個(gè)項(xiàng) 目之間的相似度滿足
χ 其中，sim(iD，iD)為項(xiàng)目iD與項(xiàng)目iD之間的相似度，Sk,p為用戶Uk對(duì)項(xiàng)目iD的給出的評(píng)分值，Sk, q為用戶Uk對(duì)項(xiàng)目ip的給出的評(píng)分值； 對(duì)于所述步驟(3-1)中的相似度，作為第二種優(yōu)選方案，所述步驟(3-1)中，兩個(gè) 項(xiàng)目之間的相似度滿足
權(quán)利要求
一種基于逆鄰分析的協(xié)作過濾推薦系統(tǒng)，其特征在于包括依次連接的用戶信息記錄器、用戶信息存儲(chǔ)模塊、逆鄰分析器和推薦產(chǎn)生器，所述逆鄰分析器包括項(xiàng)目相似度計(jì)算模塊、項(xiàng)目相似度分析模塊、最近鄰產(chǎn)生模塊和逆最近鄰產(chǎn)生模塊，所述項(xiàng)目相似度計(jì)算模塊分別與用戶信息存儲(chǔ)模塊、項(xiàng)目相似度分析模塊連接，所述項(xiàng)目相似度分析模塊分別與最近鄰產(chǎn)生模塊、逆最近鄰產(chǎn)生模塊連接，所述最近鄰產(chǎn)生模塊、逆最近鄰產(chǎn)生模塊分別與推薦產(chǎn)生器連接。
2.根據(jù)權(quán)利要求1所述的基于逆鄰分析的協(xié)作過濾推薦系統(tǒng)，其特征在于所述推薦 產(chǎn)生器包括相互連接的項(xiàng)目預(yù)測(cè)分?jǐn)?shù)計(jì)算模塊和推薦列表產(chǎn)生模塊，所述項(xiàng)目預(yù)測(cè)分?jǐn)?shù)計(jì) 算模塊分別與最近鄰產(chǎn)生模塊、逆最近鄰產(chǎn)生模塊連接。
3.根據(jù)權(quán)利要求2所述的基于逆鄰分析的協(xié)作過濾推薦系統(tǒng)，其特征在于所述項(xiàng)目 預(yù)測(cè)分?jǐn)?shù)計(jì)算模塊包括相互連接的評(píng)分模塊和判斷模塊，所述評(píng)分模塊分別與最近鄰產(chǎn)生 模塊、逆最近鄰產(chǎn)生模塊連接；所述推薦列表產(chǎn)生模塊包括排序模塊、選值模塊和列表生成模塊，所述排序模塊與判 斷模塊連接。
4.由權(quán)利要求1 3任一項(xiàng)所述系統(tǒng)實(shí)現(xiàn)的基于逆鄰分析的協(xié)作過濾推薦方法，其特 征在于，包括步驟(1)用戶分別對(duì)部分項(xiàng)目作出評(píng)分，并通過用戶信息記錄器記錄用戶給各項(xiàng)目所作出 的已有評(píng)分信息；(2)步驟(1)中記錄所得的評(píng)分信息發(fā)送至用戶信息存儲(chǔ)模塊的物理存儲(chǔ)中保存，并 通過用戶信息存儲(chǔ)模塊建立用戶_項(xiàng)目評(píng)分矩陣；所述用戶_項(xiàng)目評(píng)分矩陣為一個(gè)結(jié)構(gòu)化 的二維矩陣，其縱坐標(biāo)為項(xiàng)目列表，橫坐標(biāo)為用戶列表，每一個(gè)矩陣單元中存儲(chǔ)的數(shù)據(jù)為該 矩陣單元橫坐標(biāo)對(duì)應(yīng)的用戶給該矩陣單元縱坐標(biāo)對(duì)應(yīng)的項(xiàng)目的評(píng)分值；(3)逆鄰分析(3-1)相似度計(jì)算將步驟(2)中的用戶-項(xiàng)目評(píng)分矩陣輸入逆鄰分析器中，逆鄰分析 器中的項(xiàng)目相似度計(jì)算模塊根據(jù)用戶-項(xiàng)目評(píng)分矩陣計(jì)算所有各項(xiàng)目之間的相似度；(3-2)逆鄰分析器中的項(xiàng)目相似度分析模塊對(duì)計(jì)算所得的各項(xiàng)目之間的相似度進(jìn)行分 析，建立項(xiàng)目相似性列表，所述項(xiàng)目相似性列表的第一列為目標(biāo)項(xiàng)目，第一列以上的各列為 目標(biāo)項(xiàng)目以外的其他各項(xiàng)目，且所述目標(biāo)項(xiàng)目以外的其他各項(xiàng)目按照其與目標(biāo)項(xiàng)目的相似 度由大至小依次排列；(3-3)對(duì)一個(gè)用戶進(jìn)行推薦，由逆鄰分析器選擇一個(gè)該用戶未評(píng)分且未予預(yù)測(cè)的項(xiàng)目 為目標(biāo)項(xiàng)目；(3-4)最近鄰產(chǎn)生模塊在步驟(2-2)所得項(xiàng)目相似性列表中查找到該目標(biāo)項(xiàng)目的所有 最近鄰，并構(gòu)成最近鄰集；所述最近鄰集合為其與該目標(biāo)項(xiàng)目相似度的排名在設(shè)定百分比 以上的其他各項(xiàng)目構(gòu)成的集合；各目標(biāo)項(xiàng)目與其最近鄰集合構(gòu)成最近鄰_相似性列表，所 述最近鄰_相似性列表的第一列為目標(biāo)項(xiàng)目，第一列以上的各列分別為該目標(biāo)項(xiàng)目的最近 鄰集合中的各最近鄰，且各最近鄰按其與目標(biāo)項(xiàng)目的相似度由大至小依次排列；(3-5)逆最近鄰產(chǎn)生模塊在步驟(2-2)所得項(xiàng)目相似性列表中查找該目標(biāo)項(xiàng)目的所有 逆最近鄰，并構(gòu)成逆最近鄰集；所述逆最近鄰集為視該目標(biāo)項(xiàng)目為最近鄰的其他項(xiàng)目構(gòu)成 的集合；各目標(biāo)項(xiàng)目與其逆最近鄰集合構(gòu)成逆最近鄰_相似性列表，所述逆最近鄰_相似性列表的第一列為目標(biāo)項(xiàng)目，第一列以上的各列分別為該目標(biāo)項(xiàng)目的逆最近鄰集合中的各最 近鄰，且各逆最近鄰按其與目標(biāo)項(xiàng)目的相似度由大至小依次排列；(4)根據(jù)步驟(3-4)得到的最近鄰-相似性列表和步驟(3-5)得到的逆最近鄰-相似 性列表，項(xiàng)目預(yù)測(cè)分?jǐn)?shù)計(jì)算模塊中的評(píng)分模塊計(jì)算用戶對(duì)該目標(biāo)項(xiàng)目的預(yù)測(cè)評(píng)分，得到該 用戶對(duì)各目標(biāo)項(xiàng)目的預(yù)測(cè)評(píng)分值；(5)預(yù)測(cè)分?jǐn)?shù)計(jì)算模塊中的判斷模塊判斷是否所有目標(biāo)項(xiàng)目都已完成預(yù)測(cè)評(píng)分，若是， 則進(jìn)行下一步驟，否則執(zhí)行步驟(3-3) 步驟(3)，對(duì)下一個(gè)目標(biāo)項(xiàng)目進(jìn)行預(yù)測(cè)評(píng)分；(6)推薦列表產(chǎn)生模塊中的排序模塊對(duì)所有已進(jìn)行預(yù)測(cè)評(píng)分的項(xiàng)目的預(yù)測(cè)評(píng)分值由大 至小進(jìn)行排序，選值模塊選取預(yù)測(cè)評(píng)分值的排名位于設(shè)定百分比以上的所有項(xiàng)目，并通過 列表生成模塊將選取的結(jié)果生成推薦列表，返回給用戶；(7)完成項(xiàng)目的推薦。
5.根據(jù)權(quán)利要求4所述的基于逆鄰分析的基于逆鄰分析的協(xié)作過濾推薦方法，其特征 在于所述步驟(3-4)中，所述最近鄰集合為其與該目標(biāo)項(xiàng)目相似度的排名在5% 20%以 上的其他各項(xiàng)目構(gòu)成的集合；所述步驟(6)中，所述選值模塊選取預(yù)測(cè)評(píng)分值的排名位于5% 6%以上的所有項(xiàng)目。
6.根據(jù)權(quán)利要求4所述的基于逆鄰分析的基于逆鄰分析的協(xié)作過濾推薦方法，其特征 在于所述步驟(3-5)中，所述逆最近鄰集為目標(biāo)相似度在其與所有項(xiàng)目相似度中的排名 在5 % 20 %以上的其他所有項(xiàng)目構(gòu)成的集合。
7.根據(jù)權(quán)利要求4所述的基于逆鄰分析的基于逆鄰分析的協(xié)作過濾推薦方法，其特征 在于所述步驟(3-1)中，兩個(gè)項(xiàng)目之間的相似度滿足
8.根據(jù)權(quán)利要求4所述的基于逆鄰分析的基于逆鄰分析的協(xié)作過濾推薦方法，其特征 在于所述步驟(4)中，用戶對(duì)該目標(biāo)項(xiàng)目的預(yù)測(cè)評(píng)分滿足其中，Sa, t為用戶Ua在項(xiàng)目it上的預(yù)測(cè)評(píng)分，SimGj, it)為項(xiàng)目ij與it之間的相似 性，kNN(it)為k個(gè)最近鄰集合；Rk' NN(it)為k，個(gè)逆最近鄰集合。
9.根據(jù)權(quán)利要求4所述的基于逆鄰分析的基于逆鄰分析的協(xié)作過濾推薦方法，其特征 在于所述步驟(4)中，用戶對(duì)該目標(biāo)項(xiàng)目的預(yù)測(cè)評(píng)分滿足其中，Sa,t為用戶Ua在項(xiàng)目it上的預(yù)測(cè)評(píng)分，SimGpit)為項(xiàng)目ij與it之間的相似性， 為項(xiàng)目it的評(píng)分值的平均值，$為項(xiàng)目、的評(píng)分值的平均值，f為項(xiàng)目、，的評(píng)分 值的平均值；或者，所述步驟(4)中，用戶對(duì)該目標(biāo)項(xiàng)目的預(yù)測(cè)評(píng)分滿足:其中，Sa, t為用戶Ua在項(xiàng)目it上的預(yù)測(cè)評(píng)分，SimGj, it)為項(xiàng)目ij與it之間的相似 性，kNN(it)為k個(gè)最近鄰集合；Rk’ NN(it)為k’個(gè)逆最近鄰集合；α與β為權(quán)重系數(shù)，且 α +β =1。
10.根據(jù)權(quán)利要求4所述的基于逆鄰分析的基于逆鄰分析的協(xié)作過濾推薦方法，其特 征在于述步驟(4)中，用戶對(duì)該目標(biāo)項(xiàng)目的預(yù)測(cè)評(píng)分滿足
全文摘要
本發(fā)明提供了一種基于逆鄰分析的協(xié)作過濾推薦系統(tǒng)及方法，所述系統(tǒng)包括依次連接的用戶信息記錄器、用戶信息存儲(chǔ)模塊、逆鄰分析器和推薦產(chǎn)生器，逆鄰分析器包括項(xiàng)目相似度計(jì)算模塊、項(xiàng)目相似度分析模塊、最近鄰產(chǎn)生模塊和逆最近鄰產(chǎn)生模塊，項(xiàng)目相似度計(jì)算模塊分別與用戶信息存儲(chǔ)模塊、項(xiàng)目相似度分析模塊連接，項(xiàng)目相似度分析模塊分別與最近鄰產(chǎn)生模塊、逆最近鄰產(chǎn)生模塊連接，最近鄰產(chǎn)生模塊、逆最近鄰產(chǎn)生模塊分別與推薦產(chǎn)生器連接。所述方法包括步驟記錄已有評(píng)分信息；保存評(píng)分信息，建立用戶-項(xiàng)目評(píng)分矩陣；逆鄰分析；對(duì)該目標(biāo)項(xiàng)目的預(yù)測(cè)評(píng)分；生成推薦列表；完成項(xiàng)目的推薦。本發(fā)明顯著提高推薦系統(tǒng)的推薦質(zhì)量。
文檔編號(hào)G06F17/30GK101986301SQ20101052758
公開日2011年3月16日 申請(qǐng)日期2010年10月31日 優(yōu)先權(quán)日2010年10月31日
發(fā)明者杜卿, 閔華清, 陳健, 黃晉 申請(qǐng)人:華南理工大學(xué)