CN101329683A - 推荐系统及方法 - Google Patents

Abstract

本发明涉及一种推荐系统及方法，系统包括待推荐集确定模块、评分预测模块、推荐生成模块及推荐控制模块。方法包括：获取目标用户已评分项目的邻居项目集合，以及所述目标用户的邻居用户已评分的项目集合，计算所述邻居项目集合与所述项目集合的交集，获得待推荐项目集合；获取所述目标用户对所述待推荐项目集合中各项目的预测评分；根据所述预测评分向所述目标用户推荐相应的项目。通过对项目和用户进行综合考虑，更全面地考虑了各种因素，提高了项目推荐的准确性。

Description

推荐系统及方法

技术领域

本发明涉及网络技术，尤其涉及一种推荐系统及方法。

背景技术

随着互联网的普及和电子商务的迅速发展，推荐系统已被广泛用到各种领域，成为信息技术(information technology，IT)技术的一个重要研究内容，得到越来越多的关注。目前，几乎所有大型的电子商务系统，如Amazon、CDNOW、eBay、当当网上书店等，都不同程度的使用了各种形式的推荐系统。

一种推荐系统是基于用户的协同推荐，即根据评分相似的最近邻居的评分数据，向目标用户产生推荐。另一种推荐系统是基于项目的协同推荐，即基于项目的协同过滤推荐，其依赖于项目的相似度来进行推荐。

发明人在实现本发明的过程中，发现现有技术至少存在以下缺陷：这两种推荐系统对于评分数据稀疏的情况，均存在推荐质量低的问题。通常在电子商务网站中，用户购买或评分的商品相对于总商品数量，仅占有限的百分比，导致用户对项目的评分数据集稀疏。在这种项目数据量大而评分数据又稀疏的情况下，前一种推荐系统一方面难以成功地定位邻居用户集，影响推荐精度；另一方面由于难以定位邻居用户集，使得在整个用户空间上计算相似用户群的过程，不可避免地成为了算法的瓶颈。后一种推荐系统在预先计算项目相似度时，大部分项目之间的相似度为零，直接影响了推荐效果，推荐的准确性不高。

发明内容

本发明实施例提出一种推荐系统及方法，以全面地综合考虑推荐因素提高推荐的准确性。

本发明实施例提供了一种推荐系统，包括：

推荐控制模块，接收目标用户的请求，根据所述目标用户的请求调用待推荐集确定模块、评分预测模块和推荐生成模块；

待推荐集确定模块，用于根据所述调用获取目标用户已评分项目的邻居项目集合，以及获取所述目标用户的邻居用户已评分的项目集合，并计算所述邻居项目集合与所述项目集合的交集，确定待推荐项目集合；

评分预测模块，用于根据所述调用获取所述目标用户对所述待推荐项目集合中各项目的预测评分；

推荐生成模块，用于在所述推荐控制模块的调用下，根据所述预测评分生成向所述目标用户推荐的相应项目，发送给所述目标用户。

本发明实施例还提供了一种推荐方法，包括：

获取目标用户已评分项目的邻居项目集合，以及所述目标用户的邻居用户已评分的项目集合，计算所述邻居项目集合与所述项目集合的交集，获得待推荐项目集合；

获取所述目标用户对所述待推荐项目集合中各项目的预测评分；

根据所述预测评分向所述目标用户推荐相应的项目。

本发明实施例通过综合用户相似度和项目相似度对用户未评分项目进行预测评分，预测评分考虑的因素更全面，项目推荐的准确性更高。

附图说明

图1为本发明推荐系统实施例一的结构示意图；

图2为本发明推荐系统实施例二的结构示意图；

图3为本发明推荐系统实施例三的结构示意图；

图4为本发明推荐系统实施例四的结构示意图；

图5为本发明推荐方法实施例一的流程示意图；

图6为本发明推荐方法实施例二的流程示意图；

图7为本发明推荐方法实施例中预测评分实施例的流程示意图。

具体实施方式

图1为本发明推荐系统实施例一的结构示意图，推荐系统包括待推荐集确定模块5、评分预测模块6、推荐生成模块7及推荐控制模块8，其中，待推荐集确定模块5用于获取目标用户已评分项目的邻居项目集合；以及获取所述目标用户的邻居用户集合已评分的项目集合，并计算所述邻居项目集合与所述项目集合的交集；

推荐控制模块8用于在接收到目标用户的请求时，分别调用所述待推荐集确定模块5、评分预测模块6及推荐生成模块7，所述待推荐集确定模块5生成待推荐的各个项目，即确定待推荐项目集合，评分预测模块6对待推荐项目集合中的各待推荐项目进行预测评分，所述推荐生成模块7最后将按所述预测评分的结果生成向目标用户推荐的项目，之后由所述推荐控制模块向目标用户进行推荐。

本实施例中，项目与用户的分类可以参考现有技术，待推荐集确定模块5获取各项目的邻居项目时，可以从已经分类的各类项目中找到各项目的邻居项目。各类项目可以直接通过项目的单个维度或多个维度对项目进行分类得到，同一分类中的项目互为邻居项目。以音乐为例，可以以“歌手”维度为基准，所有“周杰伦”的歌曲可以看作一组，组内歌曲互为邻居歌曲；并且，为提高推荐准确度，还可以进一步取相似度最高的前几项作为邻居项目，例如歌曲之间可以以固定的常量或者通过人工定义数值作为相似度，将相似度最高的同类项目中的前几项作为邻居项目；各类项目还可以以用户-项目评分矩阵为基础，直接通过余弦相似度等数学计算公式计算项目的相似度以确定项目的邻居项目。为便于说明，假设可用数据为根据用户对于项目的评分建立的用户-项目评分矩阵，如表1所示。

表1

以表1为例，如确定项目2的邻居项目，首先确定与给定项目有共同评分用户的项目集合，即确定对项目2评过分的用户如用户1、用户2、用户3，获取用户1、用户2、用户3已评过分的项目如项目1、项目3、项目4及项目7；然后根据相似度计算方法计算给定项目与项目集合中的各项目的相似度，常用的相似度计算方法包括余弦相似法、相关相似法、皮尔森相关法等，这里以余弦法为例，即通过余弦计算公式计算项目2与项目1、项目3、项目4、项目7的相似度，以项目2和项目1为例，相似度 $S=\frac{5*3+4*2+0*3+4*0}{\sqrt{5*5+4*4+4*4}*\sqrt{3*3+2*2+3*3}}=0.65;$ 最后，取相似度最高的前n个项目作为给定项目如项目2的邻居项目。

待推荐集确定模块5获取目标用户的邻居用户时，可以从已经分类的各类用户中找到。各类用户可以以用户在社交应用中的分组作为分类依据，进行分类，得到各类用户。这里的分组指用户之间的好友关系，即目标用户的好友可以作为目标用户的邻居用户，或者处在共同的群组中用户互为邻居用户，比如音乐网站中共同加入“刘德华歌友圈”的用户群中的用户可以确认互为邻居用户；为提高推荐准确度，也可以进一步通过用户之间的相似度来确定目标用户的邻居用户，相似度可以用一个人为定义的数值或者依据群的属性以及用户属性来确定；还可以基于用户-项目评分矩阵来确定用户的邻居用户，处理方式与上述项目的邻居项目相类似。推荐集确定模块5将获取的目标用户已评分项目的邻居项目集合及目标用户的邻居用户已评分的项目集合，做交集运算处理，得到待推荐项目集合。

评分预测模块6用于获取所述目标用户对所述待推荐项目集合中各项目的预测评分。评分预测模块6可以单独基于用户或单独基于项目对待推荐项目集合中的项目进行预测评分，评分预测模块6也可以基于用户与项目的综合考虑待推荐项目的预测评分。在基于用户与项目的综合考虑待推荐项目的预测评分的情况下，评分预测模块6用于通过获取所述目标用户对所述待推荐项目集合中各项目的邻居项目的评分，计算所述目标用户对所述待推荐项目中的各待推荐项目的第一预测评分；通过获取所述目标用户的邻居用户对所述待推荐项目集合中各待推荐项目的评分，计算所述目标用户对所述待推荐项目中的各待推荐项目的第二预测评分；并根据所述第一预测评分和第二预测评分获得所述待推荐项目集合中各项目的预测评分。

评分预测模块主要基于项目之间的相似度来预测用户对待推荐项目的评分。首先，计算待推荐项目与其各邻居项目的相似度，计算方法类似于上述项目相似度的计算方法；并从表1的数据中，得到目标用户对待推荐项目的邻居项目的评分，通过公式：

$P=\frac{\mathrm{\Σsim}(t_a,t_b)\·R_{u_a{t}_a}}{\mathrm{\Σsim}(t_a,t_b)}---\left(1\right)$

计算获得目标用户对待推荐项目集合中的各项目的第一预测评分；

其次，可从已有的用户分类结果中，得到目标用户的邻居用户，并根据相似度计算方法得到目标用户与其各邻居用户的相似度；从表1的数据中得到各邻居用户对待推荐项目集合中的各项目的评分；并通过公式(1)计算获得目标用户对推荐项目集合中的各项目的第二预测评分；最后，根据第一预测评分与第二预测评分，得到目标用户对待推荐项目集合中的各项目的预测评分。

推荐生成模块7用于根据所述预测评分生成向所述目标用户推荐的相应项目。推荐生成模块7可根据评分预测模块6对待推荐项目的预测评分结果，根据评分的高低生成向所述目标用户推荐的项目，由所述推荐控制模块8向所述目标用户推荐。

本实施例中，推荐系统通过待推荐集确定模块、评分预测模块，对项目数据和用户数据进行综合分析运算，对于项目的预测评分考虑的因素更全面，项目推荐的准确性更高。

图2为本发明推荐系统实施例二的结构示意图，推荐系统包括项目模糊聚类模块1、数据库2、矩阵转换模块3、用户聚类模块4、待推荐集确定模块5、评分预测模块6、推荐生成模块7及推荐控制模块8，其中，数据库2包括项目簇库21、用户-项目簇矩阵库22及用户簇库23。

本实施例中，推荐系统基于模糊聚类对用户及项目进行分类，推荐系统的输入数据为已有的用户-项目矩阵库中的用户-项目评分矩阵数据，及已有的项目属性库中的项目基本属性数据；其中，项目基本属性数据描述了项目本身的基本属性信息；用户-项目评分矩阵数据是用户在业务使用过程中产生的用户对项目的评分数据，以表1为例。

项目模糊聚类模块1根据项目属性库中各项目的属性信息，将项目聚类为项目簇，并分别获取各项目到各项目簇的隶属度；项目模糊聚类模块1采用模糊C-均值算法对项目本身属性进行模糊聚类，并计算每个项目对其项目簇的隶属度。具体可包括：

根据项目本身的特征属性，将n个项目进行模糊聚类，得到K个项目簇C₁、C₂、...C_K。

其中，若项目为某网站的一个网页，则项目本身特征属性是指能够描述该网页的特征属性，如：网页文本内容的关键词等。对于一些描述性的特征属性需要把它们的值量化，量化方法：若某个项目有这方面的属性赋值为1，没有此属性赋值为0；根据实际需求对于该属性的重要性与否赋予权重。例：若某个项目为某一具体网站的一个网页，若公司比较注重此网站音乐方面的描述属性，可赋一较高权重值，若不注重则赋予一较低权重值。

根据项目的属性量化结果通过模糊C-均值算法对项目进行模糊聚类，同时得到每个项目与其所属项目簇的隶属度。

基于模糊C_均值的增量式聚类算法(FCM算法)中，X＝{x₁，x₂，x₃，......，x_n}为n元数据集合，x_i∈R^s表示量化得到的各项目的属性值，把项目集合X划分为c个子集s₁，s₂，......，s_c，若用z₁，z₂，......，z_c，表示这c个子集的聚类中心，u_ij表示元素x_i对s_j的隶属度，则FCM算法为优化目标函数：

$J_m(U,Z)=\underset{i=1}{\overset{n}{\mathrm{\Σ}}}\underset{j=1}{\overset{c}{\mathrm{\Σ}}}{u}_{\mathrm{ij}}^m{d}_{\mathrm{ij}}^2$

u_ij满足约束条件，

$\underset{j=1}{\overset{c}{\mathrm{\Σ}}}{u}_{\mathrm{ij}}=1,$ 1≤i≤n；

u_ij≥0，1≤i≤n，1≤j≤c。

这里U＝{u_ij}为x×c矩阵，Z＝{z₁，z₂......，z_c，}为s×c矩阵，d_ij为x_i与z_j的距离，通常定义 $d_{\mathrm{ij}}^2={\left|\right|x_i-z_j\left|\right|}^2={(x_i-z_j)}^T(x_i-z_j).$ m大于1为模糊指数，控制分类矩阵U的模糊程度，m越大，分类的模糊程度越高。在实际应用中，m的最佳取值范围为(1.5，2.5)，本实施例使用m＝2。

由此目标函数所决定的最优类中心与隶属度矩阵满足下列等式：

$u_{\mathrm{ij}}=\frac{{\left[\frac{1}{{\left|\right|x_i-z_j\left|\right|}^2}\right]}^{\frac{1}{m-1}}}{\underset{k=1}{\overset{c}{\mathrm{\Σ}}}{\left[\frac{1}{{\left|\right|x_i-z_k\left|\right|}^2}\right]}^{\frac{1}{m-1}}}$

$u_{\mathrm{ij}}=\frac{\frac{1}{{\left|\right|x_i-z_j\left|\right|}^2}}{\underset{k=1}{\overset{c}{\mathrm{\Σ}}}\frac{1}{{\left|\right|x_i-z_k\left|\right|}^2}}$ 其中 $\underset{j=1}{\overset{c}{\mathrm{\Σ}}}{u}_{\mathrm{ij}}=1,$ 1≤i≤n；

FCM算法是使目标函数J_m(U，Z)最小化的迭代收敛过程。在迭代收敛求J_m(U，Z)的最小值时，u_ij是按拉格朗日乘法得到的。经过上述计算，得到的项目簇及各项目对其所属项目簇的隶属度如表2所示。

表2

簇1的项目及其隶属度

簇2的项目及其隶属度

簇3的项目及其隶属度

通过项目模糊聚类模块1的模糊聚类，不仅形成了项目在属性特征上的相似关系群，还得到了项目之间在属性特征上模糊相似关系值，即项目对于项目簇的隶属度。

项目簇库21存储项目模糊聚类模块1聚类得到的项目簇及所述隶属度，以备矩阵转换模块3调用，当然，聚类得到的项目簇及所述隶属度也可以不用存储，由矩阵转换模块3直接调用。

矩阵转换模块3用于根据用户项目矩阵库中的评分数据以及所述隶属度，本实施例中，即根据表1和表2的数据，计算用户对项目簇的评分，获得用户项目簇矩阵；用户u_i对项目簇C_t的评分计算公式为：

$S_{\mathrm{it}}=\frac{\mathrm{\Σ}{W}_{j,t}*R_{i,j}}{\mathrm{\Σ}{W}_{j,t}}$

其中，W_jt为项目j对于项目簇C_t的隶属度，R_ij为用户i对项目j的评分。经过计算得到的用户项目簇矩阵如表3所示。

表3

用户-项目簇矩阵库22，用于存储所述矩阵转换模块计算得到的用户项目簇矩阵，以备用户聚类模块4调用；，当然，所述矩阵转换模块计算得到的用户项目簇矩阵也可以不用存储，由所述用户聚类模块4直接调用。

用户聚类模块4用于根据所述用户-项目簇矩阵库中的用户项目簇矩阵，将用户聚类为用户簇，本实施例中，将用户1、用户2、...、用户9分为不同的用户簇；

用户聚类模块4根据用户-项目簇矩阵，运用k-means算法基于用户对与项目簇的评分进行聚类。

k-means算法过程如下：

(1)从所有的用户中随机选取K个候选聚类中心(w₁，...，w_k)。

(2)对于每个用户，用相似度法求得最为接近的聚类中心，将此用户归到此类中。

(3)循环一次后将所有的用户进行聚类分配，对于归属到某聚类的用户重新计算聚类中心，聚类中心可以取所有归属到此类的用户的均值

这里C_j表示第j个聚类，u为C_j中的用户。

(4)当 $E=\underset{i=1}{\overset{k}{\mathrm{\Σ}}}\underset{u\∈c_j}{\mathrm{\Σ}}{\left(L_{{\mathrm{uw}}_j}\right)}^2>\∂$ 时，表明已找到最后收敛的聚类中心，完成了聚类操作。这里k表示聚类的数目，Ci表示第i个聚类，u为Ci中的用户，w_i表示第i个聚类的中心，

表示用户u与聚类中心w_i的相似度，

是相似度阈值。如果条件不满足，则回到(1)继续计算。

在每次循环中，聚类中心的位置都会发生变动，直到所有的聚类中心的位置基本不变为止，停止运算。另一方面，聚类中心的位置的移动随着循环的次数越来越小。用户聚类模块4经过上述运算得到用户簇，如表4所示。

表4

用户簇标识符ID	用户标识符ID
		1	3
1	4
		1	6
1	7
		2	1
2	8
		3	2
3	5
		3	9

用户簇库23用于存储用户聚类模块4聚类得到的用户簇，以备待推荐集确定模块5调用；当然，聚类得到的用户簇也可以不用存储，由待推荐集确定模块5直接调用。

待推荐集确定模块5用于根据所述项目簇，获取目标用户已评分项目的邻居项目集合；以及根据所述用户簇获取所述目标用户的邻居用户集合已评分的项目集合，并计算所述邻居项目集合与所述项目集合的交集。

本实施例中，假设业务调用方提供的目标用户为用户7，即希望获取用户7的推荐项目列表。则待推荐集确定模块5获取用户7已评分项目的邻居项目集合和邻居用户集合评过分的项目集合，将邻居项目集合与邻居用户集合评过分的项目集合的交集，作为目标用户的待推荐项目集合。

待推荐集确定模块5可以进一步包括相似项目确定模块51、相似用户确定模块52及相交模块53。

其中，相似项目确定模块51用于获取目标用户7已评分的第一项目集合，从所述项目簇数据中，获取所述第一项目集合中各项目的邻居项目；并将所述各项目的邻居项目合并，获得所述邻居项目集合。

如表1所示，用户7评分的项目有{项目3、项目4、项目7、项目8}；为避免将用户评分低的项目考虑进来，相似项目确定模块51还可在这里设置一个评分阈值，为便于描述记为K1，只考虑用户评分高于K1的项目所属的项目簇，先获取用户7评分高于K1的项目集合作为第一项目集合，从项目簇数据集中获取第一项目集合中项目所在的项目簇；本实施例中，假设K1＝3，由于用户7对项目3的评分为2，小于K1的值，则排除项目3后，第一项目集合为{项目4、项目7、项目8}。根据表2可知，{项目4、项目8}属于项目簇1，项目7属于项目簇2，而项目簇1中还包括{项目1、项目6}，项目簇2中还包括项目2，因此，项目4的邻居项目即相似项目为{项目1、项目6、项目8}；项目7的邻居项目为{项目2}；项目8的邻居项目为{项目1、项目6、项目4}，将项目4、项目、项目8的邻居项目合并得到邻居项目集合{项目1、项目2、项目4、项目6、项目8}。

相似项目确定模块51还可进一步计算第一项目集合{项目4、项目7、项目8}中的项目与各自的邻居项目的相似度，取相似度较高的前N个项目。相似项目确定模块51依次计算上述第一项目集合中的项目与其所在项目簇中其他项目的相似度，取前N个项目作为候选项目。这里的相似度计算方法可以采用常用的方法，比如余弦向量法、相关相似性、皮尔森系数等，本实施例以相关相似性函数方法为例，目标用户评分项目t_a邻居项目t_b的相似度可表示为：

$\mathrm{sim}(t_a,t_b)=\frac{\mathrm{\Σ}(R_{u_a{t}_a}-\stackrel{\‾}{R_{t_a}})(R_{u_a{t}_b}-\stackrel{\‾}{R_{t_b}})}{\sqrt{\mathrm{\Σ}{(R_{u_a{t}_a}-\stackrel{\‾}{R_{t_a}})}^2}\sqrt{\mathrm{\Σ}{(R_{u_a{t}_b}-\stackrel{\‾}{R_{t_b}})}^2}}$

其中，

表示项目t_a的平均评分，

代表项目t_b的平均评分，U为所有已评分项目t_a和t_b的用户的交集。

假设N＝3，则分别取项目4的邻居项目中与项目4相似度最高的前三个邻居项目作为最近邻居项目，项目8、项目7的邻居项目同，然后将这三个项目的最近邻居项目合并，得到邻居项目集合，即基于相似项目的待推荐项目。

相似用户确定模块52用于根据所述目标用户标识符ID，从用户簇库23中获取目标用户所属的用户簇，将该用户簇中除所述目标用户以外的用户作为邻居用户集，获取所述邻居用户集中用户已评分的项目集合。

本实施例中，目标用户为用户7，相似用户确定模块52根据用户簇库23中的用户簇数据即表4，可知，用户7所属的用户簇为用户簇1。用户簇1包括用户3、用户4、用户6及用户7，因此用户7的邻居用户为{用户3、用户4、用户6}。这里可以增加一个对近邻用户数的限制M，即只取用户簇中最相近的M个用户作为近邻用户集。这里衡量用户之间的距离的方法可以采用常用的相似度计算方法、比如余弦向量法、相关相似法、皮尔森稀疏法等，以相关相似性函数为例，用户u_a邻居用户u_b的相似度可表示为：

$\mathrm{sim}(u_a,u_b)=\frac{\mathrm{\Σ}(R_{u_a{t}_a}-\stackrel{\‾}{R_{u_a}})(R_{u_a{t}_b}-\stackrel{\‾}{R_{u_b}})}{\sqrt{\mathrm{\Σ}{(R_{u_a{t}_a}-\stackrel{\‾}{R_{u_a}})}^2}\sqrt{\mathrm{\Σ}{(R_{u_a{t}_b}-\stackrel{\‾}{R_{u_b}})}^2}}$

代表用户u_a的平均评分，

代表用户u_b的平均评分；

假设M＝3，则从{用户3、用户4、用户6}取与用户7相似度最高的前3个，则用户7的邻居用户集仍为{用户3、用户4、用户6}。

根据表1可知，用户3评过分的项目为{项目2、项目3、项目4、项目7}；用户4评过分的项目为{项目1、项目3、项目4、项目8}；用户6评过分的项目为{项目6、项目7}；将这些项目合并，得到邻居用户集中用户已评分的项目集合{项目1、项目2、项目3、项目4、项目5、项目6、项目7、项目8}。这里可以进一步设定一个评分值，为便于描述记为K2，从{用户3、用户4、用户6}评分的项目中取评分大于K2的项目作为候选项目；假设k＝3，则：

用户3评分＞3的项目为{项目4、项目7}；

用户4评分＞3的项目为{项目1、项目4、项目8}；

用户6评分＞3的项目为{项目6、项目7}；

合并得到基于相似用户的待推荐项目集即邻居用户集中用户已评分的项目集合{项目1、项目4、项目6、项目7、项目8}。

相交模块53用于计算所述邻居项目集合与所述用户已评分项目集合的交集，也就是：将第一待推荐项目集即邻居项目集合{项目1、项目2、项目4、项目6、项目8}与第二待推荐项目集即邻居用户已评分的项目集合{项目1、项目4、项目6、项目7、项目8}作交集处理，得到{项目1、项目4、项目6、项目8}，由于得到的项目集合中有用户7评过分的项目{项目4、项目8}，因此，相交模块53还可过滤目标用户7已评分的项目，作为最终的待推荐项目集，即{项目1、项目6}。

基于用户和基于项目得到的交集，是目标用户的相似邻居评价较高的项目集合，同时，这部分集合也是由目标用户评分的项目给出的最相似的项目集合。因此，对于一般用户而言，这部分作为待推荐集最为精确。

更进一步地，当第一待推荐项目集与第二项目推荐集取交集为空，或者交集中项目数目少于理想数目K时(K为系统设计者预设的一个值，可以在实施中进行调整)，待推荐集确定模块5还可包括循环指示模块54，用于在所述交集中的项目数不满足预定值的情况下，指示所述相似项目确定模块重新确定所述邻居项目集合，并指示所述相似用户确定模块重新确定所述邻居用户集中用户已评分的项目集合。

循环指示模块54判断第一待推荐项目集和第二待推荐项目集的交集情况，如果交集满足系统要求，即交集中的项目数大于理想数目K时，结束获取待推荐项目集的处理流程；如果交集不满足系统要求，即交集中的项目数少于K或者交集为空，则做如下处理：

指示相似项目确定模块51取项目的近邻项目数为N+α(α≥1)，获得新的第一待推荐项目集；

指示相似用户确定模块52用户的近邻用户数为N+α(α≥1)，获得新的第二待推荐项目集；

相交模块53则对新的第一、第二待推荐项目集作交集处理，得到新的待推荐项目集合，直至第一待推荐项目集与第二待项目推荐集的交集满足系统要求。

此外，对于交集为空的情况，待推荐集确定模块还可以包括直接推荐指示模块55，用于在所述交集为空的情况下，指示推荐生成模块7直接推荐默认的项目，如给出一组系统默认的热门项目(可以包含排序信息)作为推荐项目，这种情况下，给出热门推荐项目即表示推荐流程结束，不再进行下面的预测评分和排序处理。

评分预测模块6用于根据项目簇及评分数据，获取目标用户对所述交集中各项目的邻居项目的第一个预测评分；以及根据所述用户簇库与评分数据，获取所述目标用户的邻居用户对所述交集中的各项目的第二个预测评分；并根据所述第一个预测评分和第二个预测评分，分别获得所述目标用户对所述交集中各项目的预测评分。即，评分预测模块6可根据用户对项目的评分以及项目本身在属性上的相似度，依次预测目标用户7对待推荐项目集中每个项目的评分。评分预测模块6可以进一步包括项目相似预测模块61、用户相似预测模块62及综合预测模块63。项目相似预测模块61用于从所述项目簇库中获取所述交集各项目的邻居项目，根据所述评分数据分别获取所述交集各项目的已评分邻居项目；以及通过公式：

$\mathrm{sim}(t_a,t_b)=\sqrt{{\mathrm{\γ}}^2+{\left(\frac{\mathrm{\Σ}(R_{u_a{t}_a}-\stackrel{\‾}{R_{t_a}})(R_{u_a{t}_b}-\stackrel{\‾}{R_{t_b}})}{\sqrt{\mathrm{\Σ}{(R_{u_a{t}_a}-\stackrel{\‾}{R_{t_a}})}^2}\sqrt{\mathrm{\Σ}{(R_{u_a{t}_a}-\stackrel{\‾}{R_{t_b}})}^2}}\right)}^2}---\left(2\right)$

分别计算所述交集各项目与所述已评分邻居项目的相似度；其中， $\mathrm{\γ}=-{(\frac{u_{t_a}}{u_{t_b}}-1)}^2+1,$ 表示权重，

表示项目t_a的平均评分，

表示项目t_b的平均评分，U表示所有已评分项目t_a和t_b的用户的交集，

表示项目t_a对于项目簇的隶属度，

表示项目t_b对于项目簇的隶属度，且 $u_{t_b}>u_{t_a};$ 并通过公式 $P_1=\frac{\mathrm{\Σsim}(t_a,t_b)\·R_{u_a{t}_b}}{\mathrm{\Σsim}(t_a,t_b)}---\left(3\right)$ 分别计算获得所述目标用户对所述交集中各项目的第一个预测评分P₁；其中，

表示用户u_a对项目t_b的评分，sim(t_a，t_b)表示项目t_a与项目t_b之间的相似度；本实施例中，待推荐项目集合{项目1、项目6}中，根据表2可知，项目1的邻居项目为{项目4、项目6、项目8}，由表1可知，其中，被目标用户7评分的项目有{项目4、项目8}，根据公式(2)计算项目1与项目4、项目8的相似度sim(t₁，t₄)、sim(t₁，t₈)，将sim(t₁，t₄)、sim(t₁，t₈)以及目标用户对项目4、项目8的评分代入公式(3)，得到目标用户7对项目1的第一预测评分，本实施例中，计算结果为3。同上，计算得到目标用户7对项目6的第一预测评分。

用户相似预测模块62用于从所述用户簇库中获取所述目标用户的邻居用户；根据所述评分数据分别获取对所述交集中各项目评分的邻居用户；分别计算所述目标用户与对所述交集中各项目评分的邻居用户的相似度；通过公式 $P_2=\frac{\mathrm{\Σsim}(u_a,u_b)\·R_{u_a{t}_b}}{\mathrm{\Σsim}(u_a,u_b)}---\left(4\right)$ 分别计算获得所述目标用户对所述交集各项目的第二个预测评分P₂；其中，

表示邻居用户u_a对项目t_b的评分，sim(u_a，u_b)表示邻居用户u_a与目标用户u_b的相似度；本实施例中，用户相似预测模块62根据表4，可知目标用户7的邻居用户为{用户3、用户4、用户6}；根据表1可知，对待推荐项目集合中项目1评分的邻居用户为用户4，对待推荐项目集合中项目6评分的邻居用户为用户6；并分别计算目标用户7与邻居用户中对目标项目有评分的用户即用户4、用户6的相似度，这里相似度采用常规的相似度计算方法；然后采用公式(4)，由邻居用户4、用户6评分预测目标用户7的评分，得到目标用户7对项目1的第二预测评分，这里评分结果为4；同上，计算得到目标用户7对项目6的第二预测评分。

综合预测模块63用于通过回归方程P＝αP₁+βP₂分别计算所述目标用户对所述交集中各项目的预测评分，其中，P1表示所述目标用户对所述交集各项目的第一个预测评分，P2表示所述目标用户对所述交集各项目的第二个预测评分，α、β分别表示目标用户受邻居用户影响和受相似项目影响的程度；若目标用户受人的影响大，则α＞β；反之，目标用户对于项目的趋近性大，则α＜β。加入影响参数α、β，使得推荐系统能够根据不同的用户设置不同的影响参数，更好的体现个性化。其中，{α+β＝1}，本实施例中，设项目计算的影响参数α＝0.55，用户计算的影响参数β＝0.45，计算目标用户7对于项目1的预测评分为0.55×3+0.45×4＝3.45。同上，计算得到目标用户7对于项目6的预测评分为2.483。

推荐生成模块7用于根据所述总预测评分向所述目标用户推荐相应的项目；本实施例中，推荐生成模块8将项目1、项目6推荐给目标用户7。进一步地，推荐生成模块7还可据预测评价最高的前n个项目作为对目标用户7的推荐结果。将目标用户7对于待推荐项目集合中项目的预测评价从大到小依次排列，评价最高的前n个项目作为向目标用户7推荐的结果。本例中对待推荐项目集按预测评分排序，依次为项目1、项目6，即把项目1作为最优推荐给用户7，项目6作为次级推荐。

推荐控制模块8用于在接收到目标用户请求时，调用所述待推荐集确定模块5、评分预测模块6、推荐生成模块7。

本实施例中，推荐系统还可进一步包括定时器9，以定时触发项目模糊聚类模块1、矩阵转换模块3、用户聚类模块4对基础数据集进行处理，包括更新后的基础数据集。

推荐系统中，糊聚类模块1、矩阵转换模块3、用户聚类模块4可离线操作，执行时可由定时器9定时触发，也可手动触发。

本实施例，推荐系统通过根据项目本身属性对于项目进行聚类，并计算出各个项目对于项目簇的隶属度，将用户对于每个项目的评价通过计算转换为对于某个项目簇的评价，这样在用户-项目评分矩阵中每个用户对于每个项目簇都有相应的评价，更准确地对项目、用户进行了综合分析运算避免了评分数据稀疏带来的推荐不准确问题，进一步提高了推荐系统的推荐准确性。本实施例中的推荐系统相比于传统的协同推荐流程，克服了传统协同推荐处理中不考虑项目本身属性的缺陷，从而有利于计算用户的近邻用户和项目的近邻项目；另一方面，提出了一种综合用户相似度和项目相似度对用户未评分项目的预测评分方法，使得推荐系统更全面地考虑了各种因素进行预测评分和生成待推荐项目，保证了推荐的效果更准确。并且，在预测用户对待推荐项目的评分时，同时考虑的用户相似度和项目相似度的因素，提高了预测评分的准确性，同时能够在实施中可以根据不同的用户，设置不同的影响参数，更好的体现了个性化。

当然，本发明的系统实施例一也可以采用图3所示的结构，请参考图3。图3所示的系统与图1所示的系统的不同之处在于：待推荐集确定模块5将确定的待推荐项目集合发送给评分预测模块6进行评分。评分预测模块6对待推荐项目集合进行预测评分，将评分结果发送给推荐生成模块7。推荐控制模块8根据评分结果，推荐生成模块7在推荐控制模块8的控制下生成向目标用户推荐的项目集合，并发送给目标用户。图3所示的系统的相关处理可以参考图1和图2的相关描述。

图4为本发明推荐系统实施例四的系统结构示意图，本实施例与图2所示推荐系统的不同之处在于：待推荐集确定模块5将确定的待推荐项目集合发送给评分预测模块6进行评分。评分预测模块6对待推荐项目集合进行预测评分，将评分结果发送给推荐生成模块7。推荐控制模块8根据评分结果，推荐生成模块7在推荐控制模块8的控制下生成向目标用户推荐的项目集合，并发送给目标用户。图4所示的系统的相关处理可以参考图2的相关描述。

图5为本发明推荐方法实施例一的流程示意图，包括：

步骤501、获取目标用户已评分项目的邻居项目集合，以及所述目标用户的邻居用户已评分的项目集合，计算所述邻居项目集合与所述项目集合的交集，获得待推荐项目集合；

步骤502、获取所述目标用户对所述待推荐项目集合中各项目的预测评分；

步骤503、根据所述预测评分向所述目标用户推荐相应的项目。

本实施例中，推荐方法通过综合用户相似度和项目相似度对用户未评分项目进行预测评分，使得预测评分考虑的因素更全面，项目推荐的准确性更高。

图6为本发明推荐方法实施例二的流程示意图，以对表1中的用户项目为例，假设目标用户仍为用户7，向目标用户7推荐项目的过程包括：

步骤601、项目模糊聚类模块1根据项目的属性信息将项目聚类为项目簇，并分别获取各项目到各项目簇的隶属度，如表2所示；

步骤603、矩阵转换模块3根据项目的评分数据及隶属度，计算用户对所述项目簇的评分，获得用户项目簇矩阵，如表3所示；

步骤605、用户聚类模块4根据所述用户项目簇矩阵，将用户聚类为用户簇，如表4所示；

步骤607、待推荐集确定模块5根据所述项目簇获取目标用户7已评分项目的邻居项目集合；以及根据所述用户簇获取所述目标用户7的邻居用户集合已评分的项目集合，并计算所述邻居项目集合与所述项目集合的交集，得到待推荐项目集合；

步骤609、评分预测模块6根据所述项目簇、用户簇及评分数据，获取所述目标用户对所述待推荐项目集合中各项目的预测评分，如图7所示，假设获取目标用户7对待推荐项目集合中项目6的预测评分，过程包括：

步骤701、根据所述项目簇及评分数据，获取目标用户7对项目6的邻居项目的评分数据；

步骤703、根据公式(3)获取所述目标用户7对所述待推荐项目6的第一个预测评分P1；

步骤705、根据所述用户簇与评分数据，获取所述目标用户7的邻居用户对所述待推荐项目6评分；

步骤707、根据公式(4)计算获得目标用户7对项目6的第二个预测评分P2；

步骤709，根据所述第一个预测评分P1和第二个预测评分P2，获得所述目标用户7对待推荐项目6的综合预测评分；

步骤711、将已预测评分的项目6放入待推荐项目集合中；

步骤713、判断待推荐项目集合中是否还有未预测的项目，若有，则充分执行步骤701-711中的步骤，得到待推荐项目集合中的其它项目的预测评分，直至将待推荐项目集合中的所有项目都完成预测评分。

步骤611、推荐生成模块7根据所述总预测评分向所述目标用户7推荐相应的项目。

其中，步骤601～步骤605可离线执行，主要为步骤607～步骤611的运算提供数据，减轻线上计算量，提高推荐速率，以达到实时推荐目的。步骤601～步骤605也可省去，即项目和用户的分类也可以在推荐处理时，实时确定项目的邻居项目和用户的邻居用户。步骤607～步骤611在线执行，主要完成对目标用户的在线推荐工作。在步骤601～步骤605缺省的情况下，步骤607～步骤611中涉及到项目的邻居项目可使用基于项目维度得到的分类结果，涉及到用户的邻居项目可使用基于用户在社交应用中的分组的分类结果。获得待推荐项目集合和对待推荐项目集合的预测是在线部分的重要过程，其主要任务是为目标用户寻找与其兴趣度最类似的项目集合并预测其评分。已在系统实施例中详细说明。

本实施例，推荐系统通过根据项目本身属性对于项目进行聚类，并计算出各个项目对于项目簇的隶属度，将用户对于每个项目的评价通过计算转换为对于某个项目簇的评价，这样在用户-项目评分矩阵中每个用户对于每个项目簇都有相应的评价，避免了评分数据稀疏带来的推荐不准确问题，相比于传统的协同推荐流程，克服了传统协同推荐处理中不考虑项目本身属性的缺陷，从而有利于计算用户的近邻用户和项目的近邻项目；另一方面，提出了一种综合用户相似度和项目相似度对用户未评分项目的预测评分方法，使得推荐系统更全面地考虑了各种因素，保证了推荐的效果更准确。并且，在预测用户对待推荐项目的评分时，同时考虑的用户相似度和项目相似度的因素，提高了预测评分的准确性，同时能够在实施中可以根据不同的用户，设置不同的影响参数，更好的体现了个性化。

本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于一计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。

最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (21)

1、一种推荐系统，其特征在于，包括：

推荐控制模块，接收目标用户的请求，根据所述目标用户的请求调用待推荐集确定模块、评分预测模块和推荐生成模块；

待推荐集确定模块，用于根据所述调用获取目标用户已评分项目的邻居项目集合，以及获取所述目标用户的邻居用户已评分的项目集合，并计算所述邻居项目集合与所述项目集合的交集，确定待推荐项目集合；

评分预测模块，用于根据所述调用获取所述目标用户对所述待推荐项目集合中各项目的预测评分；

推荐生成模块，用于在所述推荐控制模块的调用下，根据所述预测评分生成向所述目标用户推荐的相应项目，发送给所述目标用户。

2、根据权利要求1所述的推荐系统，其特征在于，所述评分预测模块包括：

相似项目预测模块，用于通过获取所述目标用户对所述待推荐项目集合中各项目的邻居项目的评分，获得所述目标用户对所述待推荐项目集合中各项目的第一预测评分；

相似用户预测模块，用于通过获取所述目标用户的邻居用户对所述待推荐项目集合中各项目的评分，获得所述目标用户对所述待推荐项目集合中各项目的第二预测评分；

综合预测模块，用于根据所述第一预测评分和第二预测评分获得所述待推荐项目集合中各项目的预测评分。

3、根据权利要求2所述的推荐系统，其特征在于，所述待推荐集确定模块包括：

相似项目确定模块，用于获取所述目标用户已评分的第一项目集合，从项目簇数据中获取所述第一项目集合中各项目的邻居项目并合并，获得所述邻居项目集合；

相似用户确定模块，从所述用户簇中获得所述目标用户所属的用户簇，将目标用户所属的用户簇中除所述目标用户以外的用户作为邻居用户集，获取所述邻居用户集中的用户已评分的项目集合；

相交模块，用于计算所述邻居项目集合与所述用户已评分项目集合的交集，得到所述待推荐项目集合。

4、根据权利要求1或3所述的推荐系统，其特征在于，还包括：

项目模糊聚类模块，用于根据项目属性库中的各项目的属性信息，将所述各项目聚类为所属项目簇，并获取所述各项目与所属项目簇的隶属度；

矩阵转换模块，用于根据用户项目矩阵库中的评分数据以及所述项目簇库中的隶属度，计算用户对所述项目簇的评分，获得用户项目簇矩阵；

用户聚类模块，用于根据所述用户项目簇矩阵，将用户聚类为用户簇；

所述生成待推荐项目集合为：所述待推荐集确定模块根据所述项目簇，获取目标用户已评分项目的邻居项目集合，以及根据所述用户簇获取所述目标用户的邻居用户已评分的项目集合，计算所述邻居项目集合与所述项目集合的交集，生成所述待推荐项目集合；

所述评分预测模块生成预测评分为：所述评分预测模块还用于根据所述项目簇、用户簇及评分数据，获取所述目标用户对所述待推荐项目集合中各项目的预测评分。

5、根据权利要求3所述的推荐系统，其特征在于，所述待推荐集确定模块进一步包括：

循环指示模块，用于判断所述待推荐项目集合中的项目数是否满足预定值，在不满足时，指示所述相似项目确定模块重新确定所述邻居项目集合和所述邻居用户集中用户已评分的项目集合；

所述相交模块还用于将所述相似项目确定模块和相似用户确定模块的重新确定结果进行交集计算。

6、根据权利要求3所述的推荐系统，其特征在于，所述待推荐集确定模块进一步包括：

直接推荐指示模块，用于在所述相交模块的待推荐项目集合为空时，指示所述推荐生成模块推荐默认的项目。

7、根据权利要求1或3所述的推荐系统，其特征在于，还包括定时器，用于定时触发所述项目模糊聚类模块、矩阵转换模块和用户聚类模块。

8、一种推荐方法，其特征在于，包括：

获取目标用户已评分项目的邻居项目集合，以及所述目标用户的邻居用户已评分的项目集合，计算所述邻居项目集合与所述项目集合的交集，获得待推荐项目集合；

获取所述目标用户对所述待推荐项目集合中各项目的预测评分；

根据所述预测评分向所述目标用户推荐相应的项目。

9、根据权利要求8所述的推荐方法，其特征在于，获取所述目标用户对所述待推荐项目集合中各项目的预测评分包括：

通过获取所述目标用户对所述待推荐项目集合中各项目的邻居项目的评分，获得所述目标用户对所述待推荐项目集合中各项目的第一预测评分；

通过获取所述目标用户的邻居用户对所述待推荐项目集合中各项目的评分，获得所述目标用户对所述待推荐项目集合中各项目的第二预测评分；

根据所述第一预测评分和第二预测评分获得所述待推荐项目集合中各项目的预测评分。

10、根据权利要求8或9所述的推荐方法，其特征在于，还包括：

根据项目属性库中的各项目的属性信息，将所述各项目聚类为项目簇，并获取所述各项目与所属项目簇的隶属度；

根据用户项目矩阵库中的评分数据以及所述项目簇中的隶属度，计算用户对所述项目簇的评分，获得用户项目簇矩阵；

根据所述用户项目簇矩阵，将用户聚类为用户簇；

所述生成待推荐项目集合为：根据所述项目簇获取目标用户已评分项目的邻居项目集合，获取所述目标用户的邻居用户集合已评分的项目集合包括：根据所述用户簇获取所述目标用户的邻居用户集合已评分的项目集合，计算所述待推荐项目集合与所述项目集合的交集，生成所述待推荐项目集合；

获取所述目标用户对所述待推荐项目集合中各项目的预测评分包括：根据所述项目簇、用户簇及评分数据，获取所述目标用户对所述待推荐项目集合中各项目的预测评分。

11、根据权利要求10所述的推荐方法，其特征在于，所述根据所述项目簇获取目标用户已评分项目的邻居项目集合包括：

获取所述目标用户已评分的第一项目集合，从所述项目簇中获取所述第一项目集合中各项目的邻居项目并合并，获得所述邻居项目集合；

所述根据所述用户簇获取所述目标用户的邻居用户集合已评分的项目集合包括：从所述用户簇中获取所述目标用户所属的用户簇，将所述目标用户所属的用户簇中除所述目标用户以外的用户作为邻居用户集，获取所述邻居用户集中的用户已评分的项目集合。

12、根据权利要求10所述的推荐方法，其特征在于，所述根据各项目的属性信息将项目聚类为项目簇，并获取所述各项目与所属项目簇的隶属度包括：

将所述项目属性信息量化，得到所述各项目的属性值，并根据所述属性值将所述项目进行模糊聚类，得到项目簇及各项目簇的聚类中心；

根据公式 $u_{\mathrm{ij}}=\frac{\frac{1}{{\left|\right|x_i-z_j\left|\right|}^2}}{\underset{k=1}{\overset{c}{\mathrm{\Σ}}}\frac{1}{{\left|\right|x_i-z_k\left|\right|}^2}}$ 计算各项目与各项目簇的隶属度u_ij，其中，u_ij代表项目i的隶属度，x_i代表项目i的属性值，z_j代表项目簇c_j聚类中心的属性值，||x_i-z_j||²为x_i与z_j的距离。

13、根据权利要求10所述的推荐方法，其特征在于，根据项目的评分数据及所述隶属度，计算用户对所述项目簇的评分，获得用户项目簇矩阵包括：

将所述评分数据及隶属度作为已知条件，通过公式 $S_{\mathrm{it}}=\frac{\mathrm{\Σ}{W}_{j,t}*R_{i,j}}{\mathrm{\Σ}{W}_{j,t}}$ 计算用户对所述项目簇的评分；其中，W_jt为项目j对于项目簇C_t的隶属度，R_ij为用户i对项目j的评分。

14、根据权利要求10所述的推荐方法，其特征在于，根据所述用户项目簇矩阵，将用户聚类为用户簇包括：

将所述用户项目簇矩阵中的值作为已知条件，通过k-均值算法计算所述用户簇。

15、根据权利要求11所述的推荐方法，其特征在于，还包括：

设置评分阈值，所述目标用户对所述第一项目集合中项目的评分，均大于所述评分阈值；

或，所述邻居用户对所述用户已评分的项目集合中项目的评分，均大于所述评分阈值。

16、根据权利要求11所述的推荐方法，其特征在于，还包括：

获取所述第一项目集合中的各项目与其邻居项目的相似度，所述邻居项目集合中的邻居项目为按相似度的大小获取的部分邻居项目。

17、根据权利要求16所述的推荐方法，其特征在于，还包括：

获取所述目标用户与其邻居用户的相似度，所述邻居用户集中的邻居用户为按所述相似度的大小获取的部分邻居用户。

18、根据权利要求11所述的推荐方法，其特征在于，还包括：

从所述邻居项目集合与所述项目集合的交集的计算结果中过滤所述目标用户已评分的项目。

19、根据权利要求11所述的推荐方法，其特征在于，还包括：

判断所述待推荐项目集合中的项目数是否满足预定值，如果不满足，指示所述相似项目确定模块重新确定所述邻居项目集合所述邻居用户集中的用户已评分的项目集合；

将所述相似项目确定模块和相似用户确定模块重新确定的结果进行交集计算。

20、根据权利要求10所述的推荐方法，其特征在于，根据所述项目簇、用户簇及评分数据，获取所述目标用户对所述待推荐项目集合中各项目的预测评分包括：

从所述项目簇获取所述交集各项目的邻居项目，根据所述评分数据分别获取所述交集各项目的已评分邻居项目；通过公式 $\mathrm{sim}(t_a,t_b)=\sqrt{{\mathrm{\γ}}^2+{\left(\frac{\mathrm{\Σ}(R_{u_a{t}_a}-\stackrel{\‾}{R_{t_a}})(R_{u_a{t}_b}-\stackrel{\‾}{R_{t_b}})}{\sqrt{\mathrm{\Σ}{(R_{u_a{t}_a}-\stackrel{\‾}{R_{t_a}})}^2}\sqrt{\mathrm{\Σ}{(R_{u_a{t}_a}-\stackrel{\‾}{R_{t_b}})}^2}}\right)}^2}$ 计算所述交集各项目与所述已评分邻居项目的相似度；其中， $\mathrm{\γ}=-{(\frac{u_{t_a}}{u_{t_b}}-1)}^2+1,$ 表示权重，

表示项目t_a的平均评分，表示项目t_b的平均评分，U表示所有已评分项目t_a和t_b的用户的交集，

表示项目t_a对于项目簇的隶属度，

表示项目t_b对于项目簇的隶属度，且 $u_{t_b}>u_{t_a};$

通过公式 $P_1=\frac{\mathrm{\Σsim}(t_a,t_b)\·R_{u_a{t}_b}}{\mathrm{\Σsim}(t_a,t_b)}$ 计算获得所述目标用户对所述各待推荐项目的第一个预测评分，其中，

表示用户u_a对项目t_b的评分，sim(t_a，t_b)表示项目t_a与项目t_b之间的相似度；

从所述用户簇库获取所述目标用户的邻居用户，根据所述评分数据获取对所述交集中各项目评分的邻居用户；计算所述目标用户与对所述各待推荐项目评分的邻居用户的相似度；通过公式 $P_2=\frac{\mathrm{\Σsim}(u_a,u_b)\·R_{u_a{t}_b}}{\mathrm{\Σsim}(u_a,u_b)}$ 计算获得所述目标用户对所述各待推荐项目的第二个预测评分，其中，

表示邻居用户u_a对项目t_b的评分，sim(u_a，u_b)表示邻居用户u_a与目标用户u_b的相似度；

通过回归方程P＝αP₁+βP₂计算所述目标用户对所述待推荐项目集合中各项目的预测评分，其中，α、β表示所述目标用户受邻居用户影响和受相似项目影响的程度。

21、根据权利要求8或11中任一项所述的推荐方法，其特征在于，根据所述预测评分向所述目标用户推荐相应的项目包括：

根据所述预测评分的大小向所述目标用户推荐所述待推荐项目集合中的全部或部分项目。

Images