CN101482884A - 一种基于用户偏好评分分布的协作推荐系统 - Google Patents

Abstract

本发明公开了一种基于用户偏好评分分布的协作推荐系统，特点包括：数据引擎装置、项目属性类别分类器、用户兴趣存储装置、推荐模块装置、用户交互装置。本发明与现有技术相比具有准确度高、通用性强的优点，大大提高了系统效率，它对用户的负担小，不需要过多的参与到系统反馈中，就可以从有限的反馈信息中挖掘出评分分布信息，可广泛用于网络电视节目的推荐、电子商务网站购物推荐。

Description

一种基于用户偏好评分分布的协作推荐系统

技术领域

本发明涉及网络技术领域，特别是一种基于用户偏好评分分布的协作推荐系统。

背景技术

个性化推荐系统被广泛应用于电视节目推荐和电子商务行业，向用户自动推荐感兴趣的节目信息和商品资源，一定程度上缓解了“信息过载”问题，并且能够将网上的“浏览者”转变为“购买者”。推荐模块是推荐系统中最核心的装置，现有推荐技术主要有基于内容过滤的推荐、基于协作过滤的推荐及基于该两种方法的组合推荐。基于内容过滤的推荐效率和精度较低，而且针对一些多媒体资源无法方便的使用。基于协作的技术是当前最成功的推荐技术，其基本思想是把兴趣度相似的其他用户感兴趣的项目推荐给自己。该技术核心内容是为目标用户寻找兴趣度相似的邻居用户，假设对用户A和B，对n个项目资源的评价值(

区间整数，分别表示很不喜欢，比较不喜欢，一般，比较喜欢，很喜欢。)可表示为两向量a(a₁，a₂，L，a_n)和b(b₁，b₂，L，b_n)，衡量两个用户兴趣是否相似的标准是根据相关系数来计算评价向量a和b的相似程度，然而，随着用户评价值的增多，两个用户所表现出的整体相似度急剧降低，即两个人绝大部分兴趣都相似可能性是很小的。因此，随着系统用户数和项目数的急剧增多，该方法计算目标用户的相似兴趣邻居用户集时，计算复杂度增大，准确性降低，系统的扩展性和推荐质量随之下降。

发明内容

本发明的目的是针对现有技术的不足而设计的一种基于用户偏好评分分布的协作推荐系统，它能更准确的描述用户之间的相似性，提高系统效率和推荐精度，具有很高的通用性，适用于网络电视节目的推荐、电子商务网站购物推荐。

本发明的目的是这样实现的：一种基于用户偏好评分分布的协作推荐系统，特点包括：数据引擎装置、项目属性类别分类器、用户兴趣存储装置、推荐模块装置、用户交互装置，数据引擎装置的两输出端分别连接项目属性类别分类器和用户兴趣存储装置，项目属性类别分类器和用户兴趣存储装置的输出接推荐模块装置，推荐模块装置的输出接用户交互装置，用户交互装置的输出接入用户兴趣存储装置，数据引擎装置的输入端接数据库。

所述推荐模块装置包括：评分分布空间向量计算装置、目标用户近邻产生装置、协作推荐装置。

本发明与现有技术相比具有以下优点：

1、对用户的负担小，不需要过多的参与到系统反馈中，可以从有限的反馈信息中挖掘出评分分布信息，提高系统效率。

2、基于评分分布的协同过滤方法，计算用户之间的相似度，准确度高。

3、推荐方法的精确度提高。

4、本发明方法具有通用性，可用于网络电视节目的推荐、电子商务网站购物推荐。

附图说明

图1为本发明结构示意图

图2为本发明流程图

图3为评分分布向量计算流程图

图4为推荐模块装置结构示意图

具体实施方式

参阅附图1，本发明包括：数据引擎装置、项目属性类别分类器、用户兴趣存储装置、推荐模块装置、用户交互装置，各装置的具体连接为：数据引擎装置的两输出端分别连接项目属性类别分类器和用户兴趣存储装置，项目属性类别分类器和用户兴趣存储装置的输出接推荐模块装置，推荐模块装置的输出接用户交互装置，用户交互装置的输出接入用户兴趣存储装置，数据引擎装置的输入端接数据库。

将来自数据库的信息接入数据引擎装置，数据引擎装置分别为项目属性类别分类器和用户兴趣存储装置提供结构化的数据，项目属性类别分类器为推荐模块装置提供项目属性类别，用户兴趣存储装置为推荐模块装置提供用户-项目评分矩阵，推荐模块装置将项目属性类别和用户-项目评分矩阵以各用户感兴趣的项目进行列表推荐给用户交互装置，用户交互装置对目标用户进行项目资源推荐，并记录用户的反馈信息输入用户兴趣存储装置，更新用户兴趣存储装置中的用户兴趣评分矩阵。

参阅附图2，本发明按下述步骤进行推荐：

1、提供结构化的数据

假设有M个用户和N个信息项目，预测目标用户a对未评分项目的兴趣评分，数据引擎装置是为项目属性类别分类器和用户兴趣存储装置提供结构化的数据。

2、建立项目属性类别

参阅附图3，对数据引擎装置提供的结构化数据，由项目属性类别分类器进行人工分类或是自动化的聚类工作，产生项目属性类别，并由用户评分分布向量计算评分分布向量的相似度，具体计算按下述步骤进行：

a、分别利用项目属性类别和用户评分项目，确定用户的评分项目所属类别；

b、根据资源属性类别，利用公式 $D\left(i\right)=\frac{m\left(i\right)}{N}i=\mathrm{1,2}......t$ 计算目标用户的评分分布向量和所有用户的评分分布向量，D(i)为某一用户第i种类型(i＝1～t)的评分分布比例，N是用户评分的电影的总数，m(i)为用户评分的电影中第i种类型的数量，有些项目可能不只属于某一种类型，那么用户的评分分布为空间向量D＝{D(1)，..，D(i)，…，D(t)}。

3、建立用户-项目评分矩阵

(1)、由数据引擎装置提供的结构化数据经用户兴趣存储装置计算出用户评分分布向量，然后建立起用户-项目评分矩阵Matrix(M，N)并存储，矩阵的行代表用户，列代表了资源项目，矩阵的值Matrix(i，j)I{0，1，2，3，4，5}表示用户i对项目j的兴趣度。

例如用户a、b对n项资源项目评分向量依次为(1：很不喜欢，2：比较不喜欢，3：一般，4：比较喜欢，5：很喜欢)：

R₁(1，3，5，4，5，5，1，…，4，5，5)

R₂(5，2，1，4，5，5，5，…，1，2，5)

(2)、由用户-项目评分矩阵Matrix(M，N)计算目标用户a和所有的用户评分的相似度，计算方法如下：

$S(a,u)=\frac{{\mathrm{\Σ}}_{i\∈I\left(a\right)\∩I\left(u\right)}(R_{a,i}-{\stackrel{\‾}{R}}_a)\·(R_{u,i}-{\stackrel{\‾}{R}}_u)}{\sqrt{{\mathrm{\Σ}}_{i\∈I\left(a\right)\∩I\left(u\right)}{(R_{a,i}-{\stackrel{\‾}{R}}_a)}^2}\·\sqrt{{\mathrm{\Σ}}_{i\∈I\left(a\right)\∩I\left(u\right)}{(R_{u,i}-{\stackrel{\‾}{R}}_u)}^2}}$

其中S(a，u)表示用户a和u的相似度，I(a)∩I(u)是用户a和用户u共同评分的项目。R_a，i表示用户a对项目i的评分，R_a是用户a评分的平均分。因此，用户a和u的相似度的值S(a，u)的范围是在[0，1]之间的，S(a，u)越大，a和u的相似度越大。

(3)、由用户-项目评分矩阵Matrix(M，N)计算目标用户a和所有用户的评分分布向量相似度，计算方法如下：

$S\′(a,u)=\cos (\stackrel{r}{a},\stackrel{r}{u})=\frac{\stackrel{r}{a}\·\stackrel{r}{u}}{{\left|\right|\stackrel{r}{a}\left|\right|}_2*{\left|\right|\stackrel{r}{u}\left|\right|}_2}$

其中，“·”表示的是两个向量的点运算；

表示的向量

的2范式也就是向量

的模。

(4)、利用公式 $\mathrm{Sim}(a,u)=\mathrm{\ϵ}{S}_{a,u}+(1-\mathrm{\ϵ})S_{a,u}^{\′}$ 计算出加权和相似度，根据Sim(a，u)的值，寻找最近邻居的集合C＝{C₁，C₂，…，C_k}，C₁与用户a相似性最高，C₂与用户a的相似性次之，以此类推。

(5)、根据近邻用户对项目k的评分来预测目标用户a对未评分项目k的评分，假设得到目标用户a的近邻为USet＝{u₁，u₂，u₃，u₄，u₅，u₆}，且同用户a基于项目近邻集ISet的相似度依次为：{1，0.8，0.6，0.9，1，0.8}；近邻USet对未评分项目k的评分依次为：{5，5，4，4，5，4}；近邻USet各自平均评分依次为：{3，4，4，4，4，3，}，目标用户a的平均评分为4；根据公式 $P_{a,i}={\stackrel{\‾}{R}}_a+\frac{{\mathrm{\Σ}}_{n\∈{\mathrm{NBS}}_a}\mathrm{sim}(a,n)\×(R_{n,i}-{\stackrel{\‾}{R}}_n)}{{\mathrm{\Σ}}_{n\∈{\mathrm{NBS}}_a}\left(\left|\mathrm{sim}(a,n)\right|\right)}$ 计算出预测目标用户a对未评分项目k的评分，依此类推，可预测计算目标用户a对其他未评分项目的评分值。

其中，p_a，i为户a对项目i的预测评分，Sim(a，u)为用户a和用户n之间的相似性，R_n，i表示用户n对项目i的评分，表示用户n对项目的平均评分：NBS_a为用户a对最近邻居的集合，R_a是用户a评分的平均分。

4、推荐项目列表

根据步骤2、3提供的项目属性类别和用户-项目评分矩阵，由推荐模块装置根据上述预测评分产生推荐列表，以各用户感兴趣的项目进行列表的形式推荐给用户。假设预测出目标用户a对未评分项目{k₁，k₂，k₃，k₄，k₅，k₆}的预测值依次为：{3.1，2.5，4.9，4.6，5，2.5}，则根据预测值的高低，筛选感兴趣的项目进行推荐，可得到{k₃:4.9，k₄:4.6，k₅:5}，四舍五入规整化为{k₃:5，k₄:5，k₅:5}，表示{k₃:很喜欢，k₄:很喜欢，k₅:很喜欢}，因此把项目{k₃，k₄，k₅}推荐给目标用户a。

参阅附图4，推荐模块装置包括评分分布空间向量计算装置、目标用户近邻产生装置和协作推荐装置。评分分布空间向量计算装置，它基于项目资源类别，计算目标用户和所有用户已评分项目的评分分布向量；目标用户近邻产生装置，是基于评分分布空间向量计算装置产生的同未评分项目相似的近邻项目的评分来计算目标用户的近邻。

推荐模块装置，是基于目标用户近邻产生装置产生的目标用户的近邻来计算目标用户对未评分项目的预测评分，并根据预测评分的高低来产生推荐列表。

5、用户交互

将推荐模块装置产生的推荐列表，由用户交互装置以界面形式展现给用户，对目标用户a对进行项目资源推荐，并记录用户的反馈信息来更新用户兴趣，即更新用户兴趣存储装置中的用户兴趣评分矩阵。

本发明可以应用于IPTV电视节目推荐系统中，利用用户观看的电视节目历史记录数据，可以得到用户对某些节目的兴趣度评分，基于这些评分数据结合本推荐方法，可以预测用户将来喜欢看的电视节目资源，通过菜单的形式推荐给用户。本发明也可以应用于电子商务网站推荐，如网上购物网站，通过记录用户购买的历史记录，可以得到用户对购买商品的兴趣度评分，利用这些评分数据并结合本推荐方法，可以向用户推荐兴趣度高的商品，一方面节约用户寻找自己喜爱商品的时间，一方面又可以提高购物网站的效益。

Claims (2)

1、一种基于用户偏好评分分布的协作推荐系统，其特征在于它包括：

一个数据引擎装置，用于收集和分析项目资源的信息特征、用户的浏览记录和用户对项目资源的喜好评分记录；

一个项目属性类别分类器，用于把项目属性按类别分为若干类；

一个用户兴趣存储装置，用于记录用户对项目的评分以矩阵形式存储，矩阵的列为所有项目资源名称，矩阵的行为每个用户对项目资源的评分；

一个推荐模块装置，根据用户已有的评分矩阵来预测用户感兴趣的未评分项目，根据预测感兴趣程度产生推荐列表；

一个用户交互装置，用于记录用户的反馈信息、记录用户的浏览记录、显示和隐式的记录用户兴趣并更新用户的兴趣。

2、根据权利要求1所述基于用户偏好评分分布的协作推荐系统，其特征在于所述推荐模块装置包括：

a、评分分布空间向量计算装置，是基于项目属性类别和用户评分矩阵，计算得到用户的评分分布空间向量；

b、目标用户近邻产生装置，是基于评分分布空间向量和项目评分相似度计算目标用户的近邻；

c、协作推荐装置，是基于目标用户近邻产生装置所得到的目标用户的近邻及其对未评分项目的评分来计算目标用户对未评分项目的预测评分，并根据计算的预测评分的高低产生推荐列表。

Images