CN105677647B - 一种个体推荐方法及系统 - Google Patents

Abstract

本发明公开了一种个体推荐方法及系统，包括：获取第一类个体的偏好信息，第一类个体是预先确定的、具有明确项目偏好的个体；创建第一类个体对项目偏好的评级矩阵，评级矩阵中的元素为第一类个体中的各个个体对各个项目的偏好程度；创建具有相同偏好的第一类个体的集群，该集群采用K均值算法对评级矩阵中的元素进行聚类得到；向某一个体推荐与个体具有相同偏好的集群中的其他个体。本发明通过引入评级矩阵，使网络中的个体与项目形成一一对应的二维数组形式，采用K均值算法将同一项目下的个体聚类，得到具有相同偏好的个体集群，提高了个体推荐有效性，考虑到网络中每一个体的项目偏好，在一定程度上提高了个体推荐满意度。

Description

一种个体推荐方法及系统

技术领域

本发明涉及信息处理领域，尤其涉及一种个体推荐方法及系统。

背景技术

在互联网的虚拟空间，群组中有兴趣和目的相同的人群，并与其他人群进行交互、分享信息，为了支持这部分活跃群体，群体推荐程序的产生就必不可少；通过了解用户的爱好并向用户推荐符合其兴趣爱好的对象，群组推荐的对象是一个由多个不同用户组成的群体，他们拥有某些共同的兴趣偏好或需求，如旅游、摄影爱好者协会、美食、体育运动等等。如何为这些群体用户提供有效的个性化信息服务，带来了对群体推荐系统的极大需求。

国内外研究群组推荐算法大多通过某种方法把群组视为个体，然后应用个体推荐的算法对群组进行推荐；也有通过计算各群组与目标群组的距离来确定相似群组；也有通过将群组中喜好相同的用户合为一个用户对评分矩阵降维，同时将个体推荐结果整合为群组推荐结果；也有将群组中个体的合作性因素和社会信任因素运用到群组推荐算法中；虽然通过聚合个体喜好给单个群组推荐喜好，或者合并个体喜好推荐给重要的群组，能够实现群组推荐，但是其结果往往群组里小部分成员的喜好不满足，而大部分成员处于满意状态。

发明内容

为了解决上述技术问题，本发明提供了一种个体推荐方法及系统，在保证个体推荐有效性的同时，提高了群组中个体偏好的满意度。

依据本发明的一个方面，提供了一种个体推荐方法，包括：

获取第一类个体的偏好信息，第一类个体是预先确定的、具有明确项目偏好的个体，其中，该个体为单个用户或由多个用户组成的群组；

创建第一类个体对项目偏好的评级矩阵，评级矩阵中的元素为第一类个体中的各个个体对各个项目的偏好程度；

创建具有相同偏好的第一类个体的集群，该集群采用K均值算法对评级矩阵中的元素进行聚类得到；

向一指定个体推荐与该指定个体具有相同偏好的集群中的其他个体。

其中，该评级矩阵用下式表示：

M＝(m_ui)；

式中，M表示评级矩阵，m_ui为评级矩阵M中的元素，且m_ui表示第一类个体中的个体u对项目i的偏好程度，m_ui的取值为0或1，当m_ui＝1表示个体u对项目i为偏好，当m_ui＝0表示个体u对项目i不偏好；

创建具有相同偏好的第一类个体的集群，包括：采用K均值算法，筛选出评级矩阵M中对相同项目i的偏好程度m_ui的值等于1的第一类个体中的个体，得到偏好项目i的第一类个体的集群R_ui。

其中，在创建具有相同偏好的第一类个体的集群的步骤之后还包括：

采用皮尔逊Pearson相关系数公式，计算第二类个体中的个体与第一类个体中的个体之间的偏好相似度，第二类个体是预先确定的、不具有明确项目偏好的个体；

若第二类个体中的某一个体与第一类个体中的某一个体的偏好相似度的计算结果大于或等于预设值时，将对应的第二类个体中的个体归于相应的第一类个体的集群中。

其中，该偏好相似度用下式表示：

式中，sim(u，n)表示偏好相似度，CRn表示第二类个体中的个体n偏好的项目i的集合；CRu，n表示第一类个体中的个体u偏好的项目i的集合和第二类个体中的个体n偏好的项目i的集合的并集；m_ui表示第一类个体中的个体u对项目i的偏好程度，表示第一类个体中的个体u对项目i的平均偏好程度；m_ni表示第二类个体中的个体n对项目i的预设偏好程度，表示第二类个体中的个体n对项目i的平均预设偏好程度；其中，当sim(u，n)的值大于或等于预定值时，将对应的第一类个体中的个体u和第二类个体中的个体n判断为相同偏好。

其中，当个体为群组时，在计算第二类个体中的个体与第一类个体中的个体之间的偏好相似度的步骤之后还包括：

计算第二类个体中的个体对项目偏好程度的预测评级，该预测评级根据偏好相似度的计算结果进行计算；

若第二类个体中的某一个体的预测评级的计算结果大于或等于预设值时，将对应的第二类个体中的个体归于相应的第一类个体的集群中。

其中，该预测评级用下式表示：

式中，p_ni表示预测评级，neighbors(u)表示与第一类个体u相关联的个体的集合；

若第二类个体中的个体的预测评级p_ni计算结果的值大于或等于预设值时，将对应的第二类个体中的个体归于相应的第一类个体的集群中。

其中，在创建具有相同偏好的第一类用户的集群的步骤之后，还包括：

为集群分配项目标签，项目标签根据对应的偏好信息确定；

根据集群中用户的数目判断对应的项目标签的重要性，当集群中的个体的数目大于等于某一阈值时，集群对应的项目标签判断结果为重要；否则为非重要；

采用K-means聚类算法计算非重要项目标签与每一重要项目标签的标签相似度，当标签相似度计算结果的值大于或等于预预设值时，将非重要项目标签所对应的集群归于重要项目标签所对应的集群中；否则忽略非重要项目标签所对应的集群。

依据本发明的另一个方面，还提供了一种个体推荐系统，包括：

获取模块，用于获取第一类个体的偏好信息，第一类个体是预先确定的、具有明确项目偏好的个体，其中，个体为单个用户或由多个用户组成的群组；

第一创建模块，用于创建第一类个体对项目偏好的评级矩阵，评级矩阵中的元素为第一类个体中的各个个体对各个项目的偏好程度；

第二创建模块，用于创建具有相同偏好的第一类个体的集群，该集群采用K均值算法对评级矩阵中的元素进行聚类得到；

推荐模块，用于向某一个体推荐与该个体具有相同偏好的集群中的其他个体。

其中，该个体推荐系统还包括：筛选模块，用于采用K均值算法，筛选出评级矩阵M中对相同项目i的偏好程度m_ui的值等于1的第一类个体中的个体，得到偏好项目i的第一类个体的集群R_ui。

其中，该个体推荐系统还包括：第一计算模块，用于计算第二类个体中的个体与第一类个体中的个体之间的偏好相似度，偏好相似度采用皮尔逊Pearson相关系数公式计算，第二类个体是预先确定的、不具有明确项目偏好的个体；

若第二类个体中的某一个体与第一类个体中的某一个体的偏好相似度的计算结果大于或等于预设值时，将对应的第二类个体的个体归于相应的第一类个体的集群中。

其中，该个体推荐系统还包括：第二计算模块，用于计算第二类个体中的个体对项目偏好程度的预测评级，预测评级根据偏好相似度的计算结果进行计算；

若第二类个体中的某一个体的预测评级的计算结果大于或等于预设值时，将对应的第二类个体中的个体归于相应的第一类个体的集群中。

其中，该个体推荐系统还包括：

分配模块，用于为集群分配项目标签，项目标签根据对应的偏好信息确定；

判断模块，用于根据集群中用户的数目判断对应的项目标签的重要性，当集群中的用户的数目大于等于某一阈值时，集群对应的项目标签判断结果为重要；否则为非重要；

第三计算模块，用于计算非重要项目标签与每一重要项目标签的标签相似度，标签相似度采用K-means聚类算法计算，当标签相似度大于或等于预预设值时，将非重要项目标签所对应的集群归于重要项目标签所对应的集群中；否则忽略非重要项目标签所对应的集群。

本发明的实施例的有益效果是：一种个体推荐方法及系统，通过引入评级矩阵，使得网络中的各个个体与各个项目之间形成一一对应的二维数组形式，再采用K均值算法将同一项目下具有相同偏好的个体进行聚类，得到具有相同偏好的个体的集群，当某个体需要为其推荐具有相同偏好的个体时，可在对应的集群中向其推荐满足条件的个体，这样就提高了个体推荐的有效性，由于该方法考虑到网络中的每一个个体的项目偏好，这样就在一定程度上提高了个体推荐的满意度。

附图说明

图1表示本发明的个体推荐方法的基本流程图；

图2表示本发明的个体推荐方法的具体流程图；

图3表示本发明的个体推荐系统的结构示意图。

具体实施方式

下面将参照附图更详细地描述本发明的示例性实施例。虽然附图中显示了本发明的示例性实施例，然而应当理解，可以以各种形式实现本发明而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本发明，并且能够将本发明的范围完整的传达给本领域的技术人员。

实施例

如图1所示，本发明的实施例提供了一种个体推荐方法，包括：

步骤10：获取第一类个体的偏好信息，第一类个体是预先确定的、具有明确项目偏好的个体，其中，该个体为单个用户或由多个用户组成的群组；

对于在网络中的各个个体，在单个用户注册或创建包括多个用户的群组时，会设置与本身偏好相关的标签，或网络中其他用户或群体对该用户或群组有所了解，并赋予与其偏好相关的标签，本实施例主要指兴趣项目的偏好标签，例如：音乐、美食或摄影等兴趣标签，此类个体的偏好信息明确，而对于这些预先确定的、具有明确项目偏好的个体在此称其为第一类个体。

步骤20：创建第一类个体对项目偏好的评级矩阵，评级矩阵中的元素为第一类个体中的各个个体对各个项目的偏好程度；

创建网络中偏好信息明确的各个个体，即第一类个体，与第一类个体中对应的各个项目的评级矩阵，即，网络中的每个个体与每个项目一一对应，其中，该评级矩阵中的元素为第一类个体中的各个个体对各个项目的偏好程度，由于创建该评级矩阵，使得网络中的第一类个体中的个体与项目形成二维数组的形式。

步骤30：创建具有相同偏好的第一类个体的集群，该集群采用K均值算法对评级矩阵中的元素进行聚类得到；

由于创建了第一类个体中个体对项目的评级矩阵，利用K均值算法将该评级矩阵中的项目进行个体的聚类，得到第一类个体的集群，每个集群对应偏好相同的项目。

步骤40：向一指定个体推荐与该指定个体具有相同偏好的集群中的其他个体；

当网络中的个体请求向其推荐相同偏好的其他个体时，在与该个体具有相同偏好项目的集群中筛选被推荐对象，例如：某用户或群组偏好音乐，则向其推荐偏好项目为音乐的集群中的用户或群组，而被推荐对象为用户还是为群组，则需判断请求推荐的个体的具体需求。

本发明的个体推荐方法，通过创建评级矩阵，使得网络中各个个体与各个项目之间形成一一对应的二维数组形式，再采用K均值算法将同一项目下具有相同偏好的个体进行聚类，得到具有相同偏好的个体的集群，当某个体需要为其推荐具有相同偏好的个体时，可在对应的集群中筛选被推荐对象，这样就提高了个体推荐的有效性，又由于考虑到网络中每一个个体的项目偏好，这样就在一定程度上提高了个体推荐的满意度。

本发明的个体推荐方法的具体步骤如图2所示，除了包括如上所述的：

步骤10：获取第一类个体的偏好信息，第一类个体是预先确定的、具有明确项目偏好的个体，其中，该个体为单个用户或由多个用户组成的群组；

步骤20：创建第一类个体对项目偏好的评级矩阵，评级矩阵中的元素为第一类个体中的各个个体对各个项目的偏好程度；

步骤30：创建具有相同偏好的第一类个体的集群，该集群采用K均值算法对评级矩阵中的元素进行聚类得到；

步骤40：向一指定个体推荐与该指定个体具有相同偏好的集群中的其他个体。

其中，评级矩阵用下式表示：

M＝(m_ui)；

式中，M表示评级矩阵，m_ui为评级矩阵M中的元素，且m_ui表示第一类个体中的个体u对项目i的偏好程度，m_ui的取值为0或1，当m_ui＝1表示个体u对项目i为偏好，当m_ui＝0表示个体u对项目i不偏好；采用K均值算法，筛选出评级矩阵M中对相同项目i的偏好程度m_ui的值等于1的第一类个体中的个体，得到偏好项目i的第一类个体的集群R_ui。

该个体推荐方法还包括：

步骤301：采用皮尔逊Pearson相关系数公式，计算第二类个体中的个体与第一类个体中的个体之间的偏好相似度，第二类个体是预先确定的、不具有明确项目偏好的个体；

在网络中，除了存在那些偏好信息明确的第一类个体之外，还存在一些在注册用户或创建群组时，并未对自身偏好进行标记的个体，而其他个体也并未对其贴上偏好的项目标签，故该类个体的偏好信息是不明确的，将此类个体称其为第二类个体；

由于第二类个体的偏好信息不明确，故将第二类个体中的个体的偏好信息预设为与第一类个体中的个体的偏好相同，并计算第一类个体与第一类个体的偏好相似度，其中，偏好相似度用下式表示：

式中，sim(u，n)表示偏好相似度，CRn表示第二类个体中的个体n偏好的项目i的集合；CRu，n表示第一类个体中的个体u偏好的项目i的集合和第二类个体中的个体n偏好的项目i的集合的并集；m_ui表示第一类个体中的个体u对项目i的偏好程度，表示第一类个体中的个体u对项目i的平均偏好程度；m_ni表示第二类个体中的个体n对项目i的预设偏好程度，表示第二类个体中的个体n对项目i的平均预设偏好程度；其中，当sim(u，n)的值大于或等于预定值时，将对应的第一类个体中的个体u和第二类个体中的个体n判断为相同偏好。

步骤302：若偏好相似度的计算结果大于或等于预设值时，将对应的第二类个体归于相应的第一类个体的集群中；

当个体为用户时，根据第二类个体中的某一个体与第一类个体中的某一个体的偏好相似度的计算结果，判断第二类个体的偏好，当偏好相似度大于或等于某一预设值时，将对应的第二类个体中的个体归于相应的第一类个体的集群中，若偏好相似度小于该预设值，则判定第二类个体中的这一个体与相应的第一类个体中的个体的偏好为不同的。

步骤303：当个体为群组时，计算第二类个体中的个体对项目偏好程度的预测评级，该预测评级根据偏好相似度的计算结果进行计算；

当个体为群组时，由于群组中包括多个用户，而群组中的用户的偏好信息不明确时，在计算完用户的偏好相似度之后，还需要计算该群组对项目偏好程度的预测评级，该预测评级根据偏好相似度的计算结果进行计算，这样就保证了群组对项目的偏好程度的准确性，保证了推荐的可靠性和有效性；其中，预测评级用经典的基于个体的最近邻协同过滤算法计算，一个个体与另一个个体相关联，则称这两个个体为邻居，预测评级用下式表示：

式中，p_ni表示述预测评级，neighbors(u)表示与第一类个体u相关联的个体的集合，若第二类个体中的个体，即偏好信息不明确的群组的预测评级p_ni计算结果的值大于或等于预设值时，则判定第二类个体中的该个体与相对应的第一类个体中的个体的偏好信息相同；

步骤304：若预测评级的计算结果大于或等于预设值时，将对应的第二类个体归于相应的第一类个体的集群中；

当个体为群组时，根据第二类个体中的某一个体的预测评级的计算结果，判断第二类个体的偏好，当预测评级计算结果的值大于或等于某一预设值时，将对应的第二类个体中的个体归于相应的第一类个体的集群中，若预测评级计算结果的值小于该预设值，则判定第二类个体中的这一个体与相应的第一类个体中的个体的偏好为不同的。

步骤305：为集群分配项目标签，该项目标签根据对应的偏好信息确定；

为了准确地为网络中的个体筛选推荐对象，需要为上述创建的集群分配项目标签，该项目标签根据对应的偏好信息确定，例如：集群中的个体的偏好为音乐，则为该集群贴上的标签也为音乐，这样不仅提高了推荐的有效性，而且由于项目标签与集群相关联，也提高了推荐效率。

步骤306：根据集群中用户的数目判断对应的项目标签的重要性，当集群中的用户的数目大于或等于某一阈值时，集群对应的项目标签判断结果为重要，否则为非重要；

由于网络中各个个体偏好的项目不尽相同，有的项目为热门项目，一大部分个体对其偏好，而有些项目为冷门项目，仅有一小部分个体对其偏好，根据统计不同项目标签集群中的个体数目，来判断该项目标签下的集群的重要性，当集群中的个体数目大于或等于某一阈值时，该集群对应的项目标签判断结果为重要，则该集群也为重要；当集群中的个体数目小于该阈值时，该集群对应的项目标签判断结果为非重要，则该集群也为非重要。

步骤307：采用K-means聚类算法计算非重要项目标签与每一重要项目标签的标签相似度，当标签相似度计算结果的值大于或等于预设值时，将非重要项目标签所对应的集群归于重要项目标签所对应的集群中，否则忽略非重要项目标签对应的集群；

由于评级矩阵是对全部个体的全部项目进行的偏好评级，这就导致了个体评级项目比可用项目少和项目集群的稀疏性问题，采用K-means聚类算法计算非重要项目标签与每一重要项目标签的标签相似度，这样就可根据标签相似度的计算结果来合并一些相似的项目标签，减少了实际存在的可用标签，优化了不同项目下的集群，当标签相似度计算结果的值大于或等于预设值时，将非重要项目标签所对应的集群归于重要项目标签所对应的集群中，否则忽略非重要项目标签对应的集群。

综上，本发明的个体推荐方法，通过引入评级矩阵的概念，将单个用户或由多个用户组成的群组作为统计个体，将网络中各个个体与各个项目之间形成一一对应的二维数组形式，采用K均值算法，将相同项目下的偏好相同的个体进行聚类，得到具有相同偏好的集群，对于偏好信息不明确的第二类个体，采用偏好相似度和皮尔逊Pearson相关系数公式计算出其偏好项目，并将其合并到与其具有相同偏好的第一类个体的集群中，最后采用项目标签和K-means聚类算法将相似度较高的集群进行合并进行优化，这个不仅保证了推荐的可靠性和有效性，而且由于考虑到了网络中每一个个体的项目偏好，在一定程度上提高了个体推荐的满意度，此外，本发明的个体推荐方法，将单个用户或群组视为个体，既适用于向用户推荐单个用户或群组，又适用于向群组推荐单个用户或群组。

本发明的实施例还提供了一种个体推荐系统，如图3所示，包括：

获取模块，用于获取第一类个体的偏好信息，第一类个体是预先确定的、具有明确项目偏好的个体，其中，个体为用户或群组；

第一创建模块，用于创建第一类个体对项目偏好的评级矩阵，评级矩阵中的元素为第一类个体中的各个个体对各个项目的偏好程度；

第二创建模块，用于创建具有相同偏好的第一类个体的集群，该集群采用K均值算法对评级矩阵中的元素进行聚类得到；

推荐模块，用于向某一个体推荐与该个体具有相同偏好的集群中的其他个体。

其中，该个体推荐系统还包括：筛选模块，用于采用K均值算法，筛选出评级矩阵M中对相同项目i的偏好程度m_ui的值等于1的第一类个体中的个体，得到偏好项目i的第一类个体的集群R_ui。

其中，该个体推荐系统还包括：第一计算模块，用于计算第二类个体中的个体与第一类个体中的个体之间的偏好相似度，偏好相似度采用皮尔逊Pearson相关系数公式计算，第二类个体是预先确定的、不具有明确项目偏好的个体；

若第二类个体中的某一个体与第一类个体中的某一个体的偏好相似度的计算结果大于或等于预设值时，将对应的第二类个体的个体归于相应的第一类个体的集群中。

其中，该个体推荐系统还包括：第二计算模块，用于计算第二类个体中的个体对项目偏好程度的预测评级，预测评级根据偏好相似度的计算结果进行计算；

若第二类个体中的某一个体的预测评级的计算结果大于或等于预设值时，将对应的第二类个体中的个体归于相应的第一类个体的集群中。

其中，该个体推荐系统还包括：

分配模块，用于为集群分配项目标签，项目标签根据对应的偏好信息确定；

判断模块，用于根据集群中用户的数目判断对应的项目标签的重要性，当集群中的用户的数目大于等于某一阈值时，集群对应的项目标签判断结果为重要；否则为非重要；

第三计算模块，用于计算非重要项目标签与每一重要项目标签的标签相似度，标签相似度采用K-means聚类算法计算，当标签相似度大于或等于预预设值时，将非重要项目标签所对应的集群归于重要项目标签所对应的集群中；否则忽略非重要项目标签所对应的集群。

需要说明书的是，该系统是与上述个体推荐方法对应的系统，上述方法实施例中所有实现方式均适用于该系统的实施例中，也能达到相同的技术效果。

以上所述的是本发明的优选实施方式，应当指出对于本技术领域的普通人员来说，在不脱离本发明所述的原理前提下还可以作出若干改进和润饰，这些改进和润饰也在本发明的保护范围内。

Claims (10)

1.一种个体推荐方法，其特征在于，包括：

获取第一类个体的偏好信息，所述第一类个体是预先确定的、具有明确项目偏好的个体，其中，所述个体为单个用户或有多个用户组成的群组；

创建所述第一类个体对项目偏好的评级矩阵，所述评级矩阵中的元素为第一类个体中的各个个体对各个项目的偏好程度；

创建具有相同偏好的第一类个体的集群，所述集群采用K均值算法对所述评级矩阵中的元素进行聚类得到；

向一指定个体推荐与所述指定个体具有相同偏好的集群中的其他个体；

在所述创建具有相同偏好的第一类用户的集群的步骤之后，还包括：

为所述集群分配项目标签，所述项目标签根据对应的所述偏好信息确定；

根据所述集群中用户的数目判断对应的所述项目标签的重要性，当所述集群中的用户的数目大于等于某一阈值时，所述集群对应的项目标签判断结果为重要；否则为非重要；

采用K-means聚类算法计算非重要项目标签与每一重要项目标签的标签相似度，当所述标签相似度计算结果的值大于或等于预预设值时，将所述非重要项目标签所对应的集群归于所述重要项目标签所对应的集群中；否则忽略所述非重要项目标签所对应的集群。

2.根据权利要求1所述的个体推荐方法，其特征在于，

所述评级矩阵用下式表示：

M＝(m_ui)；

式中，M表示所述评级矩阵，m_ui为所述评级矩阵M中的元素，且m_ui表示第一类个体中的个体u对项目i的偏好程度，m_ui的取值为0或1，当m_ui＝1表示个体u对项目i为偏好，当m_ui＝0表示个体u对项目i不偏好；

所述创建具有相同偏好的第一类个体的集群，包括：

采用K均值算法，筛选出评级矩阵M中对相同项目i的偏好程度m_ui的值等于1的第一类个体中的个体，得到偏好项目i的第一类个体的集群R_ui。

3.根据权利要求1所述的个体推荐方法，其特征在于，在创建具有相同偏好的第一类个体的集群的步骤之后还包括：

采用皮尔逊Pearson相关系数公式，计算第二类个体中的个体与所述第一类个体中的个体之间的偏好相似度，所述第二类个体是预先确定的、不具有明确项目偏好的个体；

若所述第二类个体中的某一个体与所述第一类个体中的某一个体的偏好相似度的计算结果大于或等于预设值时，将对应的所述第二类个体的个体归于相应的第一类个体的集群中。

4.根据权利要求3所述的个体推荐方法，其特征在于，

所述偏好相似度用下式表示：

式中，sim(u，n)表示所述偏好相似度，CRn表示第二类个体中的个体n偏好的项目i的集合；CRu,n表示第一类个体中的个体u偏好的项目i的集合和第二类个体中的个体n偏好的项目i的集合的并集；m_ui表示所述第一类个体中的个体u对项目i的偏好程度，表示第一类个体中的个体u对项目i的平均偏好程度；m_ni表示所述第二类个体中的个体n对项目i的预设偏好程度，表示第二类个体中的个体n对项目i的平均预设偏好程度；其中，当sim(u，n)的值大于或等于预定值时，将对应的所述第一类个体中的个体u和所述第二类个体中的个体n判断为相同偏好。

5.根据权利要求4所述的个体推荐方法，其特征在于，当所述个体为群组时，在计算第二类个体中的个体与所述第一类个体中的个体之间的偏好相似度的步骤之后还包括：

计算所述第二类个体中的个体对项目偏好程度的预测评级，所述预测评级根据所述偏好相似度的计算结果进行计算；

若所述第二类个体中的某一个体的预测评级的计算结果大于或等于预设值时，将对应的所述第二类个体中的个体归于相应的第一类个体的集群中。

6.根据权利要求5所述的个体推荐方法，其特征在于，所述预测评级用下式表示：

其中，p_ni表示所述预测评级，neighbors(u)表示与所述第一类个体u相关联的个体的集合；

若所述第二类个体中的个体的预测评级p_ni计算结果的值大于或等于所述预设值时，将对应的所述第二类个体中的个体归于相应的所述第一类个体的集群中。

7.一种个体推荐系统，其特征在于，包括：

获取模块，用于获取第一类个体的偏好信息，所述第一类个体是预先确定的、具有明确项目偏好的个体，其中，所述个体为单个用户或由多个用户组成的群组；

第一创建模块，用于创建第一类个体对项目偏好的评级矩阵，所述评级矩阵中的元素为第一类个体中的各个个体对各个项目的偏好程度；

第二创建模块，用于创建具有相同偏好的第一类个体的集群，所述集群采用K均值算法对所述评级矩阵中的元素进行聚类得到；

推荐模块，用于向一指定个体推荐与所述指定个体具有相同偏好的集群中的其他个体；

分配模块，用于为所述集群分配项目标签，所述项目标签根据对应的所述偏好信息确定；

判断模块，用于根据所述集群中用户的数目判断对应的所述项目标签的重要性，当所述集群中的用户的数目大于等于某一阈值时，所述集群对应的项目标签判断结果为重要；否则为非重要；

第三计算模块，用于计算非重要项目标签与每一重要项目标签的标签相似度，所述标签相似度采用K-means聚类算法计算，当所述标签相似度大于或等于预预设值时，将所述非重要项目标签所对应的集群归于所述重要项目标签所对应的集群中；否则忽略所述非重要项目标签所对应的集群。

8.根据权利要求7所述的个体推荐系统，其特征在于，还包括：筛选模块，用于采用K均值算法，筛选出评级矩阵M中对相同项目i的偏好程度m_ui的值等于1的第一类个体中的个体，得到偏好项目i的第一类个体的集群R_ui。

9.根据权利要求7所述的个体推荐系统，其特征在于，所述个体推荐系统还包括：

第一计算模块，用于计算第二类个体中的个体与所述第一类个体中的个体之间的偏好相似度，所述偏好相似度采用皮尔逊Pearson相关系数公式计算，所述第二类个体是预先确定的、不具有明确项目偏好的个体；

若所述第二类个体中的某一个体与所述第一类个体中的某一个体的偏好相似度的计算结果大于或等于预设值时，将对应的所述第二类个体的个体归于相应的第一类个体的集群中。

10.根据权利要求9所述的个体推荐系统，其特征在于，还包括：

第二计算模块，用于计算所述第二类个体中的个体对项目偏好程度的预测评级，所述预测评级根据所述偏好相似度的计算结果进行计算；

若所述第二类个体中的某一个体的预测评级的计算结果大于或等于预设值时，将对应的所述第二类个体中的个体归于相应的第一类个体的集群中。