CN106021428A - 一种基于knn和三支决策的电影推荐方法 - Google Patents

Abstract

本发明公开了一种基于KNN和三支决策的电影推荐方法，包括步骤：接收用户输入的选择条件；根据接收的选择条件将电影样本集D分成标签为P的电影样本集X_P和标签为N的电影样本集X_N；根据KNN计算电影样本集D中第i个电影样本x⁽ⁱ⁾在电影样本集X_P中的m个最近邻居集合及对应的标签集合和在电影样本集X_N中的n个最近邻居集合及对应的标签集合；计算电影样本x⁽ⁱ⁾在电影样本集X_P和X_N中的后验概率P(X_N|x⁽ⁱ⁾)；根据电影三支决策计算电影样本x⁽ⁱ⁾的推荐值根据计算的推荐值确定对电影样本x⁽ⁱ⁾进行分类。

Description

一种基于KNN和三支决策的电影推荐方法

技术领域

本发明涉及信息推荐技术领域，尤其涉及一种基于KNN和三支决策的电影推荐方法。

背景技术

个性化推荐系统也简称推荐系统，其基本工作原理是根据用户的行为数据，例如用户对某部电影的量化评分数据或非量化的评论数据，分析用户的习惯、爱好，然后有针对性的向用户推荐其可能感兴趣的内容，目前广泛应用在如电子商务、电视、电影和视频、音乐、社交网络等领域等众多互联网领域。亚马逊是目前非常著名的电子商务网站，也是个性化推荐系统最早的实践者和推广者，其主要应用是个性化推荐列表和相关商品推荐列表。

生活在信息时代的今天，很多人都在用的社交网络，无论是国外的Facebook、Twitter还是国内的微博、微信，个性化推荐系统都无处不在，它根据用户的大量历史行为向用户推荐他们可能会关注的好友或信息，这给用户带来便利的同时也为他们创造价值。在电影和视频领域，一个典型的例子是Netflix，它的算法和亚马逊类似，也是基于物品的推荐算法一一向用户推荐那些他们曾近看过、或评过高分的他们喜欢的相似的电影。国内在这一领域比较成功的有豆瓣电影，我们也许会有这么一个习惯，想要看一部电影之前可以到豆瓣上看看针对这部电影的影评，或者看看它推荐的相似电影是不是评分比当前的高，如果当前的影评太差或评分太低，那么就有理由选择推荐的其他较好的电影来观看。

ChristensenIa等人提出了两种专家推荐系统，分别针对音乐和电影,结合多种方法(合并个人推荐、汇集个人评价、建立群体特征模型)进行推荐的群体推荐算法。Garcia等人提出了一种基于统计分类的，结合用户偏好的电影推荐算法，并且可以对个人或群体进行推荐。Bobadillal等人提出了一种针对群体或特定相似物品的扩展的协同过滤推荐算法。对于结合推荐系统领域之外的算法，De Campos LM等人使用一种贝叶斯网模型处理基于内容过滤和协同过滤算法中存在的问题的混合式推荐系统。Castro-Schezj等人提出了一种针对电子商务的推荐系统模型,该模型能按属性集对电影分类，根据用户可能的相关性对电影进行模糊搜索并提供聚类结果,并且为用户提供一种基于规则的知识学习的电影分类服务。

以上方法存在很大缺陷，比如可能存在下面这样的情况，比如两个用户虽然对某部影片的评价相同，但可能由于他们的评分标准不太一样，结果造成他们评分差距很大，而其实这两个用户是有相同兴趣的；另外对于某些影片可能不能把用户评分的相似性作为首要的因素来进行推荐，对于研究电影艺术的某些专家，可能他更愿意接受一些与他本身具有同样专业水准的人来进行推荐才会达到更好的效果；还有一个比较重要的因素就是用户的可信度，现在网上有很多不信任的事情发生，比如虚假的评分和评论等。因为现在有很多的在线电影租赁商可能会为了提高自己的某部影片的收视率，会雇佣某些人专门提高某部影片的评分。

发明内容

针对现有的技术存在的上述问题，现提供一种基于KNN和三支决策的电影推荐方法的技术方案，具体如下：

一种基于KNN和三支决策的电影推荐方法，其中，包括：

步骤S1，接收用户输入的选择条件；

步骤S2，根据接收的选择条件将电影样本集D分成标签为P的电影样本集X_P和标签为N的电影样本集X_N；

步骤S3，根据KNN计算电影样本集D＝{x⁽ⁱ⁾}(i＝1，2，3，......，k)中第i个电影样本x⁽ⁱ⁾在电影样本集X_P中的m个最近邻居集合{x′_P1，x′_P2，x′_P3，......，x′_Pm}及对应的标签集合z_m＝{y′_P1，y′_P2，y′_P3，......，y′_Pm}和在电影样本集X_N中的n个最近邻居集合{x′_N1，x′_N2，x′_N3，......，x′_Nn}及对应的标签集合z_n＝{y′_N1，y′_N2，y′_N3，......，y′_Nn}；

步骤S4，计算第i个电影样本x⁽ⁱ⁾在电影样本集X_P中的后验概率P(X_P|x⁽ⁱ⁾)和在电影样本集X_N中的后验概率P(X_N|x⁽ⁱ⁾)；

步骤S5，根据电影三支决策、后验概率P(X_P|x⁽ⁱ⁾)和P(X_N|x⁽ⁱ⁾)计算第i个电影样本x⁽ⁱ⁾的推荐值

R(a_P|x⁽ⁱ⁾)＝α_PP P(X_P|x⁽ⁱ⁾)+β_PN P(X_N|x⁽ⁱ⁾) (1)，

R(a_N|x⁽ⁱ⁾)＝α_PN P(X_P|x⁽ⁱ⁾)+β_PN P(X_N|x⁽ⁱ⁾) (2)，

R(a_B|x⁽ⁱ⁾)＝α_BP P(X_P|x⁽ⁱ⁾)+β_BN P(X_N|x⁽ⁱ⁾) (3)，

电影样本集X_P推荐代价为α_PP、α_BP、α_NP，电影样本集X_N的推荐代价为β_PP、β_BP、β_NP，

第i个电影样本x⁽ⁱ⁾的三种推荐代价R(a_i|x⁽ⁱ⁾)(i＝P，B，N)，三种决策a_i(i＝P，B，N)，a_P为推荐，a_N为不推荐，a_B为待定推荐；

步骤S6，根据计算的推荐值确定第i个电影样本x⁽ⁱ⁾的决策是推荐a_P或不推荐a_N或待定推荐a_B。

优选的，所述步骤S4中，根据公式(5)计算第i个电影样本x⁽ⁱ⁾在电影样本集X_P中的后验概率P(X_P|x⁽ⁱ⁾)：

$P\left(X_P\right|x^{\left(i\right)})=\frac{y_{P1}^{\′},y_{P2}^{\′},y_{P3}^{\′},\mathrm{......},y_{Pm}^{\′}}{{(i*m)}^m}---\left(5\right).$

优选的，所述步骤S4中，根据公式(6)计算第i个电影样本x⁽ⁱ⁾在电影样本集X_N中的后验概率P(X_N|x⁽ⁱ⁾)：

$P\left(X_N\right|x^{\left(i\right)})=\frac{y_{N1}^{\′},y_{N2}^{\′},y_{N3}^{\′},\mathrm{......},y_{Nn}^{\′}}{{(i*n)}^n}---\left(6\right).$

优选的，根据代价敏感分类得到电影样本集X_N的推荐代价α_PP、α_BP、α_NP和电影样本集X_N的推荐代价β_PP、β_BP、β_NP。

优选的，步骤S1中用户输入的选择条件为一个或者多个。

本发明的有益效果：本发明基于电影的三支决策，在考虑分类时，不是直接将样本分为推荐和不推荐，而是存在一个边界域群体，从而使得在制定样本关系推荐策略时有第三种选择存在，而这种选择是以用户选择为基准的。将某些测试样本归为单独的一类，声明机器暂时无法得知它的所属类别，这样的决策过程会显得更加合理。利用R(a_i|x)＝min{R(a_P|x)，R(a_N|x)，R(a_B|x)}，推荐代价关于推荐步骤是单调下降的。若从局部角度来看，可能会出现随着推荐步骤的增加，推荐代价并不下降的情况。因此，该解决方案随着样本容量的增加，使得对评分的预测更加准确，推荐质量也随之提高。

附图说明

图1是一种基于KNN和三支决策的电影推荐方法的流程示意图；

图2是根据本发明的实施例一和实施例二的实验结果。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。

需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。

下面结合附图和具体实施例对本发明作进一步说明，但不作为本发明的限定。

本发明的较佳的实施例中，基于现有技术中存在的上述问题，提供一种基于KNN和三支决策的电影推荐方法，如图1所示，包括：

步骤S1，接收用户输入的选择条件；

步骤S2，根据接收的选择条件将电影样本集D分成标签为P的电影样本集X_P和标签为N的电影样本集X_N；

步骤S3，根据KNN计算电影样本集D＝{x⁽ⁱ⁾}(i＝1，2，3，......，k)中第i个电影样本x⁽ⁱ⁾在电影样本集X_P中的m个最近邻居集合{x′_P1，x′_P2，x′_P3，......，x′_Pm}及对应的标签集合z_m＝{y′_P1，y′_P2，y′_P3，......，y′_Pm}和在电影样本集X_N中的n个最近邻居集合{x′_N1，x′_N2，x′_N3，......，x′_Nn}及对应的标签集合z_n＝{y′_N1，y′_N2，y′_N3，......，y′_Nn}；

步骤S4，计算第i个电影样本x⁽ⁱ⁾在电影样本集X_P中的后验概率P(X_P|x⁽ⁱ⁾)和在电影样本集X_N中的后验概率P(X_N|x⁽ⁱ⁾)；

步骤S5，根据电影三支决策、后验概率P(X_P|x⁽ⁱ⁾)和P(X_N|x⁽ⁱ⁾)计算第i个电影样本x⁽ⁱ⁾的推荐值

R(a_P|x⁽ⁱ⁾)＝α_PP P(X_P|x⁽ⁱ⁾)+β_PN P(X_N|x⁽ⁱ⁾) (1)，

R(a_N|x⁽ⁱ⁾)＝α_PN P(X_P|x⁽ⁱ⁾)+β_PN P(X_N|x⁽ⁱ⁾) (2)，

R(a_B|x⁽ⁱ⁾)＝α_BP P(X_P|x⁽ⁱ⁾)+β_BN P(X_N|x⁽ⁱ⁾) (3)，

电影样本集X_P推荐代价为α_PP、α_BP、α_NP，电影样本集X_N的推荐代价为β_PP、β_BP、β_NP，

第i个电影样本x⁽ⁱ⁾的三种推荐代价R(a_i|x⁽ⁱ⁾)(i＝P，B，N)，三种决策a_i(i＝P，B，N)，a_P为推荐，a_N为不推荐，a_B为待定推荐；

步骤S6，根据计算的推荐值确定第i个电影样本x⁽ⁱ⁾的决策是推荐a_P或不推荐a_N或待定推荐a_B。

步骤S1中，用户输入的选择条件可为多个，如选择条件为“悬疑”“惊悚”，非“爱情”。则步骤S2中，根据接收的选择条件将电影样本集D分成标签为“悬疑”“惊悚”的电影样本集X_P和标签为“爱情”的电影样本集X_N；

步骤S3，根据KNN计算电影样本集D＝{x⁽ⁱ⁾}(i＝1，2，3，......，k)中第i个电影样本x⁽ⁱ⁾在电影样本集X_P中的m个最近邻居集合{x′_{”悬疑”“惊悚”1}，x′_{”悬疑”“惊悚”2}，x′_{”悬疑”“惊悚”3}，......，x′_Pm}及对应的标签集合z_m＝{y′_{”悬疑”“惊悚”1}，y′_{”悬疑”“惊悚”2}，y′_{”悬疑”“惊悚”3}，......，y′_Pm}和在电影样本集X_N中的“爱情”个最近邻居集合{x′_{”爱情”1}，x′_{”爱情”2}，x′_{”爱情”3}，......，x′_Nn}及对应的标签集合z_n＝{y′_{”爱情”1}，y′_{”爱情”2}，y′_{”爱情”3}，......，y′_Nn}。

本发明的较佳的实施例中，所述步骤S4中，根据公式(5)计算第i个电影样本x⁽ⁱ⁾在电影样本集X_P中的后验概率P(X_P|x⁽ⁱ⁾)：

$P\left(X_P\right|x^{\left(i\right)})=\frac{y_{P1}^{\′},y_{P2}^{\′},y_{P3}^{\′},\mathrm{......},y_{Pm}^{\′}}{{(i*m)}^m}---\left(5\right).$

本发明的较佳的实施例中，所述步骤S4中，根据公式(6)计算第i个电影样本x⁽ⁱ⁾在电影样本集X_N中的后验概率P(X_N|x⁽ⁱ⁾)：

$P\left(X_N\right|x^{\left(i\right)})=\frac{y_{N1}^{\′},y_{N2}^{\′},y_{N3}^{\′},\mathrm{......},y_{Nn}^{\′}}{{(i*n)}^n}---\left(6\right).$

本发明的较佳的实施例中，根据代价敏感分类得到电影样本集X_N的推荐代价α_PP、α_BP、α_NP和电影样本集X_N的推荐代价β_PP、β_BP、β_NP。

首先，标签y＝P电影样本集X_P运行KNN得到电影样本x⁽ⁱ⁾的m个最近邻居集合{x′_P1，x′_P2，x′_P3，......，x′_Pm}以及对应的标签集合z_m＝{y′_P1，y′_P2，y′_P3，......，y′_Pm}；标签y＝N的电影样本集X_N运行KNN得到电影样本x⁽ⁱ⁾的n个最近邻居集合{x′_N1，x′_N2，x_N3，......，x_Pn}以及对应的标签集合z_n＝{y′_N1，y′_N2，y′_N3，......，y′_Pn}；

然后，计算电影样本x⁽ⁱ⁾含有标签y＝P和y＝N的后验概率：

$\begin{array}{c}P\left(X_P\right|x^{\left(i\right)})=P(y=P|x^{\left(i\right)})=P(y=P|z)=\frac{P\left(y\right)P\left(y_{P1}^{\′}\right|y)P\left(y_{P2}^{\′}\right|y)P\left(y_{P3}^{\′}\right|y)\mathrm{......}P\left(y_{Pi}^{\′}\right|y)}{P\left(z\right)}=\\ \frac{y_{P1}^{\′},y_{P2}^{\′},y_{P3}^{\′},\mathrm{......},y_{Pm}^{\′}}{{(i*m)}^m}---\left(7\right)\end{array}$

$\begin{array}{c}P\left(X_N\right|x^{\left(i\right)})=P(y=N|x^{\left(i\right)})=P(y=N|z)=\frac{P\left(y\right)P\left(y_{N1}^{\′}\right|y)P\left(y_{N2}^{\′}\right|y)P\left(y_{N3}^{\′}\right|y)\mathrm{......}P\left(y_{Ni}^{\′}\right|y)}{P\left(z\right)}=\\ \frac{y_{N1}^{\′},y_{N2}^{\′},y_{N3}^{\′},\mathrm{......},y_{Nn}^{\′}}{{(i*n)}^n}---\left(8\right)\end{array}$

再然后，根据电影推荐中的三支决策的理论可得：

R(a_P|x⁽ⁱ⁾)＝α_PP P(X_P|x⁽ⁱ⁾)+β_PN P(X_N|x⁽ⁱ⁾) (1)，

R(a_N|x⁽ⁱ⁾)＝α_PN P(X_P|x⁽ⁱ⁾)+β_PN P(X_N|x⁽ⁱ⁾) (2)，

R(a_B|x⁽ⁱ⁾)＝α_BP P(X_P|x⁽ⁱ⁾)+β_BN P(X_N|x⁽ⁱ⁾) (3)，

将根据公式(5)(6)或(7)(8)计算得到的后验概率P(X_P|x⁽ⁱ⁾)和P(X_N|x⁽ⁱ⁾)代入公式(1)(2)(3)中，计算得到R(a_P|x⁽ⁱ⁾)，R(a_N|x⁽ⁱ⁾)和R(a_B|x⁽ⁱ⁾)，分别表示电影样本x⁽ⁱ⁾的推荐代价，待定推荐代价和不推荐代价；

最后，将计算得到的R(a_P|x⁽ⁱ⁾)，R(a_N|x⁽ⁱ⁾)和R(a_B|x⁽ⁱ⁾)代入公式(4)得到电影样本x⁽ⁱ⁾的推荐值

根据计算的推荐值确定第i个电影样本x⁽ⁱ⁾的决策是推荐a_P或不推荐a_N或待定推荐a_B。

KNN(k-NearestNeighbor)算法，也称最近邻居算法，是机器学习中的经典算法。K表示最接近个体的K个数据样本。KNN算法是用来归类，将一个样本空间中的样本分成几个类型，然后给定一个待分类的数据，通过计算离个体最近的K个样本来判断这个待分类的数据属于哪类。可简单理解为由那些离个体最近的K个点投票来决定待分类数据归为哪一类。KNN分类算法的主要思想是：先计算待分类样本与已知类别训练样本之间的距离，从中找出距离最近的K个邻居，再根据这K个邻居样本所属的类别来判断待分类样本数据的类别，K个样本中的大多数属于某一个类别，则该样本也属于此类别。

KNN算法具体包括：输入为样本集合、初始化距离、参数k、测试样本，输出为测试样本的k个最近邻居集合以及对应的标签集。第一步，计算测试样本和每个训练样本的距离dist；第二步，得到目前K个最临近样本中的最大距离maxdist；第三步，如果dist小于maxdist，则将该训练样本作为K-最近邻样本；第四步，重复步骤2、3、4，直到未知样本和所有训练样本的距离都算完；第五步，统计k个最近邻样本中每个类标号出现的次数；第七步，选择出现频率最大的类标号作为未知样本的类标号，得到k个最近邻居集合以及对应的标签集。

代价敏感性(cost sensitive)，指的是在分类问题中，当把某一类A错误的分成了类B，会造成巨大的损失，例如在欺诈检测中，如果把欺诈用户错误的分成了优质客户，那么这会使得欺诈用户不会受到惩罚而继续欺诈。代价敏感的分类有两种模式：类相关的代价和样本依赖的代价。前者的代价是由错误类型决定的，把同一类的样本错分到另一类的代价是相同的。后者的代价是由样本决定的，即尽管错误类型相同，不同的样本依然可能有不同的错误代价。本发明采用第一种模式，即代价是由错误类型决定的。

传统的推荐系统往往是二支决策——只有两个决策选项：正域决策(推荐)和负域决策(不推荐)。当现有信息不足以做出一个即时准确的判断时，待定推荐(边界域)无疑是一个合适的选择，这样推荐者就可以搜集更多信息后给出更准确判断。在推荐粗糙集的基础上，利用三支决策理论，推荐项拓展为：正域推荐、负域推荐和边界域推荐。本专利假设数据满足推荐一致性。推荐一致性是指，推荐的正确性跟信息量呈正相关，即信息越多，推荐的正确性就越高，反之亦然；并且如果所有的信息都被用到，边界域会消失，所有的样本会准确地分到正域或负域。在现实分类问题中，刚开始获得的信息往往是不充分的，即具有较粗粒度，获取新的有效信息需要一个过程，而人们的推荐也是随着粒度变化逐步给出的。人可以在不同的粒度下分析和分解问题，而且能在不同粒度间切换，形成了一个多粒度的视角和推荐过程。

实施例一，样本集D使用Book-Crossing数据集。

该样本集由Cai-Nicolas Ziegler通过Book-Crossing网站收集，包含了278858个用户对271379本书的1149780条评分信息，所有的评分值分布在[0，10]区间内，越高的评分值代表越强的用户兴趣。

为了便于实验，对评分值进行重新标定，将评分值为9、10的标定为+1(推荐样本集)，将评分值为0～8的标定为-1(不推荐样本集)。本实施例在Book-Crossing数据集中前1000个项目的被评分数据上进行。约3.5万名用户对这1000个项目进行评分，该子样本集总共包含超过14万条的评分数据。

如图2所示，显示了根据KNN算法和本发明提供的解决方案对Book-Crossing数据集中的信息进行推荐的准确度。

实施例二，样本集D取自MovieLens数据集。

该样本集由明尼苏达大学GroupLens研究小组通过MovieLens网站收集，包含了943位用户对1682部电影的1000000条1～5分的评分数据，每位用户至少对20部电影进行了评分。与Book-Crossing数据集一样，对评分值进行重新标定，将评分值为4、5的标定为+1(推荐样本集)，将评分值为1～3的标定为-1(不推荐样本集)。从MovieLens数据集上随机抽取100、200、300位用户的评分数据组成三个样本集，分别记为TDS100、TDS200、TDS300。

如图2所示，显示了根据KNN算法和本发明提供的解决方案对Book-Crossing数据集中的信息进行推荐的准确度。

根据实验结果表明，本发明的解决方案随着样本容量的增加，算法预测的准确性随之提高，推荐质量也随之提高。

在本发明提供的解决方案中，在推荐初始阶段，用户只知道样本的部分信息(粗粒度)，大部分样本会被分到边界域。随着推荐步骤的增加，一些新的信息加入，对样本的认识达到更细的粒度，一些先前被分到边界域的样本会被分到正域或负域。最终，在信息充分的情况下，会做出准确推荐，从全局角度看，随着推荐步骤的增加，推荐代价会逐步降低，并且最终边界域会消失，推荐代价达到一个理想值。

推荐一般只是整体趋势满足推荐一致性，局部可能存在异常点。另外，所有的信息全部用上，代价未必会下降到零，可能只是达到一个理想值。也就是说，从整体角度来看，推荐代价关于推荐步骤是单调下降的。若从局部角度来看，可能会出现随着推荐步骤的增加，推荐代价并不下降的情况。

以上所述仅为本发明较佳的实施例，并非因此限制本发明的实施方式及保护范围，对于本领域技术人员而言，应当能够意识到凡运用本发明说明书及图示内容所作出的等同替换和显而易见的变化所得到的方案，均应当包含在本发明的保护范围内。

Claims (5)

1.一种基于KNN和三支决策的电影推荐方法，其特征在于，包括：

S1、接收用户输入的选择条件；

S2、根据接收的选择条件将电影样本集D分成标签为P的电影样本集X_P和标签为N的电影样本集X_N；

S3、根据KNN计算电影样本集D＝{x⁽ⁱ⁾}(i＝1，2，3，......,k)中第i个电影样本x⁽ⁱ⁾在电影样本集X_P中的m个最近邻居集合{x′_P1，x′_P2，x′_P3，......，x′_Pm}及对应的标签集合z_m＝{y′_P1，y′_P2，y′_P3，......，y′_Pm}和在电影样本集X_N中的n个最近邻居集合{x′_N1，x′_N2，x′_N3，......，x′_Nn}及对应的标签集合z_n＝{y′_N1，y′_N2，y′_N3，......，y′_Nn}；

S4、计算第i个电影样本x⁽ⁱ⁾在电影样本集X_P中的后验概率P(X_P|x⁽ⁱ⁾)和在电影样本集X_N中的后验概率P(X_N|x⁽ⁱ⁾)；

S5、根据电影三支决策、后验概率P(X_P|x⁽ⁱ⁾)和P(X_N|x⁽ⁱ⁾)计算第i个电影样本x⁽ⁱ⁾的推荐值

R(a_P|x⁽ⁱ⁾)＝α_PPP(X_P|x⁽ⁱ⁾)+β_PNP(X_N|x⁽ⁱ⁾) (1)，

R(a_N|x⁽ⁱ⁾)＝α_PNP(X_P|x⁽ⁱ⁾)+β_PNP(X_N|x⁽ⁱ⁾) (2)，

R(a_B|x⁽ⁱ⁾)＝α_BPP(X_P|x⁽ⁱ⁾)+β_BNP(X_N|x⁽ⁱ⁾) (3)，

电影样本集X_P推荐代价为α_PP、α_BP、α_NP，电影样本集X_N的推荐代价为β_PP、β_BP、β_NP，

第i个电影样本x⁽ⁱ⁾的三种推荐代价R(a_i|x⁽ⁱ⁾)(i＝P，B，N)，三种决策a_i(i＝P，B，N)，a_P为推荐，a_N为不推荐，a_B为待定推荐；

S6、根据计算的推荐值确定第i个电影样本x⁽ⁱ⁾的决策是推荐a_P或不推荐a_N或待定推荐a_B。

2.如权利要求1所述的电影推荐方法，其特征在于，所述步骤S4中，根据公式(5)计算第i个电影样本x⁽ⁱ⁾在电影样本集X_P中的后验概率P(X_P|x⁽ⁱ⁾)：

$P\left(X_P\right|x^{\left(i\right)})=\frac{y_{P1}^{\′},y_{P2}^{\′},y_{P3}^{\′},\mathrm{......},y_{Pm}^{\′}}{{(i*m)}^m}---\left(5\right).$

3.如权利要求1所述的电影推荐方法，其特征在于，所述步骤S4中，根据公式(6)计算第i个电影样本x⁽ⁱ⁾在电影样本集X_N中的后验概率P(X_N|x⁽ⁱ⁾)：

$P\left(X_N\right|x^{\left(i\right)})=\frac{y_{N1}^{\′},y_{N2}^{\′},y_{N3}^{\′},\mathrm{......},y_{Nn}^{\′}}{{(i*n)}^n}---\left(6\right).$

4.如权利要求1所述的电影推荐方法，其特征在于，根据代价敏感分类得到电影样本集X_N的推荐代价α_PP、α_BP、α_NP和电影样本集X_N的推荐代价β_PP、β_BP、β_NP。

5.如权利要求1所述的电影推荐方法，其特征在于，步骤S1中用户输入的选择条件为一个或者多个。