CN106022838A - 一种电子商务推荐系统中用户最近邻居集的优化选取方法 - Google Patents

Abstract

本发明涉及一种电子商务推荐系统中用户最近邻居集的优化选取方法，包括：收集历史记录中的用户‑项目评分数据，建立用户‑项目评分矩阵；采用皮尔森相似度计算方法计算目标用户与其他用户之间的相似度；选择相似度较高的前N个用户生成最近邻居候选集；对于最近邻居候选集里的用户，根据目标用户与此集里用户共同评分项集的数据，计算目标用户与此集里用户之间评分的平均误差，进而计算可信度，平均误差越大，与目标用户之间的可信度越小；选取可信度较高的K个用户生成目标用户的最近邻居集，0<K<N。本发明可以提高推荐的准确度。

Description

一种电子商务推荐系统中用户最近邻居集的优化选取方法

技术领域

本发明涉及一种电子商务推荐系统中用户最近邻居集的优化选取方法。

背景技术

随着“互联网+”时代的到来以及电子商务的迅速发展，电子商务网站利用电子商务推荐系统向用户推荐商品信息，提供相关的建议，协助用户做出购物决策。作为传统的推荐技术的一种，协同过滤推荐算法简单且高效，得到了推荐系统的广泛且成功的应用。

协同过滤推荐方法主要分为基于邻居集和基于模型的推荐方法。其中，基于邻居集的推荐方法又分为基于用户和基于项目的方法。基于用户的推荐方法的核心思想是将与目标用户相似的最近邻居用户所喜欢的项目推荐给目标用户。其中，基于用户的协同过滤推荐方法在应用中遇到了一些挑战，主要是因为仅依靠传统的相似度计算得到的最近邻居集存在较大误差，数据稀疏问题更使得传统协同过滤推荐不够准确。

发明内容

本发明旨在克服现有技术上的不足，提出一种电子商务推荐系统中用户最近邻居集的优化选取方法，不但可以提高推荐准确度，而且能够解决数据稀疏带来的问题。为了达到上述目的，本发明采用如下的技术方案：

一种电子商务推荐系统中用户最近邻居集的优化选取方法，包括下列步骤：

(1)收集历史记录中的用户-项目评分数据，建立用户-项目评分矩阵；

(2)采用皮尔森相似度计算方法计算目标用户与其他用户之间的相似度；

(3)选择相似度较高的前N个用户生成最近邻居候选集；

(4)对于最近邻居候选集里的用户，根据目标用户与此集里用户共同评分项集的数据，计算目标用户与此集里用户之间评分的平均误差，进而计算可信度，平均误差越大，与目标用户之间的可信度越小；

(5)选取可信度较高的K个用户生成目标用户的最近邻居集，0<K<N。

本发明提供的电子商务推荐系统中用户最近邻居的优化选取方法，首先计算目标用户与其他用户的相似度，然后选取相似度较高的用户生成最近邻居候选集，然后计算目标用户与最近邻居候选集中用户之间的可信度，选取可信度较高的用户生成目标用户的最近邻居集。通过本方法可以提高最近邻居集的准确度。

附图说明

图1是用户最近邻居集的优化选取流程图。

具体实施方式

本发明的技术方案是：

(1)收集历史记录中的用户-项目评分数据，建立用户-项目评分矩阵：

(2)计算目标用户与其他用户之间的相似度。在计算其他用户与目标用户之间的相似度时，考虑二者间的共同评分项，采用经典的皮尔森相似度计算方法，具体方法如下所示：

$sim(a,b)=\frac{\underset{i\&Element;I_{ab}}{\&Sigma;}(R_{ai}-\stackrel{\&OverBar;}{R_a})(R_{bi}-\stackrel{\&OverBar;}{R_b})}{\sqrt{\underset{i\&Element;I_{ab}}{\&Sigma;}{(R_{ai}-\stackrel{\&OverBar;}{R_a})}^2\underset{i\&Element;I_{ab}}{\&Sigma;}{(R_{bi}-\stackrel{\&OverBar;}{R_b})}^2}}$

其中，a和b代表两个用户，sim(a,b)表示用户a和b之间的相似度，R_ai表示用户a对项目i的评分，I_ab表示两个用户的共同评分项集，表示用户a的评分均值，|I_a|表示用户a评价过的项目个数。

(3)设0<K′<K(K′和K的值需要依据具体推荐系统设定)，根据(2)计算得到的其他用户对目标用户的相似度，选取相似度较高的K′个用户作为目标用户a的最近邻居候选集N′(a)，以备最近邻居集N(a)的后续选取。

(4)用户a与其他用户的可信度计算方法如下。设用户b为目标用户a的最近邻居候选集N′(a)中的某个用户，项目i为共同评分项集I_ab中的某个项目，基于用户b的评分可以利用下述公式对用户a在项目i上的评分进行预测。

$P_{ai}=R_{bi}-\stackrel{\&OverBar;}{R_b}+\stackrel{\&OverBar;}{R_a}$

其中P_ai表示用户b对用户a在项目i上的预测评分，表示用户a的平均评分。通过计算用户b对用户a在共同评分项集I_ab中的每一个项目上的预测评分与用户a的对相应项目的实际评分之间的差值，可以得到用户b对用户a的预测评分平均误差，计算公式如下：

$H_{ab}=\frac{\underset{i\&Element;I_{ab}}{\&Sigma;}|P_{ai}-R_{ai}|}{\left|I_{ab}\right|}$

(5)预测评分平均误差H_ab越大，用户a与用户b之间的可信度越小，这是一个反相关的关系，所以利用公式将预测评分平均误差H_ab归一化到区间[0,1]内，得到用户a对用户b的可信度T(a,b)，其中T(a,b)越大，说明用户a对用户b的可信度越高。

(6)基于对目标用户与最近邻居候选集N′(a)中所有用户之间的可信度的计算，选取可信度较高的前K个用户构成目标用户的最近邻居集N(a)。

Claims (1)

1.一种电子商务推荐系统中用户最近邻居集的优化选取方法，包括下列步骤：

(1)收集历史记录中的用户-项目评分数据，建立用户-项目评分矩阵；

(2)采用皮尔森相似度计算方法计算目标用户与其他用户之间的相似度；

(3)选择相似度较高的前N个用户生成最近邻居候选集；

(4)对于最近邻居候选集里的用户，根据目标用户与此集里用户共同评分项集的数据，计算目标用户与此集里用户之间评分的平均误差，进而计算可信度，平均误差越大，与目标用户之间的可信度越小；

(5)选取可信度较高的K个用户生成目标用户的最近邻居集，0<K<N。