CN106919647B - 一种基于聚类的网络结构相似性推荐方法 - Google Patents

Abstract

一种基于聚类的网络结构相似性推荐方法，包括以下步骤：步骤1：在数据库中标记用户形成集合；步骤2：在集合User中选择k个用户作为聚类中心，形成集合UC＝{uc₁，uc₂，…uc_k}，uc_k代表一个聚类中心用户；步骤3：初始化k个聚类集合C＝{c₁，c₂，c₃…c_k}，所述c_k代表包含有用户聚类中心uc_k和与uc_k相似度高的其他用户的集合；步骤4：计算用户u_n与聚类中心uc_k的相似度，将用户u_n归类为某一聚类集合c_k中；步骤5：计算每个聚类c_k中每种产品被购买的次数，将数量大于阀值b*n的产品标记出来作为特征商品；步骤6：计算需要推荐的用户U_i与每个聚类中心的相似性，将U_i归为某一聚类c_k中；步骤7：计算U_i与c_k特征向量的值，得出推荐列表。本发明提出了一种精度较高、计算时间较短的基于聚类的网络结构相似性推荐方法。

Description

一种基于聚类的网络结构相似性推荐方法

技术领域

本发明涉及一种信息处理技术的算法，特别涉及一种基于聚类网络结构相似性推荐方法。

背景技术

现代社会中物质资源极大丰富，人民生活水平极大提高，市面上有着各种各样的物质产品和文化产品。每个人的喜好各不相同，每个人都想要找到自己喜爱的产品，个性化的服务正越来越成为人们关注的焦点，越来越多的研究者也加入到了研究个性化推荐算法的领域中来。个性化服务主要是是向用户推荐其可能感兴趣、或者将会购买的产品的信息，使得用户能够快速的找到其兴趣点。

研究网络数据的推荐算法，已经成为国内数据挖掘热点，也产生了很多推荐算法。陈克寒等在论文《基于用户聚类的异构社交网络推荐算法》中提出了一种处理冷启动和数据稀疏性的推荐算法GCCR。在《多维加权社会网络中的个性化推荐算法》的论文中张华青等使用加权网络不但建立了用户和商品的关系网还建立了用户和用户的关系网。在论文《基于项目聚类的协同过滤推荐算法》邓爱林等提出了一种根据用户评分项判断产品相似性的聚类推荐算法。现有聚类推荐方式存在的技术缺陷：精度低、计算时间长。

发明内容

为了克服传统推荐方法的精度较低、计算时间较长的不足，本发明提出了一种精度较高、计算时间较短的基于聚类的网络结构相似性推荐方法。

本发明解决其技术问题所采用的技术方案是：

一种基于聚类的网络结构相似性推荐方法，所述推荐方法包括以下步骤：

步骤1：在数据库中标记用户形成集合User＝{u₁,u₂,u₃…u_n}；

步骤2：在集合User中选择k个用户作为聚类中心，形成集合UC＝{uc₁,uc₂,…uc_k}，所述uc_k代表一个聚类中心用户；

步骤3：初始化k个聚类集合C＝{c₁,c₂,c₃…c_k}，所述c_k代表包含有用户聚类中心uc_k和与uc_k相似度高的其他用户的集合；

步骤4：计算用户u_n与聚类中心uc_k的相似度，将用户u_n归类为某一聚类集合c_k中；

步骤5：计算每个聚类c_k中每种产品被购买的次数，将数量大于阀值b*n的产品标记出来作为特征商品，b为0～1之间的预设系数；

步骤6：计算需要推荐的用户U_i与每个聚类中心的相似性，将U_i归为某一聚类c_k中；

步骤7：计算U_i与c_k特征向量的值，得出推荐列表。

进一步，所述步骤1中，用户集合User＝{u₁,u₂,u₃…u_n}中每一个u_n包含用户所购买过的产品信息，u_n代表用户购买产品的行向量。

再进一步，所述步骤2中，使用公式(1)计算用户的购买指数，选择购买指数较高的前几个用户作为聚类中心，步骤如下：

步骤2.1使用公式(1)计算用户的购买指数，计算后的数值直接保存在c向量中，公式(1)中

是元素全为1的一维列向量，c是一维行向量；

A×α₁＝c (1)

步骤2.2使用循环程序计算，当h<k-1，d<k-1-h时，比较c_d和c_d+1的大小，如果c_d<c_d+1,将c_d和c_d+1中的值互换，将d+1赋值给rank_i，将d赋值给rank_i+1，所述rank是包含了用户标号d顺序的列向量，rank_i代表向量rank中的第i个元素；

步骤2.3：取rank中前k个用户的标号赋值给聚类中心，形成集合UC＝{uc₁,uc₂,uc₃…uc_k}。

再进一步，所述步骤4中，用户u_n聚类的步骤如下：

步骤4.1：当f<k，t<n时，利用循环程序通过公式(2)计算用户u_n与聚类中心uc_k的相似度。

Sim_tf＝u_t×uc_f′ (2)

步骤4.2：将u_n放入Sim_tf最大的对应的聚类集合c_k中。

再进一步，所述步骤5中，利用循环程序计算每个类中每种产品被购买的次数，再将产品按购买次数的多少进行排序得到每个聚类的购买特性向量，步骤如下：

步骤5.1：利用公式(3)提取聚类集合c_k中用户共同购买特征，其中α′₁＝{1,1,…,1}是一维行向量，trait_k是包含用户购买特征的一维行向量；

α′₁×c_k＝trait_k (3)

步骤5.2：利用公式(4)对trait_k中的数据进行特征处理，对于trait_kj-0.6k>0的数，将tri_j中的对应位置赋值为1，trait_kj-0.6k<0时赋值为0，trait_kj代表第k个聚类中关于第j个产品的特征值，tri是将trait_kj中对应的产品标记出来的列向量，tri_j代表tri中的第j个元素；

再进一步，所述步骤6中，计算U_i与每个聚类中心的相似性，步骤如下：

6.1：使用公式(5)计算需要推荐的用户U_i和聚类中心uc_k之间的相似性，Sim_ik代表用户U_i和聚类中心uc_k的相似性；

Sim_ik＝U_i×uc_k (5)

步骤6.2：将U_i归为相似性最大的聚类uc_k中。

更进一步，所述步骤7中，利用公式(6)对U_i和uc_k的特征向量进行与非运算得到推荐列表：

本发明的技术构思为：首先对数据库中用户进行聚类运算，将具有高相似性的用户归为同一类，进一步在每一用户类型中找到此类中用户购买最多的产品列表，再进一步，当需要为用户U_i推荐时，只要找到与其最相似的聚类，然后将聚类中用户还没有购买的排列在列表前端的产品推荐给用户即可。

本发明的有益效果主要表现在：聚类计算的步骤可以放在服务器中提前进行计算，计算的结果可以存储起来。当用户需要推荐时只需先对用户和类进行相似性的计算，然后调用已经计算好的数据即可。这样可以简化计算的过程，大大减少计算的时间。

附图说明

图1是一种基于聚类的网络结构相似性推荐方法的流程图。

具体实施方式

下面结合附图对本发明作进一步描述。

参照图1，一种基于聚类的网络结构相似性推荐方法，包括以下步骤：

步骤1：在数据库中标记用户形成集合User＝{u₁,u₂,u₃…u_n}。

步骤2：在集合User中选择k个用户作为聚类中心，形成集合UC＝{uc₁,uc₂,…uc_k}。所述uc_k代表一个聚类中心用户。

步骤3：初始化k个聚类集合C＝{c₁,c₂,c₃…c_k}。所述c_k代表包含有用户聚类中心uc_k和与uc_k相似度高的其他用户的集合。

步骤4：计算用户u_n与聚类中心uc_k的相似度，将用户u_n归类为某一聚类集合c_k中。

步骤5：计算每个聚类c_k中每种产品被购买的次数，将数量大于阀值b*n的产品标记出来作为特征商品，b为0～1之间的预设系数，例如b取0.6。

步骤6：计算需要推荐的用户U_i与每个聚类中心的相似性，将U_i归为某一聚类c_k中。

步骤7：计算U_i与c_k特征向量的值，得出推荐列表。

进一步，所述步骤1中，用户集合User＝{u₁,u₂,u₃…u_n}中每一个u_n包含用户所购买过的产品信息。u_n代表用户购买产品的行向量。如下表所示是代表用户和产品关系的邻接矩阵A。其中u_n代表用户，P_j代表产品，矩阵中的元素a_nj代表用户是否购买过此产品，a_nj＝1代表用户n曾经购买过商品j，a_nj＝0表示没有购买过。

再进一步，所述步骤2中使用公式(1)计算用户的购买指数，选择购买指数较高的前几个用户作为聚类中心。具体步骤如下：

步骤2.1使用公式(1)计算用户的购买指数，计算后的数值直接保存在c向量中。公式(1)中

是元素全为1的一维列向量。c是一维行向量。

A×α₁＝c (1)

步骤2.2使用循环程序计算，当h<k-1，d<k-1-h时，比较c_d和c_d+1的大小，如果c_d<c_d+1,将c_d和c_d+1中的值互换，将d+1赋值给rank_i，将d赋值给rank_i+1。所述rank是包含了用户标号d顺序的列向量。rank_i代表向量rank中的第i个元素。

步骤2.3：取rank中前k个用户的标号赋值给聚类中心，形成集合UC＝{uc₁,uc₂,uc₃…uc_k}

再进一步。所述步骤4中用户u_n聚类的具体步骤如下：

步骤4.1：当f<k，t<n时，利用循环程序通过公式(2)计算用户u_n与聚类中心uc_k的相似度。

Sim_tf＝u_t×uc_f′ (2)

步骤4.2：将u_n放入Sim_tf最大的对应的聚类集合c_k中。

再进一步，所述步骤5中，利用循环程序计算每个类中每种产品被购买的次数，再将产品按购买次数的多少进行排序得到每个聚类的购买特性向量。具体步骤如下：

步骤5.1：利用公式(3)提取聚类集合c_k中用户共同购买特征。其中α′₁＝{1,1,…,1}是一维行向量。trait_k是包含用户购买特征的一维行向量。

α′₁×c_k＝trait_k (3)

步骤5.2：利用公式(4)对trait_k中的数据进行特征处理，系数b取0.6为例，对于trait_kj-0.6k>0的数，将tri_j中的对应位置赋值为1，trait_kj-0.6k<0时赋值为0。trait_kj代表第k个聚类中关于第j个产品的特征值。tri是将trait_kj中对应的产品标记出来的列向量。tri_j代表tri中的第j个元素。

再进一步，所述步骤6中，计算U_i与每个聚类中心的相似性的具体步骤如下：

步骤6.1：使用公式(5)计算需要推荐的用户U_i和聚类中心uc_k之间的相似性。Sim_ik代表用户U_i和聚类中心uc_k的相似性。

Sim_ik＝U_i×uc_k (5)

步骤6.2：将U_i归为相似性最大的聚类uc_k中。

更近一步，在步骤7中利用公式(6)对U_i和uc_k的特征向量进行与非运算得到推荐列表。

实例：取如下邻接矩阵作为包含用户和产品关系的矩阵A

采用公式(1)A×α₁＝c对矩阵A进行计算得到购买指数

c＝{6,4,6,7,4,5,4,6,5,5}

对c向量进行排序后得到包含了用户标号d顺序的列向量

rank′＝{4,1,3,8,6,9,10,2,5,7}

将排序最前的u₄和u₁赋值给聚类中心集合UC＝{u₄,u₁}。

通过(2)Sim_tf＝u_t×uc_f′将用户u_n都聚类到集合C＝{c₁,c₂}中，其中c₁＝{u₁,u₃,u₅,u₇},c₂＝{u₂,u₄,u₆,u₈,u₉,u₁₀}。

通过公式(3)α′₁×c_k＝trait_k以聚类集合c₂为例计算出trait₂＝{5,2,4,4,3,2,4,1,2,5}，在通过(4)

处理后得tri＝{1,0,1,1,0,0,1,0,0,1}

最后对于需要推荐的用户U_i＝{0,0,1,0,0,0,1,1,1,1}利用公式(6)

得到推荐列表list＝{1,1,0,1,1,1,0,1,1,0}。

Claims (3)

1.一种基于聚类的网络结构相似性推荐方法，其特征在于：所述推荐方法包括以下步骤：

步骤1：在数据库中标记用户形成集合User＝{u₁，u₂，u₃…u_n}；用户集合User＝{u₁，u₂，u₃…u_n}中每一个u_n包含用户所购买过的产品信息，u_n代表用户购买产品的行向量，邻接矩阵A代表用户和产品关系，其中u_n代表用户，P_j代表产品，矩阵中的元素a_nj代表用户是否购买过此产品，a_nj＝1代表用户n曾经购买过商品j，a_nj＝0表示没有购买过；

步骤2：在集合User中选择k个用户作为聚类中心，形成集合UC＝{uc₁，uc₂，…uc_k}，所述uc_k代表一个聚类中心用户；

步骤3：初始化k个聚类集合C＝{c₁，c₂，c₃…c_k}，所述c_k代表包含有用户聚类中心uc_k和与uc_k相似度高的其他用户的集合；

步骤4：计算用户u_n与聚类中心uc_k的相似度，将用户u_n归类为某一聚类集合c_k中；

步骤5：计算每个聚类c_k中每种产品被购买的次数，将数量大于阀值b*n的产品标记出来作为特征商品，b为0～1之间的预设系数；

所述步骤5中，利用循环程序计算每个类中每种产品被购买的次数，再将产品按购买次数的多少进行排序得到每个聚类的购买特性向量，步骤如下：

步骤5.1：利用公式(3)提取聚类集合c_k中用户共同购买特征，其中α′₁＝{1，1，...，1}是一维行向量，trait_k是包含用户购买特征的一维行向量；

α′₁×c_k＝trait_k (3)

步骤5.2：利用公式(4)对trait_k中的数据进行特征处理，对于trait_kj-0.6k＞0的数，将tri_j中的对应位置赋值为1，trait_kj-0.6k＜0时赋值为0，trait_kj代表第k个聚类中关于第j个产品的特征值，tri是将trait_kj中对应的产品标记出来的列向量，tri_j代表tri中的第j个元素；

步骤6：计算需要推荐的用户U_i与每个聚类中心的相似性，将U_i归为某一聚类c_k中；

步骤7：计算U_i与c_k特征向量的值，得出推荐列表；

利用公式(6)对U_i和uc_k的特征向量进行与非运算得到推荐列表：

2.如权利要求1所述的一种基于聚类的网络结构相似性推荐方法，其特征在于：所述步骤4中，用户u_n聚类的步骤如下：

步骤4.1：当f＜k，t＜n时，利用循环程序通过公式(2)

计算用户u_n与聚类中心uc_k的相似度；

Sim_tf＝u_t×uc_f′ (2)

步骤4.2：将u_n放入Sim_tf最大的对应的聚类集合c_k中。

3.如权利要求1所述的一种基于聚类的网络结构相似性推荐方法，其特征在于：所述步骤6中，计算U_i与每个聚类中心的相似性，步骤如下：

步骤6.1：使用公式(5)计算需要推荐的用户U_i和聚类中心uc_k之间的相似性，Sim_ik代表用户U_i和聚类中心uc_k的相似性；

Sim_ik＝U_i×uc_k (5)

步骤6.2：将U_i归为相似性最大的聚类uc_k中。

Images