CN109658210A - 一种商品推荐方法、装置、设备以及存储介质 - Google Patents

Abstract

本发明公开了一种商品推荐方法，通过获取不同用户分别针对不同商品的评分数据，评分数据用于表征用户对商品的喜欢程度；根据不同用户对商品的评分数据，对不同用户之间的用户相似度进行计算；根据目标用户的近邻用户对待推荐商品的评分数据得到目标用户对待推荐商品的评分数据，以对商品进行推荐。本申请基于近邻传播的商品推荐方法，采用迭代的思想，将每一轮的评分数据带入到下一轮预测评分当中，使得评分矩阵越来越稠密，也致使预测评分越来越精确。因此，本申请可以更好地提高商品推荐的性能。此外，本申请还提供了一种具有上述技术效果的商品推荐装置、设备以及计算机可读存储介质。

Description

一种商品推荐方法、装置、设备以及存储介质

技术领域

本发明涉及信息处理技术领域，特别是涉及一种商品推荐方法、装置、设备以及计算机可读存储介质。

背景技术

互联网的出现和普及给用户带来了大量的信息，满足了用户在信息时代对信息的需求，但随着网络的迅速发展而带来的网上信息量的大幅增长，使得用户在面对大量信息时无法从中获得对自己真正有用的那部分信息，对信息的使用效率反而降低了，这就是所谓的信息超载问题。

解决信息超载问题一个非常有潜力的办法是推荐系统，它是根据用户的信息需求、兴趣等，将用户感兴趣的信息、产品等推荐给用户的个性化信息推荐系统。和搜索引擎相比推荐系统通过研究用户的兴趣偏好，进行个性化计算，由系统发现用户的兴趣点，从而引导用户发现自己的信息需求。

推荐系统现已广泛应用于很多领域，其中最典型并具有良好的发展和应用前景的领域就是电子商务领域。对于个性化推荐系统一些传统的相似度度量方法比如余弦相似度，Pearson相似度(Pearson Correlation Coefficient,PCC)以及矩阵分解(Matrixfactorization)算法已经广泛应用于商品推荐算法中。然而用户和商品的数量的不断增加，评分矩阵的稀疏性也越来越明显。按照相似度计算以及矩阵分解已不能更好地提升推荐性能。

发明内容

本发明的目的是提供一种商品推荐方法、装置、设备以及计算机可读存储介质，以解决在稀疏的评分数据上推荐性能较差的问题。

为解决上述技术问题，本发明提供一种商品推荐方法，包括：

获取不同用户分别针对不同商品的评分数据，所述评分数据用于表征用户对商品的喜欢程度；

根据不同用户对商品的评分数据，对所述不同用户之间的用户相似度进行计算；

根据目标用户的近邻用户对待推荐商品的评分数据得到所述目标用户对所述待推荐商品的评分数据，以对商品进行推荐。

可选地，所述获取不同用户分别针对不同商品的评分数据包括：

采用集合U＝{u₁,...,u_l}和M＝{m₁,...,m_n}分别代表用户集合与商品集合，l和n分别表示用户数量和商品数量，输入商品评分矩阵其中r_ij∈{0,s}表示用户u_i对商品m_j的评分；

若r_ij取值为0则表示用户对商品未评价，若r_ij取非零值则表示用户对商品评价的分值。

可选地，所述根据不同用户对商品的评分数据，对所述不同用户之间的用户相似度进行计算包括：

对任意两个用户u_g和u_i，采用S(u_g,u_i)＝A(u_g,u_i)C(u_g,u_i)PCC(u_g,u_i)计算二者之间的用户相似度；

其中，A(u_g,u_i)表示用户u_g和用户u_i的一致性程度，计算方式为：V_g表示基于用户u_g的评分向量，中的上角标T表示转置，V_i表示基于用户u_i的评分向量；C(u_g,u_i)表示折衷因素，计算方式为：I_g为用户u_g评价过的物品集合，I_i为用户u_i评价过的物品集合；PCC(u_g,u_i)是计算两个用户之间的Pearson相似度，计算方式为：

其中，r_gj是用户u_g对物品m_j的评分，表示用户u_i对商品非零评分的平均值，代表用户u_g对商品非零评分的平均值；r_ij是用户u_i对物品m_j的评分；I_g∩I_i表示用户u_g和用户u_i共同评价过的商品集合。

可选地，所述根据目标用户的近邻用户对待推荐商品的评分数据得到所述目标用户对所述待推荐商品的评分数据包括：

在目标用户为u_t∈U，给所述目标用户u_t推荐待推荐商品m_a∈{m_j|m_j∈M∧r_tj＝0}时，预测目标用户u_t对所述待推荐商品m_a的评分为：

其中，m_a∈{m_j|m_j∈M∧r_tj＝0}代表用户未曾评分的商品，∧是条件连接符号，r_ca表示用户u_c对商品m_a的评分，表示目标用户u_t对商品非零评分的平均值，表示近邻用户u_c对商品非零评分的平均值，S(u_t,u_c)表示目标用户u_t和近邻用户u_c的用户相似性，NK是目标用户u_t的近邻用户数集，包含与目标用户的用户相似度从高到低选取的K个近邻用户，W_ca为近邻用户u_c对待推荐商品m_a的评分信任度且W_ca＝decay^itear，decay为衰减率，itear为迭代次数，每一轮新添的分值对应一个信任系数，每一轮乘以衰减率。

本申请还提供了一种商品推荐装置，包括：

获取模块，用于获取不同用户分别针对不同商品的评分数据，所述评分数据用于表征用户对商品的喜欢程度；

计算模块，用于根据不同用户对商品的评分数据，对所述不同用户之间的用户相似度进行计算；

推荐模块，用于根据目标用户的近邻用户对待推荐商品的评分数据得到所述目标用户对所述待推荐商品的评分数据，以对商品进行推荐。

可选地，所述获取模块用于：

采用集合U＝{u₁,…,u_l}和M＝{m₁,...,m_n}分别代表用户集合与商品集合，l和n分别表示用户数量和商品数量，输入商品评分矩阵其中r_ij∈{0,s}表示用户u_i对商品m_j的评分；

若r_ij取值为0则表示用户对商品未评价，若r_ij取非零值则表示用户对商品评价的分值。

可选地，所述计算模块用于：

对任意两个用户u_g和u_i，采用S(u_g,u_i)＝A(u_g,u_i)C(u_g,u_i)PCC(u_g,u_i)计算二者之间的用户相似度；

其中，A(u_g,u_i)表示用户u_g和用户u_i的一致性程度，计算方式为：V_g表示基于用户u_g的评分向量，中的上角标T表示转置，V_i表示基于用户u_i的评分向量；C(u_g,u_i)表示折衷因素，计算方式为：I_g为用户u_g评价过的物品集合，I_i为用户u_i评价过的物品集合；PCC(u_g,u_i)是计算两个用户之间的Pearson相似度，计算方式为：

其中，r_gj是用户u_g对物品m_j的评分，表示用户u_i对商品非零评分的平均值，代表用户u_g对商品非零评分的平均值；r_ij是用户u_i对物品m_j的评分；I_g∩I_i表示用户u_g和用户u_i共同评价过的商品集合。

可选地，所述推荐模块用于：

在目标用户为u_t∈U，给所述目标用户u_t推荐待推荐商品m_a∈{m_j|m_j∈M∧r_tj＝0}时，预测目标用户u_t对所述待推荐商品m_a的评分为：

其中，m_a∈{m_j|m_j∈M∧r_tj＝0}代表用户未曾评分的商品，∧是条件连接符号，r_ca表示用户u_c对商品m_a的评分，表示目标用户u_t对商品非零评分的平均值，表示近邻用户u_c对商品非零评分的平均值，S(u_t,u_c)表示目标用户u_t和近邻用户u_c的用户相似性，NK是目标用户u_t的近邻用户数集，包含与目标用户的用户相似度从高到低选取的K个近邻用户，W_ca为近邻用户u_c对待推荐商品m_a的评分信任度且W_ca＝decay^itear，decay为衰减率，itear为迭代次数，每一轮新添的分值对应一个信任系数，每一轮乘以衰减率。

本申请还提供了一种商品推荐设备，包括：

存储器，用于存储计算机程序；

处理器，用于执行所述计算机程序时实现上述任一种商品推荐方法的步骤。

本申请还提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现上述任一种所述商品推荐方法的步骤。

本发明所提供的商品推荐方法，通过获取不同用户分别针对不同商品的评分数据，评分数据用于表征用户对商品的喜欢程度；根据不同用户对商品的评分数据，对不同用户之间的用户相似度进行计算；根据目标用户的近邻用户对待推荐商品的评分数据得到目标用户对待推荐商品的评分数据，以对商品进行推荐。本申请基于近邻传播的商品推荐方法，采用迭代的思想，将每一轮的评分数据带入到下一轮预测评分当中，使得评分矩阵越来越稠密，也致使预测评分越来越精确。因此，本申请可以更好地提高商品推荐的性能。此外，本申请还提供了一种具有上述技术效果的商品推荐装置、设备以及计算机可读存储介质。

附图说明

为了更清楚的说明本发明实施例或现有技术的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本申请所提供的商品推荐方法的一种具体实施方式的流程图；

图2为本发明实施例提供的商品推荐装置的结构框图；

图3为本申请所提供的商品推荐设备结构框图。

具体实施方式

随着用户和商品的数量的不断增加，评分矩阵的稀疏性也越来越明显。按照相似度计算以及矩阵分解已不能更好地提升推荐性能。本发明的核心是提供一种商品推荐方法、装置、设备以及计算机可读存储介质，以解决上述技术问题。

为了使本技术领域的人员更好地理解本发明方案，下面结合附图和具体实施方式对本发明作进一步的详细说明。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做出创造性劳动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。

本申请所提供的商品推荐方法的一种具体实施方式的流程图如图1所示，该方法包括：

步骤S101：获取不同用户分别针对不同商品的评分数据，所述评分数据用于表征用户对商品的喜欢程度；

采用集合U＝{u₁,...,u_l}和M＝{m₁,...,m_n}分别代表用户集合与商品集合，l和n分别表示用户数量和商品数量，输入商品评分矩阵其中r_ij∈{0,s}表示用户u_i对商品m_j的评分；若r_ij取值为0则表示用户对商品未评价，若r_ij取非零值则表示用户对商品评价的分值。分值的大小表示用户对商品的喜欢程度的高低。

步骤S102：根据不同用户对商品的评分数据，对所述不同用户之间的用户相似度进行计算；

具体地，采用ACPCC(Accordance and Compromise based Pear son CorrelationCoefficient)相似度对不同用户之间的用户相似度进行计算。对任意两个用户u_g和u_i，采用S(u_g,u_i)＝A(u_g,u_i)C(u_g,u_i)PCC(u_g,u_i)计算二者之间的用户相似度；

其中，A(u_g,u_i)表示用户u_g和用户u_i的一致性程度，计算方式为：V_g表示基于用户u_g的评分向量，中的上角标T表示转置，V_i表示基于用户u_i的评分向量；C(u_g,u_i)表示折衷因素，计算方式为：I_g为用户u_g评价过的物品集合，I_i为用户u_i评价过的物品集合；PCC(u_g,u_i)是计算两个用户之间的Pearson相似度，计算方式为：

其中，r_gj是用户u_g对物品m_j的评分，表示用户u_i对商品非零评分的平均值，代表用户u_g对商品非零评分的平均值；r_ij是用户u_i对物品m_j的评分；I_g∩I_i表示用户u_g和用户u_i共同评价过的商品集合。例如，用户u_g打分是{1,3,4,2,1,1,2},那么就等于2。

步骤S103：根据目标用户的近邻用户对待推荐商品的评分数据得到所述目标用户对所述待推荐商品的评分数据，以对商品进行推荐。

在目标用户为u_t∈U，给所述目标用户u_t推荐待推荐商品m_a∈{m_j|m_j∈M∧r_tj＝0}时，预测目标用户u_t对所述待推荐商品m_a的评分为：

其中，m_a∈{m_j|m_j∈M∧r_tj＝0}代表用户未曾评分的商品，∧是条件连接符号，表示并且的意思；u_c∈NK∧r_ca＞0表示两个条件同时满足，NK是目标用户u_t的近邻用户数集，包含与目标用户相似度从高到低选取的K个近邻用户，再从这些用户里挑选出对商品a评过分的用户。r_ca表示用户u_c对商品m_a的评分，表示目标用户u_t对商品非零评分的平均值，表示近邻用户u_c对商品非零评分的平均值，S(u_t,u_c)表示目标用户u_t和近邻用户u_c的用户相似性，NK是目标用户u_t的近邻用户数集，包含与目标用户的用户相似度从高到低选取的K个近邻用户，W_ca为近邻用户u_c对待推荐商品m_a的评分信任度且W_ca＝decay^itear，decay为衰减率，itear为迭代次数，每一轮新添的分值对应一个信任系数，每一轮乘以衰减率。

本发明所提供的商品推荐方法，通过获取不同用户分别针对不同商品的评分数据，评分数据用于表征用户对商品的喜欢程度；根据不同用户对商品的评分数据，对不同用户之间的用户相似度进行计算；根据目标用户的近邻用户对待推荐商品的评分数据得到目标用户对待推荐商品的评分数据，以对商品进行推荐。本申请基于近邻传播的商品推荐方法，采用迭代的思想，将每一轮的评分数据带入到下一轮预测评分当中，使得评分矩阵越来越稠密，也致使预测评分越来越精确。因此，本申请可以更好地提高商品推荐的性能。

下面以一具体实施例对本申请所提供的商品推荐方法进行进一步详细阐述，本申请实施例选取Movielens数据集ML_100k数据进行了测试，该数据集由942个用户，1682个电影数量，一共评分记录达到100000之多。该数据集评分范围为{1,2,3,4,5}，1表示讨厌的电影，5表示很喜欢的电影。该数据集的稀疏程度达到93.7％构成了一个942*1682的评分矩阵，其中对未评价过的电影用0表示。划出80％作为训练集，剩余部分作为测试集。

具体实施步骤如下：

令集合U＝{u₁,...,u_l}和M＝{m₁,...,m_n}分别代表用户集合与商品集合，l和n分别表示用户数量和商品数量。在本实施例中，l＝942，n＝1682。

输入商品评分矩阵其中r_ij∈{0,s}表示用户u_i对商品m_j的评分。若r_ij取值为0表示用户对商品未评价，若r_ij取其他值，则表示用户对商品评价过，值即为评分。评分值的大小表示用户对商品的喜欢程度的高低。在本实施例中，s为5。

采用ACPCC(Accordance and Compromise based Pearson CorrelationCoefficient)相似度对不同用户之间的用户相似度进行计算。对任意两个用户u_g和u_i，它们之间的相似度计算方式如下：

S(u_g,u_i)＝A(u_g,u_i)C(u_g,u_i)PCC(u_g,u_i)

其中A(u_g,u_i)表示u_g和近邻用户u_i一致性的程度，计算方式为：

V_g表示基于用户u_g的评分向量；C(u_g,u_i)表示折衷因素，考虑两个用户之间共同评分的百分比，计算方式为：

其中I_g是用户u_g评价过的物品集合。PCC(u_g,u_i)是计算两个用户之间的Pearson相似度，计算方式为：

其中r_gj是用户u_g对物品m_j的评分，表示用户u_i对商品非零评分的平均值。

假设目标用户为u_t∈U，为目标用户u_t推荐某个商品m_a∈{m_j|m_j∈M∧r_tj＝0}，也就是预测目标用户u_t对商品m_a的评分

其中表示用户u_t对商品非零评分的平均值，表示近邻用户u_c对商品非零评分的平均值，S(u_t,u_c)表示目标用户u_t和近邻用户u_c的相似性，NK是目标用户u_t的近邻用户数集，包含用户相似度从高到低选取的K个用户，W_ca为用户u_c对商品m_a的评分信任度且

W_ca＝decay^itear

其中decay为衰减率，itear是迭代次数。每一轮新添的分值要有一个信任系数，每一轮乘以衰减率。在本实施例中，K的取值为40，decay为0.9，itear为15次。

本发明的效果可以通过如下实验验证：对数据集随机划分5次训练集和测试集。在推荐预测中，对比方法包括本发明、基于用户的PCC相似度(简写为UCF-PCC)和基于商品的Pearson相似度的算法(简写为ICF-PCC)以及未迭代预测的相似度(ACPCC)。

采用绝对值误差指标(MAE)和平方误差指标(RMSE)还有召回率(Recall)对推荐效果进行评估：

其中l'和n'是测试集上的用户数和电影数量，IR_gt是测试集上用户喜欢的电影集合，IR_gp是推荐给用户喜欢的电影集合。结果如表1所示，可以看出本发明的推荐性能明显好于其他对比方法。

表1三种算法的推荐结果对比

推荐	MAE	RMSE	Recall
				UCF-PCC	0.9838	1.1174	0.2607
ICF-PCC	0.8716	1.0196	0.0571
				ACPCC	0.7689	0.9771	0.7056
本发明	0.7445	0.9569	0.7295

下面对本发明实施例提供的商品推荐装置进行介绍，下文描述的商品推荐装置与上文描述的商品推荐方法可相互对应参照。

图2为本发明实施例提供的商品推荐装置的结构框图，参照图2商品推荐装置可以包括：

获取模块100，用于获取不同用户分别针对不同商品的评分数据，所述评分数据用于表征用户对商品的喜欢程度；

计算模块200，用于根据不同用户对商品的评分数据，对所述不同用户之间的用户相似度进行计算；

推荐模块300，用于根据目标用户的近邻用户对待推荐商品的评分数据得到所述目标用户对所述待推荐商品的评分数据，以对商品进行推荐。

作为一种具体实施方式，本申请所提供的推荐装置中所述获取模块用于：

采用集合U＝{u₁,...,u_l}和M＝{m₁,...,m_n}分别代表用户集合与商品集合，l和n分别表示用户数量和商品数量，输入商品评分矩阵其中r_ij∈{0,s}表示用户u_i对商品m_j的评分；

若r_ij取值为0则表示用户对商品未评价，若r_ij取非零值则表示用户对商品评价的分值。

作为一种具体实施方式，本申请所提供的推荐装置中所述计算模块用于：

对任意两个用户u_g和u_i，采用S(u_g,u_i)＝A(u_g,u_i)C(u_g,u_i)PCC(u_g,u_i)计算二者之间的用户相似度；

其中，A(u_g,u_i)表示用户u_g和用户u_i的一致性程度，计算方式为：V_g表示基于用户u_g的评分向量；C(u_g,u_i)表示折衷因素，计算方式为：I_g为用户u_g评价过的物品集合，PCC(u_g,u_i)是计算两个用户之间的Pearson相似度，计算方式为：

其中，r_gj是用户u_g对物品m_j的评分，表示用户u_i对商品非零评分的平均值。

作为一种具体实施方式，本申请所提供的推荐装置中所述推荐模块用于：

在目标用户为u_t∈U，给所述目标用户u_t推荐待推荐商品m_a∈{m_j|m_j∈M∧r_tj＝0}时，预测目标用户u_t对所述待推荐商品m_a的评分为：

其中，表示目标用户u_t对商品非零评分的平均值，表示近邻用户u_c对商品非零评分的平均值，S(u_t,u_c)表示目标用户u_t和近邻用户u_c的用户相似性，NK是目标用户u_t的近邻用户数集，包含与目标用户的用户相似度从高到低选取的K个近邻用户，W_ca为近邻用户u_c对待推荐商品m_a的评分信任度且W_ca＝decay^itear，decay为衰减率，itear为迭代次数，每一轮新添的分值对应一个信任系数，每一轮乘以衰减率。

本实施例的商品推荐装置用于实现前述的商品推荐方法，因此商品推荐装置中的具体实施方式可见前文中的商品推荐方法的实施例部分，例如，获取模块100，计算模块200，推荐模块300，分别用于实现上述商品推荐方法中步骤S101，S102，S103，所以，其具体实施方式可以参照相应的各个部分实施例的描述，在此不再赘述。

本发明所提供的商品推荐方法，通过获取不同用户分别针对不同商品的评分数据，评分数据用于表征用户对商品的喜欢程度；根据不同用户对商品的评分数据，对不同用户之间的用户相似度进行计算；根据目标用户的近邻用户对待推荐商品的评分数据得到目标用户对待推荐商品的评分数据，以对商品进行推荐。本申请基于近邻传播的商品推荐方法，采用迭代的思想，将每一轮的评分数据带入到下一轮预测评分当中，使得评分矩阵越来越稠密，也致使预测评分越来越精确。因此，本申请可以更好地提高商品推荐的性能。

此外，本申请还提供了一种商品推荐设备，如图3本申请所提供的商品推荐设备结构框图所示，该设备包括：

存储器11，用于存储计算机程序；

处理器12，用于执行所述计算机程序时实现上述任一种商品推荐方法的步骤。

此外，本申请还提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现上述任一种商品推荐方法的步骤。

综上，本申请通过获取不同用户分别针对不同商品的评分数据，评分数据用于表征用户对商品的喜欢程度；根据不同用户对商品的评分数据，对不同用户之间的用户相似度进行计算；根据目标用户的近邻用户对待推荐商品的评分数据得到目标用户对待推荐商品的评分数据，以对商品进行推荐。本申请基于近邻传播的商品推荐方法，采用迭代的思想，将每一轮的评分数据带入到下一轮预测评分当中，使得评分矩阵越来越稠密，也致使预测评分越来越精确。因此，本申请可以更好地提高商品推荐的性能。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其它实施例的不同之处，各个实施例之间相同或相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

专业人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。

结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。

以上对本发明所提供的商品推荐方法、装置、设备以及计算机可读存储介质进行了详细介绍。本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以对本发明进行若干改进和修饰，这些改进和修饰也落入本发明权利要求的保护范围内。

Claims (10)

1.一种商品推荐方法，其特征在于，包括：

获取不同用户分别针对不同商品的评分数据，所述评分数据用于表征用户对商品的喜欢程度；

根据不同用户对商品的评分数据，对所述不同用户之间的用户相似度进行计算；

根据目标用户的近邻用户对待推荐商品的评分数据得到所述目标用户对所述待推荐商品的评分数据，以对商品进行推荐。

2.如权利要求1所述的商品推荐方法，其特征在于，所述获取不同用户分别针对不同商品的评分数据包括：

采用集合U＝{u₁,...,u_l}和M＝{m₁,...,m_n}分别代表用户集合与商品集合，l和n分别表示用户数量和商品数量，输入商品评分矩阵其中r_ij∈{0,s}表示用户u_i对商品m_j的评分；

若r_ij取值为0则表示用户对商品未评价，若r_ij取非零值则表示用户对商品评价的分值。

3.如权利要求2所述的商品推荐方法，其特征在于，所述根据不同用户对商品的评分数据，对所述不同用户之间的用户相似度进行计算包括：

对任意两个用户u_g和u_i，采用S(u_g,u_i)＝A(u_g,u_i)C(u_g,u_i)PCC(u_g,u_i)计算二者之间的用户相似度；

其中，A(u_g,u_i)表示用户u_g和用户u_i的一致性程度，计算方式为：V_g表示基于用户u_g的评分向量，中的上角标T表示转置，V_i表示基于用户u_i的评分向量；C(u_g,u_i)表示折衷因素，计算方式为：I_g为用户u_g评价过的物品集合，I_i为用户u_i评价过的物品集合；PCC(u_g,u_i)是计算两个用户之间的Pearson相似度，计算方式为：

其中，r_gj是用户u_g对物品m_j的评分，表示用户u_i对商品非零评分的平均值，代表用户u_g对商品非零评分的平均值；r_ij是用户u_i对物品m_j的评分；I_g∩I_i表示用户u_g和用户u_i共同评价过的商品集合。

4.如权利要求3所述的商品推荐方法，其特征在于，所述根据目标用户的近邻用户对待推荐商品的评分数据得到所述目标用户对所述待推荐商品的评分数据包括：

在目标用户为u_t∈U，给所述目标用户u_t推荐待推荐商品m_a∈{m_j|m_j∈MΛr_tj＝0}时，预测目标用户u_t对所述待推荐商品m_a的评分为：

其中，m_a∈{m_j|m_j∈MΛr_tj＝0}代表用户未曾评分的商品，Λ是条件连接符号，r_ca表示用户u_c对商品m_a的评分，表示目标用户u_t对商品非零评分的平均值，表示近邻用户u_c对商品非零评分的平均值，S(u_t,u_c)表示目标用户u_t和近邻用户u_c的用户相似性，NK是目标用户u_t的近邻用户数集，包含与目标用户的用户相似度从高到低选取的K个近邻用户，W_ca为近邻用户u_c对待推荐商品m_a的评分信任度且W_ca＝decay^itear，decay为衰减率，itear为迭代次数，每一轮新添的分值对应一个信任系数，每一轮乘以衰减率。

5.一种商品推荐装置，其特征在于，包括：

获取模块，用于获取不同用户分别针对不同商品的评分数据，所述评分数据用于表征用户对商品的喜欢程度；

计算模块，用于根据不同用户对商品的评分数据，对所述不同用户之间的用户相似度进行计算；

推荐模块，用于根据目标用户的近邻用户对待推荐商品的评分数据得到所述目标用户对所述待推荐商品的评分数据，以对商品进行推荐。

6.如权利要求5所述的商品推荐装置，其特征在于，所述获取模块用于：

采用集合U＝{u₁,...,u_l}和M＝{m₁,...,m_n}分别代表用户集合与商品集合，l和n分别表示用户数量和商品数量，输入商品评分矩阵其中r_ij∈{0,s}表示用户u_i对商品m_j的评分；

若r_ij取值为0则表示用户对商品未评价，若r_ij取非零值则表示用户对商品评价的分值。

7.如权利要求6所述的商品推荐装置，其特征在于，所述计算模块用于：

对任意两个用户u_g和u_i，采用S(u_g,u_i)＝A(u_g,u_i)C(u_g,u_i)PCC(u_g,u_i)计算二者之间的用户相似度；

其中，A(u_g,u_i)表示用户u_g和用户u_i的一致性程度，计算方式为：V_g表示基于用户u_g的评分向量，中的上角标T表示转置，V_i表示基于用户u_i的评分向量；C(u_g,u_i)表示折衷因素，计算方式为：I_g为用户u_g评价过的物品集合，I_i为用户u_i评价过的物品集合；PCC(u_g,u_i)是计算两个用户之间的Pearson相似度，计算方式为：

其中，r_gj是用户u_g对物品m_j的评分，表示用户u_i对商品非零评分的平均值，代表用户u_g对商品非零评分的平均值；r_ij是用户u_i对物品m_j的评分；I_g∩I_i表示用户u_g和用户u_i共同评价过的商品集合。

8.如权利要求7所述的商品推荐装置，其特征在于，所述推荐模块用于：

在目标用户为u_t∈U，给所述目标用户u_t推荐待推荐商品m_a∈{m_j|m_j∈M∧r_tj＝0}时，预测目标用户u_t对所述待推荐商品m_a的评分为：

其中，m_a∈{m_j|m_j∈M∧r_tj＝0}代表用户未曾评分的商品，∧是条件连接符号，r_ca表示用户u_c对商品m_a的评分，表示目标用户u_t对商品非零评分的平均值，表示近邻用户u_c对商品非零评分的平均值，S(u_t,u_c)表示目标用户u_t和近邻用户u_c的用户相似性，NK是目标用户u_t的近邻用户数集，包含与目标用户的用户相似度从高到低选取的K个近邻用户，W_ca为近邻用户u_c对待推荐商品m_a的评分信任度且W_ca＝decay^itear，decay为衰减率，itear为迭代次数，每一轮新添的分值对应一个信任系数，每一轮乘以衰减率。

9.一种商品推荐设备，其特征在于，包括：

存储器，用于存储计算机程序；

处理器，用于执行所述计算机程序时实现如权利要求1至4任一项所述商品推荐方法的步骤。

10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至4任一项所述商品推荐方法的步骤。