CN110427565B - 一种基于协同过滤的物品推荐方法、智能终端及存储介质 - Google Patents

Abstract

本发明提供了一种基于协同过滤的物品推荐方法、智能终端及存储介质，所述方法包括：根据所述用户购买过的物品的集合计算目标用户u和其他任意用户w之间的相似度s_uw；根据所述目标用户u和所述其他任意用户w之间的相似度s_uw构建所述目标用户u的κ互惠邻域集；对所述目标用户u和所述其他任意用户w之间的相似度s_uw进行调整，并根据调整后的相似度构建所述目标用户u的扩展邻域集；根据所述调整后的相似度及所述扩展邻域集计算所述目标用户u对任意物品j的喜好程度向所述目标用户u进行物品推荐。本发明所提供的方法削弱了用户热门程度对邻域构建带来的负面影响，提高了推荐结果的准确性。

Description

一种基于协同过滤的物品推荐方法、智能终端及存储介质

技术领域

本发明涉及协同过滤推荐技术领域，尤其涉及的是一种基于协同过滤的物品推荐方法、智能终端及存储介质。

背景技术

近年来，随着现实生活中计算机网络技术的出现和逐渐普及，个性化服务已经成为一种新的信息服务模式，其中智能推荐技术作为个性化服务中的一个重要的组成部分，已经成为互联网解决信息过载问题、实现个性化的关键技术。智能推荐技术是指根据用户的兴趣爱好对用户信息进行收集、过滤、分类，找到用户感兴趣的项目或信息并将其推荐给用户的技术。如一些电子商务网站通过收集和分析用户的购买历史，预测用户可能感兴趣的商品并将其推荐给用户，从而提高了销售业务。

目前智能推荐技术主要分为基于内容的推荐技术和基于协同过滤的推荐技术两大类。传统的基于协同过滤的推荐技术使用某种确定的相似度度量计算用户/物品之间的相似度，并利用相似度直接得到用户/物品邻域向用户进行物品推荐。一方面，基于协同过滤的推荐技术中的邻域直接由相似度排序构造，很多低价值(即对推荐影响较小)的用户也会进入邻域；另一方面，在基于协同过滤的推荐技术中，热门的用户/物品更容易进入其他用户/物品的邻域，没有反映实际情况，从而对邻域构建产生负面影响、降低了推荐结果的准确性。

因此，现有技术有待于进一步的改进。

发明内容

鉴于上述现有技术中的不足之处，本发明的目的在于提供一种基于协同过滤的物品推荐方法、智能终端及存储介质，克服现有技术中直接使用相似度构建邻域，使得邻域中包含一些低价值的用户并且热门用户更容易进入邻域中对邻域构建产生负面影响导致推荐结果不准确的缺陷。

本发明所公开的第一实施例为一种基于协同过滤的物品推荐方法，其中，包括以下步骤：

获取用户购买过的物品的集合，根据所述用户购买过的物品的集合计算目标用户u和其他任意用户w之间的相似度s_uw；

根据所述目标用户u和所述其他任意用户w之间的相似度s_uw构建所述目标用户u的κ互惠邻域集；

对所述目标用户u和所述其他任意用户w之间的相似度s_uw进行调整，并根据调整后的相似度

构建所述目标用户u的扩展邻域集；

根据所述调整后的相似度

及所述扩展邻域集计算所述目标用户u对任意物品j的喜好程度，并根据所述目标用户u对任意物品j的喜好程度向所述目标用户u进行物品推荐。

所述的基于协同过滤的物品推荐方法，其中，所述根据所述用户购买过的物品的集合计算目标用户u和其他任意用户w之间的相似度s_uw的步骤包括：

分别获取所述目标用户u购买过的物品的集合I_u和所述其他任意用户w购买过的物品的集合I_w；

根据获取到的所述集合I_u和所述集合I_w使用杰卡德相似度或余弦相似度计算所述目标用户u和所述其他任意用户w之间的相似度s_uw。

所述的基于协同过滤的物品推荐方法，其中，所述根据所述目标用户u和所述其他任意用户w之间的相似度s_uw构建所述目标用户u的κ互惠邻域集的步骤包括：

对计算出的所述目标用户u和所述其他任意用户w之间的相似度s_uw进行排序，过滤出与所述目标用户u相似度最高的κ个用户构建所述目标用户u的邻域集；

从所述目标用户u的邻域集中过滤出与所述目标用户u互相属于对方邻域集的用户，构建所述目标用户u的κ互惠邻域集。

所述的基于协同过滤的物品推荐方法，其中，所述对所述κ互惠邻域集内的所述目标用户u和所述其他任意用户w之间的相似度s_uw进行调整的步骤包括：

判断所述其他任意用户w是否在所述目标用户u的κ互惠邻域集内，若是，则将所述目标用户u和所述其他任意用户w之间的相似度s_uw调整为(1+γ)s_uw，其中γ为预设的相似度调节系数；

否则，所述目标用户u和所述其他任意用户w之间的相似度s_uw保持原值。

所述的基于协同过滤的物品推荐方法，其中，所述根据调整后的相似度

构建所述目标用户u的扩展邻域集的步骤包括：

对调整后的所述目标用户u和所述其他任意用户w之间的相似度

进行排序，过滤出与所述目标用户u相似度最高的l个用户构建所述目标用户u的扩展邻域集。

所述的基于协同过滤的物品推荐方法，其中，所述根据所述调整后的相似度

及所述扩展邻域集计算所述目标用户u对任意物品j的喜好程度的公式如下：

其中，U_j为购买过物品j的用户集合，

为目标用户u的扩展邻域集，

为调整后的目标用户u与其他任意用户w之间的相似度。

所述的基于协同过滤的物品推荐方法，其中，所述对计算出的所述目标用户u和所述其他任意用户w之间的相似度s_uw进行排序，过滤出与所述目标用户u相似度最高的κ个用户作为其邻域集的步骤包括：

判断所述目标用户u与其他任意用户u′的相似度s_uu′是否大于所述目标用户u与所述其它任意用户w之间的相似度s_uw，若是，则将所述其他任意用户w在所述目标用户u邻域中的位置值加1，其中所述其他任意用户u′为除用户w以外的其他任意用户；

过滤出在所述目标用户u邻域中的位置值较小的κ个用户作为其邻域集。

所述的基于协同过滤的物品推荐方法，其中，所述目标用户u的扩展邻域集中的用户个数l大于等于所述目标用户u的邻域集中的用户个数κ。

一种智能终端，其中，包括：处理器、与处理器通信连接的存储介质，所述存储介质适于存储多条指令；所述处理器适于调用所述存储介质中的指令，以执行实现上述任一项所述的基于协同过滤的物品推荐方法的步骤。

一种存储介质，其中，所述存储介质上存储有基于协同过滤的物品推荐方法的控制程序，所述基于协同过滤的物品推荐方法的控制程序被处理器执行时实现任一项所述的基于协同过滤的物品推荐方法的步骤。

有益效果，本发明提供了一种基于协同过滤的物品推荐方法、智能终端及存储介质，通过先构建目标用户u的κ互惠邻域集，提高κ互惠邻域集内的用户的相似度，用调整后的相似度构建目标用户u的扩展邻域集，最后根据调整后的相似度和扩展邻域集计算目标用户u对任意物品的喜好程度向目标用户u进行推荐。一方面，k互惠邻域集要求两个用户互为对方的k个最相似的用户，比起直接用k个最相似的用户构建邻域集，提高了进入邻域集的要求，从而筛选掉了一些低价值用户；另一方面，对于热门用户想要进行冷门用户的k互惠邻域集，还需要冷门用户也是热门用户最相似的k个用户之一，这样使得用户不会因为其热门而更容易进入其他用户的邻域集，即削弱了用户热门程度对邻域构建带来的负面影响，提高了推荐结果的准确性。

附图说明

图1是本发明所提供的基于协同过滤的物品推荐方法的较佳实施例的流程图；

图2是本发明的智能终端的功能原理图。

具体实施方式

为使本发明的目的、技术方案及优点更加清楚、明确，以下参照附图并举实施例对本发明进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

本发明提供的一种基于协同过滤的物品推荐方法，可以应用于终端中。其中，终端可以但不限于是各种个人计算机、笔记本电脑、手机、平板电脑、车载电脑和便携式可穿戴设备。本发明的终端采用多核处理器。其中，终端的处理器可以为中央处理器(CentralProcessing Unit，CPU)，图形处理器(Graphics Processing Unit，GPU)、视频处理单元(Video Processing Unit，VPU)等中的至少一种。

为了解决现有技术中基于协同过滤的推荐方法对物品进行推荐时，直接使用相似度构建邻域，使得邻域中包含一些低价值的用户并且热门用户更容易进入邻域中对邻域构建产生负面影响导致推荐结果不准确的问题，本发明提供了一种基于协同过滤的物品推荐方法。

请参照图1，图1是本发明提供的一种基于协同过滤的物品推荐方法的较佳实施例的流程图。

在实施例一中，所述基于协同过滤的物品推荐方法有四个步骤：

S100、获取用户购买过的物品的集合，根据所述用户购买过的物品的集合计算目标用户u和其他任意用户w之间的相似度s_uw。

随着淘宝、亚马逊、京东等各大电商平台的普及，用户可以足不出户就购买到自己需要的物品，但现有的各大电商平台产品琳琅满目，用户需要花费一定的时间和精力才能查找到自己需要的物品。因此本实施例中会预先获取用户购买过的物品的集合，现有的电商各大电商平台，只要用户注册购买过物品，平台上就会记录用户购买过的物品的记录，例如淘宝平台上，用于登录淘宝账号后，通过“已完成订单”就可以获取到用户购买过的物品的详细信息，因此本领域的技术人员能够很容易的从各大电商平台上获取到用户购买过的物品信息。

具体地，记注册过某一电商平台的所有用户的集合为U，当需要向目标用户u进行产品推荐时，获取目标用户u购买过的物品的集合为I_u，获取集合U中除目标用户u以外的其他任意用户w购买过的物品的集合为I_w。例如：目标用户u购买过的物品有物品A、物品B、物品C、物品D、物品E，则集合I_u＝{物品A，物品B，物品C，物品D，物品E}。

鉴于实际应用中，一般用户购买过的物品越相似，则用户在以后的生活中越有可能购买相似的物品。因此本实施例中在获取到用户购买过的物品的集合后，计算目标用户u和其他任意用户w之间的相似度s_uw。现有的常用的计算相似度的方法包括杰卡德相似度(Jaccard Index)、余弦相似度、皮尔森相似度(Pearson Correlation)、钧方差(MSD)相似度计算方法等。优选地，本实施例中使用杰卡德相似度(Jaccard Index)或余弦相似度计算用户之间的相似度。

具体地，设获取到的用户u购买过的物品的集合为I_u，获取到的其他任意用户w购买过的物品的集合为I_w，则使用杰卡德相似度(Jaccard Index)计算用户之间的相似度s_uw的公式为

举例说明，当用户u购买过的物品的集合为I_u＝{物品A，物品B，物品C，物品D，物品E}，其它任意用户w购买过的物品的集合I_w＝{物品C，物品D，物品E，物品F，物品J},则目标用户u和其他任意用户w之间的相似度

当使用余弦相似度计算用户之间的相似度s_uw时，使用公式

计算目标用户u和其他任意用户w之间的相似度s_uw。举例如下，假设用户u购买过的物品的集合为I_u＝{物品A，物品B，物品C，物品D，物品E}，其它任意用户w购买过的物品的集合I_w＝{物品C，物品D，物品E，物品F，物品J}，则∣I_u∩I_w∣＝∣{物品C，物品D，物品E}∣＝3，而

则

继续回到图1，所述基于协同过滤的物品推荐方法还包括步骤：

S200、根据所述目标用户u和所述其他任意用户w之间的相似度s_uw构建所述目标用户u的κ互惠邻域集。

现有技术中若直接用前述计算出的相似度构建邻域向目标用户u进行物品推荐，则只要其他任意用户w相对于目标用户u的相似度s_uw高，则其他任意用户w均可以进入目标用户u的邻域，而无需考虑目标用户u与其他任意用户w的相似关系，这样容易造成一些低价值的用户进入目标用户u的邻域。另一方面，热门用户即购买物品较多的用户由于购买的产品种类较多，也越容易进入目标用户u的邻域，例如用户w购买过的物品的集合I_w＝{物品A，物品B，物品C，物品D，物品E…物品Z}，则只要目标用户u购买过的物品的集合在I_w的范围内，则用户w都会进入目标用户u的邻域内，使得推荐结果受热门用户的影响，降低了推荐结果的准确性。

为了解决上述问题，本实施例中计算出目标用户u和其他任意用户w之间的相似度s_uw后，根据所述目标用户u和所述其他任意用户w之间的相似度s_uw构建所述目标用户u的κ互惠邻域集，具体步骤包括：

S201:对计算出的所述目标用户u和所述其他任意用户w之间的相似度s_uw进行排序，过滤出与所述目标用户u相似度最高的κ个用户构建所述目标用户u的邻域集；

S202:从所述目标用户u的邻域集中过滤出与所述目标用户u互相属于对方邻域集的用户，构建所述目标用户u的κ互惠邻域集。

具体实施时，本实施例中计算出目标用户u和其他任意用户w之间的相似度s_uw后，判断目标用户u与其他任意用户w之间的相似度s_uw的大小并定义其他任意用户w在目标用户u邻域中的位置。如目标用户u与其他任意用户u′之间的相似度为s_uu′，目标用户u与其他任意用户w之间的相似度为s_uw，判断s_uu′与s_uw的大小，当s_uu′>s_uw时，则将其他任意用户w在目标用户u的邻域中的位置值加1，具体地，定义其他任意用户w在目标用户u的邻域中的位置的公式如下：

其中，其他任意用户u′为所有用户的集合U中，除其他任意用户w和目标用户u以外的用户。

本实施例中经过定义其他任意用户w在目标用户u中的位置后，与目标用户u的相似度越高的用户，其在目标用户u的邻域中的位置值越低，因此本实施例中对其他任意用户w在目标用户u的邻域中的位置进行定义后，可以很容易的过滤出与所述目标用户u相似度最高的κ个用户即在目标用户u的邻域中的位置值最低的κ个用户构建目标用户u的邻域集，具体地，目标用户u的邻域集可用如下公式表示：

进一步地，构建了目标用户u的邻域集后，确认目标用户u是否也在其邻域集内的用户的邻域集内，即目标用户u与其邻域集内的用户是否互相在对方的领域集内，若是则判断该用户与目标用户u具有κ互惠关系，获取与目标用户u具有κ互惠关系的用户构建目标用户u的κ互惠邻域集。例如，目标用户u的邻域集为{用户a，用户b，用户c，用户d，用户e}，而目标用户u同时也在用户a，用户b，用户c的邻域集内，则目标用户u的κ互惠邻域集为{用户a，用户b，用户c}。具体地，目标用户u的κ互惠邻域集可以用如下公式表示：

使得与目标用户u互为邻域关系的用户才能进入目标用户u的邻域集中，提高了进入目标用户u的邻域的要求，从而筛选掉了一些低价值用户，另外用户不会因为其热门而更容易进入其他用户的邻域，削弱了用户热门程度对邻域构建带来的负面影响。

继续回到图1，所述基于协同过滤的物品推荐方法还包括步骤：

S300、对所述目标用户u和所述其他任意用户w之间的相似度s_uw进行调整，并根据调整后的相似度构建所述目标用户u的扩展邻域集。

具体实施时，若直接使用构建出的目标用户u的κ互惠邻域集进行推荐，一方面，κ互惠邻域集对邻域构建提出了更严格的要求，在筛选掉低价值用户的同时也筛选掉了部分高价值用户；另一方面，每个用户κ互惠邻域集中包含的用户数量不同，故后续步骤中计算用户对物品的喜好程度时对不同用户不具有公平性。因此，本实施例中在构建出目标用户u的κ互惠邻域集后进一步对所述目标用户u和所述其它任意用户w之间的相似度s_uw进行调整，并根据调整后的相似度构建所述目标用户u的扩展邻域集。

具体地，构建出目标用户u的κ互惠邻域集后，进一步判断其他任意用户w是否在所述目标用户u的κ互惠邻域集内，若是，则将目标用户u与所述用户w之间的相似度s_uw调整为(1+γ)s_uw；否则，所述目标用户u与所述用户w之间的相似度s_uw保持不变。其中γ为预设的相似度调节系数，其可以通过在验证集上选取值得到最优值，γ值决定了用户之间相似度调整力度的大小，γ≥0，γ值越大则相似度调整力度越大，当γ＝0时，则调整后的相似度退化为原相似度。具体地，所述目标用户u与其他任意用户w之间调整后的相似度

可以使用如下公式表示：

进一步地，对所述目标用户u与其他任意用户w之间的相似度进行调整后，依然采用前述步骤定义其他任意用户w在目标用户u中的位置。具体地，如目标用户u与其他任意用户u′之间调整后的相似度为

目标用户u与其他任意用户w之间调整后的相似度为

判断

与

的大小，当

时，则将其他任意用户w在目标用户u的邻域中的位置值加1，具体地，调整相似度后定义其他任意用户w在目标用户u的邻域中的位置的公式如下：

其中，其他任意用户u′为所有用户的集合U中，除其他任意用户w和目标用户u以外的用户。由前述可知，经过相似度调整后，目标用户u的κ互惠邻域集内的用户与目标用户u之间的相似度会增加，而不在目标用户u的κ互惠邻域集内的用户与目标用户u之间的相似度不变，因此经过相似度调整后，目标用户u的κ互惠邻域集内的用户在目标用户u的邻域内的位置值会降低。

具体实施时，根据调整后的相似度对其他任意用户w在目标用户u的邻域内的位置进行重新定义后，过滤出相似度较高即在目标用户u的邻域内的位置值较低的l个用户构建所述用户u的扩展邻域集，使得后续在计算目标用户对任意物品的喜好程度时，用于计算用户喜好程度的扩展邻域集中的用户数量一致。由前述可知，由于经过相似度调整后，目标用户u的κ互惠邻域集内的用户在目标用户u的邻域内的位置值会降低，则表明经过相似度调整后，目标用户u的κ互惠邻域集内的用户更容易进入目标用户u的扩展邻域集内。具体地，目标用户u的扩展邻域集可以用如下公式表示：

其中，l为扩展邻域的大小，即

且为了更好的得到目标用户u的扩展邻域集向用户进行物品推荐，要求目标用户u的邻域集的个数κ大于等于目标用户u的扩展邻域集的个数l，其中l和κ为预设的常数，其最优值可以通过在验证集上进行训练选择最优值得到，其为公知常识，在此不再赘述。

继续回到图1，所述基于协同过滤的物品推荐方法还包括步骤：

S400、根据所述调整后的相似度及所述扩展邻域集计算所述目标用户u对任意物品j的喜好程度，并根据所述目标用户u对任意物品j的喜好程度向所述目标用户u进行物品推荐。

具体实施时，本实施例中根据目标用户u和所述其他任意用户w之间的相似度s_uw进行调整，并根据调整后的相似度

构建所述目标用户u的扩展邻域集后，进一步根据调整后的相似度及扩展邻域集计算目标用户u对电商平台上任意物品j的喜好程度，具体计算公式如下：

其中，U_j为购买过物品j的用户集合，

为目标用户u的扩展邻域集，

为调整后的目标用户u与其它任意用户w之间的相似度。

进一步地，根据计算出的目标用户u对任意物品j的喜好程度，按照喜好程度排序得到物品推荐列表，将物品推荐列表作为推荐结果推荐给用户。由前述步骤可知，计算出的目标用户u对任意物品j的喜好程度时只计算目标用户u扩展邻域集内的用户，而目标用户u扩展邻域集内的用户是筛选掉了低价值的用户及剔除了与目标用户u不是互为邻域关系的热门用户，从而在生成推荐列表时削弱了低价值用户和热门用户对推荐结果的影响，使得推荐结果更加准确。

为了验证本发明所述方法可以实现为用户进行较为准确的物品推荐，将本方法进行实验验证。

具体的，该验证步骤包括：

获取用户购买过的物品的集合，根据所述用户购买过的物品的集合计算目标用户u和其他任意用户w之间的相似度s_uw；

根据所述目标用户u和所述其他任意用户w之间的相似度s_uw构建所述目标用户u的κ互惠邻域集；

对所述目标用户u和所述其他任意用户w之间的相似度s_uw进行调整，并根据调整后的相似度

构建所述目标用户u的扩展邻域集；

根据所述调整后的相似度

及所述扩展邻域集计算所述目标用户u对任意物品j的喜好程度，并根据所述目标用户u对任意物品j的喜好程度向所述目标用户u进行物品推荐。

本次测试在推荐领域常用的两大数据集MovieLens 20M、Netflix上进行验证，对推荐方法的五个标准指标进行测评，和最基础的方法PopRank、基于邻域的方法中的基于物品的k-NN、基于用户的k-NN以及基于模型的最先进的FISM、RBM、PFM、LogMF、BPR等推荐方法进行对比。实验结果表明本发明提供的基于K互惠邻域信息的单类协同过滤推荐方法(K-RNN)的推荐准确度最高，结果如下：

实施例2

基于上述实施例，本发明还提供了一种智能终端，其原理框图可以如图2所示。该智能终端包括通过系统总线连接的处理器、存储器、网络接口、显示屏和温度传感器。其中，该智能终端的处理器用于提供计算和控制能力。该智能终端的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该智能终端的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种自动调节屏幕显示方向的方法。该智能终端的显示屏可以是液晶显示屏或者电子墨水显示屏，该智能终端的温度传感器是预先在智能终端内部设置，用于检测内部设备的当前运行温度。

本领域技术人员可以理解，图2中示出的原理框图，仅仅是与本发明方案相关的部分结构的框图，并不构成对本发明方案所述系统应用于其上的智能终端的限定，具体的智能终端可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。

在一个实施例中，提供了一种智能终端，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时至少可以实现以下步骤：

获取用户购买过的物品的集合，根据所述用户购买过的物品的集合计算目标用户u和其他任意用户w之间的相似度s_uw；

根据所述目标用户u和所述其他任意用户w之间的相似度s_uw构建所述目标用户u的κ互惠邻域集；

对所述目标用户u和所述其他任意用户w之间的相似度s_uw进行调整，并根据调整后的相似度

构建所述目标用户u的扩展邻域集；

根据所述调整后的相似度

及所述扩展邻域集计算所述目标用户u对任意物品j的喜好程度，并根据所述目标用户u对任意物品j的喜好程度向所述目标用户u进行物品推荐。

在其中的一个实施例中，该处理器执行计算机程序时还可以实现：获取所述目标用户u购买过的物品的集合I_u和所述其他任意用户w购买过的物品的集合I_w；根据获取到的所述集合I_u和所述集合I_w使用杰卡德相似度或余弦相似度计算所述目标用户u和所述其他任意用户w之间的相似度s_uw。

在其中的一个实施例中，该处理器执行计算机程序时还可以实现：对计算出的所述目标用户u和所述其他任意用户w之间的相似度s_uw进行排序，过滤出与所述目标用户u相似度最高的κ个用户构建所述目标用户u的邻域集；从所述目标用户u的邻域集中过滤出与所述目标用户u互相属于对方邻域集的用户，构建所述目标用户u的κ互惠邻域集。

在其中的一个实施例中，该处理器执行计算机程序时还可以实现：判断所述其他任意用户w是否在所述目标用户u的κ互惠邻域集内，若是，则将所述目标用户u和所述其它任意用户w之间的相似度s_uw调整为(1+γ)s_uw，其中γ为预设的相似度调节系数；若否，则保持所述目标用户u和所述其他任意用户w之间的相似度s_uw值不变。

在其中的一个实施例中，该处理器执行计算机程序时还可以实现：对调整后的所述目标用户u和所述其他任意用户w之间的相似度

进行排序，过滤出与所述目标用户u相似度最高的l个用户构建所述目标用户u的扩展邻域集。

在其中的一个实施例中，该处理器执行计算机程序时还可以实现：判断所述目标用户u与其他任意用户u′的相似度s_uu′是否大于所述目标用户u与所述其他任意用户w之间的相似度s_uw，若是，则将所述其他任意用户w在所述目标用户u邻域中的位置值加1，其中所述其他任意用户u′为除用户w以外的其他任意用户；过滤出在所述目标用户u邻域中的位置值较小的κ个用户作为其邻域集。

在其中的一个实施例中，该处理器执行计算机程序时还可以实现：根据所述调整后的相似度

及所述扩展邻域集计算所述目标用户u对任意物品j的喜好程度，根据计算出的目标用户u对任意物品j的喜好程度，按照喜好程度排序得到物品推荐列表，将物品推荐列表作为推荐结果推荐给用户。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本发明所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。

综上所述，一种基于协同过滤的物品推荐方法、智能终端及存储介质，所述方法包括：获取用户购买过的物品的集合，根据所述用户购买过的物品的集合计算目标用户u和其他任意用户w之间的相似度s_uw；根据所述目标用户u和所述其他任意用户w之间的相似度s_uw构建所述目标用户u的κ互惠邻域集；对所述目标用户u和所述其他任意用户w之间的相似度s_uw进行调整，并根据调整后的相似度

构建所述目标用户u的扩展邻域集；根据所述调整后的相似度

及所述扩展邻域集计算所述目标用户u对任意物品j的喜好程度，并根据所述目标用户u对任意物品j的喜好程度向所述目标用户u进行物品推荐。本发明所提供的物品推荐方法削弱了用户热门程度对邻域构建带来的负面影响，提高了推荐结果的准确性。

应当理解的是，本发明的系统应用不限于上述的举例，对本领域普通技术人员来说，可以根据上述说明加以改进或变换，所有这些改进和变换都应属于本发明所附权利要求的保护范围。

Claims (8)

1.一种基于协同过滤的物品推荐方法，其特征在于，包括以下步骤：

获取用户购买过的物品的集合，根据所述用户购买过的物品的集合计算目标用户u和其他任意用户w之间的相似度s_uw；

根据所述目标用户u和所述其他任意用户w之间的相似度s_uw构建所述目标用户u的κ互惠邻域集；

对所述目标用户u和所述其他任意用户w之间的相似度s_uw进行调整，并根据调整后的相似度

构建所述目标用户u的扩展邻域集；

根据所述调整后的相似度

及所述扩展邻域集计算所述目标用户u对任意物品j的喜好程度，并根据所述目标用户u对任意物品j的喜好程度向所述目标用户u进行物品推荐；

所述根据所述目标用户u和所述其他任意用户w之间的相似度s_uw构建所述目标用户u的κ互惠邻域集的步骤包括：

对计算出的所述目标用户u和所述其他任意用户w之间的相似度s_uw进行排序，过滤出与所述目标用户u相似度最高的κ个用户构建所述目标用户u的邻域集；

从所述目标用户u的邻域集中过滤出与所述目标用户u互相属于对方邻域集的用户，构建所述目标用户u的κ互惠邻域集；

所述根据调整后的相似度

构建所述目标用户u的扩展邻域集的步骤包括：

对调整后的所述目标用户u和所述其他任意用户w之间的相似度

进行排序，过滤出与所述目标用户u相似度最高的l个用户构建所述目标用户u的扩展邻域集。

2.根据权利要求1所述的基于协同过滤的物品推荐方法，其特征在于，所述根据所述用户购买过的物品的集合计算目标用户u和其他任意用户w之间的相似度s_uw的步骤包括：

分别获取所述目标用户u购买过的物品的集合I_u和所述其他任意用户w购买过的物品的集合I_w；

根据获取到的所述集合I_u和所述集合I_w使用杰卡德相似度或余弦相似度计算所述目标用户u和所述其他任意用户w之间的相似度s_uw。

3.根据权利要求1所述的基于协同过滤的物品推荐方法，其特征在于，所述对所述κ互惠邻域集内的所述目标用户u和所述其他任意用户w之间的相似度s_uw进行调整的步骤包括：

判断所述其他任意用户w是否在所述目标用户u的κ互惠邻域集内，若是，则将所述目标用户u和所述其他任意用户w之间的相似度s_uw调整为(1+γ)s_uw，其中γ为预设的相似度调节系数；

否则，所述目标用户u和所述其他任意用户w之间的相似度s_uw保持原值。

4.根据权利要求1所述的基于协同过滤的物品推荐方法，其特征在于，所述根据所述调整后的相似度

及所述扩展邻域集计算所述目标用户u对任意物品j的喜好程度的公式如下：

其中，U_j为购买过物品j的用户集合，

为目标用户u的扩展邻域集，

为调整后的目标用户u与其他任意用户w之间的相似度。

5.根据权利要求1所述的基于协同过滤的物品推荐方法，其特征在于，所述对计算出的所述目标用户u和所述其他任意用户w之间的相似度s_uw进行排序，过滤出与所述目标用户u相似度最高的κ个用户作为其邻域集的步骤包括：

判断所述目标用户u与其他任意用户u′的相似度s_uu′是否大于所述目标用户u与所述其他任意用户w之间的相似度s_uw，若是，则将所述其他任意用户w在所述目标用户u邻域中的位置值加1，其中所述其他任意用户u′为除用户w以外的其他任意用户；

过滤出在所述目标用户u邻域中的位置值较小的κ个用户作为其邻域集。

6.根据权利要求1所述的基于协同过滤的物品推荐方法，其特征在于，所述目标用户u的扩展邻域集中的用户个数l大于等于所述目标用户u的邻域集中的用户个数κ。

7.一种智能终端，其特征在于，包括：处理器、与处理器通信连接的存储介质，所述存储介质适于存储多条指令；所述处理器适于调用所述存储介质中的指令，以执行实现上述权利要求1-6任一项所述的基于协同过滤的物品推荐方法的步骤。

8.一种存储介质，其特征在于，所述存储介质上存储有基于协同过滤的物品推荐方法的控制程序，所述基于协同过滤的物品推荐方法的控制程序被处理器执行时实现如权利要求1-6中任一项所述的基于协同过滤的物品推荐方法的步骤。

Images