CN112115359A - 一种基于多阶近邻预测的推荐系统及方法 - Google Patents

一种基于多阶近邻预测的推荐系统及方法 Download PDF

Info

Publication number
CN112115359A
CN112115359A CN202010974301.XA CN202010974301A CN112115359A CN 112115359 A CN112115359 A CN 112115359A CN 202010974301 A CN202010974301 A CN 202010974301A CN 112115359 A CN112115359 A CN 112115359A
Authority
CN
China
Prior art keywords
user
order
neighbor
users
target user
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202010974301.XA
Other languages
English (en)
Other versions
CN112115359B (zh
Inventor
张莉
孙晓寒
屈蕴茜
王邦军
周伟达
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Suzhou University
Original Assignee
Suzhou University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Suzhou University filed Critical Suzhou University
Priority to CN202010974301.XA priority Critical patent/CN112115359B/zh
Publication of CN112115359A publication Critical patent/CN112115359A/zh
Application granted granted Critical
Publication of CN112115359B publication Critical patent/CN112115359B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/953—Querying, e.g. by the use of web search engines
    • G06F16/9535—Search customisation based on user profiles and personalisation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/953—Querying, e.g. by the use of web search engines
    • G06F16/9536—Search customisation based on social or collaborative filtering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/06—Buying, selling or leasing transactions
    • G06Q30/0601—Electronic shopping [e-shopping]
    • G06Q30/0631—Item recommendations
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D30/00—Reducing energy consumption in communication networks
    • Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Accounting & Taxation (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Finance (AREA)
  • Development Economics (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明公开了一种基于多阶近邻预测的推荐系统及方法，该系统包括：用户评分矩阵建立模块，用于根据用户集合和物品集合建立用户评分矩阵；相似度计算模块，用于计算任意两个用户之间的相似度；迭代近邻查找模块，用于根据相似度计算结果为目标用户选择N个近邻用户作为其一阶近邻，再选择N个一阶近邻的一阶近邻作为其二阶近邻，并依次迭代，直至找出目标用户的k阶近邻集，其中，N和k均为正整数；预测及推荐模块，用于根据每一次迭代查找的近邻集重新预测目标用户对物品的评分，并为目标用户进行物品推荐。本发明基于多阶近邻预测的推荐系统及方法采用迭代查找的思想，使得该推荐系统和方法的预测评分更准确，有效性更高。

Description

一种基于多阶近邻预测的推荐系统及方法
技术领域
本发明涉及信息处理技术领域，特别涉及一种基于多阶近邻预测的推荐系统及方法。
背景技术
互联网的出现，带我们走进了全球信息化的时代，同时也让我们陷入了信息过载的困境。面对铺天盖地的信息，人们往往会感到无所适从，很难从中寻找出适合自己的信息，从而降低了信息的使用效率。因此如何对海量数据进行分析、开发，最大程度地实现信息的有效利用，已成为热门的研究课题。
为了解决信息过载的问题，先后出现了信息分类、搜索引擎和推荐系统三种方式。虽然信息分类和搜索引擎在一定程度上缓解了信息过载问题，但是也造成了马太效应，即越流行的物品会随着搜索过程的迭代越流行，而越不流行的物品则会石沉大海。与之相比推荐系统则更加智能和主动，它给所有的物品都提供了曝光的机会，就算用户没有明确的目标，推荐系统也可以通过研究用户的历史行为，建立用户兴趣偏好模型，进而主动地为用户产生个性化推荐列表，引导用户发现自己潜在的信息需求。
虽然推荐系统应用十分广泛，但是在推荐的准确性和数据稀疏性等方面，依然存在着许多的不足。随着用户和物品数量的不断增加，评分数据的稀疏性也越来越明显，直接导致了用户之间相似度计算的困难。此外，近邻用户的选择方面，由于用户之间存在错综复杂的牵连关系，若只选择直接近邻，则可能会找到口味不一致的用户，从而降低推荐的准确率。
发明内容
本发明要解决的问题是提供一种预测评分更准确、有效性更高的基于多阶近邻预测的推荐系统。
为了解决上述问题，本发明提供了一种基于多阶近邻预测的推荐系统，其包括：
用户评分矩阵建立模块，用于根据用户集合和物品集合建立用户评分矩阵；
相似度计算模块，用于计算任意两个用户之间的相似度；
迭代近邻查找模块，用于根据相似度计算结果为目标用户选择N个近邻用户作为其一阶近邻，再选择N个一阶近邻的一阶近邻作为其二阶近邻，并依次迭代，直至找出目标用户的k阶近邻集，其中，N和k均为正整数；
预测及推荐模块，用于根据每一次迭代查找的近邻集重新预测目标用户对物品的评分，并为目标用户进行物品推荐。
作为本发明的进一步改进，所述根据用户集合和物品集合建立用户评分矩阵，具体包括：根据用户集合U＝{u1,u2,...,un}和物品集合I＝{i1,i2,...,im}建立用户评分矩阵R＝[rui]n×m，其中，n和m分别代表用户总数和物品总数，rui表示用户uu对物品ii的评分。
作为本发明的进一步改进，所述计算任意两个用户之间的相似度，具体包括：根据PCC相似度计算公式计算任意两个用户uu和uv之间的相似度；所述PCC相似度计算公式如下：
Figure BDA0002685211510000021
其中，M表示用户uu和用户uv共同评分过的物品集合，rui和rvi分别表示用户uu和用户uv对物品ii的评分，
Figure BDA0002685211510000022
和
Figure BDA0002685211510000023
分别代表用户uu和用户uv的评分均值。
作为本发明的进一步改进，所述目标用户的k阶近邻集为：
Figure BDA0002685211510000024
其中，
Figure BDA0002685211510000025
表示用户uu的第k阶近邻集，近邻集之间互不相交且每阶近邻集大小相同。
作为本发明的进一步改进，第k次迭代后，重新预测目标用户uu对物品ii的评分为：
Figure BDA0002685211510000031
其中，
Figure BDA0002685211510000032
表示目标用户uu的第k-1次迭代的评分均值，
Figure BDA0002685211510000033
表示近邻用户uv的第k-1次迭代的评分均值，S(u,k)表示用户uu的第k阶近邻集，N(i)表示对物品ii产生过行为的用户集，sim(uu,uv)表示目标用户uu和近邻用户uv的相似度。
为了解决上述问题，本发明还提供了一种基于多阶近邻预测的推荐方法，其包括以下步骤：
S10、根据用户集合和物品集合建立用户评分矩阵；
S20、计算任意两个用户之间的相似度；
S30、根据相似度计算结果为目标用户选择N个近邻用户作为其一阶近邻，再选择N个一阶近邻的一阶近邻作为其二阶近邻，并依次迭代，直至找出目标用户的k阶近邻集，其中，N和k均为正整数；
S40、根据每一次迭代查找的近邻集重新预测目标用户对物品的评分，并为目标用户进行物品推荐。
作为本发明的进一步改进，所述根据用户集合和物品集合建立用户评分矩阵，具体包括：根据用户集合U＝{u1,u2,...,un}和物品集合I＝{i1,i2,...,im}建立用户评分矩阵R＝[rui]n×m，其中，n和m分别代表用户总数和物品总数，rui表示用户uu对物品ii的评分。
作为本发明的进一步改进，所述计算任意两个用户之间的相似度，具体包括：根据PCC相似度计算公式计算任意两个用户uu和uv之间的相似度；所述PCC相似度计算公式如下：
Figure BDA0002685211510000034
其中，M表示用户uu和用户uv共同评分过的物品集合，rui和rvi分别表示用户uu和用户uv对物品ii的评分，
Figure BDA0002685211510000035
和
Figure BDA0002685211510000036
分别代表用户uu和用户uv的评分均值。
作为本发明的进一步改进，所述目标用户的k阶近邻集为：
Figure BDA0002685211510000041
其中，
Figure BDA0002685211510000042
表示用户uu的第k阶近邻集，近邻集之间互不相交且每阶近邻集大小相同。
作为本发明的进一步改进，第k次迭代后，重新预测目标用户uu对物品ii的评分为：
Figure BDA0002685211510000043
其中，
Figure BDA0002685211510000044
表示目标用户uu的第k-1次迭代的评分均值，
Figure BDA0002685211510000045
表示近邻用户uv的第k-1次迭代的评分均值，S(u,k)表示用户uu的第k阶近邻集，N(i)表示对物品ii产生过行为的用户集，sim(uu,uv)表示目标用户uu和近邻用户uv的相似度。
本发明的有益效果：
本发明基于多阶近邻预测的推荐系统及方法采用迭代查找的思想，根据一阶近邻用户寻找二阶近邻用户，再根据二阶近邻用户寻找三阶近邻用户，以此迭代，为目标用户产生高质量近邻集。此外，在每一次迭代完成时，都会根据此次迭代的近邻集结果，重新预测用户评分矩阵，即用户评分矩阵会随着近邻集的迭代而迭代到下一轮的预测评分中，从而使得预测评分数据越来越准确。使得该推荐系统和方法的预测评分更准确，有效性更高。
上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其他目的、特征和优点能够更明显易懂，以下特举较佳实施例，并配合附图，详细说明如下。
附图说明
图1是本发明优选实施例中基于多阶近邻预测的推荐系统的示意图；
图2是本发明优选实施例中迭代近邻查找的方式示意图；
图3是本发明优选实施例中基于多阶近邻预测的推荐方法的示意图。
具体实施方式
下面结合附图和具体实施例对本发明作进一步说明，以使本领域的技术人员可以更好地理解本发明并能予以实施，但所举实施例不作为对本发明的限定。
如图1所示，为本发明优选实施例中的基于多阶近邻预测的推荐系统，该系统包括用户评分矩阵建立模块、相似度计算模块、迭代近邻查找模块和预测及推荐模块。
用户评分矩阵建立模块用于根据用户集合和物品集合建立用户评分矩阵。具体包括：根据用户集合U＝{u1,u2,...,un}和物品集合I＝{i1,i2,...,im}建立用户评分矩阵R＝[rui]n×m，其中，n和m分别代表用户总数和物品总数，rui表示用户uu对物品ii的评分。
在本实施例中，选取了Movielens数据集的ML_100k数据进行了测试，该数据集由942个用户，1682个电影数量，100000多条电影评分记录组成。该数据集评分范围为{1,2,3,4,5}，不同的评分值衡量了用户对电影的喜爱程度，1表示很讨厌，5表示非常喜欢。该数据集构成一个942*1682的评分矩阵，其稀疏程度达到93.7％。其中，对于未评分过的电影，评分值设置为0。此外，将评分数据集中的80％抽取出来作为训练集，没抽取的20％作为测试集。
在本实施例中，集合U＝{u1,u2,...,un}和I＝{i1,i2,...,im}分别代表用户集合和电影集合，n和m分别代表用户总数和电影总数。在本实例中，m＝942，n＝1682。输入用户评分矩阵R＝[rui]942×1682，其中rui表示用户uu对电影ii的评分。若rui的取值为0，则表示用户对电影未产生过评分。若rui的取值为[1,2,3,4,5]，则表示用户对电影产生过行为，值即为评分值。评分值的大小表示用户对电影喜爱程度的高低。
相似度计算模块用于计算任意两个用户之间的相似度。具体包括：根据PCC相似度计算公式计算任意两个用户uu和uv之间的相似度；所述PCC相似度计算公式如下：
Figure BDA0002685211510000051
其中，M表示用户uu和用户uv共同评分过的物品集合，rui和rvi分别表示用户uu和用户uv对物品ii的评分，ru和rv分别代表用户uu和用户uv的评分均值。
在本实施例中，M表示用户uu和用户uv共同评分过的电影品集合，rui和rvi分别表示用户uu和用户uv对电影ii的评分。
迭代近邻查找模块用于根据相似度计算结果为目标用户选择N个近邻用户作为其一阶近邻，再选择N个一阶近邻的一阶近邻作为其二阶近邻，并依次迭代，直至找出目标用户的k阶近邻集，其中，N和k均为正整数。其迭代近邻查找的方式如图2所示。
其中，所述目标用户的k阶近邻集为：
Figure BDA0002685211510000061
其中，
Figure BDA0002685211510000062
表示目标用户uu的第k阶近邻集，近邻集之间互不相交且每阶近邻集大小相同。
在本实例中，N的取值为40，k的取值为2。
预测及推荐模块用于根据每一次迭代查找的近邻集重新预测目标用户对物品的评分，并为目标用户进行物品推荐。假设目标用户为uu∈U，本模块主要是为目标用户uu推荐某个物品Ii∈{Ij|Ij∈I∧ruj＝0}。第k次迭代后，重新预测目标用户uu对物品ii的评分为：
Figure BDA0002685211510000063
其中，
Figure BDA0002685211510000064
表示目标用户uu的第k-1次迭代的评分均值，
Figure BDA0002685211510000065
表示近邻用户uv的第k-1次迭代的评分均值，S(u,k)表uu示用户uu的第k阶近邻集，N(i)表示对物品ii产生过行为的用户集，sim(uu,uv)表示目标用户uu和近邻用户uv的相似度。
本发明的效果可以通过如下实验验证：本发明对数据集随机划分5次训练集和测试集。在推荐预测中，对比方法包括本发明、基于相似度的预测算法(Sim-pred)、基于平均值的预测算法(Ave-pred)、基于近邻均值和相似度均值的用户预测方法(URP)和基于递归预测的算法(RPA)。
采用绝对值平均误差指标(MAE)、召回率(Recall)以及覆盖率(Coverage)对推荐效果进行评估：
Figure BDA0002685211510000071
Figure BDA0002685211510000072
Figure BDA0002685211510000073
其中n是测试集上的样本数，
Figure BDA0002685211510000074
表示用户uu对物品ii的预测值，rui表示测试集中用户uu对物品ii的真实值。R(u)是根据用户在训练集上的行为给用户做出的推荐列表，T(u)表示用户在测试集上的行为列表，P(u)表示用户可以预测的电影集合。
结果如表1所示，从三种算法的推荐结果对比可以看出本发明的推荐性能明显好于其他对比方法。
表1推荐性能对比
推荐 MAE Recall Coverage
Sim-pred 0.7912 0.5861 0.5170
Ave-pred 0.8388 0.3988 0.4126
URP 0.7683 0.5020 0.4970
RPA 0.7446 0.5244 0.5426
本发明 0.7185 0.6041 0.8700
如图3所示，为本发明优选实施例中的基于多阶近邻预测的推荐方法，该方法包括以下步骤：
S10、根据用户集合和物品集合建立用户评分矩阵。具体包括：根据用户集合U＝{u1,u2,...,un}和物品集合I＝{i1,i2,...,im}建立用户评分矩阵R＝[rui]n×m，其中，n和m分别代表用户总数和物品总数，rui表示用户uu对物品ii的评分。
S20、计算任意两个用户之间的相似度。具体包括：根据PCC相似度计算公式计算任意两个用户uu和uv之间的相似度；所述PCC相似度计算公式如下：
Figure BDA0002685211510000081
其中，M表示用户uu和用户uv共同评分过的物品集合，rui和rvi分别表示用户uu和用户uv对物品ii的评分，
Figure BDA0002685211510000082
和
Figure BDA0002685211510000083
分别代表用户uu和用户uv的评分均值。
S30、根据相似度计算结果为目标用户选择N个近邻用户作为其一阶近邻，再选择N个一阶近邻的一阶近邻作为其二阶近邻，并依次迭代，直至找出目标用户的k阶近邻集，其中，N和k均为正整数；其中，所述目标用户的k阶近邻集为：
Figure BDA0002685211510000084
其中，
Figure BDA0002685211510000085
表示目标用户uu的第k阶近邻集，近邻集之间互不相交且每阶近邻集大小相同。
S40、根据每一次迭代查找的近邻集重新预测目标用户对物品的评分，并为目标用户进行物品推荐。假设目标用户为uu∈U，本模块主要是为目标用户uu推荐某个物品Ii∈{Ij|Ij∈I∧ruj＝0}。第k次迭代后，重新预测目标用户uu对物品ii的评分为：
Figure BDA0002685211510000086
其中，
Figure BDA0002685211510000087
表示目标用户uu的第k-1次迭代的评分均值，
Figure BDA0002685211510000088
表示近邻用户uv的第k-1次迭代的评分均值，S(u,k)表示用户uu的第k阶近邻集，N(i)表示对物品ii产生过行为的用户集，sim(uu,uv)表示目标用户uu和近邻用户uv的相似度。
以上实施例仅是为充分说明本发明而所举的较佳的实施例，本发明的保护范围不限于此。本技术领域的技术人员在本发明基础上所作的等同替代或变换，均在本发明的保护范围之内。本发明的保护范围以权利要求书为准。

Claims (10)

1.一种基于多阶近邻预测的推荐系统，其特征在于，包括：
用户评分矩阵建立模块，用于根据用户集合和物品集合建立用户评分矩阵；
相似度计算模块，用于计算任意两个用户之间的相似度；
迭代近邻查找模块，用于根据相似度计算结果为目标用户选择N个近邻用户作为其一阶近邻，再选择N个一阶近邻的一阶近邻作为其二阶近邻，并依次迭代，直至找出目标用户的k阶近邻集，其中，N和k均为正整数；
预测及推荐模块，用于根据每一次迭代查找的近邻集重新预测目标用户对物品的评分，并为目标用户进行物品推荐。
2.如权利要求1所述的基于多阶近邻预测的推荐系统，其特征在于，所述根据用户集合和物品集合建立用户评分矩阵，具体包括：根据用户集合U＝{u1,u2,...,un}和物品集合I＝{i1,i2,...,im}建立用户评分矩阵R＝[rui]n×m，其中，n和m分别代表用户总数和物品总数，rui表示用户uu对物品ii的评分。
3.如权利要求1所述的基于多阶近邻预测的推荐系统，其特征在于，所述计算任意两个用户之间的相似度，具体包括：根据PCC相似度计算公式计算任意两个用户uu和uv之间的相似度；所述PCC相似度计算公式如下：
Figure FDA0002685211500000011
其中，M表示用户uu和用户uv共同评分过的物品集合，rui和rvi分别表示用户uu和用户uv对物品ii的评分，
Figure FDA0002685211500000014
和
Figure FDA0002685211500000015
分别代表用户uu和用户uv的评分均值。
4.如权利要求1所述的基于多阶近邻预测的推荐系统，其特征在于，所述目标用户的k阶近邻集为：
Figure FDA0002685211500000012
其中，
Figure FDA0002685211500000013
表示目标用户uu的第k阶近邻集，近邻集之间互不相交且每阶近邻集大小相同。
5.如权利要求1所述的基于多阶近邻预测的推荐系统，其特征在于，第k次迭代后，重新预测目标用户uu对物品ii的评分为：
Figure FDA0002685211500000021
其中，
Figure FDA0002685211500000022
表示目标用户uu的第k-1次迭代的评分均值，
Figure FDA0002685211500000023
表示近邻用户uv的第k-1次迭代的评分均值，S(u,k)表示用户uu的第k阶近邻集，N(i)表示对物品ii产生过行为的用户集，sim(uu,uv)表示目标用户uu和近邻用户uv的相似度。
6.一种基于多阶近邻预测的推荐方法，其特征在于，包括以下步骤：
S10、根据用户集合和物品集合建立用户评分矩阵；
S20、计算任意两个用户之间的相似度；
S30、根据相似度计算结果为目标用户选择N个近邻用户作为其一阶近邻，再选择N个一阶近邻的一阶近邻作为其二阶近邻，并依次迭代，直至找出目标用户的k阶近邻集，其中，N和k均为正整数；
S40、根据每一次迭代查找的近邻集重新预测目标用户对物品的评分，并为目标用户进行物品推荐。
7.如权利要求6所述的基于多阶近邻预测的推荐方法，其特征在于，所述根据用户集合和物品集合建立用户评分矩阵，具体包括：根据用户集合U＝{u1,u2,...,un}和物品集合I＝{i1,i2,...,im}建立用户评分矩阵R＝[rui]n×m，其中，n和m分别代表用户总数和物品总数，rui表示用户uu对物品ii的评分。
8.如权利要求6所述的基于多阶近邻预测的推荐方法，其特征在于，所述计算任意两个用户之间的相似度，具体包括：根据PCC相似度计算公式计算任意两个用户uu和uv之间的相似度；所述PCC相似度计算公式如下：
Figure FDA0002685211500000024
其中，M表示用户uu和用户uv共同评分过的物品集合，rui和rvi分别表示用户uu和用户uv对物品ii的评分，
Figure FDA0002685211500000025
和
Figure FDA0002685211500000026
分别代表用户uu和用户uv的评分均值。
9.如权利要求6所述的基于多阶近邻预测的推荐方法，其特征在于，所述目标用户的k阶近邻集为：
Figure FDA0002685211500000031
其中，
Figure FDA0002685211500000032
表示用户uu的第k阶近邻集，近邻集之间互不相交且每阶近邻集大小相同。
10.如权利要求6所述的基于多阶近邻预测的推荐方法，其特征在于，第k次迭代后，重新预测目标用户uu对物品ii的评分为：
Figure FDA0002685211500000033
其中，
Figure FDA0002685211500000034
表示目标用户uu的第k-1次迭代的评分均值，
Figure FDA0002685211500000035
表示近邻用户uv的第k-1次迭代的评分均值，S(u,k)表示用户uu的第k阶近邻集，N(i)表示对物品ii产生过行为的用户集，sim(uu,uv)表示目标用户uu和近邻用户uv的相似度。
CN202010974301.XA 2020-09-16 2020-09-16 一种基于多阶近邻预测的推荐系统及方法 Active CN112115359B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010974301.XA CN112115359B (zh) 2020-09-16 2020-09-16 一种基于多阶近邻预测的推荐系统及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010974301.XA CN112115359B (zh) 2020-09-16 2020-09-16 一种基于多阶近邻预测的推荐系统及方法

Publications (2)

Publication Number Publication Date
CN112115359A true CN112115359A (zh) 2020-12-22
CN112115359B CN112115359B (zh) 2023-10-31

Family

ID=73802273

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010974301.XA Active CN112115359B (zh) 2020-09-16 2020-09-16 一种基于多阶近邻预测的推荐系统及方法

Country Status (1)

Country Link
CN (1) CN112115359B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113204713A (zh) * 2021-07-05 2021-08-03 南京信息工程大学 一种大规模商品销售中核心用户和核心物品的挖掘方法
CN117934125A (zh) * 2024-03-25 2024-04-26 珠海芯烨电子科技有限公司 目标信息推荐方法及装置、终端设备和计算机存储介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108874916A (zh) * 2018-05-30 2018-11-23 西安理工大学 一种层叠组合协同过滤推荐方法
CN109636529A (zh) * 2018-12-14 2019-04-16 苏州大学 一种商品推荐方法、装置和计算机可读存储介质
CN109658210A (zh) * 2019-02-18 2019-04-19 苏州大学 一种商品推荐方法、装置、设备以及存储介质
CN109783738A (zh) * 2019-01-22 2019-05-21 东华大学 一种基于多相似度的双极限学习机混合协同过滤推荐方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108874916A (zh) * 2018-05-30 2018-11-23 西安理工大学 一种层叠组合协同过滤推荐方法
CN109636529A (zh) * 2018-12-14 2019-04-16 苏州大学 一种商品推荐方法、装置和计算机可读存储介质
CN109783738A (zh) * 2019-01-22 2019-05-21 东华大学 一种基于多相似度的双极限学习机混合协同过滤推荐方法
CN109658210A (zh) * 2019-02-18 2019-04-19 苏州大学 一种商品推荐方法、装置、设备以及存储介质

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
JING LI A，WENTAO XUD，WENBO WAN，JIANDE SUN: "Movie recommendation based on bridging movie feature and user interest", 《JOURNAL OF COMPUTATIONAL SCIENCE》 *
MOHSEN RAMEZANI, PARHAM MORADI, FARDIN AKHLAGHIAN: "A pattern mining approach to enhance the accuracy of collaborative filtering in sparse data domains", 《PHYSICA A》 *
杨欢，王新房: "改进预测评分矩阵的协同过滤算法", 《软件导刊》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113204713A (zh) * 2021-07-05 2021-08-03 南京信息工程大学 一种大规模商品销售中核心用户和核心物品的挖掘方法
WO2023279685A1 (zh) * 2021-07-05 2023-01-12 南京信息工程大学 一种大规模商品销售中核心用户和核心物品的挖掘方法
CN117934125A (zh) * 2024-03-25 2024-04-26 珠海芯烨电子科技有限公司 目标信息推荐方法及装置、终端设备和计算机存储介质
CN117934125B (zh) * 2024-03-25 2024-05-24 珠海芯烨电子科技有限公司 目标信息推荐方法及装置、终端设备和计算机存储介质

Also Published As

Publication number Publication date
CN112115359B (zh) 2023-10-31

Similar Documents

Publication Publication Date Title
CN107633444B (zh) 基于信息熵与模糊c均值聚类的推荐系统噪声过滤方法
CN107944035B (zh) 一种融合视觉特征和用户评分的图像推荐方法
CN109902235B (zh) 基于蝙蝠优化的用户偏好聚类协同过滤推荐算法
CN111797321A (zh) 一种面向不同场景的个性化知识推荐方法及系统
CN110674865B (zh) 面向软件缺陷类分布不平衡的规则学习分类器集成方法
CN104462383A (zh) 一种基于用户多种行为反馈的电影推荐方法
CN112380433B (zh) 面向冷启动用户的推荐元学习方法
CN109446420B (zh) 一种跨域协同过滤方法和系统
CN112115359B (zh) 一种基于多阶近邻预测的推荐系统及方法
CN104268142A (zh) 基于可拒绝策略的元搜索结果排序算法
CN110837578A (zh) 一种基于图卷积网络的视频片段推荐方法
CN112612951B (zh) 一种面向收益提升的无偏学习排序方法
CN111797319B (zh) 推荐方法、装置、设备及存储介质
CN116562992A (zh) 一种建模用户新兴趣不确定性的物品推荐方法、装置及介质
CN109492816B (zh) 一种基于混合智能的煤与瓦斯突出动态预测方法
Yu et al. Feature weighting and instance selection for collaborative filtering
CN111339435A (zh) 一种基于潜在因子的矩阵分解补全混合推荐方法
CN106651461A (zh) 基于灰理论的电影个性化推荐方法
Han et al. Federated learning differential privacy preservation method based on differentiated noise addition
CN108763515B (zh) 一种基于概率矩阵分解的时间敏感个性化推荐方法
CN111967909A (zh) 一种基于卷积神经网络的托攻击检测方法
CN106919647A (zh) 一种基于聚类的网络结构相似性推荐方法
CN113744023B (zh) 一种基于图卷积网络的双通道协同过滤推荐方法
WO2018176937A1 (zh) 一种用户隐式反馈的量化评分方法
CN112131569B (zh) 一种基于图网络随机游走的风险用户预测方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant