CN112862206A - 基于子空间划分的推荐方法及系统 - Google Patents

基于子空间划分的推荐方法及系统 Download PDF

Info

Publication number
CN112862206A
CN112862206A CN202110230106.0A CN202110230106A CN112862206A CN 112862206 A CN112862206 A CN 112862206A CN 202110230106 A CN202110230106 A CN 202110230106A CN 112862206 A CN112862206 A CN 112862206A
Authority
CN
China
Prior art keywords
user
subspace
article
scoring
score
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
CN202110230106.0A
Other languages
English (en)
Other versions
CN112862206B (zh
Inventor
张莉
孙晓寒
屈蕴茜
王邦军
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 CN202110230106.0A priority Critical patent/CN112862206B/zh
Publication of CN112862206A publication Critical patent/CN112862206A/zh
Application granted granted Critical
Publication of CN112862206B publication Critical patent/CN112862206B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • 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
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
    • 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]
    • G06Q30/0623—Item investigation
    • G06Q30/0625—Directed, with specific intent or strategy
    • G06Q30/0629—Directed, with specific intent or strategy for generating comparisons
    • 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

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Development Economics (AREA)
  • Marketing (AREA)
  • Accounting & Taxation (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Finance (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Educational Administration (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明涉及一种基于子空间划分的推荐方法及系统，方法包括输入用户对物品的评分数据；根据评分数据将物品划分至子空间；在每个子空间中，分别计算用户之间的共同评分支持度，融合每个子空间的共同评分支持度得到总共同评分支持度，根据总共同评分支持度筛选出近邻集；根据近邻集获取目标用户对物品的评分预测值，并根据评分预测值向目标用户推荐物品。本发明子空间的划分使得每个评分子空间中的评分值相近，因此可以忽略每个子空间中用户对物品的具体评分值，只要分析用户在每个子空间上的评分行为即可，能够显著降低推荐系统的计算复杂度，提高推荐的速度和准确度，推荐性能高，而且更好地衡量用户之间的相关性，能够适应海量且稀疏的评分数据。

Description

基于子空间划分的推荐方法及系统
技术领域
本发明涉及信息处理领域，尤其是指一种基于子空间划分的推荐方法及系统。
背景技术
移动互联网技术的发展以及在线服务的普及为人们提供了快速获取所需信息的能力，人们可以通过各种途径随时随地访问互联网，海量数据更是给人们众多的选择。但是当人们的需求比较模糊时，选择的过程就会变得繁琐且复杂。除此之外，人们对信息的质量要求也越来越高，低质量的内容输出已满足不了人们的需求。因此，如何选择高质量信息也是人们需要面对的另外一个难题。推荐系统作为解决这些问题的关键技术，不需要与用户有过多的互动，却可以在海量数据中，为用户筛选出其感兴趣的一系列物品。推荐系统通过分析用户的行为信息，进而对用户进行个性化建模，主动挖掘出用户潜在兴趣点，从而引导用户发现自己的信息需求。推荐系统不仅可以为用户提供个性化服务，还能与用户之间建立密切关系，让用户对推荐产生依赖。
推荐系统广泛应用于不同领域中，如电商网站、视频、音乐、生活服务等等，本质上缓解了信息过载的问题。但是，数据稀疏性、数据高维度等依然是个性化推荐正在面临的挑战。每个用户都只能对一部分物品产生行为，因此，物品数量的增长，会导致数据逐渐稀疏且维度越来越高，加剧推荐系统的计算复杂度，降低推荐的速度，而且用户之间的相关性较差。
发明内容
为此，本发明所要解决的技术问题在于克服现有技术中因数据逐渐稀疏且维度越来越高而带来的计算复杂度大及推荐速度低的问题。
为解决上述技术问题，本发明的一个目的是提供一种基于子空间划分的推荐方法，包括：
输入用户对物品的评分数据；
根据评分数据将物品划分至子空间；
在每个子空间中，分别计算用户之间的共同评分支持度，融合每个子空间的共同评分支持度得到总共同评分支持度，根据所述总共同评分支持度筛选出近邻集；
根据所述近邻集获取目标用户对物品的评分预测值，并根据所述评分预测值向所述目标用户推荐物品。
在本发明的一个实施例中，所述用户对物品的评分数据包括用户集合U＝{u1,u2,...,un}、物品集合T＝{t1,t2,...,tm}和用户评分矩阵R＝[rij]n×m，其中n表示用户总数，m表示物品总数，rij表示用户ui对物品tj的评分值。
在本发明的一个实施例中，根据评分数据将物品划分至子空间包括：
将用户评分矩阵R转化为子矩阵，定义子矩阵中的最大值为rmax，子矩阵中的最小值为rmin，根据用户ui对物品tj的评分大小，将物品tj划分至子空间。
在本发明的一个实施例中，子矩阵的大小均是n×m。
在本发明的一个实施例中，将用户评分矩阵R转化为子矩阵，定义子矩阵中的最大值为rmax，子矩阵中的最小值为rmin，根据用户ui对物品tj的评分大小，将物品tj划分至子空间包括：
定义子空间分别为高分子空间、平均分子空间和低分子空间；
若
Figure BDA0002958801860000031
则将物品tj划分至高分子空间；
若
Figure BDA0002958801860000032
则将物品tj划分至平均分子空间；
若
Figure BDA0002958801860000033
则将物品tj划分至低分子空间。
在本发明的一个实施例中，在每个子空间中，分别计算用户之间的共同评分支持度包括：
定义高分子空间中的物品集合为T1、平均分子空间的物品集合为T2及低分子空间中的物品集合为T3；
对于任意两个用户ui和up，它们之间的共同高评分支持度S1(ui,up)、共同平均评分支持度S2(ui,up)及共同低评分支持度S3(ui,up)分别为：
Figure BDA0002958801860000034
Figure BDA0002958801860000035
Figure BDA0002958801860000036
式中，Ti 1是用户ui的高评分物品集合，
Figure BDA0002958801860000037
是用户up的高评分物品集合，Ti 2是用户ui的平均评分物品集合，
Figure BDA0002958801860000038
是用户up的平均评分物品集合，Ti 3是用户ui的低评分物品集合，
Figure BDA0002958801860000039
是用户up的低评分物品集合。
在本发明的一个实施例中，融合每个子空间的共同评分支持度得到总共同评分支持度包括：
用户ui和用户up的共同评分支持度S(ui,up)为：
S(ui,up)＝S1(ui,up)+S2(ui,up)+S3(ui,up)
式中，S1(ui,up)是共同高评分支持度，S2(ui,up)是共同平均评分支持度，S3(ui,up)是共同低评分支持度。
在本发明的一个实施例中，根据所述近邻集获取目标用户对物品的评分预测值，并根据所述评分预测值向所述目标用户推荐物品包括：
给定任意目标用户ui∈U，预测用户ui对物品tj的评分，预测评分公式如下：
Figure BDA0002958801860000041
式中，
Figure BDA0002958801860000042
是目标用户ui的评分均值，
Figure BDA0002958801860000043
是用户ui的近邻集，rpj代表近邻用户up对物品tj的评分大小。
在本发明的一个实施例中，用户ui的近邻集
Figure BDA0002958801860000044
包含了k个与用户ui具有最高共同评分支持度的用户。
本发明的另一目的是提供一种基于子空间划分的推荐系统，包括：
评分数据输入模块，所述评分数据输入模块用于输入用户对物品的评分数据；
物品子空间划分模块，所述物品子空间划分模块用于根据评分数据将物品划分至子空间；
共同评分支持度计算模块，在每个子空间中，所述共同评分支持度计算模块用于分别计算用户之间的共同评分支持度，融合每个子空间的共同评分支持度得到总共同评分支持度，根据所述总共同评分支持度筛选出近邻集；
评分预测模块，所述评分预测模块用于根据所述近邻集获取目标用户对物品的评分预测值，并根据所述评分预测值向所述目标用户推荐物品。
本发明的上述技术方案相比现有技术具有以下优点：
本发明首先根据用户对物品的评分情况，将物品空间划分为多个子空间，在各个子空间中分别计算用户之间的共同评分支持度，再融合共同评分支持度得到总共同评分支持度，以此来筛选出近邻集，最后根据近邻集预测目标用户对物品的评分，并根据评分对用户进行推荐，子空间的划分使得每个评分子空间中的评分值相近，因此可以忽略每个子空间中用户对物品的具体评分值，只要分析用户在每个子空间上的评分行为即可，能够显著降低推荐系统的计算复杂度，大大的提高了推荐的速度和准确度，推荐性能高，而且更好地衡量用户之间的相关性，能够适应海量且稀疏的评分数据，易于普及。
附图说明
为了使本发明的内容更容易被清楚的理解，下面根据本发明的具体实施例并结合附图，对本发明作进一步详细的说明，其中
图1是本发明实施例中一种基于子空间划分的推荐方法的流程示意图。
图2是本发明实施例和对比例的实验结果图。
图3是本发明实施例中一种基于子空间划分的推荐系统的结构示意图。
说明书附图标记说明：10、评分数据输入模块；20、物品子空间划分模块；30、共同评分支持度计算模块；40、评分预测模块。
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。
为了更好的理解本发明实施例公开的一种基于子空间划分的推荐方法，本发明选取了Movielens数据集中的ML_100K数据，该数据集包含了942个用户对1682部电影的共100000多条评分记录，用户可以根据自己对电影的喜好程度进行打分，评分范围是{1,2,3,4,5}，分值越大表示用户对该电影越喜欢。该数据集可以构成一个942*1682大小的评分矩阵，由于电影数量非常多，用户不可能看过所有电影，所以评分数据的稀疏程度达到93.7％，对于用户没有产生过评分的电影，我们将其评分值设置为0。
下面对本发明实施例公开的一种基于子空间划分的推荐方法的流程进行具体的描述。
请参阅图1所示，图1是本发明实施例公开的一种基于子空间划分的推荐方法的流程图，方法可以包括以下步骤：
S100：输入用户对物品的评分数据。
示例地，输入用户集合U＝{u1,u2,...,un}和物品集合T＝{t1,t2,...,tm}，其中n表示用户总数，m表示物品总数。在本实施例中，n＝942，m＝1682，即942个用户，1682部电影。
示例地，输入用户评分矩阵R＝[rij]n×m，rij表示用户ui对物品tj的评分值。若rij＞0，代表用户ui对物品tj产生过行为，值即为评分值。若rij＝0，则表示用户对物品没有评过分。在本实例中，用户评分矩阵R＝[rij]942×1682，评分值的取值范围为{1,2,3,4,5}。
S200：根据评分数据将物品划分至子空间。
示例地，将用户评分矩阵R＝[rij]n×m转化为子矩阵，子矩阵的大小均是n×m。在本实施例中，将用户评分矩阵R＝[rij]942×1682转化为三个子矩阵，三个子矩阵的大小都是942×1682，分别表示用户高评分、平均评分、低评分的电影情况，定义子矩阵中的最大值为rmax，子矩阵中的最小值为rmin，根据用户ui对物品tj的评分大小，将物品tj划分至子空间。具体包括：定义子空间分别为高分子空间、平均分子空间和低分子空间；若
Figure BDA0002958801860000071
则将物品tj划分至高分子空间；若
Figure BDA0002958801860000072
则将物品tj划分至平均分子空间；若
Figure BDA0002958801860000073
则将物品tj划分至低分子空间。在本实施例中，rmax＝5，rmin＝1。
S300：在每个子空间中，分别计算用户之间的共同评分支持度，融合每个子空间的共同评分支持度得到总共同评分支持度，根据总共同评分支持度筛选出近邻集。
示例地，子空间的划分使得每个评分子空间中的评分值相近，所以可以忽略每个子空间中用户对物品的具体评分值，只要分析用户在每个子空间上的评分行为即可，即在每个子空间中，分别计算用户之间的共同评分支持度，融合每个子空间的共同评分支持度得到总共同评分支持度。具体包括：
S310：定义高分子空间中的物品集合为T1、平均分子空间的物品集合为T2及低分子空间中的物品集合为T3；
S320：对于任意两个用户ui和up，它们之间的共同高评分支持度S1(ui,up)、共同平均评分支持度S2(ui,up)及共同低评分支持度S3(ui,up)分别为：
Figure BDA0002958801860000074
Figure BDA0002958801860000081
Figure BDA0002958801860000082
式中，Ti 1是用户ui的高评分物品集合，
Figure BDA0002958801860000083
是用户up的高评分物品集合，Ti 2是用户ui的平均评分物品集合，
Figure BDA0002958801860000084
是用户up的平均评分物品集合，Ti 3是用户ui的低评分物品集合，
Figure BDA0002958801860000085
是用户up的低评分物品集合；
S330：用户ui和用户up的共同评分支持度S(ui,up)为：
S(ui,up)＝S1(ui,up)+S2(ui,up)+S3(ui,up)
式中，S1(ui,up)是共同高评分支持度，S2(ui,up)是共同平均评分支持度，S3(ui,up)是共同低评分支持度。
S400：根据近邻集获取目标用户对物品的评分预测值，并根据评分预测值向目标用户推荐物品。
示例地，给定任意目标用户ui∈U，预测用户ui对物品tj的评分，预测评分公式如下：
Figure BDA0002958801860000086
式中，
Figure BDA0002958801860000087
是目标用户ui的评分均值，
Figure BDA0002958801860000088
是用户ui的近邻集，用户ui的近邻集
Figure BDA0002958801860000089
包含了k个与用户ui具有最高共同评分支持度的用户，rpj代表近邻用户up对物品tj的评分大小。在本实例中，近邻集N＝60。
本发明首先根据用户对物品的评分情况，将物品空间划分为多个子空间，在各个子空间中分别计算用户之间的共同评分支持度，再融合共同评分支持度得到总共同评分支持度，以此来筛选出近邻集，最后根据近邻集预测目标用户对物品的评分，并根据评分对用户进行推荐，子空间的划分使得每个评分子空间中的评分值相近，因此可以忽略每个子空间中用户对物品的具体评分值，只要分析用户在每个子空间上的评分行为即可，能够显著降低推荐系统的计算复杂度，大大的提高了推荐的速度和准确度，推荐性能高，而且更好地衡量用户之间的相关性，能够适应海量且稀疏的评分数据，易于普及。
本发明的效果可以通过如下实验验证：采用五折交叉验证的方式，首先对ML_100K数据集随机划分为五份，每次实验选择其中一份作为测试数据集，剩余四份作为训练数据集，一共进行五次实验，最终结果取五次实验结果的均值。
在推荐算法中，对比例包括采用皮尔逊相似度的协同过滤推荐算法(UCF-PCC)、基于感兴趣子空间构造近邻树的推荐算法(UTAOS)及基于子空间聚类的协同过滤推荐算法(NUSCCF)。
具体实验时，采用绝对值平均误差指标(MAE)、平方误差指标(RMSE)、以及召回率(Recall)对推荐效果进行评估：
Figure BDA0002958801860000091
Figure BDA0002958801860000092
Figure BDA0002958801860000093
其中V＝{(ui,tj)|ui∈U,tj∈T}，
Figure BDA0002958801860000094
代表用户ui对物品tj的预测评分值，rij表示测试集中用户ui对物品tj的真实评分值，
Figure BDA0002958801860000095
是根据预测结果为用户ui产生的推荐列表，
Figure BDA0002958801860000096
是测试集上用户ui真正喜欢的物品集合。
实验结果如图2所示。从图2能够明显的看出本发明实施例的推荐性能明显好于其他对比例的推荐性能。
参阅图3所示，本发明的另一实施例提供了一种基于子空间划分的推荐系统，包括：
评分数据输入模块10，评分数据输入模块10用于输入用户对物品的评分数据；
物品子空间划分模块20，物品子空间划分模块20用于根据评分数据将物品划分至子空间；
共同评分支持度计算模块30，在每个子空间中，共同评分支持度计算模块30用于分别计算用户之间的共同评分支持度，融合每个子空间的共同评分支持度得到总共同评分支持度，根据总共同评分支持度筛选出近邻集；
评分预测模块40，评分预测模块40用于根据近邻集获取目标用户对物品的评分预测值，并根据评分预测值向目标用户推荐物品。
关于系统的具体内容已经在上述的针对大容量高阶QAM相干光通信系统的非线性均衡方法的描述中做出了详尽的阐述，本实施例在这里不做赘述。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
显然，上述实施例仅仅是为清楚地说明所作的举例，并非对实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引申出的显而易见的变化或变动仍处于本发明创造的保护范围之中。

Claims (10)

1.一种基于子空间划分的推荐方法，其特征在于，包括：
输入用户对物品的评分数据；
根据评分数据将物品划分至子空间；
在每个子空间中，分别计算用户之间的共同评分支持度，融合每个子空间的共同评分支持度得到总共同评分支持度，根据所述总共同评分支持度筛选出近邻集；
根据所述近邻集获取目标用户对物品的评分预测值，并根据所述评分预测值向所述目标用户推荐物品。
2.根据权利要求1所述的基于子空间划分的推荐方法，其特征在于，所述用户对物品的评分数据包括用户集合U＝{u1,u2,...,un}、物品集合T＝{t1,t2,...,tm}和用户评分矩阵R＝[rij]n×m，其中n表示用户总数，m表示物品总数，rij表示用户ui对物品tj的评分值。
3.根据权利要求1所述的基于子空间划分的推荐方法，其特征在于，根据评分数据将物品划分至子空间包括：
将用户评分矩阵R转化为子矩阵，定义子矩阵中的最大值为rmax，子矩阵中的最小值为rmin，根据用户ui对物品tj的评分大小，将物品tj划分至子空间。
4.根据权利要求3所述的基于子空间划分的推荐方法，其特征在于，子矩阵的大小均是n×m。
5.根据权利要求3所述的基于子空间划分的推荐方法，其特征在于，将用户评分矩阵R转化为子矩阵，定义子矩阵中的最大值为rmax，子矩阵中的最小值为rmin，根据用户ui对物品tj的评分大小，将物品tj划分至子空间包括：
定义子空间分别为高分子空间、平均分子空间和低分子空间；
若
Figure FDA0002958801850000021
则将物品tj划分至高分子空间；
若
Figure FDA0002958801850000022
则将物品tj划分至平均分子空间；
若
Figure FDA0002958801850000023
则将物品tj划分至低分子空间。
6.根据权利要求1所述的基于子空间划分的推荐方法，其特征在于，在每个子空间中，分别计算用户之间的共同评分支持度包括：
定义高分子空间中的物品集合为T1、平均分子空间的物品集合为T2及低分子空间中的物品集合为T3；
对于任意两个用户ui和up，它们之间的共同高评分支持度S1(ui,up)、共同平均评分支持度S2(ui,up)及共同低评分支持度S3(ui,up)分别为：
Figure FDA0002958801850000024
Figure FDA0002958801850000025
Figure FDA0002958801850000026
式中，Ti 1是用户ui的高评分物品集合，
Figure FDA0002958801850000027
是用户up的高评分物品集合，Ti 2是用户ui的平均评分物品集合，
Figure FDA0002958801850000028
是用户up的平均评分物品集合，Ti 3是用户ui的低评分物品集合，
Figure FDA0002958801850000031
是用户up的低评分物品集合。
7.根据权利要求1所述的基于子空间划分的推荐方法，其特征在于，融合每个子空间的共同评分支持度得到总共同评分支持度包括：
用户ui和用户up的总共同评分支持度S(ui,up)为：
S(ui,up)＝S1(ui,up)+S2(ui,up)+S3(ui,up)
式中，S1(ui,up)是共同高评分支持度，S2(ui,up)是共同平均评分支持度，S3(ui,up)是共同低评分支持度。
8.根据权利要求1所述的基于子空间划分的推荐方法，其特征在于，根据所述近邻集获取目标用户对物品的评分预测值，并根据所述评分预测值向所述目标用户推荐物品包括：
给定任意目标用户ui∈U，预测用户ui对物品tj的评分，预测评分公式如下：
Figure FDA0002958801850000032
式中，
Figure FDA0002958801850000033
是目标用户ui的评分均值，
Figure FDA0002958801850000034
是用户ui的近邻集，rpj代表近邻用户up对物品tj的评分大小。
9.根据权利要求8所述的基于子空间划分的推荐方法，其特征在于，用户ui的近邻集
Figure FDA0002958801850000035
包含了k个与用户ui具有最高共同评分支持度的用户。
10.一种基于子空间划分的推荐系统，其特征在于，包括：
评分数据输入模块，所述评分数据输入模块用于输入用户对物品的评分数据；
物品子空间划分模块，所述物品子空间划分模块用于根据评分数据将物品划分至子空间；
共同评分支持度计算模块，在每个子空间中，所述共同评分支持度计算模块用于分别计算用户之间的共同评分支持度，融合每个子空间的共同评分支持度得到总共同评分支持度，根据所述总共同评分支持度筛选出近邻集；
评分预测模块，所述评分预测模块用于根据所述近邻集获取目标用户对物品的评分预测值，并根据所述评分预测值向所述目标用户推荐物品。
CN202110230106.0A 2021-03-02 2021-03-02 基于子空间划分的推荐方法及系统 Active CN112862206B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110230106.0A CN112862206B (zh) 2021-03-02 2021-03-02 基于子空间划分的推荐方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110230106.0A CN112862206B (zh) 2021-03-02 2021-03-02 基于子空间划分的推荐方法及系统

Publications (2)

Publication Number Publication Date
CN112862206A true CN112862206A (zh) 2021-05-28
CN112862206B CN112862206B (zh) 2023-03-24

Family

ID=75990927

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110230106.0A Active CN112862206B (zh) 2021-03-02 2021-03-02 基于子空间划分的推荐方法及系统

Country Status (1)

Country Link
CN (1) CN112862206B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2017027480A (ja) * 2015-07-24 2017-02-02 大学共同利用機関法人情報・システム研究機構 アイテム推薦システム及びアイテム推薦方法
CN106846106A (zh) * 2017-01-16 2017-06-13 南京师范大学 一种图构建框架下的矩阵分解推荐方法
CN108804683A (zh) * 2018-06-13 2018-11-13 重庆理工大学 结合矩阵分解和协同过滤算法的电影推荐方法
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

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2017027480A (ja) * 2015-07-24 2017-02-02 大学共同利用機関法人情報・システム研究機構 アイテム推薦システム及びアイテム推薦方法
CN106846106A (zh) * 2017-01-16 2017-06-13 南京师范大学 一种图构建框架下的矩阵分解推荐方法
CN108804683A (zh) * 2018-06-13 2018-11-13 重庆理工大学 结合矩阵分解和协同过滤算法的电影推荐方法
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

Also Published As

Publication number Publication date
CN112862206B (zh) 2023-03-24

Similar Documents

Publication Publication Date Title
CN110969516B (zh) 一种商品推荐方法及装置
Koohi et al. A new method to find neighbor users that improves the performance of collaborative filtering
Bobadilla et al. Improving collaborative filtering recommender system results and performance using genetic algorithms
Toledo et al. Correcting noisy ratings in collaborative recommender systems
Liu et al. A hybrid collaborative filtering recommendation mechanism for P2P networks
Singh et al. Optimized recommendations by user profiling using apriori algorithm
CN110909182A (zh) 多媒体资源搜索方法、装置、计算机设备及存储介质
Alkemade et al. Comparing machine learning techniques for predicting glassy dynamics
Panagiotakis et al. Personalized video summarization based exclusively on user preferences
Al-Sabaawi et al. Exploiting implicit social relationships via dimension reduction to improve recommendation system performance
KR101738809B1 (ko) IoT 기반 스마트 홈 커뮤니티에서 소셜 매칭 및 소통 서비스를 위한 다차원매트릭스 지역화 방법 및 시스템
Dooms et al. Offline optimization for user-specific hybrid recommender systems
CN105357583A (zh) 一种发现智能电视用户兴趣偏好的方法和装置
KR20190119743A (ko) 컨텐츠 정보 제공 장치 및 그 방법
CN112862206B (zh) 基于子空间划分的推荐方法及系统
CN111198991A (zh) 一种基于信任度和专家用户的协同过滤推荐方法
CN111708945A (zh) 产品的推荐方法及装置、电子设备、计算机存储介质
Basha et al. A proficient video recommendation framework using hybrid fuzzy C means clustering and Kullback-Leibler divergence algorithms
Sangeetha et al. Predicting personalized recommendations using GNN
KR102600697B1 (ko) 제한적 볼츠만 머신 구동 기반의 인터랙티브 맞춤형 검색 방법
CN115880024A (zh) 一种基于预训练的轻量化图卷积神经网络的推荐方法
Mohamad et al. Collaborative filtering approach for movie recommendations
CN115203557A (zh) 内容推荐模型的生成方法、装置、设备、存储介质及产品
Gangwar et al. An adaptive boosting technique to mitigate popularity bias in recommender system
Nawi et al. Issues and challenges in the extraction and mapping of linked open data resources with recommender systems datasets

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