CN113297496A - 一种基于改进用户相似度的协同过滤推荐算法 - Google Patents

一种基于改进用户相似度的协同过滤推荐算法 Download PDF

Info

Publication number
CN113297496A
CN113297496A CN202110677869.XA CN202110677869A CN113297496A CN 113297496 A CN113297496 A CN 113297496A CN 202110677869 A CN202110677869 A CN 202110677869A CN 113297496 A CN113297496 A CN 113297496A
Authority
CN
China
Prior art keywords
user
scoring
similarity
item
neighbor
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
CN202110677869.XA
Other languages
English (en)
Other versions
CN113297496B (zh
Inventor
潘锦丰
黎善良
周文辉
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.)
Zhongshan Litai Electronic Industry Co ltd
Original Assignee
Zhongshan Litai Electronic Industry Co ltd
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 Zhongshan Litai Electronic Industry Co ltd filed Critical Zhongshan Litai Electronic Industry Co ltd
Priority to CN202110677869.XA priority Critical patent/CN113297496B/zh
Publication of CN113297496A publication Critical patent/CN113297496A/zh
Application granted granted Critical
Publication of CN113297496B publication Critical patent/CN113297496B/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
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/01—Social networking

Landscapes

  • Engineering & Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Data Mining & Analysis (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • General Health & Medical Sciences (AREA)
  • Economics (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明提出了一种基于改进用户相似度的协同过滤推荐算法，包括如下步骤：S1，获取目标用户进行过评分的多个评分项目，选取初选用户；S2，通过基本算法筛选出初选用户中目标用户的近邻用户形成近邻用户集；S3，对评分项目未进行评分的近邻用户进行评分分数回填；S4，根据目标用户及近邻用户集各个用户对各个评分项目的评分分数，获取目标用户与近邻用户集各个用户的相似度；S5，将近邻用户集中与目标用户相似度最高的前k个用户形成最终近邻用户集；S6，根据最终近邻用户集中用户对新项目的评分，预测目标用户对新项目的评分；S7，根据目标用户对新项目的评分对目标用户进行项目推荐。提高协同过滤推荐算法的准确性。

Description

一种基于改进用户相似度的协同过滤推荐算法
技术领域
本发明涉及协同过滤推荐算法技术领域，具体涉及一种基于改进用户相似度的协同过滤推荐算法。
背景技术
随着音箱越来越智能化，其融入了推荐服务为用户提供精准推荐，以此来提高用户对产品的忠诚度和体验质量。然而现有智能音箱技术中的推荐算法，忽略用户-项目评分矩阵的稀疏性影响。传统用户相似度计算方法是通过用户实际评分记录建立用户-项目评分矩阵，接着计算用户之间的相似度。而随着智能音箱行业的发展，用户数和项目数呈指数级增长，这导致用户-项目评分矩阵变得极度稀疏。这时，传统的用户相似度计算方法就很难计算出真正的最近邻居集，导致评分预测误差变大，使得推荐质量下降。
发明内容
本发明在一定程度上解决现有相关技术中存在的问题之一，为此，本发明的目的在于提出一种基于改进用户相似度的协同过滤推荐算法，提高协同过滤推荐算法的准确性。
上述目的是通过如下技术方案来实现的：
一种基于改进用户相似度的协同过滤推荐算法，包括如下步骤：
S1，获取目标用户进行过评分的多个评分项目，选取初选用户，其中初选用户为对所述多个评分项目中的一个或多个进行过评分的用户；
S2，通过基本算法筛选出初选用户中目标用户的近邻用户形成近邻用户集；
S3，在每个评分项目中，根据目标用户及近邻用户集的用户总数量及目标用户对该项目的评分分数和近邻用户集中的已对该项目进行评分的评分分数，对该评分项目未进行评分的近邻用户进行评分分数回填；
S4，根据目标用户及近邻用户集各个用户对各个评分项目的评分分数，获取目标用户与近邻用户集各个用户的相似度；
S5，将近邻用户集中与目标用户相似度最高的前K个用户形成最终近邻用户集；
S6，根据最终近邻用户集中用户对新项目的评分，预测目标用户对新项目的评分；
S7，根据目标用户对新项目的评分对目标用户进行项目推荐。
作为本发明的进一步改进，在步骤S2中所述基本算法包括余弦相似度算法、皮尔逊相似度算法。
作为本发明的进一步改进，通过基本算法筛选出初选用户中目标用户的近邻用户形成近邻用户集的步骤具体为：
步骤S101,通过基本算法获取各个初选用户与目标用户的相似度；
步骤S102,设置阈值，筛选相似度大于阈值的初选用户形成近邻用户集。
作为本发明的进一步改进，所述阈值为
Figure BDA0003121531080000021
其中simmax为通过基本算法获取的各个近邻用户与目标用户相似度中的最大相似度。
作为本发明的进一步改进，在步骤S3中，在每个评分项目中，根据目标用户及近邻用户集的用户总数量及目标用户对该项目的评分分数和近邻用户集中的已对该项目进行评分的评分分数，对该评分项目未进行评分的近邻用户进行评分分数回填的步骤为：
步骤S301,通过公式
Figure BDA0003121531080000022
获取对评分项目未进行评分的近邻用户的评分分数，counti表示对项目itemi有过评分记录的用户数，所述用户数包括目标用户及近邻用户；
Figure BDA0003121531080000031
表示对项目itemi有过评分记录的各个用户对项目itemi的评分；N(all)表示目标用户和近邻用户集的全部人；
步骤S302,将评分分数回填。
作为本发明的进一步改进，在步骤S301之前还包括如下步骤：
获取每个评分项目的评分频数；
检测评分频数是否大于预设值；
若是，则进入步骤S301；若否，舍弃该项目；
作为本发明的进一步改进，在步骤S4中，根据目标用户及近邻用户集各个用户对各个评分项目的评分分数，获取目标用户与近邻用户集各个用户的相似度的方法为：
根据项目集获取权重系数；
根据权重系数获取拟合值；
根据拟合值进行相似度计算；
将相似度计算的结果进行归一化处理。
作为本发明的进一步改进，根据项目集获取权重系数的方法为：
将目标用户中各个项目的评分分数形成向量Y；
将近邻用户集中每个近邻用户对各个项目的评分分数形成向量a；
将每个近邻用户对各个项目评分分数形成的向量a组合形成向量矩阵X；
根据公式θ＝(X·XT)-1·X·YT获取权重系数，其中θ为权重系数。
作为本发明的进一步改进，根据权重系数获取拟合值的方法为：
根据公式Y'＝(XT·θ)T获取拟合值，其中Y'为拟合值，θ为权重系数，X为每个近邻用户对各个项目评分分数形成的向量a组合形成向量矩阵。
作为本发明的进一步改进，根据拟合值进行相似度计算的方法具体为：
根据公式
Figure BDA0003121531080000041
进行相似度计算，其中sim(u,j)为表示目标用户与近邻用户j之间的相似度大小，Yi'为拟合值向量矩阵中的第i个评分数值，Xji为矩阵中的第j个用户行评分向量中的第i个评分数值。
作为本发明的进一步改进，将相似度计算的结构进行归一化处理的步骤具体为：
通过公式
Figure BDA0003121531080000042
将相似度相似度计算的结果进行归一化处理，其中
Figure BDA0003121531080000043
是目标用户和其他所有用户的相似度之和，simu,i是目标用户和第i个近邻用户的相似度。
作为本发明的进一步改进，根据最终近邻用户集中用户对新项目的评分，预测目标用户对新项目的评分的步骤具体为：
根据公式
Figure BDA0003121531080000044
获取目标用户对新项目的评分，其中PU,C为目标用户对新项目的评分分数，Nu为目标用户的近邻用户集，Ru为目标用户对其已经评分过的项目的评分均值，Rv为近邻用户对其已经评分过的项目的评分均值，sim(u,v)为目标用户与近邻用户的相似度。
与现有技术相比，本发明的至少包括以下有益效果：
1.发明提出一种基于改进用户相似度的协同过滤推荐算法，通过评分分数回填解决用户-项目评分矩阵的稀疏性问题，根据近邻用户集中的近邻用户对各个项目的评分及目标用户对各个项目的评分获取目标用户与近邻用户集的相似度，进一步获取与目标用户相似度最高的近邻用户，使计算出的最近邻用户集更加合理，以此降低预测用户评分的误差，提高协同过滤推荐算法的准确性和推荐质量，进一步提高推荐服务的精确性。
附图说明
图1为实施例中一种基于改进用户相似度的协同过滤推荐算法的流程图；
图2为实施例中“用户-项目评分表”其一；
图3为实施例中“用户-项目评分表”其二；
图4为实施例中“用户-项目评分表”其三；
图5为实施例中“用户-项目评分表”其四。
具体实施方式
以下实施例对本发明进行说明，但本发明并不受这些实施例所限制。对本发明的具体实施方式进行修改或者对部分技术特征进行等同替换，而不脱离本发明方案的精神，其均应涵盖在本发明请求保护的技术方案范围当中。
参见图1示出一种基于改进用户相似度的协同过滤推荐算法，包括如下步骤：
S1，获取目标用户进行过评分的多个评分项目，选取初选用户，其中初选用户为对所述多个评分项目中的一个或多个进行过评分的用户；
S2，通过基本算法筛选出初选用户中目标用户的近邻用户形成近邻用户集；
S3，在每个评分项目中，根据目标用户及近邻用户集的用户总数量及目标用户对该项目的评分分数和近邻用户集中的已对该项目进行评分的评分分数，对该评分项目未进行评分的近邻用户进行评分分数回填；
S4，根据目标用户及近邻用户集各个用户对各个评分项目的评分分数，获取目标用户与近邻用户集各个用户的相似度；
S5，将近邻用户集中与目标用户相似度最高的前K个用户形成最终近邻用户集；
S6，根据与目标用户相似度最高的近邻用户对新项目的评分，获取目标用户对新项目的评分；
S7，根据用户目标用户对新项目的评分对目标用户进行项目推荐。
本发明提出一种基于改进用户相似度的协同过滤推荐算法，通过评分分数回填解决用户-项目评分矩阵的稀疏性问题，根据近邻用户集中的近邻用户对各个项目的评分及目标用户对各个项目的评分获取目标用户与近邻用户集的相似度，进一步获取与目标用户相似度最高的前K个用户形成最终近邻用户集，使计算出的最终近邻用户集更加合理，以此降低预测用户评分的误差，提高协同过滤推荐算法的准确性和推荐质量。
在步骤S1中，根据目标用户对多个评分项目的评分及初选用户对多个评分项目的评分构建“用户-项目评分表”。
举例说明，目标用户对项目1、项目2、项目3、项目4及项目5进行过评分，且用户2、用户3、用户4及用户5分别对项目1-5的其中一个或多个进行过评分，构建“用户-项目评分表”，如附图2。
在步骤S2中通过基本算法筛选出初选用户中目标用户的近邻用户形成近邻用户集的步骤具体为：
步骤S101,通过基本算法获取各个初选用户与目标用户的相似度；
步骤S102,设置阈值，筛选相似度大于阈值的初选用户形成近邻用户集。
在步骤S2或S101中所述基本算法包括余弦相似度算法、皮尔逊相似度算法。
在步骤S102中，所述阈值为
Figure BDA0003121531080000071
其中simmax为通过基本算法获取的各个初选用户与目标用户相似度中的最大相似度。
其中，皮尔逊相似度算法为：
Figure BDA0003121531080000072
其中，Iuv为用户u和用户v的公共评分集合，也就是两者都有的评分的项目的集合；Ru,c和Rv,c分别是用户u、用户v对项目c的评分；
Figure BDA0003121531080000073
和
Figure BDA0003121531080000074
分别为用户u和用户v对其已经评分过的项目的评分均值。
采用皮尔逊相似度算法计算用户2、用户3、用户4及用户5与目标用户的相似度，获得用户2与目标用户的相似度为1，用户3与目标用户的相似度为0.189，用户4与目标用户的相似度为0.327，用户5与目标用户的相似度为0.866。由于初选用户中用户2与标用户的相似度最大，且为1，因此simmax为1，阈值为
Figure BDA0003121531080000075
由于用户2与目标用户的相似度1大于
Figure BDA0003121531080000076
及用户5与目标用户的相似度为0.866大于
Figure BDA0003121531080000077
因此筛选出目标用户的近邻用户集为用户2和用户5，将目标用户及用户2和用户5重新构建“用户-项目评分表”，如附图3。
在步骤S3中，在每个评分项目中，根据目标用户及近邻用户集的用户总数量及目标用户对该项目的评分分数和近邻用户集中的已对该项目进行评分的评分分数，对该评分项目未进行评分的近邻用户进行评分分数回填的步骤为：
步骤S301，通过公式
Figure BDA0003121531080000078
获取对评分项目未进行评分的近邻用户的评分分数，counti表示对项目itemi有过评分记录的用户数，所述用户数包括目标用户及近邻用户；
Figure BDA0003121531080000081
表示对项目itemi有过评分记录的各个用户对项目itemi的评分；N(all)表示目标用户和近邻用户集的全部人；
步骤S302，将评分分数回填至“用户-项目评分表”中，如附图4。
在步骤S301之前还包括如下步骤：
获取每个评分项目的评分频数；
检测评分频数是否大于预设值；
若是，则进入步骤S301；若否，舍弃该项目；
其中，评分频数是指进行过评分的用户个数。所述预设值为预设频数。
所述预设值，在本实施例中，所述预设值为
Figure BDA0003121531080000082
其中M为近邻用户集中近邻用户的数量与目标用户数量的总和。
由于近邻用户集为用户2和用户5加上目标用户一共3个用户，即M为3，则预设值为
Figure BDA0003121531080000083
在项目4中，用户2与用户5对项目4的评分小于
Figure BDA0003121531080000084
则将舍弃项目4，如附图5。
在步骤S4中，根据目标用户及近邻用户集各个用户对各个评分项目的评分分数，获取目标用户与近邻用户集各个用户的相似度的方法为：
步骤S401，根据项目集获取权重系数；
步骤S402，根据权重系数获取拟合值；
步骤S403，根据拟合值进行相似度计算；
步骤S404，将相似度计算的结果进行归一化处理。
步骤S401中，根据项目集获取权重系数的方法为：
将目标用户中各个项目的评分分数形成向量Y；
将近邻用户集中每个近邻用户对各个项目的评分分数形成向量a；
将每个近邻用户对各个项目评分分数形成的向量a组合形成向量矩阵X；
根据公式θ＝(X·XT)-1·X·YT获取权重系数，其中θ为权重系数。
根据附图5所示，目标用户对项目1、项目2、项目3、项目5的评分分数分别为1、2、2、3，即Y＝[1，2，2，3]。
根据附图5所示，用户2对项目1、项目2、项目3、项目5的评分分数分别为1、3、2.5、3,即a1＝[1，3，2.5，3]；
根据附图5所示，用户5对项目1、项目2、项目3、项目5的评分分数分别为1、2.5、3、3,即a2＝[1，2.5，3，3]；
则将a1与a2组合形成向量矩阵X为[[1，3，2.5，3],[1，2.5，3，3]]。
根据权重系数获取拟合值的方法为：
根据公式Y'＝(XT·θ)T获取拟合值，其中Y'为拟合值，θ为权重系数，X为每个近邻用户对各个项目评分分数形成的向量a组合形成向量矩阵。
根据拟合值进行相似度计算的方法具体为：
根据公式
Figure BDA0003121531080000091
进行相似度计算，其中sim(u,j)为表示目标用户与近邻用户j之间的相似度大小，Yi'为拟合值向量矩阵中的第i个评分数值，Xji为矩阵中的第j个用户行评分向量中的第i个评分数值。相似度计算获得的结果数值越大，代表两个用户之间越不相似。
将相似度计算的结构进行归一化处理的步骤具体为：
通过公式
Figure BDA0003121531080000092
将相似度相似度计算的结果进行归一化处理，其中
Figure BDA0003121531080000093
是目标用户和其他所有用户的相似度之和，simu,i是目标用户和第i个近邻用户的相似度。
归一化处理之后得出的结果其数值越大代表两用户之间越相似。最终将计算的结果sim′u,i作为新的用户相似度度量的评价标准。
根据最终近邻用户集中用户对新项目的评分，预测目标用户对新项目的评分的步骤具体为：
根据公式
Figure BDA0003121531080000101
获取目标用户对新项目的评分，其中PU,C为目标用户对新项目的评分分数，Nu为目标用户的近邻用户集，Ru为目标用户对其已经评分过的项目的评分均值，Rv为近邻用户对其已经评分过的项目的评分均值，sim(u,v)为目标用户与近邻用户的相似度。
在音箱产品上，可应用上述的一种基于改进用户相似度的协同过滤推荐算法给用户推荐歌单，提高智能音箱产品推荐服务的精确性，但其应用产品不限于音箱产品。
上述优选实施方式应视为本申请方案实施方式的举例说明，凡与本申请方案雷同、近似或以此为基础作出的技术推演、替换、改进等，均应视为本专利的保护范围。

Claims (12)

1.一种基于改进用户相似度的协同过滤推荐算法，其特征在于，包括如下步骤：
S1，获取目标用户进行过评分的多个评分项目，选取初选用户，其中初选用户为对所述多个评分项目中的一个或多个进行过评分的用户；
S2，通过基本算法筛选出初选用户中目标用户的近邻用户形成近邻用户集；
S3，在每个评分项目中，根据目标用户及近邻用户集的用户总数量及目标用户对该项目的评分分数和近邻用户集中的已对该项目进行评分的评分分数，对该评分项目未进行评分的近邻用户进行评分分数回填；
S4，根据目标用户及近邻用户集各个用户对各个评分项目的评分分数，获取目标用户与近邻用户集各个用户的相似度；
S5，将近邻用户集中与目标用户相似度最高的前K个用户形成最终近邻用户集；
S6，根据最终近邻用户集中用户对新项目的评分，预测目标用户对新项目的评分；
S7，根据目标用户对新项目的评分对目标用户进行项目推荐。
2.根据权利要求1所述的一种基于改进用户相似度的协同过滤推荐算法，其特征在于，在步骤S2中所述基本算法包括余弦相似度算法、皮尔逊相似度算法。
3.根据权利要求1所述的一种基于改进用户相似度的协同过滤推荐算法，其特征在于，通过基本算法筛选出初选用户中目标用户的近邻用户形成近邻用户集的步骤具体为：
步骤S101,通过基本算法获取各个初选用户与目标用户的相似度；
步骤S102,设置阈值，筛选相似度大于阈值的初选用户形成近邻用户集。
4.根据权利要求3所述的一种基于改进用户相似度的协同过滤推荐算法，其特征在于，所述阈值为
Figure FDA0003121531070000021
其中simmax为通过基本算法获取的各个近邻用户与目标用户相似度中的最大相似度。
5.根据权利要求1所述的一种基于改进用户相似度的协同过滤推荐算法，其特征在于，在步骤S3中，在每个评分项目中，根据目标用户及近邻用户集的用户总数量及目标用户对该项目的评分分数和近邻用户集中的已对该项目进行评分的评分分数，对该评分项目未进行评分的近邻用户进行评分分数回填的步骤为：
步骤S301,通过公式
Figure FDA0003121531070000022
获取对评分项目未进行评分的近邻用户的评分分数，counti表示对项目itemi有过评分记录的用户数，所述用户数包括目标用户及近邻用户；
Figure FDA0003121531070000023
表示对项目itemi有过评分记录的各个用户对项目itemi的评分；N(all)表示目标用户和近邻用户集的全部人；
步骤S302,将评分分数回填。
6.根据权利要求5所述的一种基于改进用户相似度的协同过滤推荐算法，其特征在于，步骤301之前还包括如下步骤：
获取每个评分项目的评分频数；
检测评分频数是否大于预设值；
若是，则进入步骤S301；若否，舍弃该项目。
7.根据权利要求1所述的一种基于改进用户相似度的协同过滤推荐算法，其特征在于，在步骤S4中，根据目标用户及近邻用户集各个用户对各个评分项目的评分分数，获取目标用户与近邻用户集各个用户的相似度的方法为：
根据项目集获取权重系数；
根据权重系数获取拟合值；
根据拟合值进行相似度计算；
将相似度计算的结果进行归一化处理。
8.根据权利要求7所述的一种基于改进用户相似度的协同过滤推荐算法，其特征在于，根据项目集获取权重系数的方法为：
将目标用户中各个项目的评分分数形成向量Y；
将近邻用户集中每个近邻用户对各个项目的评分分数形成向量a；
将每个近邻用户对各个项目评分分数形成的向量a组合形成向量矩阵X；
根据公式θ＝(X·XT)-1·X·YT获取权重系数，其中θ为权重系数。
9.根据权利要求8所述的一种基于改进用户相似度的协同过滤推荐算法，其特征在于，根据权重系数获取拟合值的方法为：
根据公式Y'＝(XT·θ)T获取拟合值，其中Y'为拟合值，θ为权重系数，X为每个近邻用户对各个项目评分分数形成的向量a组合形成向量矩阵。
10.根据权利要求9所述的一种基于改进用户相似度的协同过滤推荐算法，其特征在于，根据拟合值进行相似度计算的方法具体为：
根据公式
Figure FDA0003121531070000031
进行相似度计算，其中sim(u,j)为表示目标用户与近邻用户j之间的相似度大小，Yi'为拟合值向量矩阵中的第i个评分数值，Xji为矩阵中的第j个用户行评分向量中的第i个评分数值。
11.根据权利要求10所述的一种基于改进用户相似度的协同过滤推荐算法，其特征在于，将相似度计算的结构进行归一化处理的步骤具体为：
通过公式
Figure FDA0003121531070000041
将相似度相似度计算的结果进行归一化处理，其中
Figure FDA0003121531070000042
是目标用户和其他所有用户的相似度之和，simu,i是目标用户和第i个近邻用户的相似度。
12.根据权利要求1所述的一种基于改进用户相似度的协同过滤推荐算法，其特征在于，根据最终近邻用户集中用户对新项目的评分，预测目标用户对新项目的评分的步骤具体为：
根据公式
Figure FDA0003121531070000043
获取目标用户对新项目的评分，其中PU,C为目标用户对新项目的评分分数，Nu为目标用户的近邻用户集，Ru为目标用户对其已经评分过的项目的评分均值，Rv为近邻用户对其已经评分过的项目的评分均值，sim(u,v)为目标用户与近邻用户的相似度。
CN202110677869.XA 2021-06-18 2021-06-18 一种基于改进用户相似度的协同过滤推荐算法 Active CN113297496B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110677869.XA CN113297496B (zh) 2021-06-18 2021-06-18 一种基于改进用户相似度的协同过滤推荐算法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110677869.XA CN113297496B (zh) 2021-06-18 2021-06-18 一种基于改进用户相似度的协同过滤推荐算法

Publications (2)

Publication Number Publication Date
CN113297496A true CN113297496A (zh) 2021-08-24
CN113297496B CN113297496B (zh) 2023-03-31

Family

ID=77328776

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110677869.XA Active CN113297496B (zh) 2021-06-18 2021-06-18 一种基于改进用户相似度的协同过滤推荐算法

Country Status (1)

Country Link
CN (1) CN113297496B (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103092911A (zh) * 2012-11-20 2013-05-08 北京航空航天大学 一种融合社会标签相似度基于k近邻的协同过滤推荐系统
CN103745100A (zh) * 2013-12-27 2014-04-23 浙江大学 一种基于项目的混合显性隐性反馈的协同过滤推荐算法
CN105025091A (zh) * 2015-06-26 2015-11-04 南京邮电大学 一种基于移动用户位置的商铺推荐方法
CN105183748A (zh) * 2015-07-13 2015-12-23 电子科技大学 一种基于内容和评分的组合预测方法
CN105282616A (zh) * 2015-11-13 2016-01-27 云南大学 一种组合协同过滤iptv节目推荐方法
CN106294447A (zh) * 2015-05-28 2017-01-04 中国科学院沈阳自动化研究所 一种基于双聚类填充的协同过滤方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103092911A (zh) * 2012-11-20 2013-05-08 北京航空航天大学 一种融合社会标签相似度基于k近邻的协同过滤推荐系统
CN103745100A (zh) * 2013-12-27 2014-04-23 浙江大学 一种基于项目的混合显性隐性反馈的协同过滤推荐算法
CN106294447A (zh) * 2015-05-28 2017-01-04 中国科学院沈阳自动化研究所 一种基于双聚类填充的协同过滤方法
CN105025091A (zh) * 2015-06-26 2015-11-04 南京邮电大学 一种基于移动用户位置的商铺推荐方法
CN105183748A (zh) * 2015-07-13 2015-12-23 电子科技大学 一种基于内容和评分的组合预测方法
CN105282616A (zh) * 2015-11-13 2016-01-27 云南大学 一种组合协同过滤iptv节目推荐方法

Also Published As

Publication number Publication date
CN113297496B (zh) 2023-03-31

Similar Documents

Publication Publication Date Title
Zhang et al. Detection of shilling attacks in recommender systems via spectral clustering
US20110184977A1 (en) Recommendation method and system based on collaborative filtering
CN108132964B (zh) 一种基于用户对项目类评分的协同过滤方法
CN106600310B (zh) 一种基于网络搜索指数进行销量预测的方法和系统
CN111523055B (zh) 一种基于农产品特征属性评论倾向的协同推荐方法及系统
CN110472349B (zh) 一种基于eemd和深度卷积网络的热轧钢性能预测方法
CN111105160A (zh) 一种基于倾向性异质装袋算法的钢材质量预测方法
CN109858544B (zh) 基于区间阴影集和密度峰值聚类的钢材质量检测方法
WO2020135642A1 (zh) 一种基于生成对抗网络的模型训练方法及设备
CN109977299B (zh) 一种融合项目热度和专家系数的推荐算法
CN102982466A (zh) 一种基于用户活跃度的评分预测方法
CN107180088A (zh) 基于模糊c均值聚类算法的新闻推荐方法
CN110910215A (zh) 产品推荐方法、装置、设备及计算机可读存储介质
CN111626863A (zh) 一种金融产品的智能推荐方法
CN112231583A (zh) 基于动态兴趣组标识和生成对抗网络的电商推荐方法
CN108920709B (zh) 基于随机森林修正的大数据下改进协同过滤推荐方法
CN106202151A (zh) 一种用于提高个性化推荐系统多样性的方法
KR101418307B1 (ko) 다중 의사 결정 문제 해결을 위한 구간 회색수 및 엔트로피 기반 해법 연산 방법
CN115169453A (zh) 基于密度聚类协同深度残差网络的热连轧宽度预测方法
CN107194815A (zh) 客户分类方法及系统
CN112613953A (zh) 一种商品选品方法、系统及计算机可读存储介质
CN113297496B (zh) 一种基于改进用户相似度的协同过滤推荐算法
US20090119336A1 (en) Apparatus and method for categorizing entities based on time-series relation graphs
CN111611293A (zh) 一种基于特征加权与MapReduce的离群数据挖掘方法
CN106056160B (zh) 非均衡iptv数据集下的用户报障预测方法

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