基于用户评分的隐式反馈及其时效性改进的协同过滤推荐算法

1.本发明涉及数据推荐技术领域，具体是基于用户评分的隐式反馈及其时效性改进的协同过滤推荐算法。


背景技术：

2.现代社会，信息技术的快速发展，大大的丰富和方便了人们的日常生活，与此同时，在海量信息供给予用户多样化需求之间矛盾日益突出的情况下，将个性化推荐应用到相关领域是明智的选择。推荐算法有很多分类，主要有基于内容的推荐、基于协同过滤的推荐和基于关联规则的推荐。
3.但是，协同过滤是应用最广泛的个性化推荐算法之一，随着该推荐算法的广泛应用与研究，协同过滤推荐技术的问题逐渐凸显出来了，用户偏好差异和用户随着时间的推移，用户的兴趣以及项目的流行度也会随之漂移，影响协同过滤推荐算法的精确型。


技术实现要素：

4.本发明的目的在于提供基于用户评分的隐式反馈及其时效性改进的协同过滤推荐算法，以解决上述背景技术中提出的问题。
5.为实现上述目的，本发明提供如下技术方案：
6.基于用户评分的隐式反馈及其时效性改进的协同过滤推荐算法，包括以下步骤：
7.步骤一：用户相似度sim_pcc的计算；
8.步骤二：用户评分偏好差异系数rd与td的建模；
9.步骤三：结合指数函数对rd与td进行归一化建模；
10.步骤四：用户相似度和用户评分差异的融合；
11.步骤五：目标用户的评分预测并给与推荐。
12.作为本发明再进一步的方案：所述步骤一的用户相似度计算方法，如下公式(1)所示：
[0013][0014]
其中，j∈ia∩ib表示对项目a和项目b都评过分的项目集合，r
a,j
、r
b,j
分别表示用户a和用户b对项目j的评分，分别表示用户a和用户b已评分项目的平均值。
[0015]
作为本发明再进一步的方案：所述步骤二通过引入用户评分差异与用户平均评分的比值来对用户评分偏好差异rd进行建模，用户评分偏好差异系数rd计算公式如下公式(2) 所示：
[0016][0017]
所述步骤二针对随着时间的推移，用户的兴趣以及项目的流行度也会随之漂移，对用户评分时间差异系数td进行建模，用户评分偏好差异系数td计算公式如下公式(3)所示：
[0018][0019]
作为本发明再进一步的方案：所述步骤三结合指数函数对rd与td进行归一化建模，构建改进系数p，改进系数p计算公式如下公式(4)所示：
[0020][0021]
作为本发明再进一步的方案：所述步骤四通过用户相似度与改进系数p相乘得到融合相似度，并命名为impcc相似度，计算公式如下公式(5)所示：
[0022]
sim_impcc＝sim_pcc
×
p (5)。
[0023]
作为本发明再进一步的方案：所述步骤五通过计算其他用户(例如b)与目标用户a 的itpcr相似度并按照从高到低的顺序排列得到用户a的最近邻用户集nn，最后的评分预测由公式(6)求得，
[0024][0025]
其中，b代表a的最近邻用户级集中的用户；
[0026]
根据最终评分，选取排名前n的项目推荐给用户。
[0027]
本发明的协同过滤推荐算法通过对用户评分差异系数rd与td进行建模，再结合指数函数对用户评分差异就进行归一化建模，并将其与传统相似度进行融合得到最终的impcc 相似度，并据此选择最近邻用户，并根据邻居集为用户生成推荐，该算法提高了推荐系统的精度。
具体实施方式
[0028]
下面将结合本发明实施例，对本发明实施例中的技术方案进行清楚、完整地描述，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。
[0029]
本发明实施例中，基于用户评分的隐式反馈及其时效性改进的协同过滤推荐算法，包括以下步骤：
[0030]
步骤一：用户相似度sim_pcc的计算；
[0031]
步骤二：用户评分偏好差异系数rd与td的建模；
[0032]
步骤三：结合指数函数对rd与td进行归一化建模；
[0033]
步骤四：用户相似度和用户评分差异的融合；
[0034]
步骤五：目标用户的评分预测并给与推荐。
[0035]
步骤一的用户相似度计算方法，如下公式(1)所示：
[0036][0037]
其中，j∈ia∩ib表示对项目a和项目b都评过分的项目集合，r
a,j
、r
b,j
分别表示用户a和用户b对项目j的评分，分别表示用户a和用户b已评分项目的平均值。
[0038]
步骤二通过引入用户评分差异与用户平均评分的比值来对用户评分偏好差异rd进行建模，用户评分偏好差异系数rd计算公式如下公式(2)所示：
[0039][0040]
步骤二针对随着时间的推移，用户的兴趣以及项目的流行度也会随之漂移，对用户评分时间差异系数td进行建模，用户评分偏好差异系数td计算公式如下公式(3)所示：
[0041][0042]
步骤三结合指数函数对rd与td进行归一化建模，构建改进系数p，改进系数p计算公式如下公式(4)所示：
[0043][0044]
根据公式(2)、(3)、(4)可得，p对传统相似度pcc有着削弱作用，p∈(0,1]，且rd、td越大，p值越小，反之，p值越小；当td＝0&&rd＝0时，p＝1。
[0045]
其中，α与(1-α)也保证改同时进系数考虑了用户评分行为偏好差异与时间因素并归一化，并对每个用户的高评分效应和低评分效应进行了归一化。
[0046]
步骤四通过用户相似度与改进系数p相乘得到融合相似度，并命名为impcc相似度，计算公式如下公式(5)所示：
[0047]
sim_impcc＝sim_pcc
×
p (5)。
[0048]
步骤五通过计算其他用户(例如b)与目标用户a的itpcr相似度并按照从高到低的顺序排列得到用户a的最近邻用户集nn，最后的评分预测由公式(6)求得，
[0049][0050]
其中，b代表a的最近邻用户级集中的用户；
[0051]
根据最终评分，选取排名前n的项目推荐给用户。
[0052]
尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本
发明的保护范围之内。


技术特征：
1.基于用户评分的隐式反馈及其时效性改进的协同过滤推荐算法，其特征在于：包括以下步骤：步骤一：用户相似度sim_pcc的计算；步骤二：用户评分偏好差异系数rd与td的建模；步骤三：结合指数函数对rd与td进行归一化建模；步骤四：用户相似度和用户评分差异的融合；步骤五：目标用户的评分预测并给与推荐。2.根据权利要求1所述的基于用户评分的隐式反馈及其时效性改进的协同过滤推荐算法，其特征在于：所述步骤一的用户相似度计算方法，如下公式(1)所示：其中，j∈i
a
∩i
b
表示对项目a和项目b都评过分的项目集合，r
a,j
、r
b,j
分别表示用户a和用户b对项目j的评分，分别表示用户a和用户b已评分项目的平均值。3.根据权利要求1所述的基于用户评分的隐式反馈及其时效性改进的协同过滤推荐算法，其特征在于：所述步骤二通过引入用户评分差异与用户平均评分的比值来对用户评分偏好差异rd进行建模，用户评分偏好差异系数rd计算公式如下公式(2)所示：所述步骤二针对随着时间的推移，用户的兴趣以及项目的流行度也会随之漂移，对用户评分时间差异系数td进行建模，用户评分偏好差异系数td计算公式如下公式(3)所示：4.根据权利要求1所述的基于用户评分的隐式反馈及其时效性改进的协同过滤推荐算法，其特征在于：所述步骤三结合指数函数对rd与td进行归一化建模，构建改进系数p，改进系数p计算公式如下公式(4)所示：5.根据权利要求1所述的基于用户评分的隐式反馈及其时效性改进的协同过滤推荐算法，其特征在于：所述步骤四通过用户相似度与改进系数p相乘得到融合相似度，并命名为impcc相似度，计算公式如下公式(5)所示：sim_impcc＝sim_pcc
×
p
ꢀꢀꢀꢀꢀꢀ
(5)。6.根据权利要求1所述的基于用户评分的隐式反馈及其时效性改进的协同过滤推荐算法，其特征在于：所述步骤五通过计算其他用户(例如b)与目标用户a的itpcr相似度并按照从高到低的顺序排列得到用户a的最近邻用户集nn，最后的评分预测由公式(6)求得，
其中，b代表a的最近邻用户级集中的用户；根据最终评分，选取排名前n的项目推荐给用户。

技术总结
本发明公开了基于用户评分的隐式反馈及其时效性改进的协同过滤推荐算法，步骤一：用户相似度sim_PCC的计算；步骤二：用户评分偏好差异系数RD与TD的建模；步骤三：结合指数函数对RD与TD进行归一化建模；步骤四：用户相似度和用户评分差异的融合；步骤五：目标用户的评分预测并给与推荐本发明的协同过滤推荐算法通过对用户评分差异系数RD与TD进行建模，再结合指数函数对用户评分差异就进行归一化建模，并将其与传统相似度进行融合得到最终的IMPCC相似度，并据此选择最近邻用户，并根据邻居集为用户生成推荐，该算法提高了推荐系统的精度。度。


技术研发人员：林晓 王勋 黄伟 郑晓妹
受保护的技术使用者：上海师范大学
技术研发日：2022.03.16
技术公布日：2022/6/10