專利名稱：：一種基于協(xié)同過(guò)濾的推薦方法和系統(tǒng)的制作方法
技術(shù)領(lǐng)域：
：本發(fā)明涉及網(wǎng)絡(luò)通訊
技術(shù)領(lǐng)域：
，尤其涉及一種基于協(xié)同過(guò)濾的推薦方法和系統(tǒng)。
背景技術(shù)：
：推薦系統(tǒng)是為解決信息過(guò)載問(wèn)題而提出的一種智能代理系統(tǒng)，能從大量信息中向用戶自動(dòng)推薦出符合其興趣偏好或需求的資源。隨著互聯(lián)網(wǎng)的普及和飛速發(fā)展，推薦系統(tǒng)已經(jīng)被廣泛應(yīng)用于各種領(lǐng)域，尤其在電子商務(wù)領(lǐng)域，推薦系統(tǒng)得到了越來(lái)越多的研究和應(yīng)用。目前，幾乎所有的大型電子商務(wù)網(wǎng)站都不同程度的使用了各種形式的推薦系統(tǒng)，比如Amazon、CDN0W、eBay和當(dāng)當(dāng)網(wǎng)上書店等。其中，協(xié)同過(guò)濾技術(shù)在當(dāng)前推薦系統(tǒng)的應(yīng)用中獲得了較大的成功。協(xié)同過(guò)濾算法主要有基于用戶的協(xié)同過(guò)濾算法和基于項(xiàng)目的協(xié)同過(guò)濾算法。兩種算法的輸入都是用戶對(duì)項(xiàng)目的評(píng)分矩陣，如表l所示表l用戶對(duì)項(xiàng)目的評(píng)分矩陣\^目用^^項(xiàng)目1項(xiàng)目2項(xiàng)目3項(xiàng)目4項(xiàng)目5項(xiàng)目6項(xiàng)目7項(xiàng)目8用戶l534用戶2425用戶3353用戶4454用戶55352用戶6345用戶7244用戶83443用戶9545其中，用戶對(duì)項(xiàng)目的評(píng)分可以顯式獲得，例如通過(guò)用戶對(duì)項(xiàng)目進(jìn)行評(píng)分操作；也可隱式獲得，例如通過(guò)用戶對(duì)項(xiàng)目的搜索、瀏覽、購(gòu)買等7行為構(gòu)造評(píng)分函數(shù)計(jì)算得到。矩陣的每一行形成的向量表示該行對(duì)應(yīng)用戶的對(duì)各個(gè)項(xiàng)目的評(píng)分向量?；谟脩舻膮f(xié)同過(guò)濾算法的基本原理是利用用戶對(duì)項(xiàng)目評(píng)分的相似性來(lái)互相推薦用戶可能感興趣的項(xiàng)目。例如對(duì)當(dāng)前用戶U，系統(tǒng)通過(guò)其評(píng)分記錄及特定相似度函數(shù)，計(jì)算出與其評(píng)分行為最相近的k個(gè)用戶作為用戶U的最近鄰居集，統(tǒng)計(jì)用戶U的近鄰用戶評(píng)分過(guò)而用戶U未評(píng)分的項(xiàng)目生成候選推薦集，然后計(jì)算用戶U對(duì)候選推薦集中每個(gè)項(xiàng)目i的預(yù)測(cè)評(píng)分，取其中預(yù)測(cè)評(píng)分最高的N個(gè)項(xiàng)目作為用戶U的Top-N推薦集。基于項(xiàng)目的協(xié)同過(guò)濾算法則比較項(xiàng)目之間的相似性，根據(jù)當(dāng)前用戶已評(píng)分的項(xiàng)目集合推薦未評(píng)分的項(xiàng)目。由于項(xiàng)目之間的相似性比用戶相似性穩(wěn)定，因此可以離線進(jìn)行計(jì)算存儲(chǔ)并定期更新，所以基于項(xiàng)目的協(xié)同過(guò)濾算法相對(duì)于基于用戶的協(xié)同過(guò)濾算法，推薦精度高，實(shí)時(shí)性好，對(duì)基于項(xiàng)目的協(xié)同過(guò)濾算法進(jìn)行優(yōu)化推薦準(zhǔn)確度更高、效果更佳、更符合客戶需求?；陧?xiàng)目的協(xié)同推薦的基本處理流程，分為線下相似度計(jì)算和線上推薦兩個(gè)部分。圖l所示為基于項(xiàng)目的協(xié)同推薦方法中線下相似度計(jì)算流程，圖2所示為基于項(xiàng)目的協(xié)同推薦方法中線上推薦流程。圖l中線下相似度計(jì)算流程用于計(jì)算并保存項(xiàng)目間的相似度。其中，步驟l:獲取每一用戶對(duì)每一項(xiàng)目的評(píng)分矩陣；步驟2:計(jì)算各個(gè)項(xiàng)目間相似度，可采用相似度函數(shù)為余弦相似度、皮爾森相似度(Pearson)等；步驟3、存儲(chǔ)各個(gè)不同項(xiàng)目間相似度。在預(yù)先計(jì)算存儲(chǔ)了各個(gè)不同項(xiàng)目間相似度的基礎(chǔ)上，如圖2所示線上推薦流程如下步驟ll:獲取待推薦的用戶標(biāo)識(shí)(ID),即目標(biāo)用戶標(biāo)識(shí)(ID);步驟12:獲取目標(biāo)用戶ID對(duì)應(yīng)的目標(biāo)用戶已經(jīng)評(píng)分的項(xiàng)目集合；步驟13:根據(jù)預(yù)先存儲(chǔ)的項(xiàng)目相似度數(shù)據(jù)，獲取與目標(biāo)用戶已經(jīng)評(píng)分的項(xiàng)目集合中各項(xiàng)目相似度高的項(xiàng)目，形成該目標(biāo)用戶的待推薦項(xiàng)目集；步驟14:根據(jù)項(xiàng)目間相似度，進(jìn)一步計(jì)算目標(biāo)用戶對(duì)待推薦項(xiàng)目集中每個(gè)項(xiàng)目8的預(yù)測(cè)評(píng)分，例如根據(jù)如下公式計(jì)算預(yù)測(cè)評(píng)分尸仏,J，"H,其中，iV.,表示目標(biāo)用戶U對(duì)待項(xiàng)目i的預(yù)測(cè)評(píng)分，WmC/，z')表示項(xiàng)目j和項(xiàng)目i之間的相似度，i"表示用戶t/對(duì)項(xiàng)目y的實(shí)際評(píng)分；步驟15:根據(jù)預(yù)測(cè)評(píng)分結(jié)果取評(píng)分最高的前N項(xiàng)作為對(duì)目標(biāo)用戶的推薦結(jié)果。在基于項(xiàng)目的協(xié)同過(guò)濾算法流程中，項(xiàng)目間的相似度對(duì)最終的推薦結(jié)果有著至關(guān)重要的影響。在傳統(tǒng)的基于項(xiàng)目的協(xié)同過(guò)濾推薦算法中，項(xiàng)目之間相似度的計(jì)算并未考慮到不同偏好用戶群之間的差異。項(xiàng)目間相似度基于用戶評(píng)分矩陣計(jì)算得到，對(duì)所有的用戶而言，同樣兩個(gè)項(xiàng)目，它們之間的相似度是相同的。而現(xiàn)實(shí)中，對(duì)同樣兩個(gè)項(xiàng)目的看法，不同偏好的用戶群觀點(diǎn)通常不同。這勢(shì)必造成推薦準(zhǔn)確度低，質(zhì)量下降。
發(fā)明內(nèi)容為了提高推薦的準(zhǔn)確性，符合用戶偏好，本發(fā)明實(shí)施例提供一種基于協(xié)同過(guò)濾的推薦方法和系統(tǒng)。一種基于協(xié)同過(guò)濾的推薦方法，包括獲取目標(biāo)用戶標(biāo)識(shí)；查找所述目標(biāo)用戶標(biāo)識(shí)對(duì)應(yīng)的用戶群標(biāo)識(shí)；獲取根據(jù)所述用戶群標(biāo)識(shí)對(duì)應(yīng)的用戶-項(xiàng)目評(píng)分矩陣確定的項(xiàng)目間相似度；根據(jù)所述項(xiàng)目間相似度，向目標(biāo)用戶推薦項(xiàng)目。一種基于協(xié)同過(guò)濾的推薦系統(tǒng)，包括推薦控制模塊，用于獲取目標(biāo)用戶標(biāo)識(shí)，調(diào)用確定待推薦集模塊和生成模塊向所述目標(biāo)用戶標(biāo)識(shí)對(duì)應(yīng)的目標(biāo)用戶推薦項(xiàng)目；確定待推薦集;f莫塊，用于查找所述目標(biāo)用戶標(biāo)識(shí)對(duì)應(yīng)的用戶群組標(biāo)識(shí)，獲取根據(jù)所述用戶群標(biāo)識(shí)對(duì)應(yīng)的用戶-項(xiàng)目評(píng)分矩陣確定的項(xiàng)目間相似度，根據(jù)所述項(xiàng)目間相似度確定待推薦集，或者獲取根據(jù)所述用戶群標(biāo)識(shí)對(duì)應(yīng)的用戶-項(xiàng)目評(píng)分矩陣確定的熱點(diǎn)項(xiàng)目集，將所述熱點(diǎn)項(xiàng)目集作為待推薦集；生成推薦才莫塊，用于向用戶推薦推薦集中的項(xiàng)目。采用本發(fā)明實(shí)施例提供的基于協(xié)同過(guò)濾的推薦方法和系統(tǒng)，通過(guò)將用戶9分群，使得用戶群中的每個(gè)用戶偏好基本相同，利用這樣的用戶群所包含的項(xiàng)目相似度信息為用戶推薦，提高了推薦的準(zhǔn)確性，體現(xiàn)了個(gè)性化。圖1為現(xiàn)有技術(shù)基于項(xiàng)目的協(xié)同推薦方法中線下相似度計(jì)算流程；圖2為現(xiàn)有技術(shù)基于項(xiàng)目的協(xié)同推薦方法中線上推薦流程；圖3為本發(fā)明實(shí)施例一提供的一種基于協(xié)同過(guò)濾的推薦系統(tǒng)結(jié)構(gòu)示意圖4為本發(fā)明實(shí)施例二提供的一種基于協(xié)同過(guò)濾的推薦方法流程中用戶分群流程示意圖5為本發(fā)明實(shí)施例二提供的一種基于協(xié)同過(guò)濾的推薦方法流程中計(jì)算項(xiàng)目間相似度流程示意圖6為本發(fā)明實(shí)施例二提供的一種基于協(xié)同過(guò)濾的推薦方法流程中計(jì)算項(xiàng)目熱點(diǎn)度流程示意圖7為本發(fā)明實(shí)施例二提供的一種基于協(xié)同過(guò)濾的推薦方法流程中建立分類器流程示意圖8為本發(fā)明實(shí)施例二提供的一種基于協(xié)同過(guò)濾的推薦方法流程中線上推薦流程示意圖9為為本發(fā)明實(shí)施例三提供的一種基于協(xié)同過(guò)濾的推薦方法流程示意圖。具體實(shí)施例方式下面通過(guò)附圖和實(shí)施例，對(duì)本發(fā)明的技術(shù)方案做進(jìn)一步的詳細(xì)描述。本發(fā)明實(shí)施例中提出了一種首先將用戶基于用戶-項(xiàng)目評(píng)分矩陣分群，每一個(gè)用戶群僅包含該群中用戶對(duì)所有項(xiàng)目的評(píng)分?jǐn)?shù)據(jù)，然后在每一個(gè)用戶群上獨(dú)立計(jì)算項(xiàng)目間相似度，最后以目標(biāo)用戶所在群中計(jì)算得到的相似度作為依據(jù)對(duì)目標(biāo)用戶進(jìn)行推薦。如圖3所示為本發(fā)明實(shí)施例一提供的一種基于協(xié)同過(guò)濾的推薦系統(tǒng)結(jié)構(gòu)示意圖。該推薦系統(tǒng)包括推薦控制模塊51、生成推薦模塊52,確定待推薦集模塊54、數(shù)據(jù)庫(kù)55、評(píng)分預(yù)測(cè)模塊53、以及定時(shí)器56、用戶分群模塊57、分類器生成模塊58、項(xiàng)目熱點(diǎn)度計(jì)算模塊59和項(xiàng)目相似度計(jì)算模塊60。其中、評(píng)分預(yù)測(cè)模塊53中還包括相似項(xiàng)目評(píng)分預(yù)測(cè)模塊531、熱點(diǎn)項(xiàng)目評(píng)分預(yù)測(cè)模塊532;確定待推薦集模塊54中還包括用戶所屬群組確定模塊541、待推薦項(xiàng)目集確定模塊542;數(shù)據(jù)庫(kù)55中還包括用戶基本信息庫(kù)551、用戶群庫(kù)552、用戶群項(xiàng)目熱點(diǎn)度庫(kù)553、用戶項(xiàng)目評(píng)分矩陣庫(kù)555和用戶群項(xiàng)目相似度庫(kù)554。運(yùn)算過(guò)程中出現(xiàn)并進(jìn)行了五個(gè)部分?jǐn)?shù)據(jù)的存儲(chǔ)和提取，其中包括系統(tǒng)基礎(chǔ)數(shù)據(jù)集和系統(tǒng)運(yùn)算數(shù)據(jù)集。系統(tǒng)基礎(chǔ)數(shù)據(jù)集主要包括用戶-項(xiàng)目評(píng)分矩陣數(shù)據(jù)，具體為每一用戶在業(yè)務(wù)使用過(guò)程中產(chǎn)生的對(duì)不同項(xiàng)目的評(píng)分?jǐn)?shù)據(jù)；用戶基本信息數(shù)據(jù)，具體為描述了用戶本身的基本屬性信息，包括地域、職業(yè)、性別、年齡、教育程度等。系統(tǒng)運(yùn)算數(shù)據(jù)集主要包括用戶群數(shù)據(jù)，包含用戶基于用戶-項(xiàng)目評(píng)分矩陣數(shù)據(jù)分群的結(jié)果，每一個(gè)用戶對(duì)應(yīng)一個(gè)群組，每一個(gè)群組對(duì)應(yīng)一個(gè)群組中心；用戶群項(xiàng)目熱點(diǎn)度數(shù)據(jù)庫(kù)，用于記錄基于用戶分群結(jié)果生成的每個(gè)用戶群對(duì)應(yīng)的熱點(diǎn)項(xiàng)目以及熱點(diǎn)度，其中，熱點(diǎn)項(xiàng)目為被評(píng)分最多的前M(M不小于N)個(gè)項(xiàng)目，熱點(diǎn)項(xiàng)目熱點(diǎn)度為所述項(xiàng)目所得評(píng)分的平均值；用戶群項(xiàng)目相似度數(shù)據(jù)庫(kù)，用于記錄基于用戶分群結(jié)果生成的每個(gè)用戶群對(duì)應(yīng)的項(xiàng)目之間相似度的情況。如下詳細(xì)介紹該推薦系統(tǒng)中每一模塊的功能及模塊間的交互。該推薦系統(tǒng)中各個(gè)模塊并非全部必要，可以根據(jù)功能或性能的強(qiáng)弱需要，相應(yīng)增減部分模塊。推薦控制模塊51為在線推薦部分的主控模塊，在接收到待推薦用戶ID(即目標(biāo)用戶ID)之后，具有調(diào)用其他各模塊能力，完成整個(gè)推薦處理ii流程。確定待推薦集模塊54用于根據(jù)待推薦用戶ID確定對(duì)應(yīng)目標(biāo)用戶之后，通過(guò)定位目標(biāo)用戶所屬用戶群，找到目標(biāo)用戶評(píng)分項(xiàng)目的鄰居項(xiàng)目的集合，或者所述用戶群對(duì)應(yīng)的熱點(diǎn)項(xiàng)目集，得到待推薦集，將此集合作為下一步評(píng)分預(yù)測(cè)模塊53的運(yùn)算基礎(chǔ)。確定待推薦集模塊可進(jìn)一步細(xì)分為用戶所屬群組確定模塊541、待推薦項(xiàng)目集確定模塊542。其中，用戶所屬群組確定模塊541用于確定用戶所屬的用戶群，可以根據(jù)目標(biāo)用戶ID定位目標(biāo)用戶所屬用戶群，或者根據(jù)分類器確定目標(biāo)用戶所屬用戶群；待推薦項(xiàng)目集確定模塊542用于在目標(biāo)用戶所屬群中確定待推薦項(xiàng)目集合，可以通過(guò)目標(biāo)用戶評(píng)分項(xiàng)目的鄰居項(xiàng)目的集合，或者所述用戶群對(duì)應(yīng)的熱點(diǎn)項(xiàng)目集，得到待推薦集。如果待推薦集合中項(xiàng)目個(gè)數(shù)小于N,則計(jì)算目標(biāo)用戶與其他群組的距離，在距離最近的群組中繼續(xù)上述確定待推薦集的過(guò)程，直到推薦項(xiàng)目數(shù)大于或等于N,或者直到所有用戶群遍歷完畢為止。評(píng)分預(yù)測(cè)模塊53，主要用于在確定待推薦集模塊54得到的待推薦項(xiàng)目集合中進(jìn)行基于相似項(xiàng)目評(píng)分的預(yù)測(cè)或基于熱點(diǎn)項(xiàng)目評(píng)分的預(yù)測(cè)，得出目標(biāo)用戶對(duì)于待推薦項(xiàng)目的預(yù)測(cè)評(píng)分。此模塊可進(jìn)一步細(xì)分為相似項(xiàng)目評(píng)分預(yù)測(cè)模塊531、熱點(diǎn)項(xiàng)目評(píng)分預(yù)測(cè)模塊532。其中，相似項(xiàng)目評(píng)分預(yù)測(cè)模塊531根據(jù)相似項(xiàng)目間的相似度計(jì)算預(yù)測(cè)評(píng)分，例如根據(jù)如下公式計(jì)算預(yù)測(cè)評(píng)分iV,:Z，"力哉乂，其中，A/，,表示目標(biāo)用戶U對(duì)待項(xiàng)目i的預(yù)測(cè)評(píng)分，w7wC/力表示項(xiàng)目j和項(xiàng)目i之間的相似度，i^.,表示用戶t/對(duì)項(xiàng)目y的實(shí)際評(píng)分；熱點(diǎn)項(xiàng)目評(píng)分預(yù)測(cè)模塊532用于計(jì)算基于熱點(diǎn)項(xiàng)目的預(yù)測(cè)評(píng)分，例如計(jì)算熱點(diǎn)項(xiàng)目的熱點(diǎn)度作為熱點(diǎn)項(xiàng)目的預(yù)測(cè)評(píng)分。在本發(fā)明的其他實(shí)施例中也可不需要進(jìn)行待推薦項(xiàng)目集合的進(jìn)一步預(yù)測(cè)評(píng)分而直接推薦給用戶。生成推薦模塊52，主要用于根據(jù)評(píng)分預(yù)測(cè)模塊53對(duì)待推薦項(xiàng)目集合12200810216517.9說(shuō)明書第7/15頁(yè)中各項(xiàng)目的預(yù)測(cè)評(píng)分，將評(píng)分最高的前N個(gè)項(xiàng)目作為對(duì)目標(biāo)用戶的推薦結(jié)果。用戶分群模塊57，用于根據(jù)數(shù)據(jù)庫(kù)55中用戶-項(xiàng)目評(píng)分矩陣庫(kù)555中存儲(chǔ)的全部用戶的用戶-項(xiàng)目評(píng)分矩陣進(jìn)行用戶分群，得到全體用戶的分群結(jié)果，以及每個(gè)群組的群組中心，存儲(chǔ)在數(shù)據(jù)庫(kù)55的用戶群庫(kù)552中。分類器生成模塊58，用于根據(jù)用戶分群結(jié)果，以數(shù)據(jù)庫(kù)55中用戶基本信息庫(kù)551中每一用戶群中各個(gè)用戶基本信息為分類特征，構(gòu)建一個(gè)分類器并存儲(chǔ)。在本發(fā)明的其他實(shí)施例中，分類訓(xùn)練集也可以是根據(jù)已有用戶數(shù)量大小取一個(gè)合適的百分比，以此百分比為要求在每一個(gè)用戶群中隨機(jī)選出若干用戶基本信息作為分類訓(xùn)練集數(shù)據(jù)。項(xiàng)目熱點(diǎn)度計(jì)算模塊59，用于根據(jù)用戶分群結(jié)果和用戶-項(xiàng)目評(píng)分矩陣，在每一個(gè)用戶群中獨(dú)立找出評(píng)分最多的若干項(xiàng)目，即熱點(diǎn)項(xiàng)目，計(jì)算所得評(píng)分均值，即熱點(diǎn)度，并存儲(chǔ)在數(shù)據(jù)庫(kù)55的用戶群項(xiàng)目熱點(diǎn)度庫(kù)553中。項(xiàng)目相似度計(jì)算模塊60,用于根據(jù)用戶分群結(jié)果和用戶-項(xiàng)目評(píng)分矩陣，在每一個(gè)用戶群中獨(dú)立計(jì)算項(xiàng)目間相似度并存儲(chǔ)在數(shù)據(jù)庫(kù)55的用戶群項(xiàng)目相似度庫(kù)554中。在本發(fā)明其他實(shí)施例中，待推薦項(xiàng)目集確定模塊542可以同時(shí)使用項(xiàng)目熱點(diǎn)度計(jì)算模塊59及項(xiàng)目相似度計(jì)算模塊60中存儲(chǔ)數(shù)據(jù)確定針對(duì)目標(biāo)用戶所在用戶群確定待推薦項(xiàng)目集，也可以根據(jù)需要采用二者其中任一模定時(shí)器56,用于定時(shí)觸發(fā)用戶分群模塊57、分類器生成模塊58、項(xiàng)目熱點(diǎn)度計(jì)算模塊、項(xiàng)目相似度計(jì)算模塊60對(duì)基礎(chǔ)數(shù)據(jù)集進(jìn)行處理，包括更新后的基礎(chǔ)數(shù)據(jù)集。在本發(fā)明的其他實(shí)施例中該模塊為可選模塊。根據(jù)上述對(duì)推薦系統(tǒng)的描述可知，推薦系統(tǒng)在執(zhí)行具體操作時(shí)可以分為線下和線上兩部分組成。其中，線下部分由定時(shí)器56定時(shí)觸發(fā)用戶分群模塊57、分類器生成模塊58、項(xiàng)目熱點(diǎn)度計(jì)算模塊59及項(xiàng)目相似度計(jì)算模塊60，也可通過(guò)手動(dòng)觸發(fā)，主要為線上部分的運(yùn)算提供數(shù)據(jù)，減輕線上計(jì)算量，提高推薦速率，以達(dá)到實(shí)時(shí)推薦目的。所需數(shù)據(jù)存儲(chǔ)于數(shù)據(jù)庫(kù)55中。線上部分主要完成的是對(duì)目標(biāo)用戶的在線推薦工作。獲得目標(biāo)用戶所在群組、待推薦項(xiàng)目集合和對(duì)待推薦項(xiàng)目的評(píng)分預(yù)測(cè)是線上部分的重要過(guò)程，其主要任務(wù)是在推薦前為目標(biāo)用戶尋找與其興趣度最類似的項(xiàng)目集合并預(yù)測(cè)其評(píng)分。圖4所示為本發(fā)明實(shí)施例二提供的一種基于協(xié)同過(guò)濾的推薦方法流程中用戶分群流程詳細(xì)示意圖。步驟S101，獲取每一用戶對(duì)各個(gè)項(xiàng)目的評(píng)分；步驟S102，根據(jù)用戶項(xiàng)目評(píng)分，建立用戶-項(xiàng)目評(píng)分矩陣，如表2所示；表2用戶-項(xiàng)目評(píng)分矩陣^^^頁(yè)目項(xiàng)目1項(xiàng)目2項(xiàng)目3項(xiàng)目4項(xiàng)目5項(xiàng)目6項(xiàng)目7項(xiàng)目8用戶134用戶242用戶333用戶444用戶532用戶634用戶72445用戶834543用戶9545步驟S103，對(duì)用戶分群，得到若干用戶群和每個(gè)用戶群的群組中心。本實(shí)施例中提供一種基于用戶間相似度的均值聚類算法(k-means)對(duì)所有用戶進(jìn)行分群。在本發(fā)明的其他實(shí)施例中可采用多種分群的方法，如人工分群、機(jī)器分群、人機(jī)結(jié)合等。其中，基于用戶間相似度的k-means聚類算法對(duì)所有用戶進(jìn)行分群，包括(l)定義類別個(gè)數(shù)A和誤差精度e，隨機(jī)選取k個(gè)用戶Ml，MV''，MM々為初始群組中心，分別對(duì)應(yīng)類別C'，G，…，^;(2)對(duì)每個(gè)用戶"，計(jì)算所述用戶與各初始群組中心的距離"("，鉍)=1—"'w(",^')，z、l,2,…，A:，w'm(t/,M)指用戶"與群組中心M的相似度。將所述用戶分到與其距離最近的初始群組邵)=Z￡^牟,竭，=乂中心所在的群組中，并計(jì)算分散度'-i"[o，t/gc''，,指迭MS^代次數(shù)；(3)計(jì)算新的聚類中心"U"IHIC'II，其中l(wèi)lc/ll指用戶t/的評(píng)分向量的模長(zhǎng)，UC'II指類別C'中用戶的總數(shù)；(4)重復(fù)(2)、(3)直到|五("1)-￡|"終止。為每一個(gè)群賦予一個(gè)用戶群標(biāo)識(shí)(ID),同時(shí)記錄下每一個(gè)用戶群最終的群組中心。在本實(shí)施例中，以將所有用戶劃分為兩個(gè)用戶群為例進(jìn)行說(shuō)明。如表3所示為用戶群列表。表3用戶群列表用戶ID^7"Si5""~~~~"~—_____i4i2i1i3292622827上述用戶群1和用戶群2對(duì)應(yīng)的群組中心，如表4所示。表4用戶群對(duì)應(yīng)的群組中心^\^頁(yè)目項(xiàng)目1項(xiàng)目2項(xiàng)目3項(xiàng)目4項(xiàng)目5項(xiàng)目6項(xiàng)目7項(xiàng)目8用戶群l0.460,300.460.440.000.000.000.00用戶群20.000.000.320,430.080.290.580.2415圖5所示為本發(fā)明實(shí)施例二提供的一種基于協(xié)同過(guò)濾的推薦方法流程中計(jì)算項(xiàng)目間相似度流程示意圖。步驟S201，獲取唯一標(biāo)識(shí)每一用戶群的用戶群ID;步驟S202,根據(jù)該用戶群ID獲取對(duì)應(yīng)用戶群中所有用戶對(duì)應(yīng)的用戶-項(xiàng)目評(píng)分矩陣；步驟S203，計(jì)算該用戶群對(duì)應(yīng)用戶-項(xiàng)目評(píng)分矩陣中項(xiàng)目間相似度并保存。在本發(fā)明的其他實(shí)施例中項(xiàng)目間相似度可采用余弦相似度、Pearson相似度、修正的余弦相似度等。在本實(shí)施例中，采用余弦相似度，得到每個(gè)用戶群對(duì)應(yīng)的項(xiàng)目間相似度，如表5和表6所示。表5用戶群l對(duì)應(yīng)的項(xiàng)目間相似度<table>tableseeoriginaldocumentpage16</column></row><table>步驟S204，判斷所有的用戶群是否遍歷完畢，若沒有遍歷完畢，返回步驟S201;若遍歷完畢，結(jié)束本流程。圖6所示為本發(fā)明實(shí)施例二提供的一種基于協(xié)同過(guò)濾的推薦方法流程中計(jì)算項(xiàng)目熱點(diǎn)度流程示意圖。步驟S301，獲取唯一標(biāo)識(shí)每一用戶群的用戶群ID;步驟S302,根據(jù)該用戶群ID獲取對(duì)應(yīng)用戶群中每一個(gè)用戶對(duì)應(yīng)的用戶-項(xiàng)目評(píng)分矩陣；步驟S302，計(jì)算該用戶群對(duì)應(yīng)用戶-項(xiàng)目評(píng)分矩陣中熱點(diǎn)項(xiàng)目熱點(diǎn)度，熱點(diǎn)項(xiàng)目是指被評(píng)分最多的前若干項(xiàng)目，項(xiàng)目熱點(diǎn)度是該項(xiàng)目所得評(píng)分的平均值。在本實(shí)施例中，以每個(gè)用戶群取2個(gè)熱點(diǎn)項(xiàng)目為例，每個(gè)用戶群對(duì)應(yīng)的熱點(diǎn)項(xiàng)目與項(xiàng)目熱點(diǎn)度為，如表7和表8所示。表7用戶群l對(duì)應(yīng)的項(xiàng)目熱點(diǎn)度<table>tableseeoriginaldocumentpage17</column></row><table>步驟S304，判斷所有的用戶群是否遍歷完畢，若沒有遍歷完畢，返回步驟S301;若遍歷完畢，結(jié)束本流程。圖7所示為本發(fā)明實(shí)施例二提供的一種基于協(xié)同過(guò)濾的推薦方法流程中建立分類器流程示意圖。步驟S401,在每個(gè)用戶群中隨機(jī)選出占該群用戶總數(shù)a。/。的用戶ID;步驟S402,獲取以上用戶的基本屬性；步驟S403，分析上述用戶基本屬性特征構(gòu)建分類器。在本發(fā)明的實(shí)施例中，可以采用決策樹、神經(jīng)網(wǎng)絡(luò)等多種方法構(gòu)造分類器。上述圖4、圖5、圖6、圖7所述流程均可在線下或離線狀態(tài)完成?；谏鲜鲇脩舴秩簲?shù)據(jù)、用戶群對(duì)應(yīng)項(xiàng)目相似度數(shù)據(jù)、用戶群對(duì)應(yīng)項(xiàng)目熱點(diǎn)度數(shù)據(jù)、分類器構(gòu)建。圖8為本發(fā)明實(shí)施例二提供的線上推薦流程示意圖。步驟S501,確定待推薦的用戶ID,通常將該用戶稱為目標(biāo)用戶，即獲取目標(biāo)用戶ID;步驟S502,根據(jù)該目標(biāo)用戶ID判斷對(duì)應(yīng)目標(biāo)用戶是否在用戶群中，如果在，執(zhí)行步驟S503,則獲取該目標(biāo)用戶對(duì)應(yīng)的用戶群ID，否則，執(zhí)行步驟S504，獲取目標(biāo)用戶基本屬性；步驟S505，利用分類器將目標(biāo)用戶分到對(duì)應(yīng)的某個(gè)用戶群，獲取對(duì)應(yīng)的用戶群ID;步驟S506，判斷目標(biāo)用戶是否有項(xiàng)目評(píng)分記錄，如果有，執(zhí)行步驟S507,確定相似項(xiàng)目待推薦集，否則，執(zhí)行步驟S508,計(jì)算目標(biāo)用戶對(duì)所屬用戶群的熱點(diǎn)項(xiàng)目的評(píng)分預(yù)測(cè)，在本實(shí)施例中可以要求熱點(diǎn)項(xiàng)目數(shù)不小于W;步驟S509，利用目標(biāo)用戶所在用戶群中項(xiàng)目相似度和用戶項(xiàng)目評(píng)分為依據(jù)，選擇與用戶評(píng)分高的項(xiàng)目相似度高的且目標(biāo)用戶未評(píng)分的項(xiàng)目作為待推薦集，判斷待推薦集中項(xiàng)目數(shù)目是否不小于7V;如果否，執(zhí)行步驟S511,計(jì)算目標(biāo)用戶與其他用戶群的群組中心的距離，在離目標(biāo)用戶最近的其他群中選擇待推薦集并與上述步驟的待推薦集作并集處理，直到待推薦集中項(xiàng)目數(shù)目不小于iV，或者直到所有用戶群遍歷完畢為止；如果是，執(zhí)行步驟S510,計(jì)算目標(biāo)用戶對(duì)待推薦集中每一個(gè)項(xiàng)目的評(píng)分預(yù)測(cè)。步驟S512，將評(píng)分預(yù)測(cè)最高的7V個(gè)項(xiàng)目作為推薦項(xiàng)目向目標(biāo)用戶推薦。在本實(shí)施例中，步驟S504，步驟S505為了解決當(dāng)新目標(biāo)用戶不在已有的用戶群中，對(duì)新用戶進(jìn)行分群后進(jìn)行推薦的流程，可以預(yù)見的在不考慮新目標(biāo)用戶的情況下。步驟S504,步驟S505為可選步驟。步驟S506給出了了當(dāng)目標(biāo)用戶有評(píng)分記錄和沒有評(píng)分記錄的兩種推薦流程，在本發(fā)明的其他實(shí)施例中可以采用其中之一。步驟S508和步驟S507也同時(shí)給出了兩種推薦的算法，可以預(yù)見在本發(fā)明的其他實(shí)施例中可以任意采用其中之一。步驟S509，S511給出當(dāng)待推薦集中項(xiàng)目數(shù)小于N時(shí)，在臨近用戶群中確定待推薦集的流程，可以預(yù)見在本發(fā)明的其他實(shí)施例中若對(duì)推薦集項(xiàng)目數(shù)不做限制時(shí)為可選步驟。步驟S510在本發(fā)明的其他實(shí)施例中直接將待推薦集推薦給用戶時(shí)為可選步驟。步驟S510同樣為提高推薦準(zhǔn)確度的步驟在本發(fā)明的其他實(shí)施例為可選步驟。綜上所述，本實(shí)施例方法流程的上述步驟可以根據(jù)推薦準(zhǔn)確度的需要進(jìn)行靈活適當(dāng)?shù)恼{(diào)整、取舍，均能達(dá)到提高推薦準(zhǔn)確度的效果。如圖9所示為本發(fā)明實(shí)施例三結(jié)合一具體應(yīng)用實(shí)例說(shuō)明本發(fā)明方法流程。步驟S601，獲取目標(biāo)用戶ID，確定對(duì)應(yīng)的目標(biāo)用戶。在本發(fā)明的實(shí)施例中，目標(biāo)用戶由業(yè)務(wù)調(diào)用方提供。業(yè)務(wù)調(diào)用方給出目標(biāo)用戶ID,期望獲取該目標(biāo)用戶的推薦項(xiàng)目列表。假設(shè)用戶7為目標(biāo)用戶，如表9所示為用戶-項(xiàng)目評(píng)分矩陣。表9用戶-項(xiàng)目評(píng)分矩陣<table>tableseeoriginaldocumentpage19</column></row><table>步驟S602,獲取目標(biāo)用戶所在用戶群的ID。在本實(shí)施例中，根據(jù)表3可知用戶7屬于用戶群2。如果目標(biāo)用戶是新用戶，則需要利用用戶基本信息將用戶分類以獲取該新用戶所在用戶群的ID。步驟S603,確定待推薦集。首先取用戶7評(píng)分高的項(xiàng)目，這里以用戶7評(píng)分大于等于4為評(píng)分高的標(biāo)準(zhǔn)，例如評(píng)分大于等于4的項(xiàng)目為項(xiàng)目4、項(xiàng)目7、項(xiàng)目8，并且接下來(lái)通過(guò)查找前述實(shí)施例表6得到與項(xiàng)目4、項(xiàng)目7和項(xiàng)目8相似度高(這里的相似度高指所選項(xiàng)目與項(xiàng)目4、項(xiàng)目7和項(xiàng)目8的相似度的均值大于O.5)且用戶7沒有評(píng)分過(guò)的項(xiàng)目作為待推薦集，即得待推薦集為項(xiàng)目6和項(xiàng)目3。當(dāng)待推薦項(xiàng)目集中項(xiàng)目數(shù)不小于N,N等于l;此時(shí)待推薦集中有兩個(gè)項(xiàng)目，滿足不小于l的條件。如果待推薦集中項(xiàng)目數(shù)小于1,則需要計(jì)算目標(biāo)用戶與其他群組中心的距離，挑選最近的用戶群，并在此用戶群中挑選待推薦集，直到待推薦集中項(xiàng)目總數(shù)不小于l，或者直到所有用戶群遍歷完畢為止。如果目標(biāo)用戶沒有評(píng)分記錄，則計(jì)算目標(biāo)用戶對(duì)所屬群組的熱點(diǎn)項(xiàng)目的評(píng)分預(yù)測(cè)。該評(píng)分預(yù)測(cè)可查閱前述實(shí)施例表7、表8的結(jié)果。步驟S6G4，計(jì)算評(píng)分預(yù)測(cè)。尸":》ZW(/H利用公式2>w"o計(jì)算，尸".'表示目標(biāo)用戶u對(duì)待項(xiàng)目i的預(yù)測(cè)評(píng)分，""^'，o表示項(xiàng)目j和項(xiàng)目i之間的相似度，"^表示用戶u對(duì)項(xiàng)目j的實(shí)際評(píng)分。根據(jù)如上公式，用戶7對(duì)待推薦項(xiàng)目的評(píng)分預(yù)測(cè)，如表10所示。表10用戶7對(duì)待推薦項(xiàng)目的評(píng)分預(yù)測(cè)<table>tableseeoriginaldocumentpage20</column></row><table>步驟S604,將滿足上述條件的項(xiàng)目推薦給用戶。根據(jù)表IO,最終將項(xiàng)目3推薦給用戶7。本發(fā)明實(shí)施例提供一種基于協(xié)同過(guò)濾推薦的方法和系統(tǒng)。該方法在線下處理的過(guò)程中，首先利用用戶項(xiàng)目評(píng)分?jǐn)?shù)據(jù)將用戶分群，然后在每個(gè)用戶群中獨(dú)立計(jì)算項(xiàng)目間相似度，并且可以由分群結(jié)果建立一個(gè)分類器，使目標(biāo)用戶所屬的群組，利用該群組相關(guān)的項(xiàng)目間相似度對(duì)目標(biāo)用戶進(jìn)行基于項(xiàng)目的協(xié)同過(guò)濾推薦，或者利用該群組相關(guān)的熱點(diǎn)項(xiàng)目的熱點(diǎn)度為目標(biāo)用戶進(jìn)行推薦。相比于傳統(tǒng)的協(xié)同推薦流程，本發(fā)明先將用戶分群，使得每個(gè)用戶群的用戶偏好基本相似，利用這樣的用戶群所包含的項(xiàng)目相似度信息為用戶推薦，提高了推薦的準(zhǔn)確性，體現(xiàn)了個(gè)性化。同時(shí)，分群后計(jì)算相似度也提高了線下處理的計(jì)算速度。本發(fā)明的精神和范圍。這樣，倘若本發(fā)明的這些修改和變型屬于本發(fā)明權(quán)利要求及其等同技術(shù)的范圍之內(nèi)，則本發(fā)明也意圖包含這些改動(dòng)和變型在內(nèi)。此外，本領(lǐng)域普通技術(shù)人員可以理解實(shí)現(xiàn)上述方法實(shí)施例的全部或部分步驟可以通過(guò)程序指令相關(guān)的硬件來(lái)完成，前述的程序可以存儲(chǔ)于一計(jì)算機(jī)可讀取存儲(chǔ)介質(zhì)中，該程序在執(zhí)行時(shí)，執(zhí)行包括上述方法實(shí)施例的步驟；而前述的存儲(chǔ)介質(zhì)包括ROM、RAM、》茲碟或者光盤等各種可以存儲(chǔ)程序代碼的介質(zhì)。權(quán)利要求1、一種基于協(xié)同過(guò)濾的推薦方法，其特征在于，包括獲取目標(biāo)用戶標(biāo)識(shí)；查找所述目標(biāo)用戶標(biāo)識(shí)對(duì)應(yīng)的用戶群標(biāo)識(shí)；獲取根據(jù)所述用戶群標(biāo)識(shí)對(duì)應(yīng)的用戶-項(xiàng)目評(píng)分矩陣確定的項(xiàng)目間相似度；根據(jù)所述項(xiàng)目間相似度，向目標(biāo)用戶推薦項(xiàng)目。2、如權(quán)利要求l所述的方法，其特征在于，所述方法還包括根據(jù)用戶對(duì)項(xiàng)目的評(píng)分，建立用戶-項(xiàng)目評(píng)分矩陣；根據(jù)用戶-項(xiàng)目評(píng)分矩陣進(jìn)行用戶間相似度計(jì)算，將用戶進(jìn)行分群；其中，每一用戶群對(duì)應(yīng)一用戶群標(biāo)識(shí)。3、如權(quán)利要求2所述的方法，其特征在于，所述根據(jù)用戶-項(xiàng)目評(píng)分矩陣進(jìn)行用戶間相似度計(jì)算采用均值聚類算法(K-means),包括隨機(jī)選取k個(gè)用戶作為初始群組中心；對(duì)每個(gè)用戶，計(jì)算所述用戶與各初始群組中心的距離，將所述用戶分到與其距離最近的初始群組中心所在的群組中。4、如權(quán)利要求3所述的方法，其特征在于，當(dāng)所有用戶分群完畢后，計(jì)算每個(gè)群組的新群組中心，所述新群組中心是對(duì)應(yīng)群組中所有用戶評(píng)分向量的單位向量的均值。5、如權(quán)利要求2所述的方法，其特征在于，所述根據(jù)用戶-項(xiàng)目評(píng)分矩陣進(jìn)行用戶間相似度計(jì)算，將用戶進(jìn)行分群采用人工分群、機(jī)器分群或人機(jī)結(jié)合分群。6、如權(quán)利要求l所述的方法，其特征在于，所述獲取根據(jù)所述用戶群標(biāo)識(shí)對(duì)應(yīng)的用戶-項(xiàng)目評(píng)分矩陣確定的項(xiàng)目間相似度，包括獲取用戶群標(biāo)識(shí)；根據(jù)所述用戶群標(biāo)識(shí)獲取對(duì)應(yīng)用戶群中所有用戶對(duì)應(yīng)的用戶-項(xiàng)目評(píng)分矩陣；計(jì)算所述用戶-項(xiàng)目評(píng)分矩陣中項(xiàng)目間相似度。7、如權(quán)利要求6所述的方法，其特征在于，所述計(jì)算所述用戶-項(xiàng)目評(píng)分矩陣中項(xiàng)目間相似度采用余弦相似度、皮爾森(Pearson)相關(guān)系數(shù)或修正的余弦相似度計(jì)算。8、如權(quán)利要求1所述的方法，其特征在于，若根據(jù)所述目標(biāo)用戶標(biāo)識(shí)未查找到對(duì)應(yīng)的用戶群標(biāo)識(shí)，包括獲取所述目標(biāo)用戶標(biāo)識(shí)對(duì)應(yīng)目標(biāo)用戶的基本屬性；分類器根據(jù)所述目標(biāo)用戶基本屬性將所述目標(biāo)用戶分到對(duì)應(yīng)用戶群，并獲得所述用戶群對(duì)應(yīng)的用戶標(biāo)識(shí)。9、如權(quán)利要求8所述的方法，其特征在于，所述分類器的建立方法包括在所述每個(gè)用戶群中隨機(jī)選出占所述用戶群用戶總數(shù)a。/n的用戶標(biāo)識(shí)；獲取所述a。/。的用戶的基本屬性；根據(jù)所述a。/。的用戶基本屬性特征構(gòu)建分類器。10、如權(quán)利要求l所述的方法，其特征在于，所述根據(jù)所述項(xiàng)目間相似度，向目標(biāo)用戶推薦項(xiàng)目，包括判斷目標(biāo)用戶在所述用戶群對(duì)應(yīng)的用戶_項(xiàng)目評(píng)分矩陣中是否有評(píng)分記錄，若有，通過(guò)所述項(xiàng)目間相似度，確定與所述評(píng)分記錄對(duì)應(yīng)項(xiàng)目相似的項(xiàng)目作為待推薦集。11、如權(quán)利要求10所述的方法，其特在于，所述根據(jù)所述項(xiàng)目間相似度，向目標(biāo)用戶推薦項(xiàng)目，包括判斷目標(biāo)用戶在所述用戶群對(duì)應(yīng)的用戶-項(xiàng)目評(píng)分矩陣中是否有評(píng)分記錄，若沒有，通過(guò)計(jì)算所述用戶-項(xiàng)目評(píng)分矩陣中熱點(diǎn)項(xiàng)目的評(píng)分預(yù)測(cè)，將熱點(diǎn)項(xiàng)目作為待推薦集，其中，熱點(diǎn)項(xiàng)目為被評(píng)分最多的前M個(gè)項(xiàng)目。12、如權(quán)利要求11所述的方法，其特征在于，對(duì)所述用戶-項(xiàng)目評(píng)分矩陣中熱點(diǎn)項(xiàng)目計(jì)算基于熱點(diǎn)項(xiàng)目的評(píng)分預(yù)測(cè)，包括獲取用戶群標(biāo)識(shí)；根據(jù)所述用戶群標(biāo)識(shí)獲取對(duì)應(yīng)用戶群中所有用戶對(duì)應(yīng)的用戶-項(xiàng)目評(píng)分矩陣；計(jì)算所述用戶群對(duì)應(yīng)用戶-項(xiàng)目評(píng)分矩陣中熱點(diǎn)項(xiàng)目熱點(diǎn)度，熱點(diǎn)項(xiàng)目熱點(diǎn)度為所述項(xiàng)目所得評(píng)分的平均值，所述熱點(diǎn)項(xiàng)目的熱點(diǎn)度即為所述熱點(diǎn)項(xiàng)目的^平分預(yù)測(cè)。13、如權(quán)利要求10所述的方法，其特征在于，所述方法進(jìn)一步包括判斷所述待推薦集中項(xiàng)目數(shù)目是否不小于N，若小于，則在距離目標(biāo)用戶最近的其它用戶群中獲取待推薦集，與已確定的待推薦集取并集，直到推薦項(xiàng)目數(shù)大于或等于N,或者直到所有用戶群遍歷完畢為止。14、如權(quán)利要求13所述的方法，其特征在于，所述方法進(jìn)一步包括判斷所述推薦集中項(xiàng)目數(shù)目是否不小于N，若大于或等于，則計(jì)算所述推薦集中各項(xiàng)目的評(píng)分預(yù)測(cè)，將評(píng)分預(yù)測(cè)最高的前N個(gè)項(xiàng)目作為推薦項(xiàng)目向用戶推薦。15、如權(quán)利要求14所述的方法，其特征在于，計(jì)算所述推薦集中各項(xiàng)目的評(píng)分預(yù)測(cè)采用基于相似項(xiàng)目評(píng)分預(yù)測(cè)。16、一種基于協(xié)同過(guò)濾的推薦系統(tǒng)，其特征在于，包括推薦控制模塊，用于獲取目標(biāo)用戶標(biāo)識(shí)，調(diào)用確定待推薦集模塊和生成模塊向所述目標(biāo)用戶標(biāo)識(shí)對(duì)應(yīng)的目標(biāo)用戶推薦項(xiàng)目；確定待推薦集模塊，用于查找所述目標(biāo)用戶標(biāo)識(shí)對(duì)應(yīng)的用戶群組標(biāo)識(shí)，獲取根據(jù)所述用戶群標(biāo)識(shí)對(duì)應(yīng)的用戶-項(xiàng)目評(píng)分矩陣確定的項(xiàng)目間相似度，根據(jù)所述項(xiàng)目間相似度確定待推薦集，或者獲取根據(jù)所述用戶群標(biāo)識(shí)對(duì)應(yīng)的用戶-項(xiàng)目評(píng)分矩陣確定的熱點(diǎn)項(xiàng)目集，將所述熱點(diǎn)項(xiàng)目集作為待推薦集；生成推薦模塊，用于向用戶推薦推薦集中的項(xiàng)目。17、如權(quán)利要求16所述的系統(tǒng)，其特征在于，包括數(shù)據(jù)庫(kù)，所述數(shù)據(jù)庫(kù)中進(jìn)一步包括用戶-項(xiàng)目評(píng)分矩陣，用于存儲(chǔ)每一用戶對(duì)各個(gè)項(xiàng)目的用戶-項(xiàng)目評(píng)分矩陣。18、如權(quán)利要求17所述的系統(tǒng)，其特征在于，包括用戶分群模塊用于根據(jù)所述數(shù)據(jù)庫(kù)中所述用戶-項(xiàng)目評(píng)分矩陣庫(kù)中存儲(chǔ)的用戶-項(xiàng)目評(píng)分矩陣對(duì)用戶進(jìn)行用戶分群，每個(gè)用戶群對(duì)應(yīng)一用戶群標(biāo)識(shí)和群組中心，用戶分群結(jié)果存儲(chǔ)于所述數(shù)據(jù)庫(kù)中的用戶群庫(kù)中。19、如權(quán)利要求17所述的系統(tǒng)，其特征在于，所述數(shù)據(jù)庫(kù)中進(jìn)一步包括用戶基本信息庫(kù)，用于存儲(chǔ)每一用戶的基本信息。20、如權(quán)利要求19所述的系統(tǒng)，其特征在于，包括分類器生成模塊用于根據(jù)所述用戶分群結(jié)果，將每一用戶群中對(duì)應(yīng)用戶的基本信息作為分類特征，構(gòu)建一個(gè)分類器。21、如權(quán)利要求18所述的系統(tǒng)，其特征在于，包括熱點(diǎn)項(xiàng)目熱點(diǎn)度計(jì)算模塊，用于根據(jù)所述用戶分群結(jié)果和與所述用戶群對(duì)應(yīng)的用戶-項(xiàng)目評(píng)分矩陣，在每一個(gè)用戶群中獨(dú)立找出評(píng)分最多的若干項(xiàng)目作為熱點(diǎn)項(xiàng)目，計(jì)算所述熱點(diǎn)項(xiàng)目的評(píng)分均值得到熱點(diǎn)項(xiàng)目的熱點(diǎn)度。22、如權(quán)利要求21所述的系統(tǒng)，其特征在于，所述數(shù)據(jù)庫(kù)中進(jìn)一步包括用戶群項(xiàng)目熱點(diǎn)度庫(kù)，用于存儲(chǔ)所述用戶群組對(duì)應(yīng)的熱點(diǎn)項(xiàng)目的熱點(diǎn)度。23、如權(quán)利要求21所述的系統(tǒng)，其特征在于，包括項(xiàng)目相似度計(jì)算模塊，用于根據(jù)所述用戶分群結(jié)果和與所述用戶群組對(duì)應(yīng)的用戶-項(xiàng)目評(píng)分矩陣，在每一個(gè)用戶群組中獨(dú)立計(jì)算項(xiàng)目間相似度。24、如權(quán)利要求23所述的系統(tǒng)，其特征在于，所述數(shù)據(jù)庫(kù)中進(jìn)一步包括用戶群組項(xiàng)目相似度庫(kù)，用于存儲(chǔ)所述用戶群組對(duì)應(yīng)的所述項(xiàng)目間相似度。25、如權(quán)利要求24所述的系統(tǒng)，其特征在于，所述確定待推薦集模塊包括用戶所屬群組確定模塊，用于在用戶群庫(kù)中根據(jù)所述目標(biāo)用戶標(biāo)識(shí)確定對(duì)應(yīng)得用戶群標(biāo)識(shí)；待推薦項(xiàng)目集確定模塊，用于根據(jù)所述用戶群標(biāo)識(shí)在用戶項(xiàng)目相似度庫(kù)中獲取項(xiàng)目間相似度，根據(jù)所述項(xiàng)目間相似度確定待推薦集，或者獲取根據(jù)所述用戶群標(biāo)識(shí)對(duì)應(yīng)的用戶-項(xiàng)目評(píng)分矩陣確定的熱點(diǎn)項(xiàng)目集，將所述熱點(diǎn)項(xiàng)目集作為待推薦集。26、如權(quán)利要求16所述的系統(tǒng)，其特征在于，包括評(píng)分預(yù)測(cè)模塊，用于對(duì)所述待推薦集中各項(xiàng)目進(jìn)行基于相似項(xiàng)目評(píng)分的預(yù)測(cè)或基于熱點(diǎn)項(xiàng)目評(píng)分的預(yù)測(cè)，得出目標(biāo)用戶對(duì)于待推薦集中各項(xiàng)目的預(yù)測(cè)評(píng)分，將評(píng)分最高的N個(gè)項(xiàng)目向用戶推薦。27、如權(quán)利要求26所述的系統(tǒng)，其特征在于，所述評(píng)分預(yù)測(cè)模塊包括相似項(xiàng)目評(píng)分預(yù)測(cè)模塊，用于對(duì)所述待推薦集中各項(xiàng)目進(jìn)行基于相似項(xiàng)目評(píng)分的預(yù)測(cè)；或者，熱點(diǎn)項(xiàng)目評(píng)分預(yù)測(cè)模塊，用于對(duì)所述待推薦集中各項(xiàng)目進(jìn)行基于熱點(diǎn)項(xiàng)目評(píng)分的預(yù)測(cè)。全文摘要一種基于協(xié)同過(guò)濾的推薦方法，包括獲取目標(biāo)用戶標(biāo)識(shí)；查找該目標(biāo)用戶標(biāo)識(shí)對(duì)應(yīng)的用戶群標(biāo)識(shí)；獲取根據(jù)所述用戶群標(biāo)識(shí)對(duì)應(yīng)的用戶-項(xiàng)目評(píng)分矩陣確定的項(xiàng)目間相似度；根據(jù)該項(xiàng)目間相似度，向目標(biāo)用戶推薦項(xiàng)目。采用本發(fā)明提供的推薦方法能提高項(xiàng)目推薦的準(zhǔn)確度，提高用戶體驗(yàn)。本發(fā)明同時(shí)提供一種基于協(xié)同過(guò)濾的推薦系統(tǒng)。文檔編號(hào)G06Q10/00GK101685458SQ20081021651公開日2010年3月31日申請(qǐng)日期2008年9月27日優(yōu)先權(quán)日2008年9月27日發(fā)明者琦方,杜家春,汪芳山,譚衛(wèi)國(guó),鐘杰萍申請(qǐng)人:華為技術(shù)有限公司