本發(fā)明涉及推薦算法及其系統(tǒng)，更具體地說，涉及一種基于協(xié)同過濾的內(nèi)容推薦系統(tǒng)與方法。

背景技術(shù)：

隨著互聯(lián)網(wǎng)技術(shù)的流行，人們的生活越來越離不開網(wǎng)絡(luò)，越來越多的人選擇在網(wǎng)絡(luò)上進(jìn)行娛樂或購物。面對日益擴大的用戶需求，以及越來越豐富的資源，如何能夠充分理解用戶的需求，快捷地為用戶找到自己需要的資源，成為吸引用戶的一個有力手段?；诖诵枨螅瑐€性化推薦技術(shù)漸漸受到重視，如今已經(jīng)進(jìn)入一個成熟發(fā)展的階段。

個性化推薦技術(shù)，是用戶行為分析技術(shù)的一個重要方面，簡單的說，它就是一個為用戶找到他可能感興趣的資源的過程。為了實現(xiàn)個性化的資源推薦，必須“懂”用戶、“懂”資源。通過對用戶資料及大量歷史行為的分析，從中得出用戶的興趣知識，然后以一種合理的方式來表示用戶興趣。同時對資源進(jìn)行組織，選取合理表達(dá)方式來表達(dá)資源特征。然后采用恰當(dāng)?shù)耐扑]算法，匹配用戶興趣與資源特征，完成推薦。

基于內(nèi)容的信息推薦方法的理論依據(jù)主要來自于信息檢索和信息過濾，所謂的基于內(nèi)容的推薦方法就是根據(jù)用戶過去的瀏覽記錄來向用戶推薦用戶沒有接觸過的推薦項。主要是從兩個方法來描述基于內(nèi)容的推薦方法：啟發(fā)式的方法和基于模型的方法。啟發(fā)式的方法就是用戶憑借經(jīng)驗來定義相關(guān)的計算公式，然后再根據(jù)公式的計算結(jié)果和實際的結(jié)果進(jìn)行驗證，然后再不斷修改公式以達(dá)到最終目的。而對于模型的方法就是根據(jù)以往的數(shù)據(jù)作為數(shù)據(jù)集，然后根據(jù)這個數(shù)據(jù)集來學(xué)習(xí)出一個模型。

一般的推薦系統(tǒng)中運用到的啟發(fā)式的方法就是使用tf-idf的方法來計 算，跟還有tf-idf的方法計算出這個文檔中出現(xiàn)權(quán)重比較高的關(guān)鍵字作為描述用戶特征，并使用這些關(guān)鍵字作為描述用戶特征的向量；然后再根據(jù)被推薦項中的權(quán)重高的關(guān)鍵字來作為推薦項的屬性特征，然后再將這個兩個向量最相近的(與用戶特征的向量計算得分最高)的項推薦給用戶。在計算用戶特征向量和被推薦項的特征向量的相似性時，一般使用的是cosine方法，計算兩個向量之間夾角的cosine值。

然而，推薦系統(tǒng)在發(fā)展和應(yīng)用的過程中，受到了各種問題不同程度的影響，特別是稀疏性問題和概念漂移問題已成為影響推薦質(zhì)量的最主要問題。

技術(shù)實現(xiàn)要素：

針對現(xiàn)有技術(shù)中存在的稀疏性問題和概念漂移問題，本發(fā)明的目的是提供一種基于協(xié)同過濾的內(nèi)容推薦系統(tǒng)與方法。

為實現(xiàn)上述目的，本發(fā)明采用如下技術(shù)方案：

一種基于協(xié)同過濾的內(nèi)容推薦系統(tǒng)，包括依次連接的數(shù)據(jù)預(yù)處理模塊、算法混合模塊、結(jié)果生成模塊。其中，算法混合模塊進(jìn)一步包括算法選擇單元、基于加權(quán)相似度的協(xié)作推薦算法單元、基于平衡評分預(yù)測機制的協(xié)作推薦算法單元、基于評分填充的混合推薦算法單元、利用評分時間特性的協(xié)作推薦算法單元。算法混合模塊將預(yù)處理的數(shù)據(jù)分別輸入基于加權(quán)相似度的協(xié)作推薦算法單元、基于平衡評分預(yù)測機制的協(xié)作推薦算法單元、基于評分填充的混合推薦算法單元、利用評分時間特性的協(xié)作推薦算法單元，算法選擇單元選擇最匹配的算法結(jié)果，并將算法結(jié)果輸出至結(jié)果生成模塊。

根據(jù)本發(fā)明的一實施例，基于加權(quán)相似度的協(xié)作推薦算法單元執(zhí)行以下操作：計算項目評分重合因子和基于項目的加權(quán)相似度；選擇鄰居項目；基于項目評分進(jìn)行推薦預(yù)測。

根據(jù)本發(fā)明的一實施例，基于平衡評分預(yù)測機制的協(xié)作推薦算法單元 執(zhí)行以下操作：計算基于項目的相似度；統(tǒng)計項目評分的中位數(shù)和權(quán)重平衡參數(shù)；選擇鄰居項目；基于項目評分進(jìn)行推薦預(yù)測。

根據(jù)本發(fā)明的一實施例，基于評分填充的混合推薦算法單元執(zhí)行以下操作：表示推薦項目內(nèi)容；基于內(nèi)容用戶模型進(jìn)行學(xué)習(xí)；計算基于內(nèi)容的相似度；基于CBF的評分預(yù)測與填充；計算基于評分的相似度；選擇鄰居項目；基于項目評分進(jìn)行推薦預(yù)測。

根據(jù)本發(fā)明的一實施例，利用評分時間特性的協(xié)作推薦算法單元執(zhí)行以下操作：計算項目評分排序和時間權(quán)重；計算項目間基于時間的加權(quán)相似度；選擇鄰居項目；基于項目的加權(quán)評分進(jìn)行推薦預(yù)測。

為實現(xiàn)上述目的，本發(fā)明采用如下技術(shù)方案：

一種基于協(xié)同過濾的內(nèi)容推薦方法，包括以下步驟：數(shù)據(jù)預(yù)處理；將預(yù)處理的數(shù)據(jù)分別進(jìn)行基于加權(quán)相似度的協(xié)作推薦算法、基于平衡評分預(yù)測機制的協(xié)作推薦算法、基于評分填充的混合推薦算法、利用評分時間特性的協(xié)作推薦算法；選擇最匹配的算法結(jié)果，并將算法結(jié)果作為推薦內(nèi)容。

根據(jù)本發(fā)明的一實施例，基于加權(quán)相似度的協(xié)作推薦算法包括以下步驟：計算項目評分重合因子和基于項目的加權(quán)相似度；選擇鄰居項目；基于項目評分進(jìn)行推薦預(yù)測。

根據(jù)本發(fā)明的一實施例，基于平衡評分預(yù)測機制的協(xié)作推薦算法包括以下步驟：計算基于項目的相似度；統(tǒng)計項目評分的中位數(shù)和權(quán)重平衡參數(shù)；選擇鄰居項目；基于項目評分進(jìn)行推薦預(yù)測。

根據(jù)本發(fā)明的一實施例，基于評分填充的混合推薦算法包括以下步驟：表示推薦項目內(nèi)容；基于內(nèi)容用戶模型進(jìn)行學(xué)習(xí)；計算基于內(nèi)容的相似度；基于CBF的評分預(yù)測與填充；計算基于評分的相似度；選擇鄰居項目；基于項目評分進(jìn)行推薦預(yù)測。

根據(jù)本發(fā)明的一實施例，利用評分時間特性的協(xié)作推薦算法包括以下步驟：計算項目評分排序和時間權(quán)重；計算項目間基于時間的加權(quán)相似度；選擇鄰居項目；基于項目的加權(quán)評分進(jìn)行推薦預(yù)測。

在上述技術(shù)方案中，本發(fā)明的基于協(xié)同過濾的內(nèi)容推薦系統(tǒng)與方法較好地解決了推薦系統(tǒng)中的稀疏性問題和概念漂移問題，使得結(jié)果與實際情況的匹配度更高。

附圖說明

圖1是本發(fā)明基于協(xié)同過濾的內(nèi)容推薦系統(tǒng)的結(jié)構(gòu)示意圖；

圖2是評分時間權(quán)重衰減曲線示意圖。

具體實施方式

下面結(jié)合附圖和實施例進(jìn)一步說明本發(fā)明的技術(shù)方案。

參照圖1，本發(fā)明公開一種基于協(xié)同過濾的內(nèi)容推薦系統(tǒng)及其對應(yīng)的方法。如圖1所示，本發(fā)明的系統(tǒng)包括依次連接的數(shù)據(jù)預(yù)處理模塊1、算法混合模塊2、結(jié)果生成模塊3，并且算法混合模塊2進(jìn)一步包括算法選擇單元21、基于加權(quán)相似度的協(xié)作推薦算法單元22、基于平衡評分預(yù)測機制的協(xié)作推薦算法單元23、基于評分填充的混合推薦算法單元24、利用評分時間特性的協(xié)作推薦算法單元25。

根據(jù)圖1所示的結(jié)構(gòu)，算法混合模塊2將預(yù)處理的數(shù)據(jù)分別輸入基于加權(quán)相似度的協(xié)作推薦算法單元22、基于平衡評分預(yù)測機制的協(xié)作推薦算法單元23、基于評分填充的混合推薦算法單元24、利用評分時間特性的協(xié)作推薦算法單元25，而算法選擇單元21選擇最匹配的算法結(jié)果，并將算法結(jié)果輸出至結(jié)果生成模塊3。

下面來進(jìn)一步詳細(xì)說明上述各個單元所執(zhí)行的算法。

1.基于加權(quán)相似度的協(xié)作推薦算法單元22：

本發(fā)明針對稀疏性問題，通過對推薦的各執(zhí)行過程的相似性計算進(jìn)行必要修正克服和緩解稀疏性問題的影響，提出了基于加權(quán)相似度的協(xié)作推薦算法，引用了適應(yīng)不同項目評分?jǐn)?shù)量分布的重合因子(Overlap Factor)，并通過重合因子實現(xiàn)對傳統(tǒng)相似度計算的修正和改進(jìn)。

重合因子從數(shù)量上度量了項目間公共評分在項目全局評分中所占比重，刻劃了項目間公共評分的重合程度，強調(diào)了公共評分重合度在相似性度量中的重要性，通過將其作用于基于項目的相似度，可以從評分重合的角度區(qū)分相似度計算結(jié)果的可信度，即評分重合程度越高，則計算得到的相似度就越能反映項目間的真實相關(guān)性，反之，相似度計算的可信度則越低。對于參加項目間相似度計算的任意兩項目t_i和t_j，已分別對兩項目進(jìn)行過評分的用戶集合為U_i＝{u_c|u_c∈U∧r_ci≠0}和U_j＝{u|u_c∈U∧r_cj≠0}，則評分重合因子可形式化為

式2-1

不同于顯著性權(quán)重只與公共評分的絕對數(shù)量相關(guān)，通過公式2-1計算獲得的重合因子不僅正比于兩項目的公共評分?jǐn)?shù)量，還反比于兩項目各自的用戶評分?jǐn)?shù)量，保證評分重合因子可以適應(yīng)不同項目的評分?jǐn)?shù)量分布。通過使用重合因子可對傳統(tǒng)相似度進(jìn)行修正，形成對應(yīng)的加權(quán)夾角余弦相似度(Weighted COsine SIMilarity,WCOSIM)和加權(quán)皮爾遜相關(guān)系數(shù)(Weighted Pearson Correlation Coefficient,WPCC)，二者形式上可表示為傳統(tǒng)相似度與重合因子的乘積，如公式所示。

式2-2

式2-3

需要注意，本發(fā)明提出的重合因子都是全局相似度修正方案，是對CF 中的所有項目間相似度進(jìn)行的整體調(diào)整，而非局部獨立相似度的修正，這種全局修正相似度只在整體使用時有意義。在此基礎(chǔ)之上，通過將上述加權(quán)相似度集成到傳統(tǒng)IBCF推薦過程中，本發(fā)明提出了基于加權(quán)相似度的協(xié)作推薦算法WSBCF(Weighted Similarity-Boosted Collaborative Filtering)，WSBCF算法的執(zhí)行過程可分為以下3步：

(1)項目評分重合因子和基于項目的加權(quán)相似度計算

根據(jù)評分矩陣按照公式2-1計算任意項目t_i和t_j之間的重合因子，并通過公式計算任意項目間的加權(quán)相似度。

(2)鄰居項目選擇

針對目標(biāo)用戶u_c的任意未訪問項目根據(jù)步驟(1)獲得的項目間加權(quán)相似度，對用戶u_c的已訪問項目進(jìn)行降序排序，并根據(jù)相對鄰居選擇閾值參數(shù)θ，選擇top-θ部分項目作為項目t_i的鄰居集合T_ci。

(3)基于項目的評分預(yù)測

針對目標(biāo)用戶u_c的任意未訪問項目根據(jù)目標(biāo)用戶u_c的已有評分、項目t_i的鄰居項目集合T_ci及相似度sim，采用如下公式對項目t_i進(jìn)行評分預(yù)測

式2-4

WSBCF算法在評分預(yù)測過程中，采用了傳統(tǒng)加權(quán)評分聚合方法，根據(jù)目標(biāo)用戶的已有評分和目標(biāo)項目的鄰居，以鄰居與目標(biāo)項目的相似度為權(quán)重，通過加權(quán)求和實現(xiàn)對目標(biāo)項目的評分預(yù)測。WSBCF的總時間復(fù)雜度為O(mn)+O(mn²)+O(n)，這對傳統(tǒng)IBCF的時間復(fù)雜度O(mn²)的影響有限。

2.基于平衡評分預(yù)測機制的協(xié)作推薦算法單元23：

為了從評分預(yù)測角度減少稀疏性問題對IBCF推薦算法的影響，可在個性化評分與全局評分之間建立一種動態(tài)平衡。本發(fā)明建立了一種結(jié)合個 性化評分與全局評分的動態(tài)平衡評分預(yù)測機制，并提出了一種基于平衡評分預(yù)測機制的協(xié)作推薦算法。

為使兩類評分在基于項目的評分預(yù)測中都能發(fā)揮各自的作用，本發(fā)明提出的動態(tài)平衡評分預(yù)測機制是一種關(guān)于兩類評分的線性組合。同時，為了保持兩類評分的動態(tài)平衡，可通過權(quán)重的變化來動態(tài)調(diào)整二者所發(fā)揮的作用，而將全局評分?jǐn)?shù)據(jù)的分布特性作為權(quán)重動態(tài)調(diào)整的主要依據(jù)。針對推薦系統(tǒng)的任意用戶u_c及其未訪問項目t_i，集成兩類評分的動態(tài)平衡評分預(yù)測可形式化為

式2-5

其中，表示針對目標(biāo)項目t_i基于項目的個性化評分，該個性化評分采用了公式2-12所描述的IBCF評分預(yù)測方法，g_i為目標(biāo)項目的全局評分，而α_i為個性化評分與全局評分之間的權(quán)重平衡參數(shù)。

針對稀疏性問題對評分預(yù)測過程的影響，結(jié)合上述動態(tài)平衡評分預(yù)測機制，通過對傳統(tǒng)IBCF評分預(yù)測過程進(jìn)行必要的修正，形成一種基于平衡評分預(yù)測機制的協(xié)作推薦算法IBCFBP(Item-Based Collaborative Filtering integrating Balanced Prediction)，該算法的執(zhí)行過程主要包括以下4步：

(1)基于項目的相似度計算

基于已有評分?jǐn)?shù)據(jù)，通過基于項目的相似度計算方法度量項目之間的相似度，對于任意項目t_i和t_j，基于項目的COSIM相似度可表示為

式2-6

或者采用基于項目的PCC相似度，可表示為

式2-7

(2)統(tǒng)計項目評分中位數(shù)和權(quán)重平衡參數(shù)

根據(jù)任意項目t_i已獲得的評分?jǐn)?shù)據(jù)，統(tǒng)計該項目的全局評分中位數(shù)g_i，并采用公式2-5、2-6或者2-7之一統(tǒng)計該項目全局評分?jǐn)?shù)據(jù)的分散性，以表示平衡評分預(yù)測機制的權(quán)重平衡參數(shù)α_i。

(3)鄰居項目選擇

針對目標(biāo)用戶u_c的任意未訪問項目t_i，根據(jù)該用戶對已訪問項目的評分，結(jié)合步驟(1)計算獲得的項目間相似度，對用戶u_c的已訪問項目進(jìn)行降序排序，并選擇top-θ部分項目作為項目t_i的鄰居項目集合T_ci。

(4)基于項目的評分預(yù)測

針對用戶u_c的任意未訪問項目t_i，根據(jù)該用戶的已有評分、項目t_i的鄰居項目集合T_ci以及相關(guān)相似度，采用公式對項目t_i進(jìn)行平衡評分預(yù)測。

IBCFBP的總時間復(fù)雜度為O(n)+O(mn²)+O(n)，與傳統(tǒng)協(xié)作推薦算法的時間復(fù)雜度O(mn²)相當(dāng)，而且項目中位數(shù)和權(quán)重平衡參數(shù)的計算均可離線完成，所以二者對推薦的計算效率影響基本可以忽略。

3.基于評分填充的混合推薦算法單元24：

本發(fā)明提出了一種基于評分填充的混合推薦算法HRRF(Hybrid Recommendation based on Rating Filling)，該算法可根據(jù)用戶已訪問項目的信息內(nèi)容實現(xiàn)自動化用戶建模，并將基于內(nèi)容的用戶模型用于實現(xiàn)對用戶未訪問項目的個性化評分填充，提高了評分矩陣的整體密度，進(jìn)而基于經(jīng)填充處理的評分矩陣，采用IBCF推薦框架實現(xiàn)評分的預(yù)測，HRRF從評分填充的角度，減少了稀疏性問題通過評分矩陣對CF相似度計算和評分預(yù)測過程的影響。

基于內(nèi)容的用戶模型是HRRF實現(xiàn)評分填充的依據(jù)，HRRF基于內(nèi)容 的用戶模型在本質(zhì)上起到了Filterbot的作用，但不同于Filterbot人工構(gòu)造的方式，HRRF的用戶模型是通過機器學(xué)習(xí)自動構(gòu)造的。將用戶模型的構(gòu)造理解為一種基于機器學(xué)習(xí)的文本分類任務(wù)，根據(jù)已訪問項目的內(nèi)容信息，通過一定的機器學(xué)習(xí)算法可以自動訓(xùn)練針對不同用戶的分類模型，并將該模型作為相應(yīng)的用戶描述，HRRF采用了Rocchio學(xué)習(xí)算法來實現(xiàn)基于內(nèi)容的用戶建模，也可以根據(jù)實際推薦環(huán)境選擇其他機器學(xué)習(xí)算法來訓(xùn)練用戶模型。

HRRF混合推薦算法的整體執(zhí)行過程可以描述為以下7個步驟：

(1)推薦項目內(nèi)容表示

因為HRRF的用戶模型是建立在推薦對象的內(nèi)容基礎(chǔ)上的，所以首先需要對信息對象的內(nèi)容進(jìn)行表示，HRRF采用了傳統(tǒng)的VSM模型表示推薦對象的內(nèi)容，設(shè)推薦系統(tǒng)包含由n個推薦項目構(gòu)成的項目集合T＝{t_s|1≤s≤n}，用于描述項目內(nèi)容的特征空間為X＝{x₁,x₂,...,x_d}，推薦對象t_i的特征向量為其中特征分量表示特征x_j對于項目t_i的權(quán)重。設(shè)表示特征x_j在項目t_i內(nèi)容中出現(xiàn)的詞頻，而df_j表示包含特征x_j的項目個數(shù)，則特征權(quán)重可表示為

式2-8

(2)基于內(nèi)容用戶模型的學(xué)習(xí)

HRRF的用戶模型使用了與推薦項目相同的特征空間X＝{x₁,x₂,...,x_d}，設(shè)推薦系統(tǒng)的用戶集合U＝{u_c|1≤c≤m}，用戶u_i基于內(nèi)容的用戶模型表示為根據(jù)用戶已有正例評分項目集合T⁺和負(fù)例評分項目集合T^-，評分分類的閾值選擇該目標(biāo)用戶的評分均值，根據(jù)Rocchio學(xué)習(xí)算法訓(xùn)練用戶模型的特征權(quán)重可表示為

式2-9

由于Rocchio學(xué)習(xí)算法是一種批學(xué)習(xí)算法(Batch Learning)，所以用戶模型必須進(jìn)行周期性更新，但模型的更新可以離線完成，不會對推薦系統(tǒng)的在線計算性能造太大影響。

(3)基于內(nèi)容的相似度計算

根據(jù)步驟(2)所獲得的基于內(nèi)容的用戶模型，針對推薦系統(tǒng)中的任意用戶u_i，通過傳統(tǒng)基于內(nèi)容的相似度計算方法度量該用戶與其任意未評分項目t_j在內(nèi)容上的相似度，例如，可以采用公式2-10的COSIM相似度計算形式。

式2-10

(4)基于CBF的評分預(yù)測與填充

為了提高評分矩陣的整體密度，根據(jù)步驟(3)獲得的用戶模型與未評分項目間的相似度，采用傳統(tǒng)CBF對用戶的未訪問項目進(jìn)行評分預(yù)測，并使用預(yù)測評分填充相應(yīng)的評分矩陣位置，形成用戶-項目評分全矩陣。在評分值域范圍為[min,max]的推薦系統(tǒng)中，對于用戶u_i以及其任意未訪問項目t_j，則預(yù)測評分值為

r′_ij＝min+s(i,j)|max-min| 式2-11

(5)基于評分的相似度計算

通過步驟(1)-(4)的處理，原始稀疏用戶評分矩陣已得到了填充處理， 后續(xù)步驟將采用IBCF算法實現(xiàn)推薦，對于任意項目t_i和t_j，二者間基于項目的COSIM相似度為

式2-12

注意，需要根據(jù)用戶是否已訪問過項目t_i，決定選擇基于內(nèi)容的填充評分值r′_ci或原始評分值r_ci來表示公式2-12中的評分r″_ci，即

式2-13

(6)鄰居項目選擇

針對目標(biāo)項目t_i，根據(jù)步驟(5)獲得的項目間相似度，對所有其他項目進(jìn)行降序排序，并選擇最相似的k個項目構(gòu)成項目t_i的鄰居集合T_i。

(7)基于項目的評分預(yù)測

針對目標(biāo)用戶u_i的任意未訪問項目t_j，通過IBCF方法進(jìn)行該項目的評分預(yù)測。鑒于通過CBF生成的填充評分在可信度上要低于真實評分，在評分預(yù)測過程中，通過適當(dāng)縮小相似度來降低評分填充值在評分預(yù)測中的作用，評分預(yù)測的計算可表示為

式2-14

TIBCF算法只在相似度計算和評分預(yù)測過程中引入了時間權(quán)重，從計算量上來看，時間權(quán)重的加入對推薦的整體計算復(fù)雜度影響有限。

4.利用評分時間特性的協(xié)作推薦算法單元25：

目前的推薦算法沒有建立感知用戶興趣變化的動態(tài)機制，所形成的用戶興趣模型是一種靜態(tài)模型，隨著概念漂移的發(fā)生，推薦系統(tǒng)的推薦質(zhì)量將表現(xiàn)的不穩(wěn)定，特別是用戶興趣發(fā)生突變時，推薦的準(zhǔn)確性將急劇惡化。因此，發(fā)明針對時漂移問題，發(fā)明提出了一種利用評分時間特性的協(xié)作推薦算法TIBCF(Temporal Item-Based Collaborative Filtering,TIBCF)。

本發(fā)明提出的TIBCF算法在克服概念漂移的過程中，需要根據(jù)評分的生成時間對評分的重要性進(jìn)行區(qū)分。因此，TIBCF算法對傳統(tǒng)評分矩陣進(jìn)行了必要的完善，除記錄評分?jǐn)?shù)值外，還記錄了評分的產(chǎn)生時間信息，TIBCF算法中的用戶-項目評分矩陣可表示為：

R(m×n)＝{＜r_ij,d_ij＞|(u_i∈U)∧(t_j∈T)∧(0≤r_ij≤q)∧(d_ij＝NULL∨d_ij∈DateTime)}

用戶u_i針對項目t_j的評分信息在評分矩陣R(m×n)表示為二元組＜r_ij,d_ij＞，r_ij和d_ij分別對應(yīng)評分值和評分時間。為了在相似度計算和評分預(yù)測中從時間角度區(qū)分評分的重要性，TIBCF算法引入了時間權(quán)重的概念，為不同時間產(chǎn)生的評分賦予相應(yīng)的時間權(quán)重。針對用戶u_i在時間d_ij對項目t_j所產(chǎn)生的評分r_ij，TIBCF根據(jù)公式的指數(shù)衰減函數(shù)形式計算該評分的時間權(quán)重w(i,j)。

式2-15

其中，R_i為用戶u_i的歷史評分有序集合，RK函數(shù)表示評分r_ij在R_i中的位置編號。結(jié)合文獻(xiàn)中AWS的方法，TIBCF設(shè)置評分權(quán)重的半衰期(Half-Life Span)為λ/log(|R_i|)，其既與用戶的評分?jǐn)?shù)量相關(guān)，又與衰減參數(shù)λ相關(guān)。通過衰減參數(shù)λ可以調(diào)整半衰期的長度，λ的選擇與具體應(yīng)用的評分分布有關(guān)，可以通過實驗獲得，也可依據(jù)推薦系統(tǒng)準(zhǔn)確性的變化而動態(tài)調(diào)整。對于具有500個評分的用戶，圖2展示了λ＝300和λ＝500時評分權(quán)重衰減曲線的示例。

在根據(jù)公式計算獲得用不同評分的時間權(quán)重后，TIBCF在傳統(tǒng)IBCF算法的相似度計算和評分預(yù)測中都集成了該權(quán)重，從而分別實現(xiàn)相應(yīng)基于時間的加權(quán)相似度計算和加權(quán)評分預(yù)測，通過對IBCF兩個關(guān)鍵過程進(jìn)行基于時間的修正，可以最大限度地減少概念漂移問題對推薦的影響。TIBCF推薦算法的執(zhí)行過程可以分為以下4個步驟：

(1)項目評分排序和時間權(quán)重計算

針對任意用戶按照該用戶已有評分的產(chǎn)生時間由近至遠(yuǎn)，對其所有歷史評分進(jìn)行按時間的排序生成歷史評分有序集合R_i，計算用戶u_i的任意歷史評分r_ij的時間權(quán)重w(i,j)。

(2)項目間基于時間的加權(quán)相似度計算

通過步驟(1)獲得所有評分的時間權(quán)重后，對系統(tǒng)中的任意兩項目t_i和t_j，按照公式2-15或2-16計算二者間基于時間的加權(quán)皮爾遜相關(guān)系數(shù)(Temporal Pearson Correlation Coefficient,TPCC)或基于時間的加權(quán)夾角余弦相似度(Temporal COsine SIMilarity,TCOSIM)。

式2-16

式2-17

(3)鄰居項目選擇

針對目標(biāo)用戶u_c的任意未訪問項目t_i，根據(jù)步驟(2)獲得的項目間相似度，對用戶u_c的所有已訪問項目進(jìn)行降序排序，并選擇top-θ部分項目作為項目t_i的鄰居項目集合T_ci。

(4)基于項目的加權(quán)評分預(yù)測

針對目標(biāo)用戶u_c的任意未訪問項目t_i，根據(jù)用戶u_c的已有評分、t_i的鄰居項目集合T_ci、評分時間權(quán)重w及相應(yīng)加權(quán)相似度sim，通過如下公式對項目t_i進(jìn)行評分預(yù)測

式2-18

TIBCF算法只在相似度計算和評分預(yù)測過程中引入了時間權(quán)重，從計算量上來看，時間權(quán)重的加入對推薦的整體計算復(fù)雜度影響有限，仍可以保持與傳統(tǒng)IBCF算法O(mn²)相當(dāng)?shù)挠嬎銜r間復(fù)雜度水平。

本技術(shù)領(lǐng)域中的普通技術(shù)人員應(yīng)當(dāng)認(rèn)識到，以上的實施例僅是用來說明本發(fā)明，而并非用作為對本發(fā)明的限定，只要在本發(fā)明的實質(zhì)精神范圍內(nèi)，對以上所述實施例的變化、變型都將落在本發(fā)明的權(quán)利要求書范圍內(nèi)。