本發(fā)明涉及電影的推薦方法，具體涉及一種基于粒子群算法的電影推薦方法。

背景技術(shù)：

各種推薦技術(shù)都被作為推薦系統(tǒng)的基礎(chǔ)方法而提出，協(xié)同過濾、基于內(nèi)容的推薦、基于知識的推薦、基于人口統(tǒng)計的推薦等等。對于推薦系統(tǒng)而言，每種推薦算法都有各自適宜的應(yīng)用場景，尚且沒有哪一種算法能夠完美解決各種推薦問題。實際應(yīng)用中通常采用多種推薦算法融合的方式來提高推薦精度，融合的推薦系統(tǒng)結(jié)合了多種推薦技術(shù)的優(yōu)點，并且能夠使得這些推薦技術(shù)共同協(xié)作，從而取得比較理想、穩(wěn)定的推薦效果。

然而，目前對于電影的推薦方法存在著精度較差的問題，即使進(jìn)行方法模型的調(diào)整，也還存在著精度瓶頸。

技術(shù)實現(xiàn)要素：

針對現(xiàn)有技術(shù)的缺點，本發(fā)明的目的在于提供一種基于粒子群算法的電影推薦方法，該方法包括如下步驟：

(1)獲取電影網(wǎng)站中用戶對電影的評分信息和電影本身的信息；

(2)按照如下公式進(jìn)行計算評分

α1+α2+α3＝1

其中，

s(u,k)是和用戶u最相似的k個用戶集合,n(i)是對電影i評過分的用戶集合，rvi是用戶v對電影i的評分，wuv是電影之間的相似度，是用戶v對他評過分所有電影評分的平均值；

s(u,k)是和i最相似的電影集合,n(u)是用戶u評過分的電影集合，wij是電影之間的相似度，是電影的平均分；

其中u為集合中所有參評電影的評分均值，bu為由于用戶u個人評分尺度帶來的偏差值，bi為由于電影i本身屬性引起的偏差；bu和bi均初始化為0。pu表示用戶u對各因子的愛好程度，qi表示電影i的因子權(quán)重分布情況，其中pu和qi一般初始化為介于之間的隨機(jī)數(shù)，其中f為隱類個數(shù)。

(3)利用粒子群算法的全局尋優(yōu)特性，自動調(diào)節(jié)步驟(2)中α1，α2，α3的值，以均方根誤差rmse為目標(biāo)函數(shù)，尋找出最優(yōu)的權(quán)重α1，α2，α3組合，獲得最優(yōu)的并進(jìn)行儲存；

(4)將步驟(3)所得結(jié)果輸出，并推薦給用戶。

本發(fā)明的有益效果：

本發(fā)明從用戶對影片的評分信息和影片自身所包含信息的角度出發(fā)，結(jié)合基于用戶和基于項目的鄰域推薦算法的知識，與隱語義模型相結(jié)合，應(yīng)用于電影網(wǎng)站的個性化推薦中，解決了現(xiàn)有技術(shù)中推薦精度的瓶頸問題，通過粒子群尋優(yōu)過程，尋找全局最優(yōu)的權(quán)重，提升了電影推薦水平。

附圖說明

圖1為本發(fā)明評分預(yù)測rmse對比圖；

圖2為本發(fā)明評分預(yù)測mae對比圖。

具體實施方式

下面通過實施例對本發(fā)明進(jìn)行具體描述，有必要在此指出的是以下實施例只是用于對本發(fā)明進(jìn)行進(jìn)一步的說明，不能理解為對本發(fā)明保護(hù)范圍的限制，該領(lǐng)域的技術(shù)熟練人員根據(jù)上述發(fā)明內(nèi)容所做出的一些非本質(zhì)的改進(jìn)和調(diào)整，仍屬于本發(fā)明的保護(hù)范圍。

實施例1

1.獲取項目特征

以movielens100k數(shù)據(jù)集為實驗數(shù)據(jù)集，獲取用戶、項目、評分、時間等信息。建立用戶-項目評分矩陣。

2.計算出基于用戶的協(xié)同過濾推薦算法所預(yù)測的評分

以余弦相似法為相似性度量方法，計算出預(yù)測評分，公式為：

s(u,k)是和用戶u最相似的k個用戶集合,n(i)是電影i評過分的用戶集合，rvi是用戶v對電影i的評分wuv是電影之間的相似度，是用戶v對他評過分所有電影評分的平均值。

3.計算出基于項目的協(xié)同過濾推薦算法所預(yù)測的評分

以余弦相似法為相似性度量方法，計算出預(yù)測評分，公式為：

s(u,k)是和i最相似的電影集合,n(u)是用戶u評過分的電影集合，wij是電影之間的相似度，是電影的平均分。

4.計算出基于隱語義模型結(jié)合svd++的協(xié)同過濾推薦算法所預(yù)測的評分

其中u為集合中所有參評電影的評分均值，bu為由于用戶u個人評分尺度帶來的偏差值，bi為由于電影i本身屬性引起的偏差；bu和bi均初始化為0。pu表示用戶u對各因子的愛好程度，qi表示電影i的因子權(quán)重分布情況，其中pu和qi一般初始化為介于之間的隨機(jī)數(shù)，其中f為隱類個數(shù)。

對于每一個電影j，將它用一個k維的向量yj∈r^k來表示，這個k維度是綜合了顯性和隱形兩個電影集的屬性，因此更加健全。此時，用戶預(yù)測評分模型被重新表示為公式該模型又稱為svd++。參數(shù)pu是從顯性反饋數(shù)據(jù)集中學(xué)習(xí)而來，隱性部分對其進(jìn)行了補(bǔ)充，由于正則化的原因，將的和作了歸一化處理，減小方差波動。此時，損失函數(shù)變?yōu)椋?/p>

采用隨機(jī)梯度下降法優(yōu)化該損失函數(shù)，并得到參數(shù)的遞推公式：

bu＝bu+α(eui-λbu)

bi＝bi+α(eui-λbi)

puf＝puf+α(euiqif-λpuf)

5.模型融合并結(jié)合粒子群算法尋優(yōu)

根據(jù)步驟2、3、4計算得出的預(yù)測評分進(jìn)行線性模型融合，得到最終預(yù)測評分模型。模型公式如下：

α1+α2+α3＝1

以粒子群算法為優(yōu)化算法，先后以rmse和mae為目標(biāo)函數(shù)，自適應(yīng)調(diào)節(jié)權(quán)重組合α1，α2，α3，從而得出全局最優(yōu)的預(yù)測評分值。

6.計算誤差

根據(jù)步驟5得到的評分預(yù)測公式，與真實評分進(jìn)行對比，衡量指標(biāo)為均方根誤差(rmse)和平均絕對誤差(mae)。|t|表示待預(yù)測評分的個數(shù)。其中隱語義模型與最近鄰居數(shù)k無關(guān)，而與隱特征數(shù)有關(guān)，在仿真對比時，取隱特征數(shù)為300。結(jié)果如圖1和圖2所示。

如圖1所示，以rmse為衡量指標(biāo)，最近鄰居數(shù)選取5～40之間的8個點，計算出四種不同方法的rmse，實驗結(jié)果表明，基于粒子群算法的模型融合確實明顯地提高了推薦的精度，與基于余弦相似度的usercf相比，rmse減小了27.15％～37.58％；與基于余弦相似度的itemcf相比，rmse減小了27.78％～40.09％；與隱語義模型相比，rmse減小了23.21％～31.36％。經(jīng)過粒子群算法的模型融合所得的預(yù)測評分rmse遠(yuǎn)小于其他三種傳統(tǒng)方法，即預(yù)測評分精度得到了極大的提升。

如圖2所示，以mae為衡量指標(biāo)，最近鄰居數(shù)選取5～40之間的8個點，計算出4種不同方法的mae，實驗結(jié)果表明，基于粒子群算法的模型融合確實明顯地提高了推薦的精度，與基于余弦相似度的usercf相比，mae減小了36.43％～40.22％；與基于余弦相似度的itemcf相比，mae減小了37.15％～50.66％；與隱語義模型相比，mae減小了34.12％～46.06％。經(jīng)過粒子群算法的模型融合所得的預(yù)測評分mae遠(yuǎn)小于其他三種傳統(tǒng)方法，即預(yù)測評分精度得到了極大的提升。