本發(fā)明涉及互聯(lián)網(wǎng)個(gè)性化推薦領(lǐng)域，尤其涉及一種基于用戶(hù)偏好的協(xié)同過(guò)濾推薦方法。

背景技術(shù)：

internet技術(shù)的快速發(fā)展增加了web信息的容量，如何為用戶(hù)提供有價(jià)值的信息成為電子商務(wù)必須面對(duì)的問(wèn)題。推薦系統(tǒng)通過(guò)學(xué)習(xí)用戶(hù)的行為，了解和掌握用戶(hù)的偏好，從而可以更有針對(duì)性地向用戶(hù)推薦他們可能感興趣的內(nèi)容。協(xié)同過(guò)濾是推薦系統(tǒng)中的一種流行技術(shù)，它能有效地解決信息過(guò)載問(wèn)題，幫助用戶(hù)迅速找到有價(jià)值的信息，過(guò)濾無(wú)用信息。其基本思想是：依據(jù)用戶(hù)的購(gòu)買(mǎi)記錄、評(píng)分記錄、瀏覽記錄以及標(biāo)注等，推薦給用戶(hù)所需要的信息或者預(yù)測(cè)用戶(hù)對(duì)項(xiàng)目的興趣偏好，以實(shí)現(xiàn)推薦結(jié)果的個(gè)性化。

基于用戶(hù)的協(xié)同過(guò)濾推薦算法利用用戶(hù)間的相似愛(ài)好推薦用戶(hù)目標(biāo)，其結(jié)果可解釋性強(qiáng)。但數(shù)據(jù)的極端稀疏影響用戶(hù)近鄰的準(zhǔn)確選擇。針對(duì)此問(wèn)題，文獻(xiàn)：b.jeong,j.lee,h.cho.usercredit-basedcollaborativefiltering[j].expertsystemswithapplications,2009,36(6):7309-7312(b.jeong，j.lee，h.cho，基于用戶(hù)信用的協(xié)同過(guò)濾[j]，專(zhuān)家系統(tǒng)及其應(yīng)用，2009,36(6):7309-7312)利用用戶(hù)-項(xiàng)目評(píng)分矩陣設(shè)計(jì)了利用用戶(hù)的信用等級(jí)代替用戶(hù)之間相似度的計(jì)算，利用用戶(hù)間不同的級(jí)別能更好地尋找目標(biāo)用戶(hù)的近鄰；文獻(xiàn)：f.j.huete,j.m.fernandez-luna,m.camposluis,etal.usingpasting-predictionaccuracyinrecommendersystems[j].informationsciences,2012,199(15)78-92(在推薦系統(tǒng)中利用粘貼預(yù)測(cè)精度[j]，信息科學(xué)，2012，199(15)7892)。依據(jù)用戶(hù)過(guò)去評(píng)分的相關(guān)性，有效地利用用戶(hù)的評(píng)分習(xí)慣，提高了推薦質(zhì)量；文獻(xiàn)：林耀進(jìn),胡學(xué)鋼,李慧宗.基于用戶(hù)群體影響的協(xié)同過(guò)濾推薦算法[j].情報(bào)學(xué)報(bào),2013,32(3):299-3055利用用戶(hù)個(gè)體之間的相似性和用戶(hù)所處群體之間的相似性，準(zhǔn)確尋找目標(biāo)用戶(hù)的近鄰；文獻(xiàn):李鵬,于曉洋,孫渤禹.基于用戶(hù)群組行為分析的視頻推薦方法研究[j].電子與信息學(xué)報(bào),2014,36(6):1485-1491通過(guò)rfm模型分析用戶(hù)行劃分群組，然后基于相似向量比對(duì)用戶(hù)的相似度，提高推薦效率和準(zhǔn)確性；文獻(xiàn):冷亞軍,梁昌勇,丁勇,陸青,等.協(xié)同過(guò)濾中一種有效的最近鄰選擇方法[j].模式識(shí)別與人工智能,2013,26(10):68-974提出一種有效的針對(duì)稀疏評(píng)分的最近鄰選擇方法：兩階段最近鄰選擇算法。

在基于用戶(hù)的協(xié)同過(guò)濾推薦模型中，評(píng)分矩陣r(m,n)包含m個(gè)用戶(hù)的集合user＝{u1,u2,...,um}和n個(gè)項(xiàng)目的集合item＝{i1,i2,...,in}，如表1所示。其中，矩陣的行表示用戶(hù)，列表示項(xiàng)目，ri,j表示用戶(hù)ui(1≤i≤m)對(duì)項(xiàng)目ij(1≤j≤n)的評(píng)分。

表1用戶(hù)-項(xiàng)目評(píng)分矩陣

為獲取目標(biāo)用戶(hù)的相似鄰居，需計(jì)算用戶(hù)間的相似度，傳統(tǒng)的相似性度量方法主要有以下二種：

(1)相關(guān)相似性(pearsoncorrelationcoefficient，pcc),通過(guò)pearson相關(guān)系數(shù)度量用戶(hù)之間的相似度，即

(2)余弦相似性(cosine，cos)，通過(guò)向量間的余弦?jiàn)A角度量用戶(hù)之間的相似度，即

式(1)和(2)中，ua和ub表示用戶(hù)集合中任意二位用戶(hù)，sim(ua,ub)表示用戶(hù)之間的相似度。其中，c(a,b)表示用戶(hù)ua和ub共同評(píng)分項(xiàng)的集合，ra,k表示用戶(hù)ua對(duì)項(xiàng)目ik的評(píng)分，表示用戶(hù)ua對(duì)已評(píng)分項(xiàng)的平均評(píng)分。

通過(guò)式(1)或(2)，可得到用戶(hù)之間的相似度矩陣。進(jìn)一步利用用戶(hù)之間相似度大小，為目標(biāo)用戶(hù)尋找k個(gè)最相似的鄰居用戶(hù)。最后，通過(guò)式(3)對(duì)目標(biāo)用戶(hù)的未評(píng)分項(xiàng)進(jìn)行預(yù)測(cè)。

式(3)中，pt,i為目標(biāo)用戶(hù)ut對(duì)未評(píng)分項(xiàng)ii的評(píng)分，k為目標(biāo)用戶(hù)ut近鄰的個(gè)數(shù)，rx,i為用戶(hù)ux對(duì)項(xiàng)目ii的評(píng)分，為目標(biāo)用戶(hù)ut的平均評(píng)分。

傳統(tǒng)的相似性度量算法(pcc和cos)過(guò)分依賴(lài)用戶(hù)間的共同評(píng)分項(xiàng)，未從全局考慮用戶(hù)的評(píng)分傾向性。為更好地度量用戶(hù)之間的相似性，現(xiàn)有一種引入nhsm相似性度量方法，該方法主要體現(xiàn)三方面信息：用戶(hù)之間評(píng)分差異(pss)，用戶(hù)之間共同評(píng)分項(xiàng)(jaccard')及所有用戶(hù)潛在評(píng)分傾向性(urp)。新啟發(fā)式相似性度量方法定義如式(4)所示。

sim(ua,ub)^nhsm＝sim(ua,ub)^pss×sim(ua,ub)^jaccard′×sim(ua,ub)^urp(4)

式中，ua和ub表示用戶(hù)集合中任意二位用戶(hù)，sim(ua,ub)^pss定義如式(5)所示：

式(5)中，

proximity(ra,k,rb,k)＝1-1/(1+exp(-|ra,k-rb,k|))(6)

significance(ra.k,rb,k)＝1/(1+exp(-|ra,k-rmed|·|rb,k-rmed|))(7)

singularity(ra,k,rb,k)＝1-1/(1+exp(-|(ra,k-rb,k)/2-μk|)(8)

式(6-8)中，μk為項(xiàng)目k的平均評(píng)分，ra,k為用戶(hù)ua對(duì)項(xiàng)目ik的評(píng)分，rmed為評(píng)分集合的中位數(shù)。

其次，利用改進(jìn)的jaccard系數(shù)來(lái)反映共同評(píng)分項(xiàng)帶來(lái)的影響，定義如(9)所示。

式中，|ia|為用戶(hù)ua已評(píng)分項(xiàng)的個(gè)數(shù)，|ia∩ib|為用戶(hù)ua和ub的共同評(píng)分項(xiàng)個(gè)數(shù)。

最后，用戶(hù)潛在的評(píng)分傾向性用式(10)度量。

式中，μa和μb分別為用戶(hù)ua和ub的平均評(píng)分；σa和σb分別表示用戶(hù)ua和ub的均方差。

基于用戶(hù)的協(xié)同過(guò)濾推薦算法是利用用戶(hù)之間的相互作用，通過(guò)尋找最相似的k鄰居來(lái)輔助目標(biāo)用戶(hù)預(yù)測(cè)未評(píng)分項(xiàng)。但用戶(hù)在評(píng)分時(shí)存在偏好行為，存在用戶(hù)打分偏低或偏高的情況，相似興趣的用戶(hù)也存在評(píng)分不同，會(huì)導(dǎo)致計(jì)算用戶(hù)之間的相似性出現(xiàn)偏差，這影響推薦的質(zhì)量。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明所要解決的技術(shù)問(wèn)題在于提供了一種進(jìn)一步提升推薦質(zhì)量的基于用戶(hù)偏好的協(xié)同過(guò)濾推薦方法。

本發(fā)明通過(guò)以下技術(shù)手段解決上述技術(shù)問(wèn)題的：一種基于用戶(hù)偏好的協(xié)同過(guò)濾推薦方法，包括下述步驟：

步驟1：輸入用戶(hù)-項(xiàng)目評(píng)分矩陣，取所有用戶(hù)評(píng)分的平均評(píng)分，設(shè)定為閾值p，依據(jù)該閾值p將用戶(hù)分為偏好高評(píng)用戶(hù)和偏好低評(píng)用戶(hù)；

步驟2：利用nhsm相似性度量方法計(jì)算任意二位用戶(hù)之間的相似度，獲得用戶(hù)間的相似矩陣sim；

步驟3：設(shè)目標(biāo)用戶(hù)ua，其同偏好用戶(hù)群體為s，不同偏好群體為d，計(jì)算目標(biāo)用戶(hù)ua與其他用戶(hù)ub的相似度：

如maxsim(ua,ub)s＞maxsim(ua,ub)d則：

如maxsim(ua,ub)s≤maxsim(ua,ub)d則：

式(12)和(13)中，sim(ua,ub)為用戶(hù)ua和ub的相似度，其中，ua表示目標(biāo)用戶(hù)，ub表示其他用戶(hù)，maxsim(ua,ub)s為ua與s中相似度最大的值,maxsim(ua,ub)d為ua與d中相似度最大的值，為s中與ua前k近鄰的相似度之和，minsim(ua,ub)s為ua與s中相似度最小的值，用于保證目標(biāo)用戶(hù)ua至少找到一個(gè)近似鄰居；

步驟4：利用式(14)得到用戶(hù)間新的相似矩陣newsim：

步驟5：根據(jù)式(15)預(yù)測(cè)目標(biāo)用戶(hù)ut在項(xiàng)目ii上的評(píng)分pt,i：

式(15)中，pt,i為目標(biāo)用戶(hù)ut對(duì)項(xiàng)目ii的評(píng)分。其中，υ表示目標(biāo)用戶(hù)的近鄰集合，xk表示目標(biāo)用戶(hù)ut的第k個(gè)近鄰，近鄰個(gè)數(shù)k由大間隔自動(dòng)確定，為目標(biāo)用戶(hù)的平均評(píng)分。

優(yōu)選的，所述步驟1中，閾值p根據(jù)評(píng)分矩陣確定，如式(11)所示：

式中，為所有用戶(hù)對(duì)項(xiàng)目的評(píng)分值之和，|i|表示所有用戶(hù)對(duì)項(xiàng)目有評(píng)分值的個(gè)數(shù)。

優(yōu)選的，所述步驟2中的相似度計(jì)算方法如下：

sim(ua,ub)^nhsm＝sim(ua,ub)^pss×sim(ua,ub)^jaccard′×sim(ua,ub)^urp(4)

式中，ua和ub表示用戶(hù)集合中任意二位用戶(hù)，sim(ua,ub)^pss定義如式(5)所示：

式(5)中，

proximity(ra,k,rb,k)＝1-1/(1+exp(-|ra,k-rb,k|))(6)

significance(ra.k,rb,k)＝1/(1+exp(-|ra,k-rmed|·|rb,k-rmed|))(7)

singularity(ra,k,rb,k)＝1-1/(1+exp(-|(ra,k-rb,k)/2-μk|)(8)

式(6-8)中，μk為項(xiàng)目k的平均評(píng)分，ra,k為用戶(hù)ua對(duì)項(xiàng)目ik的評(píng)分，rmed為評(píng)分集合的中位數(shù)。

其次，利用改進(jìn)的jaccard系數(shù)來(lái)反映共同評(píng)分項(xiàng)帶來(lái)的影響，定義如(9)所示。

式中，|ia|為用戶(hù)ua已評(píng)分項(xiàng)的個(gè)數(shù)，|ia∩ib|為用戶(hù)ua和ub的共同評(píng)分項(xiàng)個(gè)數(shù)。

最后，用戶(hù)潛在的評(píng)分傾向性用式(10)度量。

式中，μa和μb分別為用戶(hù)ua和ub的平均評(píng)分；σa和σb分別表示用戶(hù)ua和ub的均方差。

本發(fā)明相比現(xiàn)有技術(shù)具有以下優(yōu)點(diǎn)：構(gòu)建一種基于用戶(hù)偏好的協(xié)同過(guò)濾推薦模型，減少了預(yù)測(cè)結(jié)果的偶然性。實(shí)驗(yàn)結(jié)果表明，與其他推薦方法相比，本發(fā)明的推薦方法能夠更加精確地度量用戶(hù)間的相似度，提高推薦質(zhì)量。

附圖說(shuō)明

圖1是本發(fā)明基于用戶(hù)偏好的協(xié)同過(guò)濾推薦方法的流程圖。

圖2是本發(fā)明實(shí)施例中movielens數(shù)據(jù)集中用戶(hù)評(píng)分分布情況。

圖3為在movielens數(shù)據(jù)集上，隨近鄰數(shù)k的變化，mae的變化情況。

圖4為在movielens數(shù)據(jù)集上，隨近鄰數(shù)k的變化，coverage的變化情況。

圖5為在jester-data-2數(shù)據(jù)集，隨近鄰數(shù)k的變化，mae的變化情況。

圖6為在jester-data-2數(shù)據(jù)集，隨近鄰數(shù)k的變化，coverage的變化情況。

具體實(shí)施方式

下面對(duì)本發(fā)明的實(shí)施例作詳細(xì)說(shuō)明，本實(shí)施例在以本發(fā)明技術(shù)方案為前提下進(jìn)行實(shí)施，給出了詳細(xì)的實(shí)施方式和具體的操作過(guò)程，但本發(fā)明的保護(hù)范圍不限于下述的實(shí)施例。

參閱圖1所示，本發(fā)明基于用戶(hù)偏好的協(xié)同過(guò)濾推薦方法包括下述步驟：

步驟1：輸入用戶(hù)-項(xiàng)目評(píng)分矩陣，取所有用戶(hù)評(píng)分的平均評(píng)分，設(shè)定為閾值p，依據(jù)該閾值p將用戶(hù)分為偏好高評(píng)用戶(hù)和偏好低評(píng)用戶(hù)；

步驟2：利用nhsm相似性度量方法計(jì)算任意二位用戶(hù)之間的相似度，獲得用戶(hù)間的相似矩陣sim；

步驟3：設(shè)目標(biāo)用戶(hù)ua，其同偏好(偏好高評(píng)或低評(píng))用戶(hù)群體為s，不同偏好(偏好低評(píng)或高評(píng))群體為d，計(jì)算目標(biāo)用戶(hù)ua與其他用戶(hù)ub的相似度：

如maxsim(ua,ub)s＞maxsim(ua,ub)d則：

如maxsim(ua,ub)s≤maxsim(ua,ub)d則：

式(12)和(13)中，sim(ua,ub)為用戶(hù)ua和ub的相似度，其中，ua表示目標(biāo)用戶(hù)，ub表示其他用戶(hù)，maxsim(ua,ub)s為ua與s中相似度最大的值,maxsim(ua,ub)d為ua與d中相似度最大的值，為s中與ua前k近鄰的相似度之和，minsim(ua,ub)s為ua與s中相似度最小的值，用于保證目標(biāo)用戶(hù)ua至少找到一個(gè)近似鄰居；

基于大間隔尋找近鄰的主要思想是：通過(guò)設(shè)計(jì)一種新的相似性度量公式，使用戶(hù)空間中與目標(biāo)用戶(hù)相同偏好的近鄰屬于同一類(lèi)別，不同偏好的用戶(hù)與目標(biāo)用戶(hù)盡量區(qū)分開(kāi)。這體現(xiàn)了用戶(hù)潛在的偏好行為，縮小有相同偏好用戶(hù)之間的距離，增大不同偏好用戶(hù)之間的距離。相比其他許多改進(jìn)的協(xié)同過(guò)濾推薦算法，該算法也能自動(dòng)確定近鄰個(gè)數(shù)，提高推薦效率；

步驟4：利用式(14)得到用戶(hù)間新的相似矩陣newsim：

步驟5：根據(jù)式(15)預(yù)測(cè)目標(biāo)用戶(hù)ut在項(xiàng)目ii上的評(píng)分pt,i：

式(15)中，pt,i為目標(biāo)用戶(hù)ut對(duì)項(xiàng)目ii的評(píng)分。其中，υ表示目標(biāo)用戶(hù)的近鄰集合，xk表示目標(biāo)用戶(hù)ut的第k個(gè)近鄰，近鄰個(gè)數(shù)k由大間隔自動(dòng)確定，為目標(biāo)用戶(hù)的平均評(píng)分。

所述步驟1中，設(shè)定不同偏好用戶(hù)群體用戶(hù)數(shù)量平衡，根據(jù)用戶(hù)對(duì)項(xiàng)目的評(píng)分值，設(shè)定閾值p將用戶(hù)劃分為高評(píng)用戶(hù)(偏好打高分的用戶(hù))和低評(píng)用戶(hù)(偏好打低分的用戶(hù))。其中，閾值p根據(jù)評(píng)分矩陣確定，如式(11)所示：

式中，為所有用戶(hù)對(duì)項(xiàng)目的評(píng)分值之和，|i|表示所有用戶(hù)對(duì)項(xiàng)目有評(píng)分值的個(gè)數(shù)。

表格2為給定用戶(hù)對(duì)項(xiàng)目的實(shí)際評(píng)分矩陣。其中，矩陣的行表示用戶(hù)，列表示項(xiàng)目。評(píng)分為5分制。

表2用戶(hù)-項(xiàng)目實(shí)際評(píng)分矩陣

根據(jù)式(11)，可計(jì)算出閾值p＝3.06。將每個(gè)用戶(hù)的平均評(píng)分和閾值p比較，用戶(hù)u1、u3和u5被劃為高評(píng)用戶(hù)，其它3用戶(hù)歸類(lèi)為低評(píng)用戶(hù)。

本文以movielens數(shù)據(jù)集(來(lái)自http://movielens.umn.edu)為例，對(duì)閾值p在[34]之間的用戶(hù)數(shù)進(jìn)行統(tǒng)計(jì)，如圖2所示。圖2為用戶(hù)評(píng)分分布情況。其中，橫坐標(biāo)表示閾值p，縱坐標(biāo)表示平均評(píng)分大于閾值p的用戶(hù)占所有用戶(hù)的比例。如p取值3，平均評(píng)分大于閾值p的用戶(hù)占所有用戶(hù)百分比高于90％。

所述步驟2中的相似度計(jì)算方法如下：

sim(ua,ub)^nhsm＝sim(ua,ub)^pss×sim(ua,ub)^jaccard′×sim(ua,ub)^urp(4)

式中，ua和ub表示用戶(hù)集合中任意二位用戶(hù)，sim(ua,ub)^pss定義如式(5)所示：

式(5)中，

proximity(ra,k,rb,k)＝1-1/(1+exp(-|ra,k-rb,k|))(6)

significance(ra.k,rb,k)＝1/(1+exp(-|ra,k-rmed|·|rb,k-rmed|))(7)

singularity(ra,k,rb,k)＝1-1/(1+exp(-|(ra,k-rb,k)/2-μk|)(8)

式(6-8)中，μk為項(xiàng)目k的平均評(píng)分，ra,k為用戶(hù)ua對(duì)項(xiàng)目ik的評(píng)分，rmed為評(píng)分集合的中位數(shù)。

其次，利用改進(jìn)的jaccard系數(shù)來(lái)反映共同評(píng)分項(xiàng)帶來(lái)的影響，定義如(9)所示。

式中，|ia|為用戶(hù)ua已評(píng)分項(xiàng)的個(gè)數(shù)，|ia∩ib|為用戶(hù)ua和ub的共同評(píng)分項(xiàng)個(gè)數(shù)。

最后，用戶(hù)潛在的評(píng)分傾向性用式(10)度量。

式中，μa和μb分別為用戶(hù)ua和ub的平均評(píng)分；σa和σb分別表示用戶(hù)ua和ub的均方差。

實(shí)驗(yàn)結(jié)果及分析

1、數(shù)據(jù)集

本文采用公開(kāi)的movielens和jester-data-2數(shù)據(jù)集(http://www.ieor.berkeley.edu/～goldberg/jester-data)驗(yàn)證本文所提算法。movielens數(shù)據(jù)集包含943個(gè)用戶(hù)在1682個(gè)電影上的評(píng)分，其中每個(gè)用戶(hù)至少對(duì)20部電影有評(píng)分記錄；jester-data-2數(shù)據(jù)集包含1582個(gè)用戶(hù)在100個(gè)笑話(huà)上的評(píng)分，其中每個(gè)用戶(hù)至少對(duì)1個(gè)笑話(huà)有評(píng)分記錄，數(shù)據(jù)集的詳細(xì)信息如表3所示。為保證實(shí)驗(yàn)結(jié)果的無(wú)偏性，數(shù)據(jù)集分成訓(xùn)練集和測(cè)試集，訓(xùn)練集占整個(gè)數(shù)據(jù)集的80％，其余20％數(shù)據(jù)作為測(cè)試集。整個(gè)過(guò)程采用五折交叉驗(yàn)證方法，測(cè)試集之間是互斥的，并且有效地覆蓋了整個(gè)數(shù)據(jù)集。

表3數(shù)據(jù)描述

2、度量指標(biāo)

本文評(píng)價(jià)推薦質(zhì)量的度量指標(biāo)包括mae(meanabsoluteerror)和覆蓋率(coverage)。mae是一種常見(jiàn)的度量指標(biāo)，通過(guò)計(jì)算預(yù)測(cè)的用戶(hù)評(píng)分和實(shí)際用戶(hù)評(píng)分之間的偏差來(lái)度量預(yù)測(cè)的準(zhǔn)確性，mae值越小，推薦質(zhì)量越好。覆蓋率(coverage)用來(lái)衡量一個(gè)算法能夠預(yù)測(cè)的項(xiàng)目占所有項(xiàng)目的百分比，coverage值越大，推薦質(zhì)量越好。

設(shè)有n個(gè)項(xiàng)目，用戶(hù)的實(shí)際評(píng)分集合為r＝{r1,r2,...,rn}，預(yù)測(cè)的用戶(hù)評(píng)分集合為p＝(p1,p2,...,pn)，s表示p集合中有評(píng)分的個(gè)數(shù)，則度量指標(biāo)mae和覆蓋率(coverage)分別表示為：coverage＝s/n。

3、實(shí)驗(yàn)結(jié)果分析

本文所提算法與基于pearson相關(guān)系數(shù)的協(xié)同過(guò)濾算法(pcc-cf)、基于cosine相似性的協(xié)同過(guò)濾算法(cos-cf)和基于nhsm相似性的協(xié)同過(guò)濾推薦算法(nhsm-cf)在算法性能上進(jìn)行比較。

圖3和圖4分別為在movielens數(shù)據(jù)集上，隨近鄰數(shù)k的變化，mae和coverage的變化情況，其中近鄰數(shù)k在10～100之間變動(dòng)，從圖中可看出基于nhsm相似性的協(xié)同過(guò)濾推薦算法(nhsm-cf)的mae值比cos-cf和pcc-cf都要小，coverage值相對(duì)要大；在jester-data-2數(shù)據(jù)集上mae和coverage的變化情況如圖5和圖6所示，nhsm-cf的mae值跟cos-cf和pcc-cf相比要小，coverage值要大?？梢缘贸?，nhsm-cf的推薦質(zhì)量相優(yōu)于cos-cf和pcc-cf。

從圖3～圖6可得知，無(wú)論近鄰數(shù)k如何變化，largemargin-nhsm-cf的mae和coverage都能夠取相對(duì)穩(wěn)定的值。這是由于在利用大間隔確定目標(biāo)用戶(hù)與其他用戶(hù)的相似度時(shí)，k的取值對(duì)推薦結(jié)果的影響較小。從圖3和圖4可以看出，在movielens數(shù)據(jù)集上largemargin-nhsm-cf的mae值都比nhsm-cf小，coverage值跟nhsm-cf相比要大。同樣，在jester-data-2數(shù)據(jù)集中，mae和coverage的變化情況與movielens數(shù)據(jù)集呈現(xiàn)相同的規(guī)律。因此，本文所提算法(largemargin-nhsm-cf)優(yōu)于nhsm-cf算法，進(jìn)一步提高了協(xié)同過(guò)濾系統(tǒng)的推薦質(zhì)量，驗(yàn)證了基于用戶(hù)偏好的協(xié)同過(guò)濾推薦算法的有效性。

以上所述僅為本發(fā)明的較佳實(shí)施例而已，并不用以限制本發(fā)明，凡在本發(fā)明的精神和原則之內(nèi)所作的任何修改、等同替換和改進(jìn)等，均應(yīng)包含在本發(fā)明的保護(hù)范圍之內(nèi)。