：
[0154] (1)如圖5、圖6、圖7、圖8、圖9所示，實(shí)驗(yàn)結(jié)果表明在不同驗(yàn)證方法的情況下基于 項(xiàng)目聚類和局部興趣改進(jìn)的用戶協(xié)同過濾推薦MAE小于傳統(tǒng)用戶協(xié)同過濾推薦、基于項(xiàng)目 聚類和局部最近鄰的用戶協(xié)同過濾推薦。其中在Allbut1驗(yàn)證方法下基于項(xiàng)目聚類和局 部興趣改進(jìn)的用戶協(xié)同過濾推薦MAE小于傳統(tǒng)用戶協(xié)同過濾推薦、基于項(xiàng)目聚類和局部最 近鄰的用戶協(xié)同過濾推薦，表明本發(fā)明在用戶數(shù)據(jù)量豐富的情況下可以提高推薦精度；在 Given2和Given10驗(yàn)證方法下基于項(xiàng)目聚類和局部興趣改進(jìn)的用戶協(xié)同過濾推薦MAE小 于傳統(tǒng)用戶協(xié)同過濾推薦、基于項(xiàng)目聚類和局部最近鄰的用戶協(xié)同過濾推薦，表明本發(fā)明 在用戶數(shù)據(jù)量小的情況下可以提高推薦精度。
[0155] (2)如圖5、圖10所示，實(shí)驗(yàn)結(jié)果表明不同評(píng)價(jià)指標(biāo)的情況下基于項(xiàng)目聚類和局部 興趣改進(jìn)的用戶協(xié)同過濾推薦精度優(yōu)于傳統(tǒng)用戶協(xié)同過濾推薦、基于項(xiàng)目聚類和局部最近 鄰的用戶協(xié)同過濾推薦；
[0156] (3)如圖5、圖11所示，實(shí)驗(yàn)結(jié)果表明不同數(shù)據(jù)集的情況下基于項(xiàng)目聚類和局部興 趣改進(jìn)的用戶協(xié)同過濾推薦精度優(yōu)于傳統(tǒng)用戶協(xié)同過濾推薦、基于項(xiàng)目聚類和局部最近鄰 的用戶協(xié)同過濾推薦。
[0157] 以上實(shí)驗(yàn)說明基于項(xiàng)目聚類和局部興趣改進(jìn)的用戶協(xié)同過濾推薦方法提高了推 薦精度。
[0158] 上述實(shí)施例僅是用來說明本發(fā)明，而并非用作對(duì)本發(fā)明的限定。只要是依據(jù)本發(fā) 明的技術(shù)實(shí)質(zhì)，對(duì)上述實(shí)施例進(jìn)行變化、變型等都將落在本發(fā)明的權(quán)利要求的范圍內(nèi)。
【主權(quán)項(xiàng)】
1. 一種基于k-medoids項(xiàng)目聚類和局部興趣融合的用戶協(xié)同過濾推薦方法，其特征在 于，包括如下步驟： 1) 采用最小化最大相似度準(zhǔn)則確定K個(gè)初始聚類中屯、； 2)根據(jù)相似度和最大的k-medoids聚類算法對(duì)項(xiàng)目進(jìn)行聚類； 3) 在聚類基礎(chǔ)上，尋找用戶局部最近鄰； 4) 將用戶全局最近鄰與局部最近鄰W相似度和之比作為權(quán)值進(jìn)行融合，根據(jù)用戶全局 最近鄰與局部最近鄰對(duì)項(xiàng)目的評(píng)分，預(yù)測(cè)用戶對(duì)項(xiàng)目的評(píng)分，完成推薦。2. 根據(jù)權(quán)利要求1所述的基于k-medoids項(xiàng)目聚類和局部興趣融合的用戶協(xié)同過濾推 薦方法，其特征在于，步驟1)具體為： 1. 1)使用余弦相似度計(jì)算所有樣本點(diǎn)i，j之間的相似度sim(i，j)，其中，i，j= 1，2,…，n,i聲j，將所有樣本點(diǎn)之間相似度最小的兩個(gè)樣本點(diǎn)作為前兩個(gè)初始聚類中屯、yI 和Ji2; 1.2) 計(jì)算未選為初始聚類中屯、的其它樣本點(diǎn)i到已經(jīng)被選定的每一個(gè)聚類中屯、 Jii, 1^2,…，的相似度Sim(i,Ji1)，Sim(i,Ji2)，…，Sim(i,Jik); 1.3) 選擇樣本點(diǎn)i到已經(jīng)被選定的聚類中屯、iii，y2,…的相似度中最大相似 度為樣本點(diǎn)i到聚類中屯、集的相似度sim(i,Ji) =max{sim(i,Ji1),sim(i,Ji2)，… ,sim(i,Jik)}； 1.4) 選取到聚類中屯、集的相似度最小值的樣本點(diǎn)r為新增的第k+1個(gè)聚類中屯、yw， y ) =min{sim(l, ji),sim(2, y ),??? sim(i, ji)--*sim(n, y)}； 1.5)如果k+1<K，則賦值k = k+1，轉(zhuǎn)步驟2)，否則利用最小化最大相似度準(zhǔn)則確定 K個(gè)初始聚類中屯、的過程結(jié)束。3.根據(jù)權(quán)利要求1所述的基于k-medoids項(xiàng)目聚類和局部興趣融合的用戶協(xié)同過濾推 薦方法，其特征在于，步驟2)中，W余弦相似度作為樣本點(diǎn)之間的度量，采用相似度和最大 作為聚類準(zhǔn)則函數(shù)，聚類后使得K個(gè)劃分到達(dá)相似度和最大。4.根據(jù)權(quán)利要求3所述的基于k-medoids項(xiàng)目聚類和局部興趣融合的用戶協(xié)同過濾推 薦方法，其特征在于，步驟2)具體為： 2. 1)使用余弦相似度計(jì)算所有樣本點(diǎn)i，j之間的相似度sim(i,j)，其中，i,j= 1，2,…，n,i聲j; 2. 2)確定K個(gè)初始聚類中屯、y。，每一個(gè)聚類C的聚類中屯、y。為樣本點(diǎn)，C= 1，2,…，K; 2. 3)對(duì)于剩余的其他樣本點(diǎn)i，i= 1，2,…，n,i聲Uc, C= 1，2,…，K，則根據(jù) 樣本點(diǎn)1與步驟2.2)所述的聚類中屯、4。的相似度31111(1，^。)，按相似度最大的 準(zhǔn)則，將樣本點(diǎn)1分配給與其最相似的聚類中屯、所代表的類(3>^中，31111(1，y。*)= max{sim(i, Ji2)，*"，sim(i,Jin)}; 2.4) 計(jì)算每個(gè)聚類的相似巧和i/, =X。."'"啦八）：其中，r表示聚類C中的所有項(xiàng)目； 計(jì)算所有K個(gè)聚類的相似度和；計(jì)算聚類內(nèi)不同項(xiàng)目作為聚 類中屯、時(shí)的J值，按J值最大原則，選取J值最大的項(xiàng)目作為新的聚類中屯、；如果J值變大， 則返回步驟2. 2)，否則聚類結(jié)束。5. 根據(jù)權(quán)利要求2或4所述的基于k-medoids項(xiàng)目聚類和局部興趣融合的用戶協(xié)同過 濾推薦方法，其特征在于，步驟1. 1)與步驟2. 1)中，余弦相似度計(jì)算的公式如下：其中，Ui,，表示項(xiàng)目i和項(xiàng)目j共同評(píng)分的項(xiàng)目集，U康示項(xiàng)目i有評(píng)分的項(xiàng)目集，U, 表示項(xiàng)目j有評(píng)分的項(xiàng)目集，r。,康示用戶U對(duì)項(xiàng)目i的評(píng)分，r。,,表示用戶U對(duì)項(xiàng)目j的 評(píng)分，聚類后使得K個(gè)聚類劃分的相似度和J值達(dá)到最大，利用皮爾森相似度、修正的余弦 相似度等其它相似度也在保護(hù)范圍內(nèi)。6. 根據(jù)權(quán)利要求1所述的基于k-medoids項(xiàng)目聚類和局部興趣融合的用戶協(xié)同過濾推 薦方法，其特征在于，步驟3)具體為： 3. 1)通過聚類的方式劃分用戶興趣，通過余弦相似度計(jì)算在每個(gè)聚類上用戶之間的相 似度sim。(U, V)，公式如下：其中，C表示項(xiàng)目i所在的聚類，粗表示用戶U和用戶V在聚類C中共同評(píng)分的項(xiàng)目 集，表示用戶U在聚類C中有評(píng)分的項(xiàng)目集，表示用戶V在聚類C中有評(píng)分的項(xiàng)目集， ru,i表示用戶U對(duì)項(xiàng)目i的評(píng)分，r表示用戶V對(duì)項(xiàng)目i的評(píng)分； 3. 2)選擇與目標(biāo)用戶在項(xiàng)目i所在的聚類C上相似度最大的前N個(gè)用戶作為目標(biāo)用戶 的局部最近鄰。7. 根據(jù)權(quán)利要求6所述的基于k-medoids項(xiàng)目聚類和局部興趣融合的用戶協(xié)同過濾推 薦方法，其特征在于，步驟4)根據(jù)最近鄰對(duì)項(xiàng)目的評(píng)分預(yù)測(cè)目標(biāo)用戶對(duì)項(xiàng)目的評(píng)分，最近 鄰為全局最近鄰與局部最近鄰W相應(yīng)的權(quán)值進(jìn)行融合。8. 根據(jù)權(quán)利要求7所述的基于k-medoids項(xiàng)目聚類和局部興趣融合的用戶協(xié)同過濾推 薦方法，其特征在于，步驟4)中，基于用戶的全局最近鄰的預(yù)測(cè)評(píng)分公式如下：其中，P'。,1表示基于用戶的全局最近鄰的預(yù)測(cè)評(píng)分時(shí)用戶U對(duì)項(xiàng)目i的預(yù)測(cè)評(píng)分，心： 表示用戶U的平均評(píng)分，V表示用戶，nei曲bors。表示用戶U的全局最近鄰集合，Sim(U, V) 表不用戶U和用戶V的全局相似度，e。,、表不用戶U和用戶V的相似度相關(guān)加化ry,康不 用戶U對(duì)項(xiàng)目i的實(shí)際評(píng)分，;表示用戶V的平均評(píng)分；9. 根據(jù)權(quán)利要求7所述的基于k-medoids項(xiàng)目聚類和局部興趣融合的用戶協(xié)同過濾推 薦方法，其特征在于，步驟4)中，基于用戶的局部最近鄰的預(yù)測(cè)評(píng)分公式如下：其中，C表示項(xiàng)目i所在聚類，p"。,1表示基于用戶的局部最近鄰的評(píng)分計(jì)算得到的用 戶U對(duì)項(xiàng)目i的預(yù)測(cè)評(píng)分，;5^表示用戶U在聚類C上的平均評(píng)分，細(xì)幼細(xì)<表示用戶U在 聚類C上的局部最近鄰集合，Sinf(U，V)表示用戶U和用戶V在聚類C上的局部相似度， 表示用戶V對(duì)項(xiàng)目i的實(shí)際評(píng)分，^表示用戶V在聚類C上的平均評(píng)分；10.根據(jù)權(quán)利要求7所述的基于k-medoids項(xiàng)目聚類和局部興趣融合的用戶協(xié)同過濾 推薦方法，其特征在于，步驟4)中，局部最近鄰與全局最近鄰W相應(yīng)的權(quán)值結(jié)合后的預(yù)測(cè) 評(píng)分公式如下： Pu,i=P' +P"u,i*e"; 局部最近鄰和全局最近鄰預(yù)測(cè)評(píng)分的權(quán)值分配通過局部最近鄰相似度和與全局最近 鄰相似度和的比值設(shè)定e'和e"，公式如下：其中，e' +e" = 1。
【專利摘要】本發(fā)明涉及一種基于k-medoids項(xiàng)目聚類和局部興趣融合的用戶協(xié)同過濾推薦方法，采用如下步驟：A、采用最小化最大相似度準(zhǔn)則確定K個(gè)初始聚類中心；B、根據(jù)相似度和最大的k-medoids聚類算法對(duì)項(xiàng)目進(jìn)行聚類；C、在聚類基礎(chǔ)上，尋找用戶局部最近鄰；D、將用戶全局最近鄰與局部最近鄰以相似度和之比作為權(quán)值進(jìn)行融合，根據(jù)用戶全局最近鄰與局部最近鄰對(duì)項(xiàng)目的評(píng)分預(yù)測(cè)用戶對(duì)項(xiàng)目的評(píng)分。本發(fā)明同現(xiàn)有技術(shù)相比，更大限度地利用了已有的數(shù)據(jù)，緩解了數(shù)據(jù)極端稀疏性對(duì)推薦的影響，同時(shí)提高了評(píng)分預(yù)測(cè)的精度，為用戶提供更好的推薦結(jié)果。
【IPC分類】G06F17/30, G06K9/62
【公開號(hào)】CN105373597
【申請(qǐng)?zhí)枴緾N201510705659
【發(fā)明人】王成, 陳維斌, 蘇芳芳, 文詩(shī)琪, 王田, 鐘必能, 陳葉旺
【申請(qǐng)人】華僑大學(xué)
【公開日】2016年3月2日
【申請(qǐng)日】2015年10月27日