一种基于属性评分缩放的协同过滤推荐方法

一种基于属性评分缩放的协同过滤推荐方法
【技术领域】
[0001] 本发明设及一种协同过滤推荐方法，尤其设及一种基于属性评分缩放的协同过滤 推荐方法。
【背景技术】
[0002] 随着Internet和电子商务的迅猛发展，"信息爆炸"和"信息过载"问题越来越严 重，用户很难从海量的信息中找到自己真正需要的信息。推荐系统可W在用户目的不明确 的情况下帮助用户找到可能感兴趣的信息并推荐给用户。协同过滤是现行推荐系统中应用 最广泛最成功的技术之一，但其需要维护一个存储用户偏好的数据库。因此，随着系统中用 户和项目数量的不断增加，协同过滤面临严峻的用户评分数据稀疏性、推荐实时性、可扩展 性挑战，推荐质量迅速下降。针对上述问题，迫切需要一种能够提高推荐质量的推荐方法。

【发明内容】

[0003] 针对传统协同过滤推荐算法在单一评分数据集上预测精度低的问题，本发明研制 一种基于属性评分缩放的协同过滤推荐方法。
[0004] 本发明其特征在于，包括W下步骤：
[000引 （1)用户-项目属性评分矩阵的构造。定义项目的属性集为A={A^As，…，Ak，… Al}，Ak={a。a2，…，at}。需要注意的是，对于某一项目的属性Ak，其可能有多个取值。例 如，一部电影既是动作片又是科幻片，一件商品既是女装又是户外等。设用户对第k个属性 Ak的评分矩阵为G，表示如下：
[0006]
[0007] 其中，m为用户数量。
[000引确定用户对各属性值的评分，即gy。采用评分缩放法；如果用户对具有某一属性 值的项目的评分差距都比较小但评分又不完全相同，那么我们希望能对其评分进行放大， 反之，我们希望对其评分进行适当的缩减；如果用户对具有某一属性值的项目只有一次评 分，我们就认为用户可能不喜欢此类项目，令其评分为零；如果用户对具有某一属性值的项 目的评分完全相同，也令其评分为零。本文采用方差对评分进行缩放，并将阔值定为1，即如 果方差大于1，就将评分缩减，反之，将评分放大。因此，评分缩放法定义为用户对具有某一 属性值的项目的评分的均值和方差的比值，公式如下：
[0009]
[0010] 其中
代表用户对Ak=aj.的项目的评分的方差，
代表用 户对Ak=aj.的项目的评分的均值，N代表用户i评价过的Ak=aj斯项目的数量，rh代表用 户对Ak=3j.的项目的评分。
[0011] 由定义可知，每个用户对每个属性值的评分至多只有一个值；例如，如果A没有看 过悲剧电影，则其没有该项评分。
[0012] (2)项目属性的确定。主要从W下两个方面进行度量：
[0013] 数据稀疏度；用户评分数据矩阵中未评分条目所占的百分比，其公式定义如下：
[0014]
[0015] 其中，Nr为评分总量，m为矩阵的行数（用户的数量），n为矩阵的列数（项目或者 项目属性值的数量）。
[0016] 数据减少率；用户-项目属性评分相比用户-项目评分所减少的数据量的比率，定 义如下：
[0017]
[001引其中，N。为用户-项目属性评分的数据量，N。为用户-项目评分的数据量。
[0019] (3)推荐的生成。对多个预测评分求均值作为最终评分，并选取TopT项目推荐给 用户。
【附图说明】
[0020] 图1是基于属性评分缩放的协同过滤推荐方法实施流程图。
[0021] 图2是数据集描述图.
[0022] 图3是数据集1上各项目属性推荐和直接评分推荐的MAE对比图。
[0023] 图4是数据集2上各项目属性推荐和直接评分推荐的MAE对比图。
[0024] 图5是数据集3上各项目属性推荐和直接评分推荐的MAE对比图。
[0025] 图6是数据集1上项目属性组合评分推荐和直接评分推荐的MAE对比图。
[0026] 图7是数据集2上项目属性组合评分推荐和直接评分推荐的MAE对比图。
[0027] 图8是数据集3上项目属性组合评分推荐和直接评分推荐的MAE对比图。
【具体实施方式】
[002引为更好地理解本发明，下面结合附图和【具体实施方式】对本发明进行更为详细描 述。在W下的描述中，当已有的现有技术的详细描述也许会淡化本发明的主题内容时，该些 描述在该儿将被忽略。
[0029] 图1是本发明基于属性评分缩放的协同过滤推荐方法实施流程图。在本实施例 中，本发明的基于属性评分缩放的协同过滤推荐方法包括W下步骤：
[0030] 首先，构建用户-项目评分矩阵并采用评分缩放法构造用户-项目属性评分矩阵； 然后，依据数据稀疏度和数据减少率进行属性选取，在每个已选属性评分矩阵上计算用户 之间的皮尔逊相似度，并选取相似度最高的K个用户作为相似邻居；接下来，根据K个邻居 的过往评分预测目标用户对目标项目的评分；该样，当所有已选属性评分矩阵的预测完成 时，我们会得到目标用户对每个目标项目的一组预测评分，我们将该些评分加权后作为最 终评分；最后，选取最终评分最高的前T个项目推荐给用户。
[0031] 本发明采用MovieLens数据集，包括2113个用户对10109部电影的855598条评 分。其中评分数据从1到5,评分越高，表示用户对电影越喜欢。为了分析实验数据集的样 本量成倍增加时对方法性能的影响，本发明从数据集中随机抽取=个训练数据集（250位 用户对250部电影的10000条评分，500位用户对500部电影的60000条评分及1000位用 户对1000部电影的200000条评分），对应每个训练集抽取部分数据作为测试集，数据条数 分别为300、600和2000。
[00对 （1)属性选取
[0033] 本发明首先选取稀疏度较低且减少率相对较高的属性，各数据集的描述如图2所 示。本发明选择的属性为；类型、拍摄地1和拍摄时间。
[0034] (2)将评分缩放法的预测和直接评分的预测结果对比
[0035] 将评分缩放法的预测结果和直接评分的预测结果进行比较，在数据集1、数据集2 和数据集3上的结果分别如图3、图4和图5所示。可W发现评分缩放法构造的评分矩阵的 推荐精度总高于直接评分，而且在系统用户较多时，效果更加明显。
[0036] (3)将评分缩放法的预测进行组合与直接评分的预测结果对比
[0037] 对评分缩放法在各属性上产生的预测评分取均值后和直接评分的预测结果进行 比较，在数据集1、数据集2和数据集3上的结果分别如图6、图7和图8所示。可W发现， 将评分组合后的推荐精度要优于直接评分，并且当邻居数目达到20时，推荐结果已经比较 稳定；此外，随着系统用户和项目的增多，该方法也能够在邻居数目不增加的情况下取得精 度较高的推荐结果。
[003引尽管上面对本发明说明性的【具体实施方式】进行了描述，但应当清楚，本发明不限 于【具体实施方式】的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利 要求限定和确定的本发明的精神和范围内，该些变化是显而易见的，一切利用本发明构思 的发明创造均在保护之列。
【主权项】
1. 一种基于属性评分缩放的协同过滤推荐方法其特征在于，主要包括以下步骤： (1) 用户-项目属性评分矩阵的构造。定义项目的属性集为A = (A1, A2,…，Ak,…AJ， Ak= {a i，a2，…，at}。需要注意的是，对于某一项目的属性Ak，其可能有多个取值。例如，一 部电影既是动作片又是科幻片，一件商品既是女装又是户外等。设用户对第k个属性A k的 评分矩阵为G，表示如下：确定用户对各属性值的评分，即gu。采用评分缩放法：如果用户对具有某一属性值的 项目的评分差距都比较小但评分又不完全相同，那么我们希望能对其评分进行放大，反之， 我们希望对其评分进行适当的缩减；如果用户对具有某一属性值的项目只有一次评分，我 们就认为用户可能不喜欢此类项目，令其评分为零；如果用户对具有某一属性值的项目的 评分完全相同，也令其评分为零。本文采用方差对评分进行缩放，并将阈值定为1，即如果方 差大于1，就将评分缩减，反之，将评分放大。因此，评分缩放法定义为用户对具有某一属性 值的项目的评分的均值和方差的比值，公式如下：(2) 项目属性的确定。主要从以下两个方面进行度量： 数据稀疏度：用户评分数据矩阵中未评分条目所占的百分比，其公式定义如下：数据减少率：用户-项目属性评分相比用户-项目评分所减少的数据量的比率，定义如 下：(3) 推荐的生成。对多个饿测评分求均值作为最终评分，并选取Top T项目推荐给用 户。2. 根据权利要求1所述的基于属性评分缩放的协同过滤推荐方法其特征在于： 权利要求1中（1)所述，1为属性的个数，m为用户数量，t是属性Ak值的数量，fi戈表用户对Ak= a j的项目的评分的方I代表用户对Ak= a j的 项目的评分的均值，N代表用户i评价过的Ak= a j的项目的数量，r h代表用户对A k= a j的 项目的评分。 权利要求1中（2)所述队为评分总量，m为矩阵的行数（用户的数量），η为矩阵的列 数（项目或者项目属性值的数量），Na为用户-项目属性评分的数据量，N。为用户-项目评 分的数据量。
【专利摘要】一种基于属性评分缩放的协同过滤推荐方法。针对传统协同过滤推荐算法在单一评分数据集上预测精度低的问题，提出一种基于属性评分缩放的协同过滤推荐方法。首先，构建用户-项目评分矩阵并采用评分缩放法构造用户-项目属性评分矩阵；然后，依据数据稀疏度和数据减少率进行属性选取，在每个已选属性评分矩阵上计算用户之间的皮尔逊相似度，得到目标用户的最近邻居集；接下来，针对每个最近邻居集，在用户－项目评分矩阵上完成初步评分预测；这样，当所有已选属性评分矩阵的预测完成时，我们会得到目标用户对每个目标项目的一组预测评分，我们将这些评分加权后作为最终评分，完成推荐。实验结果表明，该算法能有效提高推荐精度。
【IPC分类】G06F17/30
【公开号】CN104881499
【申请号】CN201510341870
【发明人】龚安, 高云, 高洪福, 唐永红, 高震
【申请人】中国石油大学(华东)
【公开日】2015年9月2日
【申请日】2015年6月19日