1.一种基于鲁棒协同过滤算法的推荐方法,其特征在于,包括如下步骤:
S1、根据数据集构建用户评分矩阵Rm×n以及用户评分时间矩阵Tm×n;
所述用户评分矩阵Rm×n及用户评分时间矩阵Tm×n二者均有m行、n列,所述用户评分矩阵Rm×n及用户评分时间矩阵Tm×n二者的行下标表示用户ID,列下标表示物品ID;
S2、根据用户评分时间矩阵Tm×n计算用户的兴趣衰减权重;
所述根据用户评分时间矩阵Tm×n计算用户的兴趣衰减权重,包括如下步骤:使用用户的评分时间矩阵Tm×n,构建一个衰减函数作为用户的兴趣衰减权重,衰减函数表达式为,其中,Tui为用户u对物品i的评分时间,Tu为用户u对物品的评分时间的集合,Tumax为用户u在该集合里的最近评分时间,Tumin为用户u在该集合里的最远评分时间;
S3、根据用户的评分矩阵Rm×n以及用户的兴趣衰减权重将用户评分矩阵标准化为Z‑scores,然后计算用户之间的相似度sim;
所述根据用户的评分矩阵Rm×n以及用户的兴趣衰减权重将用户评分矩阵标准化为Z‑scores,然后计算用户之间的相似度sim,包括如下步骤:S31、使用Z‑scores进行标准化数据转化,Z‑scores计算公式为,其中,Rui为用户u对物品i的评分, 为用户u所做评分的均值,σu为用户u所做评分的标准差;
S32、计算经过Z‑scores标准化后的用户相似度,计算公式为,
其中,u,n表示两个用户,集合C为两个用户共同打分的物品集合,C.length为该集合的长度,lengthu为用户u评分集合的长度,lengthn为用户n评分集合的长度,Ruk为用户u对物品k的评分,Rnk为用户n对物品k的评分,Rnj为用户n对物品j的评分, 为用户n所做评分的均值,σn为用户n所做评分的标准差;
S33、计算用户之间的相似度sim,计算公式为,
其中,函数g()为S2中所述衰减函数;
S4、计算用户之间的敏感性,根据用户之间的敏感性产生拉普拉斯噪声,将该噪声加上用户原本的相似度sim,得到新的相似度sim″;
所述计算用户之间的敏感性,根据用户之间的敏感性产生拉普拉斯噪声,将该噪声加上用户原本的相似度sim,得到新的相似度sim″,包括如下步骤:S41、计算用户之间的敏感性,计算公式为,
Sensitivity(u,n)=max||sim(u,n)‑sim(u,n)′||1,其中,sim(u,n)为根据只有一条记录不同的数据库R所计算出来两个用户u和n的相似度,sim(u,n)′为根据只有一条记录不同的数据库R′所计算出来两个用户u和n的相似度,R代表整个评分数据库,每次只从R中删除一条用户u和用户n 的共同打分的数据得到R′;
S42、计算前后的相似度之差,最后取最大的差值,即为用户u和用户n的敏感性;
S43、根据该敏感性产生相应满足拉普拉斯分布的噪声,拉普拉斯分布的均值为0,方差为该敏感性的值,最后将产生的噪声加上S3中得出的相似度sim,得到新的相似度sim″,计算公式为,其中,u和n代表两个用户,ε为差分隐私算子;
S5、根据新的相似度sim″,求得用户的最相似的N个邻居;
S6、根据N个邻居的评分信息,使用Z‑socres标准化后的协同过滤预测评分公式,预测评分;
所述根据N个邻居的评分信息,使用Z‑socres标准化后的协同过滤预测评分公式,预测评分,包括如下步骤:根据用户最相似的N个邻居的评分信息,使用Z‑scores标准化后协同过滤预测评分公式,计算用户对物品的预测评分,预测评分公式为,其中,N代表N个邻居,sim为S3中得出的相似度, 为用户u所做评分的均值,σu为用户u所做评分的标准差,Rni为用户n对物品i的评分, 为用户n所做评分的均值,σn为用户n所做评分的标准差,sim(u,n)为根据只有一条记录不同的数据库R所计算出来两个用户u和n的相似度。
2.根据权利要求1所述的基于鲁棒协同过滤算法的推荐方法,其特征在于:S1所述数据集的每一行包括四个字段,分别为用户ID、物品ID、用户对该物品的评分以及评分时间。
3.根据权利要求1所述的基于鲁棒协同过滤算法的推荐方法,其特征在于,S5所述根据新的相似度sim″,求得用户的最相似的N个邻居,包括如下步骤:将S4计算出的相似度sim″进行排序,相似度与用户之间的相似度成正比,选取用户最相似的N个邻居用户。