欢迎来到知嘟嘟! 联系电话:13336804447 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13336804447
知嘟嘟经纪人
收藏
专利号: 2018114255292
申请人: 山东建筑大学
专利类型:发明专利
专利状态:未下证
专利领域: 计算;推算;计数
更新日期:2026-11-16
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

1.一种融合时间窗技术和评分预测模型的推荐方法,其特征在于,该方法是基于协同过滤推荐方法和时间窗技术,利用评分预测模型计算用户的兴趣相似度,再利用推荐模型根据用户的兴趣预测用户可能偏好的项目并选取用户预测评分较高的项目利用TopN推荐方法生产推荐列表;

具体方法如下:

S1、通过用户对项目的评分构建用户‑项目评分矩阵,并对评分进行归一化处理得到归一化用户‑项目评分矩阵;

S2、根据评分预测模型,通过推荐模型计算并获得用户的特征矩阵和项目的特征矩阵,两者相乘进而获得用户对未评分项目的预测评分,并利用TopN推荐方法得到TopN2推荐列表;

S3、将获得的预测评分根据归一化处理的原则还原到原始评分,从而得到一个稠密的评分矩阵,并采用时间窗技术划分多个不同的时间窗口,根据时间窗口为已评分项赋予时间刻度,计算各个用户预测评分项与每一个时间窗口中项目集合的总体相似性,将最高相似性的时间窗口内任意一个时间刻度作为预测物品评分行为的时间刻度;

S4、采用协同过滤算法计算用户之间的兴趣相似度并构建用户兴趣相似度矩阵,再计算目标用户对资源的兴趣偏好,将用户兴趣最高的前N个项目利用TopN推荐方法生产TopN1推荐列表,并将之与TopN2推荐列表融合生成TopN推荐列表;

其中,推算模型用于根据用户的兴趣偏好来预测用户可能偏好的项目;推算模型的具体实现方法如下:

(1)、输入α、β和评分矩阵R;其中,α和β表示推算模型的参数;α代表用户特征重叠程度,

0≤α≤1;当α接近0时,代表用户趋于同一特征,即用户特征比较单一;α较大,则说明趋于不同的用户特征,即用户的特征比较多;β表示用户某个特征突出所需信息的多少,β>1,其值越大代表某用户某个特征突出所需要的信息越多;

(2)、对评分矩阵R做归一化处理生成矩阵R′;

(3)、随机初始化自由参数γu,k、 和 γu,k为u×k维的矩阵, 和 分别为v×k维的矩阵;其中,u表示用户,k表示矩阵为维度,v表示项目;

(4)、根据用户u的真实评分记录 计算相应用户u对相应项目i的λu,i,k:其中,λu,i,k表示相关变量Zu,i所服从的分类分布中的参数,λ″u,i,k表示计算λu,i,k的中间量;

上式中Ψ定义为伽马函数的对数导数,其中,Γ(x)表示伽马函数;Γ′(x)表示伽马函数的导数;Y表示与系统支持的最高评分有关,Y为常量,固定为4;ρu,i表示用户u偏好项目i的条件概率分布;

(5)、根据用户u的真实评分记录 计算并更新相应用户u的γu,k:其中,γu,k表示用户u服从的狄利克雷分布中的相关参数;

(6)、根据用户u的真实评分记录 计算并更新相应项目i的(7)、γu,k、 和 的参数值是否变化明显:①、若明显,则重复执行步骤(4)到(6);

②、若不明显,则执行步骤(8);

(8)、计算用户u的特征矩阵Uu,k:计算项目特征矩阵Vi,k:

(9)、计算用户u对项目i的偏好预测:(10)、评分预测补全矩阵R′,利用TopN推荐方法生成TopN2推荐列表;

(11)、根据时间窗技术划分时间窗口;

(12)、计算项目相似度:

其中,sim(i,j)表示项目i和项目j的相似度;W(u,i)和W(u,j)表示时间权重和数据权重相结合的权重; 和 分别表示项目i和项目j的平均评分;

(13)、计算每一个用户未评分项目与时间窗口中项目的综合相似度:其中,Iu,j表示用户u第j个时间窗口中的项目集合,size(Iu,j)表示集合Iu,j的大小;

(14)、选取前k′个相似度最高的项目赋予时间刻度;

(15)、将带有时间刻度的稠密矩阵转换成用户‑项目‑时间的三维评分矩阵;

(16)、获取用户之间的相似度:其中, ti表示相应的用户对相应项目评分的时间权值,通过用户‑项目‑时间三维矩阵获取;

(17)、获得用户对未评分项目的偏好值:其中,S(u,k)表示和用户兴趣相似的前k个用户,N(i)表示对项目i有过评分的用户集合,sim(u,v)表示用户u和用户v之间的兴趣相似度;

(18)、在评分预测的基础上,选取用户预测评分较高的项目生成TopN2推荐列表,并与TopN1推荐列表加权汇总成新的TopN推荐列表,公式如下:TopN=εTopN1+(1‑ε)TopN2其中,ε取值介于0和1之间,不同的数据集有不同的ε最优值。

2.根据权利要求1所述的融合时间窗技术和评分预测模型的推荐方法,其特征在于,所述步骤S1中对评分进行归一化处理的方法具体公式如下:其中,u表示用户;i表示项目;m表示根据系统支持的评分数据范围获得的最高评分值;

ru,i表示用户对项目的真实评分值; 表示用户对项目的真实评分值做归一化处理后的评分值,

3.根据权利要求1或2所述的融合时间窗技术和评分预测模型的推荐方法,其特征在于,所述评分预测模型用于预测用户对未评分项目的评分;具体如下:通过用户u的真实评分可以计算得到 其中, ρu,i用于计算归一化的评分结果,进而确定未知变量,从而得以确定用户和项目的特征向量,在得到相应的用户和项目的特征向量后即可通过矩阵运算得到用户对未评分项目的评分;

u表示用户;i表示项目;m表示根据系统支持的评分数据范围获得的最高评分值;ru,i表示用户对项目的真实评分值; 表示用户对项目的真实评分值做归一化处理后的评分值,Y表示与系统支持的最高评分有关,Y为常量,固定为4;ρu,i表示用户u偏好项目i的条件概率分布。

4.根据权利要求1所述的融合时间窗技术和评分预测模型的推荐方法,其特征在于,所述步骤(11)中根据时间窗技术划分时间窗口的计算方法如下:Tuk(k)=Tu0‑θ(k‑1)‑ka1其中,α1表示第一个时间窗口的大小,代表用户兴趣的长短,值越大,窗口越大;θ表示时间窗扣间隔增长幅度,依次为Tu1,Tu2,...,Tuk,代表用户长期兴趣变化快慢程度,值越大表示用户兴趣变化越快,反之,变化越慢。

5.根据权利要求4所述的融合时间窗技术和评分预测模型的推荐方法,其特征在于,所述时间窗口不同将对应不同的权值,采用艾宾浩斯遗忘曲线作为时间函数:‑0.125

f(u,i)=0.318×(T0‑Tuk)其中,Tuk表示用户u访问i时的时间所在的时间窗;f(u,i)值的范围是[0,1],呈现先快后慢的遗忘规律;

结合数据权重定义目标用户对项目的兴趣度:W(u,i)=f(u,i)×β1+w(u,i)×(1‑β1),β1∈[0,1]其中,w(u,i)表示用户u最近时间段内对项目i的兴趣度;I表示用户最近时间段(Tu1~Tu0)内访问过的项目集合;sim(i,j)的表示项目i和项目j的相似度。

6.根据权利要求5所述的融合时间窗技术和评分预测模型的推荐方法,其特征在于,所述项目相似度sim(i,j)的计算采用修正的余弦相似度:其中, 和 分别表示项目i和项目j的平均评分, 表示用户u打分的平均分。