1.一种基于中介真值程度度量和用户的协同过滤推荐方法,其特征在于,包括以下步骤:
步骤1,用户兴趣相似度计算:
检索整个训练集记录各物品被购买的次数,按从大到小排序,根据推荐物品数n选择前F/n个物品组成热门物品集G′,0
其中,N(i)表示用户i曾经有过正反馈的物品集,N(j)表示用户j曾经有过正反馈的物品集;
将热门物品集G′引入,得到去除热门物品后的用户反馈数据集:N(i)′=N(i)‑N(i)∩G′N(j)′=N(j)‑N(j)∩G′建立物品到用户的倒查表:
C[i][j]=|N(i)′∩N(j)′|若用户i,j同时属于倒查表中M1个物品对应的用户列表,则令C[i][j]=M1,通过改进的余弦相似值公式计算用户i和j的兴趣相似度:步骤2,基于中介真值程度度量的评分相似程度计算:用户i和j对物品对象的评分是n1~n2之间的任意一个正整数值,记谓词P(x(i,j))表示待考察的用户i与j对物品对象评分相同, 表示N(i)与N(j)相异,~P(x(i,j))表示i与j介于相同相异之间,通过计算距离比例函数hTg(x(i,j))得到用户i与j对物品g评分的相似程度;
根据用户对物品的评分得到相对评分f(x(i,j)):f(x(i,j))=|Qig‑Qjg|;
其中,Qig为用户i对物品g的评分,Qjg为用户j对物品g的评分;
在数轴上y=f(x(i,j))以~P为对称中心,左右分别为P和 的取值为[0,n2‑n1];
y=f(x(i,j))的值落在三个值域(αr+εr,αl‑εl),(0,αr+εr),(αl‑εl,n2‑n1)内,~P(x(i,j))的区域为(αr+εr,αl‑εl),P(x(i,j))的区域为(0,αr+ωr), 的区域为(αl‑εl,n2‑n1),P(x(i,j))的真值为1, 的真值为0;
相对于P(x(i,j))的距离比例函数:其中,
其中,通过距离比例函数hTg(x(i,j))的计算,得到用户i与j对物品对象g评分的相似程度;
遍历共有物品集S,将用户i与j所有共有物品对象评分的相似程度求和,再除以共有物品集S的大小n,得到综合评分相似程度hTn(x(i,j)):步骤3,推荐结果依据综合评分相似程度由小到大排序选择邻居对象。
2.根据权利要求1所述基于中介真值程度度量和用户的协同过滤推荐方法,其特征在于:遍历训练集抽取数据组成用户‑物品集和用户‑物品‑评分集,计算用户与其他用户之间的用户兴趣相似度,选择相似度在前2K的用户作为该用户的邻居用户集M,K为推荐用户数。
3.根据权利要求2所述基于中介真值程度度量和用户的协同过滤推荐方法,其特征在于:遍历邻居用户集M,从用户‑物品‑评分集中提取出邻居用户集中对应的用户‑物品‑评分,计算出相对评分,计算候选用户的物品评分相似程度,最后计算得出用户的综合物品评分相似程度。
4.根据权利要求3所述基于中介真值程度度量和用户的协同过滤推荐方法,其特征在于:根据推荐用户数K,依据综合物品评分相似程度由小到大排序选择邻居用户对象。
5.根据权利要求1所述基于中介真值程度度量和用户的协同过滤推荐方法,其特征在于:P(x(i,j))所代表的区域占20%, 所代表的区域占50%,~P(x(i,j))所代表的区域占30%。