1.一种基于项目属性的混合协同过滤推荐算法,其特征在于,包括以下步骤:步骤1:获取用户行为数据及项目信息数据,根据用户评分信息和项目信息产生用户-项目评分矩阵及项目-属性矩阵;
步骤2:根据项目-属性矩阵和用户-项目评分矩阵分别计算项目相似度和用户评分相似度;
步骤3:利用项目相似度对用户评分相似度进行修正来计算用户相似度;
步骤4:计算共同评分奖励因子,项目属性偏好因子和用户置信度因子,根据上述因子修正用户相似度,得到用户最终相似度;
步骤5:对于目标用户,根据最终相似度选取其最近邻,根据最近邻中所有用户的评分信息预测目标用户对各个项目的评分;
步骤6:将评分最高的N个项目推荐给目标用户。
2.根据权利要求1所述的基于项目属性的混合协同过滤推荐算法,其特征在于,步骤2中,用户u对项目i的评分rui与用户v对项目j的评分rvj的相似度Spss(rui,rvj)的计算公式为:Spss(rui,rvj)=Proximity(rui,rvj)·Significance(rui,rvj)·Singularity(rui,rvj)其中,Proximity(rui,rvj)表示评分对(rui,rvj)的绝对差异,Significance(rui,rvj)表示rui和rvj与用户u和v给出的所有评分的中位数的差异,Singularity(rui,rvj)表示rui和rvj与项目i和项目j获得的所有评分的方差的差异,这三个变量的计算公式如下:其中,ru*med和rv*med分别表示用户u和用户v给出的所有评分的中位数,μi和μj分别表示项目i和项目j获得的所有评分的方差。
3.根据权利要求2所述的基于项目属性的混合协同过滤推荐算法,其特征在于,步骤2中,项目i和j的相似度为Sitem(i,j)的计算公式为:其中,Si和Sj分别表示项目i和项目j具有的属性集合,|·|表示集合中的元素个数。
4.根据权利要求3所述的基于项目属性的混合协同过滤推荐算法,其特征在于,步骤3中,用户u与用户v的相似度S(u,v)的计算公式为:其中,Iu和Iv分别表示用户u和用户v评价过的项目集合。
5.根据权利要求4所述的基于项目属性的混合协同过滤推荐算法,其特征在于,步骤4中,用户u与用户v的共同评分奖励因子Sbonus(u,v)的计算公式为:其中,Eu和Ev分别表示用户u和用户v评价过的项目具有的属性集合,可以看出,共同评分项目和共同评分属性越多,两个用户之间的相似性越大。
6.根据权利要求5所述的基于项目属性的混合协同过滤推荐算法,其特征在于,步骤4中,项目属性偏好因子计算方法为:首先,对任一用户u,任一属性Ax,通过以下公式计算属性Ax对用户u的重要程度其中, 表示用户u对具有属性Ax的项目的评价次数,Count(uA)表示用户u评价过的项目具有的属性总数,Count(u)表示用户u评价过的项目总数;
并通过以下公式计算用户u对属性Ax的喜好程度
其中,n为项目总数, 表示用户u给出的所有项目评分的平均值; 是引入的时间衰减函数,其中t为用户u对具有属性Ax的项目最近一次评价的时间与当前时间的间隔,t≥0,λ为设定的衰减系数;Aix用于表示项目i是否具有属性Ax,若项目i具有属性Ax,则Aix=1,否则Aix=0;
然后,通过以下公式计算用户u对属性Ax的加权偏好程度为
最后,利用余弦相似度计算两个用户u和用户v的项目属性偏好因子Spre(u,v)的计算公式如下:其中,k为项目属性总数。
7.根据权利要求6所述的基于项目属性的混合协同过滤推荐算法,其特征在于,步骤4中,对于任一用户u,其置信度因子Sconf(u)计算公式为:其中, 表示项目i获得的所有评分的平均值,r*imed表示项目i获得的所有评分的中位数。
8.根据权利要求7所述的基于项目属性的混合协同过滤推荐算法,其特征在于,步骤4中,用户u与用户v的最终相似度Sim(u,v)的计算公式为:Sim(u,v)=Sbonus(u,v)·Spre(u,v)·Sconf(u)·S(u,v)。
9.根据权利要求1~8中任一项所述的基于项目属性的混合协同过滤推荐算法,其特征在于,步骤5中,采用以下任一中方法选择目标用户的最近邻:
1)设置邻居数K,选择与目标用户最终相似度最高的K个用户作为目标用户的最近邻;
2)设置最近邻的相似度阈值,找出与目标用户最终相似度大于相似度阈值的用户作为目标用户的最近邻。
10.根据权利要求1~8中任一项所述的基于项目属性的混合协同过滤推荐算法,其特征在于,步骤6中,根据最近邻中所有用户的评分信息预测目标用户对各个项目的评分,公式如下:其中,Pui表示预测得到的目标用户u对项目i的评分, 表示项目i获得的所有评分的平均值,rvi表示用户v对项目i的评分,Sim(u,v)表示用户u与用户v的最终相似度,Nu是用户u的最近邻。