1.一种面向知识系统的个性化推荐方法,其特征在于,包括以下步骤:
(1)建立初始评分矩阵,抽取数据源中的评分数据信息,并建立二维矩阵,对于二维矩阵中的缺失的元素值以0进行填充;
(2)基于项目的协同过滤算法计算项目与项目间的相似度及用户u对待预测项目i的最终评分,对初始评分矩阵进行训练,并用训练结果重新定义初始矩阵中的0元素,以此形成新矩阵A;
(3)利用矩阵分解算法计算用户u对待预测项目i的最终评分,并对初始评分矩阵进行训练,用训练结果重新定义初始矩阵中的0元素,以此形成新矩阵B;
(4)对比A、B矩阵中的对应元素值,将数值不同的元素进行清零,得到矩阵C;重新利用基于项目的协同过滤算法与矩阵分解算法对矩阵C进行训练,并采用加权和的方式确定最终预测值;
(5)根据最终预测值,分别将评分较高的知识项目推送给对应用户。
2.根据权利要求1所述的一种面向个性化知识推荐方法,其特征在于,步骤(1)所述的二维矩阵是用户与项目之间的二维矩阵,元素值为评分信息。
3.根据权利要求1所述的一种面向知识系统的个性化推荐方法,其特征在于,步骤(2)所述的项目与项目之间的相似性通过以下公式实现:其中,sim(i,j)代表项目i与项目j之间的相似度,U是所有用户的集合,u代表其中一个用户,i、j代表两个项目的编号,Ru,i表示用户u对项目i的评分,Ru,j表示用户u对项目j的评分, 表示当前用户u进行过评分的平均值;两个项目的相似度大于0.3时则表示其为相似。
4.根据权利要求1所述的面向知识系统的个性化推荐方法,其特征在于,步骤(2)中用户u对待预测项目i的最终评分通过以下公式实现:其中,Pu,i代表用户u对项目i的最终预测值,u代表一个用户,i代表用户u的待预测项目,N代表项目i的所有相似项目集合,si,n代表项目i与项目n之间的相似性,Ru,n代表用户u对项目n的评分。
5.根据权利要求1所述的面向知识系统的个性化推荐方法,其特征在于,步骤(3)所述的训练结果通过以下公式实现:其中,SSE代表整个训练的误差平方和,u代表一个用户,i代表用户u待预测项目,rui代表用户u对项目i的实际值,puk代表P矩阵的第u行第k列的元素,qki代表Q矩阵的第k行第i列的元素,eui代表用户u对项目i的准确评分与预测评分的差值。
6.根据权利要求1所述的面向知识系统的个性化推荐方法,其特征在于,步骤(3)中用户u对待预测项目i的最终评分通过以下公式实现:svui=pukqki
其中,svui是矩阵分解方法所得到的用户u对项目i的预测数据,puk代表P矩阵的第u行第k列的元素,qki代表Q矩阵的第k行第i列的元素。
7.根据权利要求1所述的面向知识系统的个性化推荐方法,其特征在于,步骤(4)中采用加权值的方式来权衡出入较大的预测值:vui=α·svui+β·cvui
其中,vui代表用户u对项目i的最终预测值,svui是矩阵分解方法所得到的预测数据,cvui是基于项目的协同过滤算法所得到的预测数据,α、β是两个常数,取值范围[0,1],且α+β=1。
8.一种计算机存储介质,其上存储有计算机程序,其特征在于:所述计算机程序在被计算机处理器执行时实现权利要求1至7任一项所述的方法。