1.一种基于多阶近邻预测的推荐系统,其特征在于,包括:
用户评分矩阵建立模块,用于根据用户集合和物品集合建立用户评分矩阵;
相似度计算模块,用于计算任意两个用户之间的相似度;
迭代近邻查找模块,用于根据相似度计算结果为目标用户选择N个近邻用户作为其一阶近邻,再选择N个一阶近邻的一阶近邻作为其二阶近邻,并依次迭代,直至找出目标用户的k阶近邻集,其中,N和k均为正整数;
预测及推荐模块,用于根据每一次迭代查找的近邻集重新预测目标用户对物品的评分,并为目标用户进行物品推荐。
2.如权利要求1所述的基于多阶近邻预测的推荐系统,其特征在于,所述根据用户集合和物品集合建立用户评分矩阵,具体包括:根据用户集合U={u1,u2,...,un}和物品集合I={i1,i2,...,im}建立用户评分矩阵R=[rui]n×m,其中,n和m分别代表用户总数和物品总数,rui表示用户uu对物品ii的评分。
3.如权利要求1所述的基于多阶近邻预测的推荐系统,其特征在于,所述计算任意两个用户之间的相似度,具体包括:根据PCC相似度计算公式计算任意两个用户uu和uv之间的相似度;所述PCC相似度计算公式如下:其中,M表示用户uu和用户uv共同评分过的物品集合,rui和rvi分别表示用户uu和用户uv对物品ii的评分,和 分别代表用户uu和用户uv的评分均值。
4.如权利要求1所述的基于多阶近邻预测的推荐系统,其特征在于,所述目标用户的k阶近邻集为:其中, 表示目标用户uu的第k阶近邻集,近邻集之间互不相交且每阶近邻集大小相同。
5.如权利要求1所述的基于多阶近邻预测的推荐系统,其特征在于,第k次迭代后,重新预测目标用户uu对物品ii的评分为:其中, 表示目标用户uu的第k-1次迭代的评分均值, 表示近邻用户uv的第k-1次迭代的评分均值,S(u,k)表示用户uu的第k阶近邻集,N(i)表示对物品ii产生过行为的用户集,sim(uu,uv)表示目标用户uu和近邻用户uv的相似度。
6.一种基于多阶近邻预测的推荐方法,其特征在于,包括以下步骤:
S10、根据用户集合和物品集合建立用户评分矩阵;
S20、计算任意两个用户之间的相似度;
S30、根据相似度计算结果为目标用户选择N个近邻用户作为其一阶近邻,再选择N个一阶近邻的一阶近邻作为其二阶近邻,并依次迭代,直至找出目标用户的k阶近邻集,其中,N和k均为正整数;
S40、根据每一次迭代查找的近邻集重新预测目标用户对物品的评分,并为目标用户进行物品推荐。
7.如权利要求6所述的基于多阶近邻预测的推荐方法,其特征在于,所述根据用户集合和物品集合建立用户评分矩阵,具体包括:根据用户集合U={u1,u2,...,un}和物品集合I=n×m{i1,i2,...,im}建立用户评分矩阵R=[rui] ,其中,n和m分别代表用户总数和物品总数,rui表示用户uu对物品ii的评分。
8.如权利要求6所述的基于多阶近邻预测的推荐方法,其特征在于,所述计算任意两个用户之间的相似度,具体包括:根据PCC相似度计算公式计算任意两个用户uu和uv之间的相似度;所述PCC相似度计算公式如下:其中,M表示用户uu和用户uv共同评分过的物品集合,rui和rvi分别表示用户uu和用户uv对物品ii的评分,和 分别代表用户uu和用户uv的评分均值。
9.如权利要求6所述的基于多阶近邻预测的推荐方法,其特征在于,所述目标用户的k阶近邻集为:其中, 表示用户uu的第k阶近邻集,近邻集之间互不相交且每阶近邻集大小相同。
10.如权利要求6所述的基于多阶近邻预测的推荐方法,其特征在于,第k次迭代后,重新预测目标用户uu对物品ii的评分为:其中, 表示目标用户uu的第k-1次迭代的评分均值, 表示近邻用户uv的第k-1次迭代的评分均值,S(u,k)表示用户uu的第k阶近邻集,N(i)表示对物品ii产生过行为的用户集,sim(uu,uv)表示目标用户uu和近邻用户uv的相似度。