1.一种基于隐特征和评分的物品推荐算法,其特征在于,包括以下步骤:(1)对输入数据进行处理,提取用户评分数据,构建用户‑物品评分矩阵;
(2)引入活跃度惩罚因子,计算惩罚活跃用户后的协同过滤算法的相似度;
(3)基于构建的用户‑物品评分矩阵,引入时间因素和引入惩罚因子惩罚活跃用户,计算基于时间权重的皮尔逊相似度;
(4)基于引入的一个物品流行度权重因子,采用指数函数代替两个物品间的流行度差异融入基于时间权重和物品流行度的皮尔逊相似度计算中;
(5)利用步骤(2)计算出的协同过滤算法的相似度和步骤(4)计算出的皮尔逊相似度的加权和计算当前物品与所有其它物品之间最终的相似度;并将计算出的最终的相似度从大到小排序,得到和物品最相似的前k个物品构成相似物品集合;
(6)基于构建的用户‑物品评分矩阵、计算的最终的相似度和引入的一个时间权重函数,根据协同过滤算法计算用户对未评物品的预测兴趣度;并对计算出的用户对未评物品的预测兴趣度进行从大到小排序,把排序后的前N个未评物品推荐给用户。
2.根据权利要求1所述的基于隐特征和评分的物品推荐算法,其特征在于,所述步骤(1)中构建用户‑物品评分矩阵,包括:将提取的用户评分数据表述为矩阵,建立m*n阶user‑items评分矩阵R=(rmn),所述评分矩阵形式如下:
其中,m表示用户总数,n表示物品总数,rmn表示第m个用户对第n个物品的评分。
3.根据权利要求1所述的基于隐特征和评分的物品推荐算法,其特征在于,所述步骤(2)中引入的活跃度惩罚因子为 其中N(u)表示用户u喜欢的物品的集合;所述惩罚活跃用户后的协同过滤算法的相似度计算公式为:其中,i、j表示物品,N(i)表示对物品i反馈的用户集合,N(j)表示对物品j反馈的用户集合。
4.根据权利要求1所述的基于隐特征和评分的物品推荐算法,其特征在于,所述步骤(3)具体包括:
引入指数衰减函数作为时间因素,所述指数衰减函数具体为:其中,k为衰减速率,ti为物品i的平均评分时间,tj为物品j的平均评分时间;
引入惩罚因子 惩罚活跃用户,其中I(u)表示用户反馈物品评价的总数;
并且,计算基于时间权重的皮尔逊相似度采用公式:其中,Ii,j为物品i,j的公共评分集,Ri,u为物品i被用户u的评分,Rj,u为物品j被用户u的评分, 为物品i的平均得分, 为物品j的平均得分。
5.根据权利要求1所述的基于隐特征和评分的物品推荐算法,其特征在于,所述步骤(4)具体包括:
引入一个物品流行度权重因子 其中item_w是指某物品的流行度,avg_w是指所有物品的平均流行度;
采用指数函数代替两个物品间的流行度差异γ,如式所示: 其中,θi为物品i的流行度,θj为物品j的流行度;
对任意物品i和物品j,将流行度差异γ融入基于时间权重的皮尔逊相似度计算中,所述基于时间权重的皮尔逊相似度计算采用公式:其中,Ii,j为物品i,j的公共评分集,Ri,u为物品i被用户u的评分,Rj,u为物品j被用户u的评分, 为物品i的平均得分, 为物品j的平均得分;f(t)为指数衰减函数。
6.根据权利要求1所述的基于隐特征和评分的物品推荐算法,其特征在于,所述步骤(5)中利用步骤(2)计算出的协同过滤算法的相似度和步骤(4)计算出的皮尔逊相似度的加权和作为物品与所有其它物品之间最终的相似度sim_m,公式为:sim_m=α·Wij+(1‑α)·sim其中,系数α∈[0,1];Wij为协同过滤算法的相似度;sim为皮尔逊相似度。
7.根据权利要求1所述的基于隐特征和评分的物品推荐算法,其特征在于,所述步骤(6)中引入的一个时间权重函数Tinterest为:其中,timei表示用户最早评论物品的时间与评论当前物品的时间之间的时间间隔,timetol表示用户最早评论物品的时间与最近评论的物品的时间之间的时间间隔,τ是设置的权重值;
以及,所述计算用户对未评物品z的预测兴趣度Pu,z,采用公式:其中,N(u)表示用户u喜欢的物品的集合,S(z,k)表示和未评物品z最相似的k个物品的集合,sim_mzi表示未评物品z和物品i之间最终的相似度,rui表示用户u对物品i的评分。