1.一种基于改进协同过滤及惩罚标签评分的多样化推荐方法,其特征在于,包括:获取推荐对象相关数据并构建用户-物品交互矩阵,推荐对象相关数据包括用户日志和物品数据,用户-物品交互矩阵包括用户对物品的使用及使用时间,所述使用包括访问和评分;
根据用户-物品交互矩阵计算用户相似度和物品相似度,基于用户相似度生成基于用户的推荐列表,基于物品相似度生成基于物品的推荐列表;
基于预设权重,融合基于用户的推荐列表和基于物品的推荐列表,获取融合推荐列表;
收集物品的标签,使用标签评分算法计算标签热门程度并对融合推荐列表中的物品根据标签热门程度进行分数削减,生成最终的Top-K推荐列表。
2.根据权利要求1所述的基于改进协同过滤及惩罚标签评分的多样化推荐方法,其特征在于,所述用户-物品交互矩阵表示为其中,矩阵中的元素R
3.根据权利要求1所述的基于改进协同过滤及惩罚标签评分的多样化推荐方法,其特征在于,用户相似度采用皮尔逊相关系数、余弦相似度或Jaccard相似度来表示。
4.根据权利要求3所述的基于改进协同过滤及惩罚标签评分的多样化推荐方法,其特征在于,用户相似度表示为其中,
5.根据权利要求1所述的基于改进协同过滤及惩罚标签评分的多样化推荐方法,其特征在于,物品相似度采用余弦相似度表示。
6.根据权利要求1所述的基于改进协同过滤及惩罚标签评分的多样化推荐方法,其特征在于,物品相似度采用调整过的余弦相似度,表示为其中,
7.根据权利要求1所述的基于改进协同过滤及惩罚标签评分的多样化推荐方法,其特征在于,所述融合基于用户的推荐列表和基于物品的推荐列表,表示为其中,
8.根据权利要求7所述的基于改进协同过滤及惩罚标签评分的多样化推荐方法,其特征在于,所述使用标签评分算法计算标签热门程度并对融合推荐列表中的物品根据标签热门程度进行分数削减,包括以下步骤:收集物品数据里的标签,构建标签-物品的关系矩阵;
计算表示用户i对标签t的喜欢程度,表示为
其中,
根据
9.根据权利要求8所述的基于改进协同过滤及惩罚标签评分的多样化推荐方法,其特征在于,所述根据