一種基于協(xié)同過濾算法的項目推薦方法及系統(tǒng)的制作方法
【專利摘要】本發(fā)明涉及自動推薦技術領域，特別是涉及一種基于協(xié)同過濾算法的項目推薦方法及系統(tǒng)，該方法包括：離線對m個基本用戶的項目評分行為進行聚類分析，得到k個用戶聚類；離線確定聚類中心矩陣Ckxn和類別所屬程度矩陣Vmxk；在線利用所述聚類中心矩陣Ckxn和所述類別所屬程度矩陣Vmxk，對目標用戶進行項目推薦。本發(fā)明通過預先離線得到k個用戶聚類進而得到聚類中心矩陣Ckxn和類別所屬程度矩陣Vmxk來降低在線推薦時的工作量，進而保證推薦生成速度的目的，進而解決了傳統(tǒng)的協(xié)同過濾算法在生成推薦時的速度瓶頸問題。
【專利說明】
一種基于協(xié)同過濾算法的項目推薦方法及系統(tǒng)
技術領域
[0001]本發(fā)明涉及自動推薦技術領域，特別是涉及一種基于協(xié)同過濾算法的項目推薦方法及系統(tǒng)。
【背景技術】
[0002]當今，隨著互聯(lián)網(wǎng)和電子商務的發(fā)展，推薦系統(tǒng)已經(jīng)逐漸成為電子商務的一項重要研究內(nèi)容，得到了越來越多研究者的關注。目前，幾乎所有大型的電子商務系統(tǒng)，如Amazon，⑶NOW，eBay等等，都不同程度地使用了各種形式的自動推薦系統(tǒng)。
[0003]在現(xiàn)有的基于協(xié)同過濾算法的項目推薦過程中，首先，通過基本用戶對項目(如電子商務中的商品、電影、音樂、網(wǎng)頁及文獻等)的評分，對基本用戶的評分行為進行聚類分析，將基本用戶劃分為若干個類別，這樣與協(xié)同過濾系統(tǒng)結合，可以認為每個用戶隸屬于一個或多個潛在的類別;接著，根據(jù)目標用戶與各個基本用戶對項目評分之間的相似性，搜索目標用戶的最近鄰居;最后，根據(jù)向目標用戶產(chǎn)生推薦最近鄰居的評分較高的前一位或前幾位，即目標用戶對未評分項目的評分可以通過最近鄰居對該項目評分的加權平均值進行逼近，從而產(chǎn)生推薦。
[0004]現(xiàn)有的上述整個推薦過程均是在線完成的，然而，隨著電子商務系統(tǒng)規(guī)模的擴大，用于產(chǎn)生推薦的項目數(shù)據(jù)的數(shù)據(jù)量也在不斷增多，如果仍然在線完成上述整個推薦過程，工作量大耗時長，這會嚴重影響推薦生成的速度。

【發(fā)明內(nèi)容】

[0005]有鑒于此，本發(fā)明提供了一種基于協(xié)同過濾算法的項目推薦方法及系統(tǒng)，以實現(xiàn)降低在線推薦時的工作量，進而保證推薦生成速度的目的。
[0006]為解決上述技術問題，本發(fā)明提供一種基于協(xié)同過濾算法的項目推薦方法，該方法包括:
[0007]離線對m個基本用戶的項目評分行為進行聚類分析，得到k個用戶聚類；
[0008]離線確定聚類中心矩陣Ckxn和類別所屬程度矩陣Vmxk;
[0009]在線利用所述聚類中心矩陣Ckxn和所述類別所屬程度矩陣Vmxk，對目標用戶進行項目推薦；
[0010]其中，11為所有項目的數(shù)量，Ckxn={Cij}，Vmxk= {vpq}，Cij為聚類中心i對項目j的評分，vM為基本用戶P對于聚類中心q的相似系數(shù)；i = {I，2，…，k}，j = {l，2，-_，n}，p={l，2，."，m}，q={l，2，."，k}0
[0011]上述方法中，優(yōu)選地，所述在線利用所述聚類中心矩陣Ckxn和所述類別所屬程度矩陣Vmxk，對目標用戶進行項目推薦，包括:
[0012]利用所述聚類中心矩陣Ckxn，計算所述目標用戶與k個所述聚類中心之間的相似性，得到相似系數(shù)向量31*，31*=[81，82^"，81{]；
[0013]計算所述相似系數(shù)向量Slxk與所述類別所屬程度矩陣Vmxk各行之間的歐氏距離；
[0014]將歐氏距離最小的行對應的基本用戶作為所述目標用戶的最近鄰居，并參考所述最近鄰居的項目喜好情況，對所述目標用戶進行項目推薦。
[0015]上述方法中，優(yōu)選地，所述離線對m個基本用戶的項目評分行為進行聚類分析，得至IJk個用戶聚類，包括:
[0016]計算兩兩所述基本用戶之間的相似系數(shù)，并將相似系數(shù)大于預設閾值的兩個所述基本用戶歸為同一原始類別；
[0017]確定所有所述原始類別中包含所述基本用戶的數(shù)量排名前k位的原始類別；
[0018]將排名前k位的原始類別作為初始聚類，對m個所述基本用戶的項目評分行為進行聚類分析，得到k個所述用戶聚類。
[0019]上述方法中，優(yōu)選地，所述將排名前k位的原始類別作為初始聚類，對m個所述基本用戶的項目評分行為進行聚類分析，得到k個所述用戶聚類，包括:
[0020]將排名前k位的原始類別作為初始聚類，對m個所述基本用戶的項目評分行為進行基于K-Means算法的聚類分析，得到k個所述用戶聚類。
[0021]本發(fā)明還提供了一種基于協(xié)同過濾算法的項目推薦系統(tǒng)，該系統(tǒng)包括:
[0022]離線聚類單元，用于離線對m個基本用戶的項目評分行為進行聚類分析，得到k個用戶聚類；
[0023]離線相關矩陣確定單元，用于離線確定聚類中心矩陣Ckxn和類別所屬程度矩陣
Vmxk ；
[0024]在線推薦單元，用于在線利用所述聚類中心矩陣Ckxn和所述類別所屬程度矩陣Vmxk，對目標用戶進行項目推薦；
[0025]其中，11為所有項目的數(shù)量，Ckm={cij}，Vmxk= {vPq}，Cij為聚類中心i對項目j的評分，Vpq為基本用戶P對于聚類中心q的相似系數(shù)；i = U，2，…，k}，j = {l，2，-_，n}，p={l，2，."，m}，q={l，2，."，k}0
[0026]上述系統(tǒng)中，優(yōu)選地，所述在線推薦單元包括:
[0027]相似系數(shù)向量計算子單元，用于利用所述聚類中心矩陣Ckxn，計算所述目標用戶與k個所述聚類中心之間的相似性，得到相似系數(shù)向量Sb*，Sixk= [Si，S2，…，Sk];
[0028]歐氏距離計算子單元，用于計算所述相似系數(shù)向量Slxk與所述類別所屬程度矩陣V?k各行之間的歐氏距離；
[0029]推薦子單元，用于將歐氏距離最小的行對應的基本用戶作為所述目標用戶的最近鄰居，并參考所述最近鄰居的項目喜好情況，對所述目標用戶進行項目推薦。
[0030]上述系統(tǒng)中，優(yōu)選地，所述離線聚類單元包括:
[0031]原始類別確定子單元，用于計算兩兩所述基本用戶之間的相似系數(shù)，并將相似系數(shù)大于預設閾值的兩個所述基本用戶歸為同一原始類別；
[0032]排名子單元，用于確定所有所述原始類別中包含所述基本用戶的數(shù)量排名前的原始類別；
[0033]聚類子單元，用于將排名前k位的原始類別作為初始聚類，對m個所述基本用戶的項目評分行為進行聚類分析，得到k個所述用戶聚類。
[0034]上述系統(tǒng)中，優(yōu)選地，所述聚類子單元具體用于:將排名前k位的原始類別作為初始聚類，對m個所述基本用戶的項目評分行為進行基于K-Means算法的聚類分析，得到k個所述用戶聚類。
[0035]以上本發(fā)明提供的一種基于協(xié)同過濾算法的項目推薦方法及系統(tǒng)中，具體地，先離線對m個基本用戶的項目評分行為進行聚類分析，得到k個用戶聚類;接著基于這k個用戶聚類，離線確定聚類中心矩陣Ckm和類別所屬程度矩陣Vmxk ；其中，11為所有項目的數(shù)量，Cij為聚類中心i對項目j的評分，vPq為基本用戶P對于聚類中心q的相似系數(shù);最后，在線利用所述聚類中心矩陣Ckxn和所述類別所屬程度矩陣Vmxk，對目標用戶進行項目推薦。
[0036]可見，本發(fā)明通過預先離線得到k個用戶聚類進而得到聚類中心矩陣Ckxn和類別所屬程度矩陣Vmxk來降低在線推薦時的工作量，進而保證推薦生成速度的目的，進而解決了傳統(tǒng)的協(xié)同過濾算法在生成推薦時的速度瓶頸問題。
【附圖說明】
[0037]為了更清楚地說明本發(fā)明實施例或現(xiàn)有技術中的技術方案，下面將對實施例或現(xiàn)有技術描述中所需要使用的附圖作簡單地介紹，顯而易見地，下面描述中的附圖僅僅是本發(fā)明的實施例，對于本領域普通技術人員來講，在不付出創(chuàng)造性勞動的前提下，還可以根據(jù)提供的附圖獲得其他的附圖。
[0038]圖1為本發(fā)明實施例提供的一種基于協(xié)同過濾算法的項目推薦方法的流程圖；
[0039]圖2為本發(fā)明實施例提供的一種基于協(xié)同過濾算法的項目推薦系統(tǒng)的結構框圖示意圖。
【具體實施方式】
[0040]下面將結合本發(fā)明實施例中的附圖，對本發(fā)明實施例中的技術方案進行清楚、完整地描述，顯然，所描述的實施例僅僅是本發(fā)明一部分實施例，而不是全部的實施例?；诒景l(fā)明中的實施例，本領域普通技術人員在沒有做出創(chuàng)造性勞動前提下所獲得的所有其他實施例，都屬于本發(fā)明保護的范圍。
[0041]本發(fā)明的核心是提供一種基于協(xié)同過濾算法的項目推薦方法及系統(tǒng)，以實現(xiàn)降低在線推薦時的工作量，進而保證推薦生成速度的目的。
[0042]為了使本技術領域的人員更好地理解本發(fā)明方案，下面結合附圖和【具體實施方式】對本發(fā)明作進一步的詳細說明。
[0043]參考圖1，圖1示出了本發(fā)明實施例提供的一種基于協(xié)同過濾算法的項目推薦方法的流程圖，該方法具體可以包括如下步驟:
[0044]步驟S100、離線對m個基本用戶的項目評分行為進行聚類分析，得到k個用戶聚類。
[0045]本發(fā)明實施例方法的執(zhí)行主體為基于協(xié)同過濾算法的項目推薦系統(tǒng)，在實際應用過程中，該系統(tǒng)可以以軟件的形式運行在需要項目推薦的系統(tǒng)或終端中。
[0046]本發(fā)明對基本用戶進行聚類的目的是產(chǎn)生基本用戶的類別所屬程度矩陣Vmxk，即基本用戶與各聚類中心之間的相似性矩陣，使得系統(tǒng)能夠在線時通過類別所屬程度矩陣Vmxk快速搜索到目標用戶的最近鄰居。因而，可以理解的是，本發(fā)明對聚類的精確程度要求并不是很高，只需要獲得大多數(shù)元素的聚類即可。對于少量沒有進入聚類類別的用戶，我們只需獲得其對各個聚類中心的相似性即可。
[0047]目前的聚類方法有很多，本發(fā)明采用k-Means算法的思想對基本用戶進行聚類。其中，K-Means算法是很典型的基于距離的聚類算法，采用距離作為相似性的評價指標，即認為兩個對象的距離越近，其相似度就越大。該算法認為簇是由距離靠近的對象組成的，因此把得到緊湊且獨立的簇作為最終目標。由于在使用k-Means算法時需要事先給出聚類數(shù)目，因而，本發(fā)明首先采用對基本用戶進行預處理用以確定聚類數(shù)目。
[0048]在此過程中，首先，計算兩兩基本用戶之間的相似系數(shù)，并將相似系數(shù)大于預設閾值的兩個基本用戶歸為同一原始類別;然后，確定所有原始類別中包含基本用戶的數(shù)量排名前k位的原始類別；最后，將這些排名前k位的原始類別作為初始條件，通過它們計算出k個初始聚類中心，進而進一步聚類，具體地，將排名前k位的原始類別作為初始聚類，對m個基本用戶的項目評分行為進行聚類分析，得到k個用戶聚類。
[0049]在實際應用中，從算法的角度看上述確定用戶聚類的過程，具體實現(xiàn)過程可以如下:
[0050](I)經(jīng)過預處理計算產(chǎn)生的k個原始類別；
[0051](2)每個原始類別中任選一個對象作為初始的聚類中心；
[0052](3)for i = I:m{
[0053]分別計算基本用戶i與k個聚類中心之間的相似性，得到相似系數(shù)Vll，Vl2，....，
Vik；
[0054]取出這些相似系數(shù)中最大值；
[0055]If (該最大值〉相似性閾值)
[0056]{將基本用戶i所屬類別定為該最大值對應的聚類;}
[0057]}
[0058]同一聚類中的所有基本用戶的平均評分作為該聚類的聚類中心，重新計算每個聚類中心，until聚類中心不再發(fā)生變化。
[0059]步驟S101、離線確定聚類中心矩陣Ckxn和類別所屬程度矩陣Vmxk。
[0060]在聚類中心矩陣Ckxn中，Ckxn= {Cij}，k行代表k個用戶聚類中心，η為所有項目的數(shù)量，Clj為聚類中心i對項目j的評分，其是用戶聚類i中所有基本用戶對項目j評分的均值；i= {l，2，."，k}，j = {l，2，."，n}0
[0061 ]在類別所屬程度矩陣Vmxk中，Vmxk= {vPq}，m行代表m個基本用戶，k列代表k個用戶聚類，Vpq為基本用戶P對于聚類中心q的相似系數(shù)，其可以是基本用戶P和第q個用戶聚類中心之間的Pearson相關相似性度量。經(jīng)過聚類，聚類中心數(shù)目能夠遠遠小于基本用戶的數(shù)目，即是k<<m。同時，在實際系統(tǒng)中，聚類中心數(shù)目能夠遠遠小于項目的數(shù)目，即是k<<n—般總會成立;P= {1,2，...，m}，q={l，2，."，k}。
[0062]步驟S102、在線利用聚類中心矩陣Ckxn和類別所屬程度矩陣Vmxk，對目標用戶進行項目推薦。
[0063]本發(fā)明中，在上述離線處理結果(聚類中心矩陣Ckxn和類別所屬程度矩陣Vmxk)的基礎上，首先計算目標用戶與各個聚類中心之間的相似性，獲得目標用戶所屬各個聚類程度的向量，然后搜索類別所屬程度矩陣，確定目標用戶的最近鄰居。
[0064]具體地，關于在線搜索目標用戶最近鄰居的過程，具體地:
[0065]首先，利用聚類中心矩陣Ckxn，計算目標用戶與k個聚類中心之間的相似性，得到相似系數(shù)向量 Slxk，Slxk= [S1，S2，...，Sk]；
[0066]其次，計算相似系數(shù)向量Slxk與類別所屬程度矩陣Vmxk各行之間的歐氏距離；
[0067]最后，將歐氏距離最小的行對應的基本用戶作為目標用戶的最近鄰居，在得到目標用戶的最近鄰居后，下一步可以直接產(chǎn)生對目標用戶的推薦，具體地，可以參考最近鄰居的項目喜好情況，對目標用戶進行項目推薦。
[0068]可見，本發(fā)明通過預先離線得到k個用戶聚類進而得到聚類中心矩陣Ckxn和類別所屬程度矩陣Vmxk來降低在線推薦時的工作量，進而保證推薦生成速度的目的，進而解決了傳統(tǒng)的協(xié)同過濾算法在生成推薦時的速度瓶頸問題。
[0069]同時實驗結果表明，本發(fā)明提出的算法在一定程度上能夠提高推薦質量。
[0070]基于上述本發(fā)明實施例提供的基于協(xié)同過濾算法的項目推薦方法，本發(fā)明實施例還提供了一種基于協(xié)同過濾算法的項目推薦系統(tǒng)，參考圖2，該系統(tǒng)200可以包括如下內(nèi)容:[0071 ]離線聚類單元201，用于離線對m個基本用戶的項目評分行為進行聚類分析，得到k個用戶聚類；
[0072]離線相關矩陣確定單元202，用于離線確定聚類中心矩陣Ckxn和類別所屬程度矩陣
Vmxk ；
[0073]在線推薦單元203，用于在線利用聚類中心矩陣Ckxn和類別所屬程度矩陣Vmxk，對目標用戶進行項目推薦；
[0074]其中，11為所有項目的數(shù)量，Ckm={cij}，Vmxk= {vPq}，Cij為聚類中心i對項目j的評分，Vpq為基本用戶P對于聚類中心q的相似系數(shù)；i = U，2，…，k}，j = {l，2，-_，n}，p={l，2，."，m}，q={l，2，."，k}0
[0075]本發(fā)明中，上述在線推薦單元203具體可以包括如下內(nèi)容:
[0076]相似系數(shù)向量計算子單元，用于利用聚類中心矩陣Ckxn，計算目標用戶與k個聚類中心之間的相似性，得到相似系數(shù)向量SlXk ,Slxk= [SI，S2，…，Sk];
[0077]歐氏距離計算子單元，用于計算相似系數(shù)向量Slxk與類別所屬程度矩陣Vmxk各行之間的歐氏距離；
[0078]推薦子單元，用于將歐氏距離最小的行對應的基本用戶作為目標用戶的最近鄰居，并參考最近鄰居的項目喜好情況，對目標用戶進行項目推薦。
[0079]本發(fā)明中，上述離線聚類單元201具體可以包括如下內(nèi)容:
[0080]原始類別確定子單元，用于計算兩兩基本用戶之間的相似系數(shù)，并將相似系數(shù)大于預設閾值的兩個基本用戶歸為同一原始類別；
[0081]排名子單元，用于確定所有原始類別中包含基本用戶的數(shù)量排名前k位的原始類別；
[0082]聚類子單元，用于將排名前k位的原始類別作為初始聚類，對m個基本用戶的項目評分行為進行聚類分析，得到k個用戶聚類。
[0083]進一步地，上述聚類子單元具體可以用于:將排名前k位的原始類別作為初始聚類，對m個基本用戶的項目評分行為進行基于K-Means算法的聚類分析，得到k個用戶聚類。
[0084]需要說明的是，本說明書中的各個實施例均采用遞進的方式描述，每個實施例重點說明的都是與其它實施例的不同之處，各個實施例之間相同相似的部分互相參見即可。對于系統(tǒng)類實施例而言，由于其與方法實施例基本相似，所以描述得比較簡單，相關之處參見方法實施例的部分說明即可。
[0085]以上對本發(fā)明所提供的一種基于協(xié)同過濾算法的項目推薦方法及系統(tǒng)進行了詳細介紹。本文中應用了具體個例對本發(fā)明的原理及實施方式進行了闡述，以上實施例的說明只是用于幫助理解本發(fā)明的方法及其核心思想。應當指出，對于本技術領域的普通技術人員來說，在不脫離本發(fā)明原理的前提下，還可以對本發(fā)明進行若干改進和修飾，這些改進和修飾也落入本發(fā)明權利要求的保護范圍內(nèi)。
【主權項】
1.一種基于協(xié)同過濾算法的項目推薦方法，其特征在于，該方法包括: 離線對m個基本用戶的項目評分行為進行聚類分析，得到k個用戶聚類； 離線確定聚類中心矩陣Ckxn和類別所屬程度矩陣Vmxk; 在線利用所述聚類中心矩陣Ckxn和所述類別所屬程度矩陣Vmxk，對目標用戶進行項目推薦； 其中，11為所有項目的數(shù)量，Ckm= { Cij }，Vmxk= {vpq}，Cij為聚類中心i對項目j的評分，Vpq為基本用戶P對于聚類中心q的相似系數(shù);i = {I，2，...，k}，j = {I，2，...，n}，p= {I，2，…，m}，q={l,2,---,k}02.如權利要求1所述的方法，其特征在于，所述在線利用所述聚類中心矩陣Ckxn和所述類別所屬程度矩陣Vmxk，對目標用戶進行項目推薦，包括: 利用所述聚類中心矩陣Ckxn，計算所述目標用戶與k個所述聚類中心之間的相似性，得至丨」相似系數(shù)向量31成，31成=[81，82，‘"，81<]； 計算所述相似系數(shù)向量Slxk與所述類別所屬程度矩陣Vmxk各行之間的歐氏距離； 將歐氏距離最小的行對應的基本用戶作為所述目標用戶的最近鄰居，并參考所述最近鄰居的項目喜好情況，對所述目標用戶進行項目推薦。3.如權利要求1或2所述的方法，其特征在于，所述離線對m個基本用戶的項目評分行為進行聚類分析，得到k個用戶聚類，包括: 計算兩兩所述基本用戶之間的相似系數(shù)，并將相似系數(shù)大于預設閾值的兩個所述基本用戶歸為同一原始類別； 確定所有所述原始類別中包含所述基本用戶的數(shù)量排名前k位的原始類別； 將排名前k位的原始類別作為初始聚類，對m個所述基本用戶的項目評分行為進行聚類分析，得到k個所述用戶聚類。4.如權利要求3所述的方法，其特征在于，所述將排名前k位的原始類別作為初始聚類，對m個所述基本用戶的項目評分行為進行聚類分析，得到k個所述用戶聚類，包括: 將排名前k位的原始類別作為初始聚類，對m個所述基本用戶的項目評分行為進行基于K-Means算法的聚類分析，得到k個所述用戶聚類。5.一種基于協(xié)同過濾算法的項目推薦系統(tǒng)，其特征在于，該系統(tǒng)包括: 離線聚類單元，用于離線對m個基本用戶的項目評分行為進行聚類分析，得到k個用戶聚類； 離線相關矩陣確定單元，用于離線確定聚類中心矩陣Ckxn和類別所屬程度矩陣Vmxk;在線推薦單元，用于在線利用所述聚類中心矩陣Ckxn和所述類別所屬程度矩陣Vmxk，對目標用戶進行項目推薦； 其中，11為所有項目的數(shù)量，Ckm= { Cij }，Vmxk= {vpq}，Cij為聚類中心i對項目j的評分，Vpq為基本用戶P對于聚類中心q的相似系數(shù);i = {I，2，...，k}，j = {I，2，...，n}，p= {I，2，…，m}，q={l,2,---,k}06.如權利要求5所述的系統(tǒng)，其特征在于，所述在線推薦單元包括: 相似系數(shù)向量計算子單元，用于利用所述聚類中心矩陣Ckxn，計算所述目標用戶與k個所述聚類中心之間的相似性，得到相似系數(shù)向量SlXk，Slxk= [SI，S2，…，Sk]; 歐氏距離計算子單元，用于計算所述相似系數(shù)向量Slxk與所述類別所屬程度矩陣Vmxk各行之間的歐氏距離； 推薦子單元，用于將歐氏距離最小的行對應的基本用戶作為所述目標用戶的最近鄰居，并參考所述最近鄰居的項目喜好情況，對所述目標用戶進行項目推薦。7.如權利要求5或6所述的系統(tǒng)，其特征在于，所述離線聚類單元包括: 原始類別確定子單元，用于計算兩兩所述基本用戶之間的相似系數(shù)，并將相似系數(shù)大于預設閾值的兩個所述基本用戶歸為同一原始類別； 排名子單元，用于確定所有所述原始類別中包含所述基本用戶的數(shù)量排名前k位的原始類別； 聚類子單元，用于將排名前k位的原始類別作為初始聚類，對m個所述基本用戶的項目評分行為進行聚類分析，得到k個所述用戶聚類。8.如權利要求7所述的系統(tǒng)，其特征在于，所述聚類子單元具體用于:將排名前k位的原始類別作為初始聚類，對m個所述基本用戶的項目評分行為進行基于K-Means算法的聚類分析，得到k個所述用戶聚類。
【文檔編號】G06F17/30GK105824942SQ201610160007
【公開日】2016年8月3日
【申請日】2016年3月21日
【發(fā)明人】袁文濤, 董啟文
【申請人】上海珍島信息技術有限公司