基于用户聚类和商品聚类的混合协同过滤推荐算法.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN114741603A(43)申请公布日2022.07.12(21)申请号202210437699.2(22)申请日2022.04.25(71)申请人大连理工大学地址116024辽宁省大连市甘井子区凌工路２号(72)发明人周宽久高崧豪李浚瑀刘楠(74)专利代理机构辽宁鸿文知识产权代理有限公司21102专利代理师许明章王海波(51)Int.Cl.G06F16/9535(2019.01)G06F16/9536(2019.01)G06F16/2455(2019.01)G06K9/62(2022.01)G06Q30/06(2012.01)权利要求书4页说明书11页附图2页(54)发明名称基于用户聚类和商品聚类的混合协同过滤推荐算法(57)摘要一种基于用户聚类和商品聚类的混合协同过滤推荐算法，针对互联网电商平台，设计属性偏好矩阵实现系统推荐冷启动；再对聚类结果进行降噪处理，并引入融合因子α，获取Top‑n推荐集。最后，根据购买记录分析商品间的关联规则和用户对商品属性的偏好权值，获得关联规则推荐集与用户个性化推荐集，结合Top‑n推荐集共同得到用户推荐列表，完成对多维度精准推荐。本发明能够在冷启动阶段没有实际购买数据的情况下，对用户进行较为精准的推荐；并且在聚类中利用双重聚类算法与聚类降噪处理，使推荐算法较传统推荐算法在推荐精准度方面有较大幅度提升，此外本发明利用关联规则分析，结合ID3进行赋权实现对商品间关联规则和用户个性的推荐，推荐结果更加科学、全面。CN114741603ACN114741603A权利要求书1/4页1.一种基于用户聚类和商品聚类的混合协同过滤推荐算法，其特征在于，包括以下步骤：步骤1、引用外部购买记录获得用户属性对商品属性的评价矩阵；通过对外部购买记录的利用，获得用户属性对商品属性的评价矩阵C，评价矩阵如公式(1)或公式(2)所示：Ue×C×Pe＝Ee(1)其中，e下标所示，为外部购买记录内容；Ue表示用户属性矩阵，行为外部数据源用户ID，列为用户属性；C表示用户属性对商品属性的评价矩阵，行为用户属性，列为商品属性；Pe表示商品属性矩阵，行为商品属性，列为外部数据源商品ID；Ee表示，用户商品评价矩阵；表示，Ue矩阵的逆矩阵，表示Pe矩阵的逆矩阵；公式(1)可等同于公式(2)；采用如下所示的左逆矩阵(3)与右逆矩阵(4)，实现上述公式：HL＝(HT×H)‑1×HT(3)HR＝HT×(HT×H)‑1(4)其中，H为m行n列矩阵：当m≥n时，H有左逆矩阵HL，计算公式为(3)；当m≤n时，H有右逆矩R阵H，计算公式为(4)；因此，当Ue行数≥列数时，代入公式(3)求出当Pe行数≤列数时，代入公式(4)求出Ue与Pe的选取显然符合上述条件；由此，通过公式(2)能够获得C矩阵，该矩阵具有普遍性，能够与系统中用户属性矩阵和商品属性矩阵结合完成冷启动；步骤2、将用户属性对商品属性的评价矩阵、系统中用户属性矩阵和商品属性矩阵结合，获得初始用户评价矩阵，选取Top‑n，完成冷启动；具体如下：引入外部购买记录获得用户属性对商品属性的评价矩阵C，解决冷启动阶段无法推荐的问题，将其与系统中已有用户信息及商品信息结合，得到用户评价矩阵，表示为公式(5)：Ui×C×Pi＝Ei(5)其中，Ui表示本系统用户属性矩阵，行为用户ID，列为用户属性；Pi表示本系统商品属性矩阵，行为商品属性，列为商品ID；Ei表示本系统初始用户商品评价矩阵；对Ei中每个用户对商品的评分进行排序，选取评分最高的n个商品，进行初步推荐；由此，可实现冷启动阶段对用户的Top‑n推荐，完成冷启动；在系统积累一定的用户、商品以及评价数据后，进行后续步骤；步骤3、利用系统中已有的用户属性矩阵和商品属性矩阵，分别对用户与商品进行聚类，确定初始簇心，并进行聚类迭代，直至类簇稳定不变；具体如下：3.1)采用余弦相似定理计算用户之间和商品之间的相似度，3.2)在K‑Means聚类中，利用簇心聚集相似的用户或商品；选取彼此最不相似的k个点作为初始簇心；3.3)类簇是簇心聚集的用户或商品向量的容器，存放相似度高的用户或商品向量；为使聚类结果稳定，计算类簇内所有向量均值作为新簇心，与原簇心作比较，该方法表示为公式(7)：2CN114741603A权利要求书2/4页其中，Kold为原簇心，Knew为新簇心，n为类簇B中的向量个数，b为类簇B中的向量；首先，利用公式(7)计算向量与各初始簇心相似度；而后，将向量分配到与其最相似簇心所在的类簇中；最后，计算该类簇中所有向量和的均值作为新簇心Knew：若Knew＝Kold，则表明该类簇稳定，否则使Knew替换Kold，重复上述操作，直至所有类簇稳定；步骤4、降噪处理，将靠近多个簇心的向量识别