基于柯西分布量子粒子群的混合推薦方法
【專利摘要】本發(fā)明公開了一種基于柯西分布量子粒子群的混合推薦方法。包括以下幾個(gè)步驟：構(gòu)建用戶對項(xiàng)目的評(píng)分矩陣；構(gòu)建用戶綜合相似度矩陣和項(xiàng)目綜合相似度矩陣，求得用戶和項(xiàng)目的最近鄰居集合；求得基于用戶推薦的第一項(xiàng)目預(yù)測評(píng)分值，基于項(xiàng)目推薦的第二項(xiàng)目預(yù)測評(píng)分值，和最終項(xiàng)目預(yù)測評(píng)分值；采用柯西分布量子粒子群算法搜索用戶評(píng)分與內(nèi)容的權(quán)值w1、項(xiàng)目評(píng)分與內(nèi)容的權(quán)值w2、用戶最近鄰居閾值w3、項(xiàng)目最近鄰居閾值w4、混合推薦權(quán)值w5這5個(gè)參數(shù)的最優(yōu)值，得到更新后的最終項(xiàng)目預(yù)測評(píng)分值；根據(jù)更新后的最終項(xiàng)目預(yù)測評(píng)分值，將項(xiàng)目進(jìn)行降序排列，選出排在前N位的項(xiàng)目推薦給用戶。本發(fā)明能夠快速尋找最佳的推薦參數(shù)組合，提高推薦的準(zhǔn)確度。
【專利說明】基于柯西分布量子粒子群的混合推薦方法
【技術(shù)領(lǐng)域】
[0001]本發(fā)明涉及一種推薦方法，尤其是一種能夠快速尋找最佳的推薦參數(shù)組合、提高推薦準(zhǔn)確度的基于柯西分布量子粒子群的混合推薦方法。
【背景技術(shù)】
[0002]推薦系統(tǒng)中處于核心和基礎(chǔ)地位的環(huán)節(jié)是推薦算法，算法一方面關(guān)系著推薦系統(tǒng)的性能，另一方面還決定了系統(tǒng)的實(shí)現(xiàn)方式和整體架構(gòu)設(shè)計(jì)，研究人員需按照實(shí)際的推薦問題選擇合適的算法設(shè)計(jì)對應(yīng)的推薦架構(gòu)。所以，目前有關(guān)推薦系統(tǒng)的研究工作也大多圍繞著推薦算法的研究與改進(jìn)而進(jìn)行，而且已經(jīng)有很多有效的改進(jìn)算法被提出?，F(xiàn)在的推薦系統(tǒng)中主流的推薦算法主要包括基于規(guī)則的推薦算法、基于內(nèi)容的推薦算法、基于網(wǎng)絡(luò)結(jié)構(gòu)的推薦算法、基于協(xié)同過濾的以及把兩種或兩種以上的推薦算法結(jié)合起來的混合推薦算法。其中，協(xié)同過濾算法是應(yīng)用最成功和最廣泛的推薦算法。每種推薦算法都有其各自的優(yōu)缺點(diǎn)和適用的范圍，隨著人們對推薦系統(tǒng)性能的要求日漸提高，在實(shí)際應(yīng)用中，推薦系統(tǒng)往往不能只依靠某一單一的算法 進(jìn)行推薦，而是將幾種推薦算法進(jìn)行優(yōu)勢結(jié)合，取長補(bǔ)短進(jìn)行混合推薦。
[0003]在推薦系統(tǒng)被普遍應(yīng)用的同時(shí)，算法的缺陷也開始表現(xiàn)出來，常見的諸如:數(shù)據(jù)稀疏性、用戶和項(xiàng)目的冷啟動(dòng)以及忽略用戶興趣隨時(shí)間變化等問題。

【發(fā)明內(nèi)容】

[0004]本發(fā)明的目的是提供一種具有高推薦準(zhǔn)確度的基于柯西分布量子粒子群的混合推薦方法。
[0005]本發(fā)明是通過以下技術(shù)方案實(shí)現(xiàn)的:
[0006]基于柯西分布量子粒子群的混合推薦方法，包括以下幾個(gè)步驟:
[0007]步驟一:構(gòu)建用戶對項(xiàng)目的評(píng)分矩陣，評(píng)分矩陣包括用戶編號(hào)、項(xiàng)目編號(hào)以及用戶評(píng)分；
[0008]步驟二:構(gòu)建用戶綜合相似度矩陣和項(xiàng)目綜合相似度矩陣，求得用戶和項(xiàng)目的最近鄰居集合；
[0009]建立相似度計(jì)算方程:
_ , 、Σ, (,、
[0010]ν)= ,— ,_— = X 0)(u, V)
犯'(隊(duì)-κ)2 犯
[0011]Cu，v表示用戶u和用戶ν各自評(píng)分項(xiàng)目集合的并集，Cu代表用戶u評(píng)分過的項(xiàng)目
集合，Cv代表用戶V評(píng)分過的項(xiàng)目集合，&代表用戶u對所有評(píng)價(jià)過的項(xiàng)目評(píng)分的均值，Rv
代表用戶ν對所有評(píng)價(jià)過的項(xiàng)目評(píng)分的均值，ω (u，ν)為相似權(quán)重值，WT(v，i)為時(shí)間因子，相似權(quán)重值ω (u, V)為:
【權(quán)利要求】
1.基于柯西分布量子粒子群的混合推薦方法，其特征在于，包括以下幾個(gè)步驟: 步驟一:構(gòu)建用戶對項(xiàng)目的評(píng)分矩陣，評(píng)分矩陣包括用戶編號(hào)、項(xiàng)目編號(hào)以及用戶評(píng)分； 步驟二:構(gòu)建用戶綜合相似度矩陣和項(xiàng)目綜合相似度矩陣，求得用戶和項(xiàng)目的最近鄰居集合； 建立相似度計(jì)算方程:
2.根據(jù)權(quán)利要求1所述的基于柯西分布量子粒子群的混合推薦方法，其特征在于:所述的步驟四包括以下幾個(gè)步驟: 步驟4.1:初始化種群規(guī)模為n，第i個(gè)粒子位置向量表示為Xi = (Xil, Xi2, Xi3, Xi4, Xi5)，Xil對應(yīng)用戶評(píng)分與內(nèi)容的權(quán)值wl，Xi2對應(yīng)項(xiàng)目評(píng)分與內(nèi)容的權(quán)值w2，Xi3對應(yīng)用戶最近鄰居閾值w3，Xi4對應(yīng)項(xiàng)目最近鄰居閾值w4，Xi5對應(yīng)混合推薦權(quán)值w5，最大迭代次數(shù)為pe ；步驟4.2:將初始種群粒子帶入最終項(xiàng)目預(yù)測評(píng)分值，把得到的最終項(xiàng)目預(yù)測評(píng)分值的平均絕對誤差MAE作為每個(gè)粒子的第一適應(yīng)度值f (Xi)； 步驟4.3:更新粒子位置為:
【文檔編號(hào)】G06N3/00GK103971161SQ201410195394
【公開日】2014年8月6日 申請日期:2014年5月9日 優(yōu)先權(quán)日:2014年5月9日
【發(fā)明者】王桐, 曲桂雪, 高洪元, 趙春暉, 徐賀 申請人:哈爾濱工程大學(xué)