专利交易市场

本发明公开了一种基于层次化物品协同过滤推荐方法，包括以下步骤：收集用户对物品的行为数据以及物品的元数据；对收集的行为数据和物品的元数据进行建模和物品相似度计算；基于层次化物品协同过滤的推荐。本发明主要是利用多种数据，包括用户对物品的行为数据和物品的元数据信息，以此计算物品之间的相似度并实施基于层次化物品协同过滤的推荐，缓解数据稀疏和冷启动问题的影响，进而改进推荐结果的准确率和多样性。

本发明提供了一种基于显性和隐性信任的协同过滤推荐方法，包括：根据用户物品评分矩阵R，计算用户u对用户v进行预测评分时的准确性；计算用户u对用户v的依赖程度；根据准确性和依赖程度，计算用户u对用户v的隐性信任度；根据隐性信任度对用户物品评分矩阵R进行填充；计算用户u对物品的评分置信度；根据评分置信度和填充处理后的用户物品评分矩阵，计算用户u对用户v之间的相似性；计算用户u的全局信任度，以及用户u对用户v的局部信任度；根据全局信任度和局部信任度，计算用户u对用户v的最终信任度；修正用户u的潜在特征用户矩阵；根据潜在用户特征矩阵，预测用户u对物品i的评分。本发明能解决由于信息过载导致的数据稀疏和用户冷启动问题，提高推荐准确性。

本发明公开了一种贝叶斯协同过滤推荐方法。本发明一种贝叶斯协同过滤推荐方法，包括：模型的输入为协同过滤推荐系统的评分矩阵分解为两个潜在矩阵其中对于M×K的矩阵Uik表示用户i属于组k的概率，Uik∈(0,1)；对于N×K的矩阵Vjk表示用户组k喜欢商品j的证据，即预测评分矩阵R'＝UVT；由于数据集R比较稀疏，所以观察的条目可以用集合Ω＝{(i,j)|Rij is observed}；对这个问题采取概率方法；对观测数据表示一个似然函数，并将潜在矩阵作为随机变量来处理；当假设R的每个值来自U和V的乘积时，加上一些高斯噪声本发明的有益效果：用户的喜好多种多样，不会像小数据集中体现出口味较为一致。现实数据集中存在大量数据缺失问题，如果对证据不足难以预测的值，都预测为中值或者为平均值就失去了推荐的意义。