(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 20221043769 9.2 (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. G06F 16/9535(2019.01) G06F 16/9536(2019.01) G06F 16/2455(2019.01) G06K 9/62(2022.01) G06Q 30/06(2012.01) (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T op‑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。 权利要求书4页 说明书11页 附图2页 CN 114741603 A 2022.07.12 CN 114741603 A 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 阵HR， 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)：权　利　要　求　书 1/4 页 2 CN 114741603 A 2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为噪点， 进行降噪； 步骤5、 获取用户预测评价与商品预测评价， 引入融合因子α， 获取最终预测评价， 并得 到Top‑n推荐集； 具体如下： 根据已完成的用户聚类以及商品聚类的聚类结果可以找到用户 和商品的邻居集N， 邻 居集N中存放与用户或商品高度相似的其他用户或商品属 性向量， 进行预测评价时会根据 邻居集中邻居用户或商品的真实评价进行 预测； 引入用户商品评价矩阵r， r中存有用户对商品的真实评价， 也存有用户对商品的未知 评价， 对未知评价进行 预测评价与真实评价结合可以获得Top ‑n推荐集； 根据聚类结果以及邻居集进行预测评价， 基于用户聚类的预测评价可表示为公式(9)、 基于商品聚类的预测评价可表示 为(10)： 其中， Pi,u表示基于用户聚类， 用户i对商品u的预测评价； 表示用户i评价的均值； Ni表 示用户i的邻居集； rj,u表示用户j对商品u的评价； 表示用户j评价的均值； sim(i,j)表示 用户i与用户j属性的相似度； 其中， Qi,u表示基于商品 聚类用户i对商品u的预测评价； Nu表示商品u的邻居集； ri,v表示 用户i对商品v的评价； sim(v,u)表示商品v与商品u属性的相似度； 首先， 根据如公式(9)和公式(10)所示的基于用户聚类与基于商品聚类的预测评价； 而 后引入融合因子α， 利用两个预测评价结合融合因子α 共同生 成最终预测评价； 最后， 将最 终 预测评价代替用户评价矩阵r中的未知评价， 结合已有的真实评价， 对每个用户选取其评价 最高的n个商品(Top ‑n)， 生成Top ‑n推荐集合M； 融合公式表示 为(11)： Fi,u＝α×Qi,u+(1‑α )×Pi,u                    (11) 其中， Fi,u表示用户i对商品u的预测评价； α 为融合因子， 该方法相比于单独基于用户聚 类或者是 单独基于商品聚类预测更加准确， 其中α ∈[0,1]； 步骤6、 对 交易数据进行Apriori关联规则挖掘， 根据用户的购买记录， 获得存在关联规 则的商品推荐集； 具体如下： 引入交易数据， 其中存放一定时间内单一用户购买过的所有商品ID， 并对交易数据进权　利　要　求　书 2/4 页 3 CN 114741603 A 3