專利名稱：：推薦系統(tǒng)及方法
技術(shù)領(lǐng)域：
：本發(fā)明涉及網(wǎng)絡(luò)技術(shù)，尤其涉及一種推薦系統(tǒng)及方法。技術(shù)背景隨著互聯(lián)網(wǎng)的普及和電子商務(wù)的迅速發(fā)展，推薦系統(tǒng)已被廣泛用到各種領(lǐng)域，成為信息技術(shù)(informationtechnology,IT)^支術(shù)的一個重要研究內(nèi)容，得到越來越多的關(guān)注。目前，幾乎所有大型的電子商務(wù)系統(tǒng)，如Amazon、CDN0W、eBay、當(dāng)當(dāng)網(wǎng)上書店等，都不同程度的使用了各種形式的推薦系統(tǒng)。一種推薦系統(tǒng)是基于用戶的協(xié)同推薦，即根據(jù)評分相似的最近鄰居的評分?jǐn)?shù)據(jù)，向目標(biāo)用戶產(chǎn)生推薦。另一種推薦系統(tǒng)是基于項目的協(xié)同推薦，即基于項目的協(xié)同過濾推薦，其依賴于項目的相似度來進(jìn)行推薦。發(fā)明人在實現(xiàn)本發(fā)明的過程中，發(fā)現(xiàn)現(xiàn)有技術(shù)至少存在以下缺陷這兩種推薦系統(tǒng)對于評分?jǐn)?shù)據(jù)稀疏的情況，均存在推薦質(zhì)量低的問題。通常在電子商務(wù)網(wǎng)站中，用戶購買或評分的商品相對于總商品數(shù)量，僅占有限的百分比，導(dǎo)致用戶對項目的評分?jǐn)?shù)據(jù)集稀疏。在這種項目數(shù)據(jù)量大而評分?jǐn)?shù)據(jù)又稀疏的情況下，前一種推薦系統(tǒng)一方面難以成功地定位鄰居用戶集，影響推薦精度；另一方面由于難以定位鄰居用戶集，使得在整個用戶空間上計算相似用戶群的過程，不可避免地成為了算法的瓶頸。后一種推薦系統(tǒng)在預(yù)先計算項目相似度時，大部分項目之間的相似度為零，直接影響了推薦效果，推薦的準(zhǔn)確性不高。
發(fā)明內(nèi)容本發(fā)明實施例提出一種推薦系統(tǒng)及方法，以全面地綜合考慮推薦因素提高推薦的準(zhǔn)確性。本發(fā)明實施例提供了一種推薦系統(tǒng)，包括推薦控制模塊，接收目標(biāo)用戶的請求，根據(jù)所述目標(biāo)用戶的請求調(diào)用待推薦集確定模塊、評分預(yù)測模塊和推薦生成模塊；待推薦集確定模塊，用于根據(jù)所述調(diào)用獲取目標(biāo)用戶已評分項目的鄰居項目集合，以及獲取所述目標(biāo)用戶的鄰居用戶已評分的項目集合，并計算所述鄰居項目集合與所述項目集合的交集，確定待推薦項目集合；評分預(yù)測模塊，用于根據(jù)所述調(diào)用獲取所述目標(biāo)用戶對所述待推薦項目集合中各項目的預(yù)測評分；推薦生成模塊，用于在所述推薦控制模塊的調(diào)用下，根據(jù)所述預(yù)測評分生成向所述目標(biāo)用戶推薦的相應(yīng)項目，發(fā)送給所述目標(biāo)用戶。本發(fā)明實施例還提供了一種推薦方法，包括獲取目標(biāo)用戶已評分項目的鄰居項目集合，以及所述目標(biāo)用戶的鄰居用戶已評分的項目集合，計算所述鄰居項目集合與所述項目集合的交集，獲得待推薦項目集合；獲取所述目標(biāo)用戶對所述待推薦項目集合中各項目的預(yù)測評分；根據(jù)所述預(yù)測評分向所述目標(biāo)用戶推薦相應(yīng)的項目。行預(yù)測評分，預(yù)測評分考慮的因素更全面，項目推薦的準(zhǔn)確性更高。圖1為本發(fā)明推薦系統(tǒng)實施例一的結(jié)構(gòu)示意圖；圖2為本發(fā)明推薦系統(tǒng)實施例二的結(jié)構(gòu)示意圖；圖3為本發(fā)明推薦系統(tǒng)實施例三的結(jié)構(gòu)示意圖；圖4為本發(fā)明推薦系統(tǒng)實施例四的結(jié)構(gòu)示意圖；圖5為本發(fā)明推薦方法實施例一的流程示意圖；圖6為本發(fā)明推薦方法實施例二的流程示意圖；圖7為本發(fā)明推薦方法實施例中預(yù)測評分實施例的流程示意圖。具體實施方式圖1為本發(fā)明推薦系統(tǒng)實施例一的結(jié)構(gòu)示意圖，推薦系統(tǒng)包括待推薦集確定模塊5、評分預(yù)測模塊6、推薦生成模塊7及推薦控制模塊8，其中，待推薦集確定模塊5用于獲取目標(biāo)用戶已評分項目的鄰居項目集合；以及獲取所述目標(biāo)用戶的鄰居用戶集合已評分的項目集合，并計算所述鄰居項目集合與所述項目集合的交集；推薦控制模塊8用于在接收到目標(biāo)用戶的請求時，分別調(diào)用所述待推薦集確定模塊5、評分預(yù)測模塊6及推薦生成模塊7,所述待推薦集確定模塊5生成待推薦的各個項目，即確定待推薦項目集合，評分預(yù)測模塊6對待推薦項目集合中的各待推薦項目進(jìn)行預(yù)測評分，所述推薦生成模塊7最后將按所述預(yù)測評分的結(jié)果生成向目標(biāo)用戶推薦的項目，之后由所述推薦控制模塊向目標(biāo)用戶進(jìn)行推薦。本實施例中，項目與用戶的分類可以參考現(xiàn)有技術(shù)，待推薦集確定模塊5獲取各項目的鄰居項目時，可以從已經(jīng)分類的各類項目中找到各項目的鄰居項目。各類項目可以直接通過項目的單個維度或多個維度對項目進(jìn)行分類得到，同一分類中的項目互為鄰居項目。以音樂為例，可以以"歌手"維度為基準(zhǔn)，所有"周杰倫"的歌曲可以看作一組，組內(nèi)歌曲互為鄰居歌曲；并且，為提高推薦準(zhǔn)確度，還可以進(jìn)一步取相似度最高的前幾項作為鄰居項目，例如歌曲之間可以以固定的常量或者通過人工定義數(shù)值作為相似度，將相似度最高的同類項目中的前幾項作為鄰居項目；各類項目還可以以用戶-項目評分矩陣為基礎(chǔ)，直接通過余弦相似度等數(shù)學(xué)計算公式計算項目的相似度以確定項目的鄰居項目。為便于說明，4叚設(shè)可用數(shù)據(jù)為根據(jù)用戶對于項目的評分建立的用戶-項目評分矩陣，如表1所示。<table>tableseeoriginaldocumentpage12</column></row><table>用戶954以表1為例，如確定項目2的鄰居項目，首先確定與給定項目有共同評分用戶的項目集合，即確定對項目2評過分的用戶如用戶1、用戶2、用戶3，獲取用戶1、用戶2、用戶3已評過分的項目如項目1、項目3、項目4及項目7;然后根據(jù)相似度計算方法計算給定項目與項目集合中的各項目的相似度，常用的相似度計算方法包括余弦相似法、相關(guān)相似法、皮爾森相關(guān)法等，這里以余弦法為例，即通過余弦計算公式計算項目2與項目1、項目3、項目4、項目7的相似度，以項目2和項目l為例，相似度S-=0.65;最后，取相似度最高的前n>/5*5+4*4+4*4*>/3*3+2*2+3*3個項目作為給定項目如項目2的鄰居項目。待推薦集確定模塊5獲取目標(biāo)用戶的鄰居用戶時，可以從已經(jīng)分類的據(jù)，進(jìn)行分類，得到各類用戶。這里的分組指用戶之間的好友關(guān)系，即目標(biāo)用戶的好友可以作為目標(biāo)用戶的鄰居用戶，或者處在共同的群組中用戶互為鄰居用戶，比如音樂網(wǎng)站中共同加入"劉德華歌友圈"的用戶群中的用戶可以確認(rèn)互為鄰居用戶；為提高推薦準(zhǔn)確度，也可以進(jìn)一步通過用戶之間的相似度來確定目標(biāo)用戶的鄰居用戶，相似度可以用一個人為定義的數(shù)值或者依據(jù)群的屬性以及用戶屬性來確定；還可以基于用戶-項目評分矩陣來確定用戶的鄰居用戶，處理方式與上述項目的鄰居項目相類似。推薦集確定模塊5將獲取的目標(biāo)用戶已評分項目的鄰居項目集合及目標(biāo)用戶的鄰居用戶已評分的項目集合，做交集運(yùn)算處理，得到待推薦項目集合。評分預(yù)測模塊6用于獲取所述目標(biāo)用戶對所述待推薦項目集合中各項目的預(yù)測評分。評分預(yù)測模塊6可以單獨(dú)基于用戶或單獨(dú)基于項目對待推薦項目集合中的項目進(jìn)行預(yù)測評分，評分預(yù)測4莫塊6也可以基于用戶與項目的綜合考慮待推薦項目的預(yù)測評分。在基于用戶與項目的綜合考慮待推薦項目的預(yù)測評分的情況下，評分預(yù)測模塊6用于通過獲取所述目標(biāo)用戶對所述待推薦項目集合中各項目的鄰居項目的評分，計算所述目標(biāo)用戶對所述待推薦項目中的各待推薦項目的第一預(yù)測評分；通過獲取所述目標(biāo)用戶的鄰居用戶對所述待推薦項目集合中各待推薦項目的評分，計算所述目標(biāo)用戶對所述待推薦項目中的各待推薦項目的第二預(yù)測評分；并根據(jù)所述第一預(yù)測評分和第二預(yù)測評分獲得所述待推薦項目集合中各項目的預(yù)測評分。評分預(yù)測模塊主要基于項目之間的相似度來預(yù)測用戶對待推薦項目的評分。首先，計算待推薦項目與其各鄰居項目的相似度，計算方法類似于上述項目相似度的計算方法；并從表l的數(shù)據(jù)中，得到目標(biāo)用戶對待推薦項目的鄰居項目的評分，通過公式計算獲得目標(biāo)用戶對待推薦項目集合中的各項目的第一預(yù)測評分；其次，可從已有的用戶分類結(jié)果中，得到目標(biāo)用戶的鄰居用戶，并根據(jù)相似度計算方法得到目標(biāo)用戶與其各鄰居用戶的相似度；從表l的數(shù)據(jù)中得到各鄰居用戶對待推薦項目集合中的各項目的評分；并通過公式(l)計算獲得目標(biāo)用戶對推薦項目集合中的各項目的第二預(yù)測評分；最后，根據(jù)第一預(yù)測評分與第二預(yù)測評分，得到目標(biāo)用戶對待推薦項目集合中的各項目的預(yù)測評分。推薦生成模塊7用于根據(jù)所述預(yù)測評分生成向所述目標(biāo)用戶推薦的相應(yīng)項目。推薦生成模塊7可根據(jù)評分預(yù)測模塊6對待推薦項目的預(yù)測評分結(jié)果，根據(jù)評分的高低生成向所述目標(biāo)用戶推薦的項目，由所述推薦控制模塊8向所述目標(biāo)用戶推薦。本實施例中，推薦系統(tǒng)通過待推薦集確定模塊、評分預(yù)測模塊，對項目數(shù)據(jù)和用戶數(shù)據(jù)進(jìn)行綜合分析運(yùn)算，對于項目的預(yù)測評分考慮的因素更全面，項目推薦的準(zhǔn)確性更高。圖2為本發(fā)明推薦系統(tǒng)實施例二的結(jié)構(gòu)示意圖，推薦系統(tǒng)包括項目模糊聚類模塊l、數(shù)據(jù)庫2、矩陣轉(zhuǎn)換模塊3、用戶聚類模塊4、待推薦集確定模塊5、評分預(yù)測模塊6、推薦生成模塊7及推薦控制模塊8，其中，數(shù)據(jù)庫2包括項目簇庫21、用戶-項目簇矩陣庫22及用戶簇庫23。本實施例中，推薦系統(tǒng)基于模糊聚類對用戶及項目進(jìn)行分類，推薦系統(tǒng)的輸入數(shù)據(jù)為已有的用戶-項目矩陣庫中的用戶_項目評分矩陣數(shù)據(jù)，及已有的項目屬性庫中的項目基本屬性數(shù)據(jù)；其中，項目基本屬性數(shù)據(jù)描述了項目本身的基本屬性信息；用戶-項目評分矩陣數(shù)據(jù)是用戶在業(yè)務(wù)使用過程中產(chǎn)生的用戶對項目的評分?jǐn)?shù)據(jù)，以表1為例。項目模糊聚類模塊1根據(jù)項目屬性庫中各項目的屬性信息，將項目聚類為項目簇，并分別獲取各項目到各項目簇的隸屬度；項目模糊聚類模塊1采用模糊C-均值算法對項目本身屬性進(jìn)行模糊聚類，并計算每個項目對其項目簇的隸屬度。具體可包括根據(jù)項目本身的特征屬性，將n個項目進(jìn)行模糊聚類，得到K個項目簇C,、C2、…C"其中，若項目為某網(wǎng)站的一個網(wǎng)頁，則項目本身特征屬性是指能夠描述該網(wǎng)頁的特征屬性，如網(wǎng)頁文本內(nèi)容的關(guān)鍵詞等。對于一些描述性的特征屬性需要把它們的值量化，量化方法若某個項目有這方面的屬性賦值為1,沒有此屬性賦值為0;根據(jù)實際需求對于該屬性的重要性與否賦予權(quán)重。例若某個項目為某一具體網(wǎng)站的一個網(wǎng)頁，若公司比較注重此網(wǎng)站音樂方面的描述屬性，可賦一較高權(quán)重值，若不注重則賦予一較低權(quán)重值。根據(jù)項目的屬性量化結(jié)果通過模糊C-均值算法對項目進(jìn)行模糊聚類，同時得到每個項目與其所屬項目簇的隸屬度。基于模糊C-均值的增量式聚類算法(FCM算法)中，X";c,，;c2，;c3，......，&}為n元數(shù)據(jù)集合，x,e/T表示量化得到的各項目的屬性值，把項目集合X劃分為c個子集、、……，、，若用、z2,......，\表示這c個子集的聚類中心，""表示元素A對^的隸屬度，則FCM算法為優(yōu)化目標(biāo)函數(shù)/m([/，Z)=￡^X《'=1乂-1""滿足約束條件，M一0，1S!SW,isySC。這里"={}為矩陣，z)為"c矩陣，《為^與的距離，通常定義《=|卜廣~|2="-Zy,(jc,-~)。m大于l為模糊指數(shù)，控制分類矩陣U的模糊程度，m越大，分類的模糊程度越高。在實際應(yīng)用中，m的最佳取值范圍為(1.5,2.5)，本實施例使用m-2。由此目標(biāo)函數(shù)所決定的最優(yōu)類中心與隸屬度矩陣滿足下列等式<formula>formulaseeoriginaldocumentpage16</formula>其中,WSW;FCM算法是使目標(biāo)函數(shù)人^，Z)最小化的迭代收斂過程。在迭代收斂求人("，Z)的最小值時，""是按拉格朗日乘法得到的。經(jīng)過上述計算，得到的項目簇及各項目對其所屬項目簇的隸屬度如表2所示。表2<table>tableseeoriginaldocumentpage16</column></row><table>通過項目模糊聚類模塊1的模糊聚類，不僅形成了項目在屬性特征上的相似關(guān)系群，還得到了項目之間在屬性特征上模糊相似關(guān)系值，即項目對于項目簇的隸屬度。項目簇庫21存儲項目模糊聚類模塊1聚類得到的項目簇及所述隸屬度，以備矩陣轉(zhuǎn)換模塊3調(diào)用，當(dāng)然，聚類得到的項目簇及所述隸屬度也可以不用存儲，由矩陣轉(zhuǎn)換模塊3直接調(diào)用。矩陣轉(zhuǎn)換模塊3用于根據(jù)用戶項目矩陣庫中的評分?jǐn)?shù)據(jù)以及所述隸屬度，本實施例中，即根據(jù)表1和表2的數(shù)據(jù)，計算用戶對項目簇的評分，獲得用戶項目簇矩陣；用戶"'對項目簇Ct的評分計算公式為IX,*、2X'其中，R'為項目j對于項目簇Ct的隸屬度，^為用戶i對項目j的評分。經(jīng)過計算得到的用戶項目簇矩陣如表3所示。表3<table>tableseeoriginaldocumentpage17</column></row><table>用戶-項目簇矩陣庫22，用于存儲所述矩陣轉(zhuǎn)換模塊計算得到的用戶項目簇矩陣，以備用戶聚類模塊4調(diào)用；，當(dāng)然，所述矩陣轉(zhuǎn)換模塊計算得到的用戶項目簇矩陣也可以不用存儲，由所述用戶聚類模塊4直接調(diào)用。用戶聚類模塊4用于根據(jù)所述用戶-項目簇矩陣庫中的用戶項目簇矩陣，將用戶聚類為用戶簇，本實施例中，將用戶1、用戶2.....用戶9分為不同的用戶簇；用戶聚類模塊4根據(jù)用戶一項目簇矩陣，運(yùn)用k-means算法基于用戶對與項目簇的評分進(jìn)行聚類。k-means算法過程如下(1)從所有的用戶中隨機(jī)選取K個候選聚類中心(M，...，^)。(2)對于每個用戶，用相似度法求得最為接近的聚類中心，將此用戶歸到此類中。(3)循環(huán)一次后將所有的用戶進(jìn)行聚類分配，對于歸屬到某聚類的用戶重新計算聚類中心，聚類中心可以取所有歸屬到此類的用戶的均值w'l。1,這里q表示第j個聚類，u為q中的用戶。(4)當(dāng)'"『時，表明已找到最后收斂的聚類中心，完成了聚類操作。這里k表示聚類的數(shù)目，Ci表示第i個聚類，u為Ci中的用戶，w'表示第i個聚類的中心，￡嗎表示用戶u與聚類中心w'的相似度，3是相似度闞值。如果條件不滿足，則回到(l)繼續(xù)計算。在每次循環(huán)中，聚類中心的位置都會發(fā)生變動，直到所有的聚類中心的位置基本不變?yōu)橹?，停止運(yùn)算。另一方面，聚類中心的位置的移動隨著循環(huán)的次數(shù)越來越小。用戶聚類模塊4經(jīng)過上述運(yùn)算得到用戶簇，如表4所示o表4<table>tableseeoriginaldocumentpage19</column></row><table>用戶簇庫23用于存儲用戶聚類模塊4聚類得到的用戶簇，以備待推薦集確定模塊5調(diào)用；當(dāng)然，聚類得到的用戶簇也可以不用存儲，由待推薦集確定模塊5直接調(diào)用。待推薦集確定模塊5用于根據(jù)所述項目簇，獲取目標(biāo)用戶已評分項目的鄰居項目集合；以及根據(jù)所述用戶簇獲取所述目標(biāo)用戶的鄰居用戶集合已評分的項目集合，并計算所述鄰居項目集合與所述項目集合的交集。本實施例中，假設(shè)業(yè)務(wù)調(diào)用方提供的目標(biāo)用戶為用戶7，即希望獲取用戶7的推薦項目列表。則待推薦集確定模塊5獲取用戶7已評分項目的鄰居項目集合和鄰居用戶集合評過分的項目集合，將鄰居項目集合與鄰居用戶集合評過分的項目集合的交集，作為目標(biāo)用戶的待推薦項目集合。待推薦集確定模塊5可以進(jìn)一步包括相似項目確定模塊51、相似用戶確定模塊52及相交模塊53。其中，相似項目確定模塊51用于獲取目標(biāo)用戶7已評分的第一項目集合，從所述項目簇數(shù)據(jù)中，獲取所述第一項目集合中各項目的鄰居項目；并將所述各項目的鄰居項目合并，獲得所述鄰居項目集合。如表l所示，用戶7評分的項目有{項目3、項目4、項目7、項目8};為避免將用戶評分低的項目考慮進(jìn)來，相似項目確定模塊51還可在這里設(shè)置一個評分閾值，為便于描述記為Kl,只考慮用戶評分高于Kl的項目所屬的項目簇，先獲取用戶7評分高于K1的項目集合作為第一項目集合，從項目簇數(shù)據(jù)集中獲取第一項目集合中項目所在的項目簇；本實施例中，假設(shè)Kl-3，由于用戶7對項目3的評分為2，小于K1的值，則排除項目3后，第一項目集合為(項目4、項目7、項目8}。根據(jù)表2可知，{項目4、項目8}屬于項目簇1,項目7屬于項目簇2，而項目簇1中還包括{項目1、項目6}，項目簇2中還包括項目2，因此，項目4的鄰居項目即相似項目為(項目1、項目6、項目8};項目7的鄰居項目為{項目2};項目8的鄰居項目為{項目1、項目6、項目4}，將項目4、項目、項目8的鄰居項目合并得到鄰居項目集合{項目1、項目2、項目4、項目6、項目8}。相似項目確定模塊51還可進(jìn)一步計算第一項目集合(項目4、項目7、項目8)中的項目與各自的鄰居項目的相似度，取相似度較高的前N個項目。相似項目確定模塊51依次計算上述第一項目集合中的項目與其所在項目簇中其他項目的相似度，取前N個項目作為候選項目。這里的相似度計算方法可以采用常用的方法，比如余弦向量法、相關(guān)相似性、皮爾森系數(shù)等，本實施例以相關(guān)相似性函數(shù)方法為例，目標(biāo)用戶評分項目L鄰居項目n的相似度可表示為<formula>formulaseeoriginaldocumentpage20</formula>其中，A。表示項目ta的平均評分，^代表項目tb的平均評分，U為所有已評分項目ta和n的用戶的交集。假設(shè)N-3，則分別取項目4的鄰居項目中與項目4相似度最高的前三個鄰居項目作為最近鄰居項目，項目8、項目7的鄰居項目同，然后將這三個項目的最近鄰居項目合并，得到鄰居項目集合，即基于相似項目的待推薦項目。相似用戶確定模塊52用于根據(jù)所述目標(biāo)用戶標(biāo)識符ID,從用戶簇庫23中獲取目標(biāo)用戶所屬的用戶簇，將該用戶簇中除所述目標(biāo)用戶以外的用戶作為鄰居用戶集，獲取所述鄰居用戶集中用戶已評分的項目集合。本實施例中，目標(biāo)用戶為用戶7，相似用戶確定模塊52根據(jù)用戶簇庫23中的用戶簇數(shù)據(jù)即表4，可知，用戶7所屬的用戶簇為用戶簇1。用戶簇1包括用戶3、用戶4、用戶6及用戶7，因此用戶7的鄰居用戶為{用戶3、用戶4、用戶6}。這里可以增加一個對近鄰用戶^:的限制M,即只取用戶簇中最相近的M個用戶作為近鄰用戶集。這里衡量用戶之間的距離的方法可以采用常用的相似度計算方法、比如余弦向量法、相關(guān)相似法、皮爾森稀疏法等，以相關(guān)相似性函數(shù)為例，用戶Ua鄰居用戶Ub的相似度可表示為<formula>formulaseeoriginaldocumentpage21</formula>、代表用戶Ua的平均評分，^代表用戶Ub的平均評分；假設(shè)M-3，則從(用戶3、用戶4、用戶6}取與用戶7相似度最高的前3個，則用戶7的鄰居用戶集仍為{用戶3、用戶4、用戶6}。根據(jù)表1可知，用戶3評過分的項目為(項目2、項目3、項目4、項目7};用戶4評過分的項目為(項目1、項目3、項目4、項目8};用戶6評過分的項目為(項目6、項目7};將這些項目合并，得到鄰居用戶集中用戶已評分的項目集合(項目1、項目2、項目3、項目4、項目5、項目6、項目7、項目8}。這里可以進(jìn)一步設(shè)定一個評分值，為便于描述記為K2，從{用戶3、用戶4、用戶6}評分的項目中取評分大于K2的項目作為候選項目；假設(shè)k-3，則用戶3評分〉3的項目為(項目4、項目7};用戶4評分〉3的項目為(項目1、項目4、項目8};用戶6評分>3的項目為{項目6、項目7};合并得到基于相似用戶的待推薦項目集即鄰居用戶集中用戶已評分的項目集合{項目1、項目4、項目6、項目7、項目8}。相交模塊53用于計算所述鄰居項目集合與所述用戶已評分項目集合的交集，也就是將第一待推薦項目集即鄰居項目集合(項目1、項目2、項目4、項目6、項目8)與第二待推薦項目集即鄰居用戶已評分的項目集合{項目1、項目4、項目6、項目7、項目8}作交集處理，得到{項目1、項目4、項目6、項目8}，由于得到的項目集合中有用戶7評過分的項目{項目4、項目8},因此，相交模塊53還可過濾目標(biāo)用戶7已評分的項目，作為最終的待推薦項目集，即(項目1、項目6}。基于用戶和基于項目得到的交集，是目標(biāo)用戶的相似鄰居評價較高的項目集合，同時，這部分集合也是由目標(biāo)用戶評分的項目給出的最相似的項目集合。因此，對于一般用戶而言，這部分作為待推薦集最為精確。更進(jìn)一步地，當(dāng)?shù)谝淮扑]項目集與第二項目推薦集取交集為空，或者交集中項目數(shù)目少于理想數(shù)目K時(K為系統(tǒng)設(shè)計者預(yù)設(shè)的一個值，可以在實施中進(jìn)行調(diào)整)，待推薦集確定模塊5還可包括循環(huán)指示模塊54，用于在所述交集中的項目數(shù)不滿足預(yù)定值的情況下，指示所述相似項目確定模塊重新確定所述鄰居項目集合，并指示所述相似用戶確定模塊重新確定所述鄰居用戶集中用戶已評分的項目集合。循環(huán)指示模塊54判斷第一待推薦項目集和第二待推薦項目集的交集情況，如果交集滿足系統(tǒng)要求，即交集中的項目數(shù)大于理想數(shù)目K時，結(jié)束獲取待推薦項目集的處理流程；如果交集不滿足系統(tǒng)要求，即交集中的項目數(shù)少于K或者交集為空，則做如下處理指示相似項目確定模塊51取項目的近鄰項目數(shù)為W+"("^)，獲得新的第一待推薦項目集；指示相似用戶確定模塊52用戶的近鄰用戶數(shù)為W+"(a"),獲得新的第二待推薦項目集；相交模塊53則對新的第一、第二待推薦項目集作交集處理，得到新的待推薦項目集合，直至第一待推薦項目集與第二待項目推薦集的交集滿足系統(tǒng)要求。此外，對于交集為空的情況，待推薦集確定模塊還可以包括直接推薦指示模塊55,用于在所述交集為空的情況下，指示推薦生成模塊7直接推薦默認(rèn)的項目，如給出一組系統(tǒng)默認(rèn)的熱門項目(可以包含排序信息)作為推薦項目，這種情況下，給出熱門推薦項目即表示推薦流程結(jié)束，不再進(jìn)行下面的預(yù)測評分和排序處理。評分預(yù)測模塊6用于根據(jù)項目簇及評分?jǐn)?shù)據(jù)，獲取目標(biāo)用戶對所述交集中各項目的鄰居項目的第一個預(yù)測評分；以及根據(jù)所述用戶簇庫與評分?jǐn)?shù)據(jù)，獲取所述目標(biāo)用戶的鄰居用戶對所述交集中的各項目的第二個預(yù)測評分；并根據(jù)所述第一個預(yù)測評分和第二個預(yù)測評分，分別獲得所述目標(biāo)用戶對所述交集中各項目的預(yù)測評分。即，評分預(yù)測模塊6可根據(jù)用戶對項目的評分以及項目本身在屬性上的相似度，依次預(yù)測目標(biāo)用戶7對待推薦項目集中每個項目的評分。評分預(yù)測沖莫塊6可以進(jìn)一步包括項目相似預(yù)測模塊61、用戶相似預(yù)測模塊62及綜合預(yù)測模塊63。項目相似預(yù)測模塊61用于從所述項目簇庫中獲取所述交集各項目的鄰居項目，根據(jù)所述評分?jǐn)?shù)據(jù)分別獲取所述交集各項目的已評分鄰居項目；以及通過公式分別計算所述交集各項目與所述已評分鄰居項目的相似度；其中，尸-(1-1)2+1，表示權(quán)重，(表示項目t。的平均評分，《表示項目"的平均評分，U表示所有已評分項目t。和"的用戶的交集，氣表示項目f。對于項目簇的隸屬度，""表示項目^對于項目簇的隸屬度，且"'4>"'。；并通過公式/^S，"。，"'及"。"(3)分別計算獲得所述目標(biāo)用戶對所述交集中各項目的第一個預(yù)測評分其中，及^表示用戶Ua對項目"的評分，s/附(/。，0表示項目t。與項目"之間的相似度；本實施例中，待推薦項目集合{項目1、項目6}中，根據(jù)表2可知，項目1的鄰居項目為{項目4、項目6、項目8},由表1可知，其中，被目標(biāo)用戶7評分的項目有{項目4、項目8},根據(jù)公式(2)計算項目1與項目4、項目8的相似度sim(L，t4)、sim(ti,t8),將sim(t,，t4)、sim(t"t8)以及目標(biāo)用戶對項目4、項目8的評分代入公式(3)，得到目標(biāo)用戶7對項目1的第一預(yù)測評分，本實施例中，計算結(jié)果為3。同上，計算得到目標(biāo)用戶7對項目6的第一預(yù)測評分。用戶相似預(yù)測模塊62用于從所述用戶簇庫中獲取所述目標(biāo)用戶的鄰居用戶；根據(jù)所述評分?jǐn)?shù)據(jù)分別獲取對所述交集中各項目評分的鄰居用戶；分別計算所述目標(biāo)用戶與對所述交集中各項目評分的鄰居用戶的相似度；通過公式P2-Z^"("。，"丄及"。"(4)分別計算獲得所述目標(biāo)用戶對所述〉」57附(""，1/6)交集各項目的第二個預(yù)測評分P2;其中，i^表示鄰居用戶A對項目tb的評分,w7w(w。，A)表示鄰居用戶Ua與目標(biāo)用戶Ub的相似度；本實施例中，用戶相似預(yù)測模塊62根據(jù)表4,可知目標(biāo)用戶7的鄰居用戶為(用戶3、用戶4、用戶6};根據(jù)表l可知，對待推薦項目集合中項目l評分的鄰居用戶為用戶4,對待推薦項目集合中項目6評分的鄰居用戶為用戶6;并分別計算目標(biāo)用戶7與鄰居用戶中對目標(biāo)項目有評分的用戶即用戶4、用戶6的相似度，這里相似度采用常規(guī)的相似度計算方法；然后采用公式(4)，由鄰居用戶4、用戶6評分預(yù)測目標(biāo)用戶7的評分，得到目標(biāo)用戶7對項目l的第二預(yù)測評分，這里評分結(jié)果為4;同上，計算得到目標(biāo)用戶7對項目6的第二預(yù)測評分。綜合預(yù)測模塊63用于通過回歸方程尸-""+Z^分別計算所述目標(biāo)用戶對所述交集中各項目的預(yù)測評分，其中，Pl表示所述目標(biāo)用戶對所述交集各項目的第一個預(yù)測評分，P2表示所述目標(biāo)用戶對所述交集各項目的第二個預(yù)測評分，《、"分別表示目標(biāo)用戶受鄰居用戶影響和受相似項目影響的程度；若目標(biāo)用戶受人的影響大，則">";反之，目標(biāo)用戶對于項目的趨近性大，則"<"。加入影響參數(shù)"、〃，使得推薦系統(tǒng)能夠根據(jù)不同的用戶設(shè)置不同的影響參數(shù)，更好的體現(xiàn)個性化。其中，{a+〃=l}，本實施例中，設(shè)項目計算的影響參數(shù)"-0.55，用戶計算的影響參數(shù)"-o'45，計算目標(biāo)用戶7對于項目1的預(yù)測評分為0.55><3+0.45><4=3.45。同上，計算得到目標(biāo)用戶7對于項目6的預(yù)測評分為2.483。推薦生成模塊7用于根據(jù)所述總預(yù)測評分向所述目標(biāo)用戶推薦相應(yīng)的項目；本實施例中，推薦生成模塊8將項目1、項目6推薦給目標(biāo)用戶7。進(jìn)一步地，推薦生成模塊7還可據(jù)預(yù)測評價最高的前n個項目作為對目標(biāo)用戶7的推薦結(jié)果。將目標(biāo)用戶7對于待推薦項目集合中項目的預(yù)測評價從大到小依次排列，評價最高的前n個項目作為向目標(biāo)用戶7推薦的結(jié)果。本例中對待推薦項目集按預(yù)測評分排序,依次為項目1、項目6,即把項目l作為最優(yōu)推薦給用戶7,項目6作為次級推薦。推薦控制模塊8用于在接收到目標(biāo)用戶請求時，調(diào)用所述待推薦集確定模塊5、評分預(yù)測模塊6、推薦生成模塊7。本實施例中，推薦系統(tǒng)還可進(jìn)一步包括定時器9,以定時觸發(fā)項目模糊聚類模塊1、矩陣轉(zhuǎn)換模塊3、用戶聚類模塊4對基礎(chǔ)數(shù)據(jù)集進(jìn)行處理，包括更新后的基礎(chǔ)數(shù)據(jù)集。推薦系統(tǒng)中，糊聚類模塊l、矩陣轉(zhuǎn)換模塊3、用戶聚類模塊4可離線操作，執(zhí)行時可由定時器9定時觸發(fā)，也可手動觸發(fā)。本實施例，推薦系統(tǒng)通過根據(jù)項目本身屬性對于項目進(jìn)行聚類，并計算出各個項目對于項目簇的隸屬度，將用戶對于每個項目的評價通過計算轉(zhuǎn)換為對于某個項目簇的評價，這樣在用戶-項目評分矩陣中每個用戶對于每個項目簇都有相應(yīng)的評價，更準(zhǔn)確地對項目、用戶進(jìn)行了綜合分析運(yùn)算避免了評分?jǐn)?shù)據(jù)稀疏帶來的推薦不準(zhǔn)確問題，進(jìn)一步提高了推薦系統(tǒng)的推薦準(zhǔn)確性。本實施例中的推薦系統(tǒng)相比于傳統(tǒng)的協(xié)同推薦流程，克服了傳統(tǒng)協(xié)同推薦處理中不考慮項目本身屬性的缺陷，從而有利于計算用戶的近鄰用戶和項目的近鄰項目；另一方面，提出了一種綜合用戶相似度和項目相似度對用戶未評分項目的預(yù)測評分方法，使得推薦系統(tǒng)更全面地考慮了各種因素進(jìn)行預(yù)測評分和生成待推薦項目，保證了推薦的效果更準(zhǔn)確。并且，在預(yù)測用戶對待推薦項目的評分時，同時考慮的用戶相似度和項目相似度的因素，提高了預(yù)測評分的準(zhǔn)確性，同時能夠在實施中可以根據(jù)不同的用戶，設(shè)置不同的影響參數(shù)，更好的體現(xiàn)了個性化。當(dāng)然，本發(fā)明的系統(tǒng)實施例一也可以采用圖3所示的結(jié)構(gòu)，請參考圖3。圖3所示的系統(tǒng)與圖1所示的系統(tǒng)的不同之處在于待推薦集確定模塊5將確定的待推薦項目集合發(fā)送給評分預(yù)測模塊6進(jìn)行評分。評分預(yù)測模塊6對待推薦項目集合進(jìn)行預(yù)測評分，將評分結(jié)果發(fā)送給推薦生成模塊7。推薦控制模塊8根據(jù)評分結(jié)果，推薦生成模塊7在推薦控制模塊8的控制下生成向目標(biāo)用戶推薦的項目集合，并發(fā)送給目標(biāo)用戶。圖3所示的系統(tǒng)的相關(guān)處理可以參考圖1和圖2的相關(guān)描述。圖4為本發(fā)明推薦系統(tǒng)實施例四的系統(tǒng)結(jié)構(gòu)示意圖，本實施例與圖2所示推薦系統(tǒng)的不同之處在于待推薦集確定模塊5將確定的待推薦項目集合發(fā)送給評分預(yù)測模塊6進(jìn)行評分。評分預(yù)測模塊6對待推薦項目集合進(jìn)行預(yù)測評分，將評分結(jié)果發(fā)送給推薦生成模塊7。推薦控制模塊8根據(jù)評分結(jié)果，推薦生成模塊7在推薦控制模塊8的控制下生成向目標(biāo)用戶推薦的項目集合，并發(fā)送給目標(biāo)用戶。圖4所示的系統(tǒng)的相關(guān)處理可以參考圖2的相關(guān)描述。圖5為本發(fā)明推薦方法實施例一的流程示意圖，包括步驟501、獲取目標(biāo)用戶已評分項目的鄰居項目集合，以及所述目標(biāo)用戶的鄰居用戶已評分的項目集合，計算所述鄰居項目集合與所述項目集合的交集，獲得待推薦項目集合；步驟502、獲取所述目標(biāo)用戶對所述待推薦項目集合中各項目的預(yù)測評分；步驟503、才艮據(jù)所述預(yù)測評分向所述目標(biāo)用戶推薦相應(yīng)的項目。本實施例中，推薦方法通過綜合用戶相似度和項目相似度對用戶未評分項目進(jìn)行預(yù)測評分，使得預(yù)測評分考慮的因素更全面，項目推薦的準(zhǔn)確性更高。圖6為本發(fā)明推薦方法實施例二的流程示意圖，以對表l中的用戶項目為例，假設(shè)目標(biāo)用戶仍為用戶7，向目標(biāo)用戶7推薦項目的過程包括步驟601、項目模糊聚類模塊1根據(jù)項目的屬性信息將項目聚類為項目簇，并分別獲取各項目到各項目簇的隸屬度，如表2所示；步驟603、矩陣轉(zhuǎn)換模塊3根據(jù)項目的評分?jǐn)?shù)據(jù)及隸屬度，計算用戶對所述項目簇的評分，獲得用戶項目簇矩陣，如表3所示；步驟605、用戶聚類模塊4根據(jù)所述用戶項目簇矩陣，將用戶聚類為用戶簇，如表4所示；步驟607、待推薦集確定模塊5根據(jù)所述項目簇獲取目標(biāo)用戶7已評分項目的鄰居項目集合；以及根據(jù)所述用戶簇獲取所述目標(biāo)用戶7的鄰居用戶集合已評分的項目集合，并計算所述鄰居項目集合與所述項目集合的交集，得到待推薦項目集合；步驟609、評分預(yù)測模塊6根據(jù)所述項目簇、用戶簇及評分?jǐn)?shù)據(jù)，獲取所述目標(biāo)用戶對所述待推薦項目集合中各項目的預(yù)測評分，如圖7所示，假設(shè)獲取目標(biāo)用戶7對待推薦項目集合中項目6的預(yù)測評分，過程包括步驟701、根據(jù)所述項目簇及評分?jǐn)?shù)據(jù)，獲取目標(biāo)用戶7對項目6的鄰居項目的評分?jǐn)?shù)據(jù)；步驟703、#4居公式(3)獲取所述目標(biāo)用戶7對所述待推薦項目6的第一個預(yù)測評分P1;步驟705、根據(jù)所述用戶簇與評分?jǐn)?shù)據(jù)，獲取所述目標(biāo)用戶7的鄰居用戶對所述待推薦項目6評分；步驟707、根據(jù)公式(4)計算獲得目標(biāo)用戶7對項目6的第二個預(yù)測評分P2;步驟709，根據(jù)所述第一個預(yù)測評分Pl和第二個預(yù)測評分P2，獲得所述目標(biāo)用戶7對待推薦項目6的綜合預(yù)測評分；步驟711、將已預(yù)測評分的項目6放入待推薦項目集合中；步驟713、判斷待推薦項目集合中是否還有未預(yù)測的項目，若有，則充分執(zhí)行步驟701-711中的步驟，得到待推薦項目集合中的其它項目的預(yù)測評分，直至將待推薦項目集合中的所有項目都完成預(yù)測評分。步驟611、推薦生成模塊7根據(jù)所述總預(yù)測評分向所述目標(biāo)用戶7推薦相應(yīng)的項目。其中，步驟601~步驟605可離線執(zhí)行，主要為步驟607~步驟611的運(yùn)算提供數(shù)據(jù)，減輕線上計算量，提高推薦速率，以達(dá)到實時推薦目的。步驟601~步驟605也可省去，即項目和用戶的分類也可以在推薦處理時，實時確定項目的鄰居項目和用戶的鄰居用戶。步驟607~步驟611在線執(zhí)行，主要完成對目標(biāo)用戶的在線推薦工作。在步驟601~步驟605缺省的情況下，步驟607~步驟611中涉及到項目的鄰居項目可使用基于項目維度得到的分類結(jié)果，涉及到用戶的鄰居項目可使用基于用戶在社交應(yīng)用中的分組的分類結(jié)果。獲得待推薦項目集合和對待推薦項目集合的預(yù)測是在線部分的重要過程，其主要任務(wù)是為目標(biāo)用戶尋找與其興趣度最類似的項目集合并預(yù)測其評分。已在系統(tǒng)實施例中詳細(xì)說明。本實施例，推薦系統(tǒng)通過根據(jù)項目本身屬性對于項目進(jìn)行聚類，并計算出各個項目對于項目簇的隸屬度，將用戶對于每個項目的評價通過計算轉(zhuǎn)換為對于某個項目簇的評價，這樣在用戶-項目評分矩陣中每個用戶對于每個項目簇都有相應(yīng)的評價，避免了評分?jǐn)?shù)據(jù)稀疏帶來的推薦不準(zhǔn)確問題，相比于傳統(tǒng)的協(xié)同推薦流程，克服了傳統(tǒng)協(xié)同推薦處理中不考慮項目本身屬性的缺陷，從而有利于計算用戶的近鄰用戶和項目的近鄰項目；另一方面，提出了一種綜合用戶相似度和項目相似度對用戶未評分項目的預(yù)測評分方法，使得推薦系統(tǒng)更全面地考慮了各種因素，保證了推薦的效果更準(zhǔn)確。并且，在預(yù)測用戶對待推薦項目的評分時，同時考慮的用戶相似度和項目相似度的因素，提高了預(yù)測評分的準(zhǔn)確性，同時能夠在實施中可以根據(jù)不同的用戶，設(shè)置不同的影響參數(shù)，更好的體現(xiàn)了個性化。本領(lǐng)域普通4支術(shù)人員可以理解實現(xiàn)上述方法實施例的全部或部分步驟可以通過程序指令相關(guān)的硬件來完成，前述的程序可以存儲于一計算機(jī)可讀取存儲介質(zhì)中，該程序在執(zhí)行時，執(zhí)行包括上述方法實施例的步驟；而前述的存儲介質(zhì)包括R0M、RAM、磁碟或者光盤等各種可以存儲程序代碼的介質(zhì)。最后應(yīng)說明的是以上實施例僅用以說明本發(fā)明的技術(shù)方案，而非對其限制；盡管參照前述實施例對本發(fā)明進(jìn)行了詳細(xì)的說明，本領(lǐng)域的普通技術(shù)人員應(yīng)當(dāng)理解其依然可以對前述各實施例所記載的技術(shù)方案進(jìn)行修改，或者對其中部分技術(shù)特征進(jìn)行等同替換；而這些修改或者替換，并不使相應(yīng)技術(shù)方案的本質(zhì)脫離本發(fā)明各實施例技術(shù)方案的精神和范圍。權(quán)利要求1、一種推薦系統(tǒng)，其特征在于，包括推薦控制模塊，接收目標(biāo)用戶的請求，根據(jù)所述目標(biāo)用戶的請求調(diào)用待推薦集確定模塊、評分預(yù)測模塊和推薦生成模塊；待推薦集確定模塊，用于根據(jù)所述調(diào)用獲取目標(biāo)用戶已評分項目的鄰居項目集合，以及獲取所述目標(biāo)用戶的鄰居用戶已評分的項目集合，并計算所述鄰居項目集合與所述項目集合的交集，確定待推薦項目集合；評分預(yù)測模塊，用于根據(jù)所述調(diào)用獲取所述目標(biāo)用戶對所述待推薦項目集合中各項目的預(yù)測評分；推薦生成模塊，用于在所述推薦控制模塊的調(diào)用下，根據(jù)所述預(yù)測評分生成向所述目標(biāo)用戶推薦的相應(yīng)項目，發(fā)送給所述目標(biāo)用戶。2、根據(jù)權(quán)利要求1所述的推薦系統(tǒng)，其特征在于，所述評分預(yù)測模塊包括相似項目預(yù)測模塊，用于通過獲取所述目標(biāo)用戶對所述待推薦項目集合中各項目的鄰居項目的評分，獲得所述目標(biāo)用戶對所述待推薦項目集合中各項目的第一預(yù)測評分；相似用戶預(yù)測模塊，用于通過獲取所述目標(biāo)用戶的鄰居用戶對所述待推薦項目集合中各項目的評分，獲得所述目標(biāo)用戶對所述待推薦項目集合中各項目的第二預(yù)測評分；綜合預(yù)測模塊，用于根據(jù)所述第一預(yù)測評分和第二預(yù)測評分獲得所述待推薦項目集合中各項目的預(yù)測評分。3、根據(jù)權(quán)利要求2所述的推薦系統(tǒng)，其特征在于，所述待推薦集確定模塊包括相似項目確定模塊，用于獲取所述目標(biāo)用戶已評分的第一項目集合，從項目簇數(shù)據(jù)中獲取所述第一項目集合中各項目的鄰居項目并合并，獲得所述鄰居項目集合；相似用戶確定模塊，從所述用戶簇中獲得所述目標(biāo)用戶所屬的用戶簇，將目標(biāo)用戶所屬的用戶簇中除所述目標(biāo)用戶以外的用戶作為鄰居用戶集，獲取所述鄰居用戶集中的用戶已評分的項目集合；相交模塊，用于計算所述鄰居項目集合與所述用戶已評分項目集合的交集，得到所述待推薦項目集合。4、根據(jù)權(quán)利要求l或3所述的推薦系統(tǒng)，其特征在于，還包括項目模糊聚類模塊，用于根據(jù)項目屬性庫中的各項目的屬性信息，將所述各項目聚類為所屬項目簇，并獲取所述各項目與所屬項目簇的隸屬度；矩陣轉(zhuǎn)換模塊，用于根據(jù)用戶項目矩陣庫中的評分?jǐn)?shù)據(jù)以及所述項目簇庫中的隸屬度，計算用戶對所述項目簇的評分，獲得用戶項目簇矩陣；用戶聚類模塊，用于根據(jù)所述用戶項目簇矩陣，將用戶聚類為用戶簇；所述生成待推薦項目集合為所述待推薦集確定模塊根據(jù)所述項目簇，獲取目標(biāo)用戶已評分項目的鄰居項目集合，以及根據(jù)所述用戶簇獲取所述目標(biāo)用戶的鄰居用戶已評分的項目集合，計算所述鄰居項目集合與所述項目集合的交集，生成所述待推薦項目集合；所述評分預(yù)測模塊生成預(yù)測評分為所述評分預(yù)測模塊還用于根據(jù)所述項目簇、用戶簇及評分?jǐn)?shù)據(jù)，獲取所述目標(biāo)用戶對所述待推薦項目集合中各項目的預(yù)測評分。5、根據(jù)權(quán)利要求3所述的推薦系統(tǒng)，其特征在于，所述待推薦集確定模塊進(jìn)一步包括循環(huán)指示模塊，用于判斷所述待推薦項目集合中的項目數(shù)是否滿足預(yù)定值，在不滿足時，指示所述相似項目確定模塊重新確定所述鄰居項目集合和所述鄰居用戶集中用戶已評分的項目集合；所述相交模塊還用于將所述相似項目確定模塊和相似用戶確定模塊的重新確定結(jié)果進(jìn)行交集計算。6、根據(jù)權(quán)利要求3所述的推薦系統(tǒng)，其特征在于，所述待推薦集確定模塊進(jìn)一步包括直接推薦指示模塊，用于在所述相交模塊的待推薦項目集合為空時，指示所述推薦生成模塊推薦默認(rèn)的項目。7、根據(jù)權(quán)利要求1或3所述的推薦系統(tǒng)，其特征在于，還包括定時器，用于定時觸發(fā)所述項目模糊聚類模塊、矩陣轉(zhuǎn)換模塊和用戶聚類模塊。8、一種推薦方法，其特征在于，包括獲取目標(biāo)用戶已評分項目的鄰居項目集合，以及所述目標(biāo)用戶的鄰居用戶已評分的項目集合，計算所述鄰居項目集合與所述項目集合的交集，獲得待推薦項目集合；獲取所述目標(biāo)用戶對所述待推薦項目集合中各項目的預(yù)測評分；才艮據(jù)所述預(yù)測評分向所述目標(biāo)用戶推薦相應(yīng)的項目。9、根據(jù)權(quán)利要求8所述的推薦方法，其特征在于，獲取所述目標(biāo)用戶對所述待推薦項目集合中各項目的預(yù)測評分包括通過獲取所述目標(biāo)用戶對所述待推薦項目集合中各項目的鄰居項目的評分，獲得所述目標(biāo)用戶對所述待推薦項目集合中各項目的第一預(yù)測評分；通過獲取所述目標(biāo)用戶的鄰居用戶對所述待推薦項目集合中各項目的評分，獲得所述目標(biāo)用戶對所述待推薦項目集合中各項目的第二預(yù)測評分；根據(jù)所述第一預(yù)測評分和第二預(yù)測評分獲得所述待推薦項目集合中各項目的預(yù)測評分。10、根據(jù)權(quán)利要求8或9所述的推薦方法，其特征在于，還包括根據(jù)項目屬性庫中的各項目的屬性信息，將所述各項目聚類為項目簇，并獲取所述各項目與所屬項目簇的隸屬度用戶對所述項目簇的評分，獲得用戶項目簇矩陣；根據(jù)所述用戶項目簇矩陣，將用戶聚類為用戶簇；所述生成待推薦項目集合為根據(jù)所述項目簇獲取目標(biāo)用戶已評分項目的鄰居項目集合，獲取所述目標(biāo)用戶的鄰居用戶集合已評分的項目集合包括根據(jù)所述用戶簇獲取所述目標(biāo)用戶的鄰居用戶集合已評分的項目集合，計算所述待推薦項目集合與所述項目集合的交集，生成所迷待推薦項目集合；獲取所述目標(biāo)用戶對所述待推薦項目集合中各項目的預(yù)測評分包括根據(jù)所述項目簇、用戶簇及評分?jǐn)?shù)據(jù)，獲取所述目標(biāo)用戶對所述待推薦項目集合中各項目的預(yù)測評分。11、根據(jù)權(quán)利要求10所述的推薦方法，其特征在于，所述根據(jù)所述項目簇獲取目標(biāo)用戶已評分項目的鄰居項目集合包括獲取所述目標(biāo)用戶已評分的第一項目集合，從所述項目簇中獲取所述第一項目集合中各項目的鄰居項目并合并，獲得所述鄰居項目集合；所述根據(jù)所述用戶簇獲取所述目標(biāo)用戶的鄰居用戶集合已評分的項目集合包括從所述用戶簇中獲取所述目標(biāo)用戶所屬的用戶簇，將所述目標(biāo)用戶所屬的用戶簇中除所述目標(biāo)用戶以外的用戶作為鄰居用戶集，獲取所述鄰居用戶集中的用戶已評分的項目集合。12、根據(jù)權(quán)利要求10所述的推薦方法，其特征在于，所述根據(jù)各項目的屬性信息將項目聚類為項目簇，并獲取所述各項目與所屬項目簇的隸屬度包括將所述項目屬性信息量化，得到所述各項目的屬性值，并根據(jù)所述屬性值將所述項目進(jìn)行模糊聚類，得到項目簇及各項目簇的聚類中心；l根據(jù)公式W,,=T■^^L—計算各項目與各項目簇的隸屬度iiij，其中，"1X,Uij代表項目i的隸屬度，Xi代表項目i的屬性值，Zj代表項目簇Cj聚類中心的屬性值，~『為Xi與Zj的距離。13、根據(jù)權(quán)利要求10所述的推薦方法，其特征在于，根據(jù)項目的評分?jǐn)?shù)據(jù)及所述隸屬度，計算用戶對所述項目簇的評分，獲得用戶項目簇矩陣包括將所述評分?jǐn)?shù)據(jù)及隸屬度作為已知條件，通過公式&=——^L計算用戶對所述項目簇的評分；其中，Wjt為項目j對于項目簇Ct的隸屬度，Rij為用戶i對項目j的評分。14、根據(jù)權(quán)利要求10所述的推薦方法，其特征在于，根據(jù)所述用戶項目簇矩陣，將用戶聚類為用戶簇包括將所述用戶項目簇矩陣中的值作為已知條件，通過k-均值算法計算所述用戶簇。15、根據(jù)權(quán)利要求11所述的推薦方法，其特征在于，還包括設(shè)置評分閾值，所迷目標(biāo)用戶對所述第一項目集合中項目的評分，均大于所述評分閾值；或，所述鄰居用戶對所述用戶已評分的項目集合中項目的評分，均大于所述評分閾值。16、根據(jù)權(quán)利要求11所述的推薦方法，其特征在于，還包括獲取所述第一項目集合中的各項目與其鄰居項目的相似度，所述鄰居項目集合中的鄰居項目為按相似度的大小獲取的部分鄰居項目。17、根據(jù)權(quán)利要求16所述的推薦方法，其特征在于，還包括獲取所述目標(biāo)用戶與其鄰居用戶的相似度，所述鄰居用戶集中的鄰居用戶為按所述相似度的大小獲取的部分鄰居用戶。18、根據(jù)權(quán)利要求11所述的推薦方法，其特征在于，還包括從所述鄰居項目集合與所述項目集合的交集的計算結(jié)果中過濾所述目標(biāo)用戶已評分的項目。19、根據(jù)權(quán)利要求11所述的推薦方法，其特征在于，還包括判斷所述待推薦項目集合中的項目數(shù)是否滿足預(yù)定值，如果不滿足，指示所述相似項目確定模塊重新確定所述鄰居項目集合所述鄰居用戶集中的用戶已評分的項目集合；將所述相似項目確定模塊和相似用戶確定模塊重新確定的結(jié)果進(jìn)行交集計算。20、根據(jù)權(quán)利要求10所述的推薦方法，其特征在于，根據(jù)所述項目簇、用戶簇及評分?jǐn)?shù)據(jù)，獲取所述目標(biāo)用戶對所述待推薦項目集合中各項目的預(yù)測評分包括從所述項目簇獲取所述交集各項目的鄰居項目，根據(jù)所述評分?jǐn)?shù)據(jù)分別獲取所述交集各項目的已評分鄰居項目；通過公式,+(!>"。。)(U>)—"計算所述交集各項目與所述V^I^7Vzd《)2已評分鄰居項目的相似度；其中，"-(\-1)2+1,表示權(quán)重，f表示項目氣。t。的平均評分，《表示項目、的平均評分，U表示所有已評分項目t。和、的用戶的交集，",。表示項目f。對于項目簇的隸屬度，""表示項目"對于項目簇的隸屬度，且"">"'。；通過公式A=Eg^。，o'&,fe計算獲得所述目標(biāo)用戶對所述各待推薦》帥。，")項目的第一個預(yù)測評分，其中，及^表示用戶Ua對項目"的評分，S!'W(/。，0表示項目t。與項目"之間的相似度；從所述用戶簇庫獲取所述目標(biāo)用戶的鄰居用戶，根據(jù)所述評分?jǐn)?shù)據(jù)獲取對所述交集中各項目評分的鄰居用戶；計算所述目標(biāo)用戶與對所述各待推薦項目評分的鄰居用戶的相似度；通過公式尸2=Eg"("。，"》'i^計算獲得所述目標(biāo)用戶對所述各待推薦項目的第二個預(yù)測評分，其中，&,4表示鄰居用戶Ua對項目tb的評分，W'/W("。，、)表示鄰居用戶Ua與目標(biāo)用戶Ub的相似度；通過回歸方程P-0^+;^計算所述目標(biāo)用戶對所述待推薦項目集合中各項目的預(yù)測評分，其中，"、"表示所述目標(biāo)用戶受鄰居用戶影響和受相似項目影響的程度。21、根據(jù)權(quán)利要求8或11中任一項所述的推薦方法，其特征在于，根據(jù)所述預(yù)測評分向所述目標(biāo)用戶推薦相應(yīng)的項目包括根據(jù)所述預(yù)測評分的大小向所述目標(biāo)用戶推薦所述待推薦項目集合中的全部或部分項目。全文摘要本發(fā)明涉及一種推薦系統(tǒng)及方法，系統(tǒng)包括待推薦集確定模塊、評分預(yù)測模塊、推薦生成模塊及推薦控制模塊。方法包括獲取目標(biāo)用戶已評分項目的鄰居項目集合，以及所述目標(biāo)用戶的鄰居用戶已評分的項目集合，計算所述鄰居項目集合與所述項目集合的交集，獲得待推薦項目集合；獲取所述目標(biāo)用戶對所述待推薦項目集合中各項目的預(yù)測評分；根據(jù)所述預(yù)測評分向所述目標(biāo)用戶推薦相應(yīng)的項目。通過對項目和用戶進(jìn)行綜合考慮，更全面地考慮了各種因素，提高了項目推薦的準(zhǔn)確性。文檔編號G06F17/30GK101329683SQ20081011721公開日2008年12月24日申請日期2008年7月25日優(yōu)先權(quán)日2008年7月25日發(fā)明者偉劉,彥張,張樂媛,琦方,鄧智聰申請人:華為技術(shù)有限公司