基于灰理論的電影個(gè)性化推薦方法與流程

技術(shù)特征：

1.一種基于灰理論的電影個(gè)性化推薦方法，從預(yù)測(cè)評(píng)分表中選擇評(píng)分高的至少一部電影，其特征在于：所述預(yù)測(cè)評(píng)分表通過以下方式獲?。?/p>

S101、計(jì)算多部電影之間的電影相似度最近鄰矩陣；

S102、計(jì)算多個(gè)用戶之間的用戶相似度最近鄰矩陣；

S103、選取目標(biāo)用戶沒有評(píng)分過的一部或多部電影，根據(jù)電影相似度最近鄰矩陣獲得該電影的最近鄰電影評(píng)分?jǐn)?shù)據(jù)，根據(jù)用戶相似度最近鄰矩陣獲得該目標(biāo)用戶的最近鄰用戶評(píng)分?jǐn)?shù)據(jù)，采用所述最近鄰電影評(píng)分?jǐn)?shù)據(jù)和所述最近鄰用戶評(píng)分?jǐn)?shù)據(jù)構(gòu)成評(píng)分序列，對(duì)評(píng)分序列進(jìn)行評(píng)分預(yù)處理，對(duì)評(píng)分預(yù)處理后的評(píng)分序列進(jìn)行灰預(yù)測(cè)，得到預(yù)測(cè)評(píng)分?jǐn)?shù)據(jù)；

S104、將預(yù)測(cè)評(píng)分?jǐn)?shù)據(jù)按評(píng)分高低排序得到預(yù)測(cè)評(píng)分表。

2.根據(jù)權(quán)利要求1所述基于灰理論的電影個(gè)性化推薦方法，其特征在于：所述計(jì)算多部電影之間的電影相似度最近鄰矩陣，包括：

根據(jù)電影特征屬性，采用灰色關(guān)聯(lián)度分析方法計(jì)算多部電影之間的電影相似度；

根據(jù)多部電影特征屬性之間的相似度尋找目標(biāo)電影的最近鄰電影；

根據(jù)目標(biāo)電影的最近鄰電影生成目標(biāo)電影的最近鄰電影矩陣。

3.根據(jù)權(quán)利要求2所述基于灰理論的電影個(gè)性化推薦方法，其特征在于：所述根據(jù)電影特征屬性，采用灰色關(guān)聯(lián)度分析方法計(jì)算多部電影之間的電影相似度包括：

$r\left(x_{07},x_{i8}\right)=\frac{1}{m7}\underset{k1=1}{\overset{m7}{\mathrm{\Σ}}}r\left(x_{07}\left(k1\right),x_{i8}\left(k1\right)\right)$

$r\left(x_{07}\right(k1),x_{i8}(k1\left)\right)=\frac{\underset{i8}{min}\underset{k1}{min}|x_{07}\left(k1\right)-x_{i8}\left(k1\right)|+{\mathrm{\ρ}}_7\underset{i8}{\max }\underset{k1}{\max }|x_{07}\left(k1\right)-x_{i8}\left(k1\right)|}{|x_{07}\left(k1\right)-x_{i8}\left(k1\right)|+{\mathrm{\ρ}}_7\underset{i8}{\max }\underset{k1}{\max }|x_{07}\left(k1\right)-x_{i8}\left(k1\right)|}$

其中，x₀₇＝{x₀₇(1),x₀₇(2),...x₀₇(m7)}為電影特征屬性參考序列，x_i8＝{x_i8(1),x_i8(2),...,x_i8(m7)}為電影特征屬性比較序列，是兩個(gè)序列的最大差，為兩個(gè)序列的最小差，1≤k1≤m7，m7為電影特征屬性序列中所包含的電影特征屬性個(gè)數(shù)，ρ₇為分辨系數(shù)。

4.根據(jù)權(quán)利要求1所述基于灰理論的電影個(gè)性化推薦方法，其特征在于：所述計(jì)算多個(gè)用戶之間的用戶相似度最近鄰矩陣，包括：

根據(jù)用戶信息，采用灰色關(guān)聯(lián)度分析方法計(jì)算多個(gè)用戶之間的用戶相似度；

根據(jù)多個(gè)用戶信息的相似度尋找目標(biāo)用戶的最近鄰電影；

根據(jù)目標(biāo)用戶的最近鄰用戶生成目標(biāo)用戶的最近鄰用戶矩陣。

5.根據(jù)權(quán)利要求4所述基于灰理論的電影個(gè)性化推薦方法，其特征在于：所述根據(jù)電影特征屬性，采用灰色關(guān)聯(lián)度分析方法計(jì)算多個(gè)用戶之間的用戶相似度；包括：

$r\left(x_s,x_j\right)=\frac{1}{m0}\underset{k2=1}{\overset{m0}{\mathrm{\Σ}}}r\left(x_s\left(k2\right),x_j\left(k2\right)\right)$

$r\left(x_s\right(k2),x_j(k2\left)\right)=\frac{\underset{j}{min}\underset{k2}{min}|x_s\left(k2\right)-x_j\left(k2\right)|+{\mathrm{\ρ}}_t\underset{j}{\max }\underset{k2}{\max }|x_s\left(k2\right)-x_j\left(k2\right)|}{|x_s\left(k2\right)-x_j\left(k2\right)|+{\mathrm{\ρ}}_t\underset{j}{\max }\underset{k2}{\max }|x_s\left(k2\right)-x_j\left(k2\right)|}$

其中，x_s＝{x_s(1),x_s(2),...x_s(m0)}為用戶信息參考序列，x_j＝{x_j(1),x_j(2),...,x_j(m0)}為用戶信息比較序列，是兩個(gè)序列的最大差，為兩個(gè)序列的最小差，1≤k2≤m0，m0為用戶信息序列中所包含的用戶信息條數(shù)，ρ_t為分辨系數(shù)。

6.根據(jù)權(quán)利要求1所述基于灰理論的電影個(gè)性化推薦方法，其特征在于：所述對(duì)評(píng)分序列進(jìn)行評(píng)分預(yù)處理包括對(duì)評(píng)分序列中存在為空值的評(píng)分進(jìn)行填充。

7.根據(jù)權(quán)利要求4所述基于灰理論的電影個(gè)性化推薦方法，其特征在于：對(duì)評(píng)分序列中存在為空值的評(píng)分進(jìn)行填充，包括：用下述公式對(duì)評(píng)分序列中存在為空值的評(píng)分進(jìn)行填充：

$R_{i1,y1}=\underset{a1\∈M1}{\mathrm{\Σ}}sim\left(a1,i1\right)R_{a1,y1}^{i1}/\underset{a1\∈M1}{\mathrm{\Σ}}\left|sim\left(a1,i1\right)\right|$

其中，R_i1,y1為用戶i1對(duì)電影y1的評(píng)分，a1為電影y1的最近鄰電影，為用戶i1的最近鄰用戶a1對(duì)電影y1的評(píng)分，sim(a1,i1)為用戶a1和用戶i1采用灰色關(guān)聯(lián)度計(jì)算的相似度，M1為ID為i1用戶的最近鄰用戶集合。

8.根據(jù)權(quán)利要求1所述基于灰理論的電影個(gè)性化推薦方法，其特征在于：所述對(duì)評(píng)分預(yù)處理后的評(píng)分序列進(jìn)行灰預(yù)測(cè)包括對(duì)預(yù)處理后的評(píng)分序列用GM(1，1)預(yù)測(cè)模型進(jìn)行評(píng)分預(yù)測(cè)，得到預(yù)測(cè)評(píng)分?jǐn)?shù)據(jù)，具體包括：

x¹＝{x¹(1),x¹(2),…x¹(n)}

x⁽¹⁾(t+1)＝(x⁽⁰⁾(1)-u1/a)e^-a1t+b/a

其中，x⁰＝{x⁰(1),x⁰(2),…x⁰(n)}為預(yù)處理后的評(píng)分序列，a為灰色發(fā)展系數(shù)，b為灰輸入，n為評(píng)分序列所含評(píng)分個(gè)數(shù)。

9.一種基于灰理論的電影個(gè)性化推薦方法，從預(yù)測(cè)評(píng)分表中選擇評(píng)分高的至少一部電影，其特征在于：所述預(yù)測(cè)評(píng)分表通過以下方式獲?。?/p>

S201、計(jì)算多部電影之間的電影相似度最近鄰矩陣；

S202、選取目標(biāo)用戶沒有評(píng)分過的一部或多部電影，根據(jù)電影相似度最近鄰矩陣獲得該電影的最近鄰電影評(píng)分?jǐn)?shù)據(jù)，采用所述最近鄰電影評(píng)分?jǐn)?shù)據(jù)構(gòu)成評(píng)分序列，對(duì)評(píng)分序列進(jìn)行評(píng)分預(yù)處理，對(duì)評(píng)分預(yù)處理后的評(píng)分序列進(jìn)行灰預(yù)測(cè)，得到預(yù)測(cè)評(píng)分?jǐn)?shù)據(jù)；

S203、將預(yù)測(cè)評(píng)分?jǐn)?shù)據(jù)按評(píng)分高低排序得到預(yù)測(cè)評(píng)分表。

10.一種基于灰理論的電影個(gè)性化推薦方法，從預(yù)測(cè)評(píng)分表中選擇評(píng)分高的至少一部電影，其特征在于：所述預(yù)測(cè)評(píng)分表通過以下方式獲?。?/p>

S301、計(jì)算多個(gè)用戶之間的用戶相似度最近鄰矩陣；

S302、選取目標(biāo)用戶沒有評(píng)分過的一部或多部電影，根據(jù)用戶相似度最近鄰矩陣獲得該目標(biāo)用戶的最近鄰用戶評(píng)分?jǐn)?shù)據(jù)，采用所述最近鄰用戶評(píng)分?jǐn)?shù)據(jù)構(gòu)成評(píng)分序列，對(duì)評(píng)分序列進(jìn)行評(píng)分預(yù)處理，對(duì)評(píng)分預(yù)處理后的評(píng)分序列進(jìn)行灰預(yù)測(cè)，得到預(yù)測(cè)評(píng)分?jǐn)?shù)據(jù)；

S303、將預(yù)測(cè)評(píng)分?jǐn)?shù)據(jù)按評(píng)分高低排序得到預(yù)測(cè)評(píng)分表。