公开(公告)号：CN106980648B

公开(公告)日：2021-07-27

申请号：CN201710108298.1

申请日：2017-02-27

Applicant: 南京邮电大学

Inventor： 李华康 ,  金旭 ,  孙国榟 ,  李涛

IPC: G06F16/9535 ,  G06F16/9536 ,  G06K9/62

Abstract: 本发明公开了一种基于概率矩阵分解结合相似度的个性化推荐方法，具体包含以下步骤：S1：建立物品信息和历史评分数据库；S2：生成用户之间和物品之间的相似度矩阵；S3：对上述矩阵的行向量按照降序进行排列；S4：基于概率矩阵分解模型生成目标函数；S5：生成最终的用户和物品的潜在特征矩阵；S6：根据最终的用户和物品的潜在特征矩阵生成预测的评分矩阵；S7：对用户进行个性化推荐。本发明中，可以根据用户的潜在特征向量与相似度高的用户潜在特征向量有关，使得预测评分更加贴近用户的真实评分，从而提高当前推荐系统推荐准确率。

公开(公告)号：CN106980648A

公开(公告)日：2017-07-25

申请号：CN201710108298.1

申请日：2017-02-27

Applicant: 南京邮电大学

Inventor： 李华康 ,  金旭 ,  孙国榟 ,  李涛

IPC: G06F17/30 ,  G06K9/62

CPC classification number: G06F17/30867 ,  G06K9/6215

Abstract: 本发明公开了一种基于概率矩阵分解结合相似度的个性化推荐方法，具体包含以下步骤：S1：建立物品信息和历史评分数据库；S2：生成用户之间和物品之间的相似度矩阵；S3：对上述矩阵的行向量按照降序进行排列；S4：基于概率矩阵分解模型生成目标函数；S5：生成最终的用户和物品的潜在特征矩阵；S6：根据最终的用户和物品的潜在特征矩阵生成预测的评分矩阵；S7：对用户进行个性化推荐。本发明中，可以根据用户的潜在特征向量与相似度高的用户潜在特征向量有关，使得预测评分更加贴近用户的真实评分，从而提高当前推荐系统推荐准确率。