《一种优化近邻选择的协同过滤推荐方法及装置.pdf》由会员分享，可在线阅读，更多相关《一种优化近邻选择的协同过滤推荐方法及装置.pdf（17页珍藏版）》请在专利查询网上搜索。
1、(10)申请公布号 CN 104298772 A (43)申请公布日 2015.01.21 CN 104298772 A (21)申请号 201410596954.3 (22)申请日 2014.10.29 G06F 17/30(2006.01) (71)申请人 吴健 地址 215006 江苏省苏州市十梓街1号158# 信箱 (72)发明人 吴健 苏栋梁 张宇 (74)专利代理机构 北京集佳知识产权代理有限 公司 11227 代理人 常亮 (54) 发明名称 一种优化近邻选择的协同过滤推荐方法及装 置 (57) 摘要 本发明公开了一种优化近邻选择的协同过滤 推荐方法及装置， 方法包括 ： 确定用。
2、户相似度影 响因子为包括不同用户各自评分比例及两个不同 用户的共同评分比例， 然后利用该用户相似度影 响因子对现有的用户相似度值进行修正， 利用修 正后的用户相似度值及目标用户对项目的偏好程 度计算公式来确定是否将项目推荐给目标用户。 由于本发明考虑了用户共同评分项目和用户所有 评分项目数目变化对用户相似度值的影响， 因此 相比于现有技术， 本发明计算得出的最终结果更 加准确。 (51)Int.Cl. 权利要求书 4 页 说明书 10 页 附图 2 页 (19)中华人民共和国国家知识产权局 (12)发明专利申请 权利要求书4页 说明书10页 附图2页 (10)申请公布号 CN 10429877。
3、2 A CN 104298772 A 1/4 页 2 1. 一种优化近邻选择的协同过滤推荐方法， 其特征在于， 包括 ： 构建用户和项目的关联矩阵 ； 确定用户相似度影响因子 ， 所述用户相似度影响因子包括不同用户各自评分比例及 两个不同用户的共同评分比例 ； 确定修正用户相似度值为 ： sim(Ua,Ub) sim(Ua,Ub) 其中， sim(Ua,Ub) 由皮尔森相关相似度方法所确定 ； 确定目标用户 Ua对项目 Ii的偏好程度 Ra,i： 其中，表示用户Ua对所有评价项目的打分平均值，表示用户Ub对所有评价项目的 打分平均值 ； 根据所述偏好程度 Ra,i来确定是否将项目 Ii推荐给用。
4、户 Ua。 2. 根据权利要求 1 所述的方法， 其特征在于， 所述用户相似度影响因子 为 ： 其中，与分别表示用户 Ua与 Ub已评分项目集合。 3. 根据权利要求 2 所述的方法， 其特征在于， 在确定修正用户相似度值之后， 还包括 ： 确定目标用户 Ua选择用户 Ub作为最近邻的偏好计算公式为 ： 其中， x 为目标用户 Ua和用户 Ub共同评分的项目，Ra,x表示用户 Ua对项 目 Ix的评分值， Rb,x表示用户 Ub对项目 Ix的评分值， 权 利 要 求 书 CN 104298772 A 2 2/4 页 3 Rai表示用户 Ua对项目 Ii的评分， Ra表示用户 Ua对所有项目的评。
5、分集合，表示用户 Ua所有评分项目的评分均值 ； 对所述修正用户相似度进行二次修正， 确定二次修正用户相似度为 ： sim“(Ua,Ub) sim(Ua,Ub) 则所述确定目标用户 Ua对项目 Ii的偏好程度 Ra,i具体为 ： 4. 根据权利要求 3 所述的方法， 其特征在于， 在确定修正用户相似度值时， sim(Ua,Ub) 由皮尔森相关相似度方法所确定 ： 其中， Ra,k表示用户 Ua对项目 Ik的评分值， Rb,k表示用户 Ub对项目 Ik的评分值， 和 分别表示用户 Ua和 Ub各自所有评分项目的评分均值。 5.根据权利要求2所述的方法， 其特征在于， 所述根据所述偏好程度Ra,i。
6、来确定是否将 项目 Ii推荐给用户 Ua包括 ： 判断偏好程度 Ra,i是否大于预设参考值， 若是则确定将项目 Ii推荐给用户 Ua。 6. 一种优化近邻选择的协同过滤推荐装置， 其特征在于， 包括 ： 矩阵构建单元， 用于构建用户和项目的关联矩阵 ； 影响因子确定单元， 用于确定用户相似度影响因子 ， 所述用户相似度影响因子包括 不同用户各自评分比例及两个不同用户的共同评分比例 ； 相似度确定单元， 用于确定修正用户相似度值为 ： sim(Ua,Ub) sim(Ua,Ub) 其中， sim(Ua,Ub) 由皮尔森相关相似度方法所确定 ； 偏好程度确定单元， 用于确定目标用户 Ua对项目 Ii。
7、的偏好程度 Ra,i： 其中，表示用户 Ua对所有评价项目的打分平均值，表示用户 Ub对所有评价项目 的打分平均值 ； 推荐确定单元， 用于根据所述偏好程度 Ra,i来确定是否将项目 Ii推荐给用户 Ua。 7. 根据权利要求 6 所述的装置， 其特征在于， 所述影响因子确定单元包括 ： 第一影响因子确定单元， 用于确定所述用户相似度影响因子 为 ： 权 利 要 求 书 CN 104298772 A 3 3/4 页 4 其中，与分别表示用户 Ua与 Ub已评分项目集合。 8. 根据权利要求 7 所述的装置， 其特征在于， 还包括二次修正单元， 所述二次修正单元 包括 ： 近邻用户偏好确定单元，。
8、 用于确定目标用户Ua选择用户Ub作为最近邻的偏好计算公式 为 ： 其中， x 为目标用户 Ua和用户 Ub共同评分的项目，Ra,x表示用户 Ua对项 目 Ix的评分值， Rb,x表示用户 Ub对项目 Ix的评分值， Rai表示用户 Ua对项目 Ii的评分， Ra表示用户 Ua对所有项目的评分集合，表示用户 Ua所有评分项目的评分均值 ； 相似度二次修正单元， 用于对所述修正用户相似度进行二次修正， 确定二次修正用户 相似度为 ： sim“(Ua,Ub) sim(Ua,Ub) 则所述偏好程度确定单元所确定的偏好程度 Ra， i具体为 ： 9. 根据权利要求 8 所述的装置， 其特征在于， 所述。
9、相似度确定单元确定的修正用户相 似度中的 sim(Ua,Ub) 由皮尔森相关相似度方法所确定 ： 权 利 要 求 书 CN 104298772 A 4 4/4 页 5 其中， Ra,k表示用户 Ua对项目 Ik的评分值， Rb,k表示用户 Ub对项目 Ik的评分值，和 分别表示用户 Ua和 Ub各自所有评分项目的评分均值。 10. 根据权利要求 7 所述的装置， 其特征在于， 所述推荐确定单元包括 ： 第一推荐确定子单元， 用于判断偏好程度Ra,i是否大于预设参考值， 若是则确定将项目 Ii推荐给用户 Ua。 权 利 要 求 书 CN 104298772 A 5 1/10 页 6 一种优化近邻。
10、选择的协同过滤推荐方法及装置 技术领域 0001 本申请涉及协同过滤推荐技术领域， 更具体地说， 涉及一种优化近邻选择的协同 过滤推荐方法及装置。 背景技术 0002 协同过滤(Collaborative Filtering)算法是推荐系统中应用最早的并且也是最 成功的技术之一， 它根据其他近邻用户的喜好向目标用户推荐项目。协同过滤主要分为三 个步骤 ： 用户的偏好描述、 寻找最近邻用户、 产生推荐。用户的偏好是由一个用户 - 项目相 关联的mn阶评分矩阵R来描述的， 传统的协同过滤算法都是采用相似性度量方法在评分 矩阵R上计算用户间的相似性， 选择与目标用户最相似的top-k个用户组成最近邻。
11、集合， 利 用这些最近邻集合来预测目标用户的未评分项目的评分。 0003 常用的相似性度量方法有余弦相似性和皮尔森相关相似性。 这两种相似度计算方 法都是基于用户 - 项目关联矩阵 R(nm) 的。与分别表示用户 Ua与 Ub已评分项目 集合， 在获取Ua与Ub已评分项目交集的情况下才能计算相关相似性， 而且只有在交 集比较大时， 计算出相似性可信度才比较高， 相反在交集较小时计算出的相似度可信度较 小。 在评分矩阵很稀疏的情况下， 只考虑用户间共同评分的项目， 容易导致用户基于很少的 共同评分而计算出较高的相似度， 进而导致近邻计算的不准确。 Herlocker等提出了一种基 于皮尔森相关相。
12、似性的改进方案， 在计算用户Ua和Ub相似性时增加用户共同评分数量的关 联权重因子， 如下式 ： 0004 0005 但是由于该方法采用固定的共同评分阀值 50， 忽略了用户共同评分项目和用户所 有评分数目动态变化的影响， 因此存在误差， 导致推荐结果不准确。 发明内容 0006 有鉴于此， 本申请提供了一种优化近邻选择的协同过滤推荐方法及装置， 用于解 决现有推荐算法在计算用户相似性过程存在误差， 导致推荐结果不准确的问题。 0007 为了实现上述目的， 现提出的方案如下 ： 0008 一种优化近邻选择的协同过滤推荐方法， 包括 ： 0009 构建用户和项目的关联矩阵 ； 0010 确定用户。
13、相似度影响因子 ， 所述用户相似度影响因子包括不同用户各自评分比 例及两个不同用户的共同评分比例 ； 0011 确定修正用户相似度值为 ： 说 明 书 CN 104298772 A 6 2/10 页 7 0012 sim(Ua,Ub) sim(Ua,Ub) 0013 其中， sim(Ua,Ub) 由皮尔森相关相似度方法所确定 ； 0014 确定目标用户 Ua对项目 Ii的偏好程度 Ra,i： 0015 0016 其中，表示用户 Ua对所有评价项目的打分平均值，表示用户 Ub对所有评价 项目的打分平均值 ； 0017 根据所述偏好程度 Ra,i来确定是否将项目 Ii推荐给用户 Ua。 0018 。
14、优选地， 所述用户相似度影响因子 为 ： 0019 0020 其中，与分别表示用户 Ua与 Ub已评分项目集合。 0021 优选地， 在确定修正用户相似度值之后， 还包括 ： 0022 确定目标用户 Ua选择用户 Ub作为最近邻的偏好计算公式为 ： 0023 0024 0025 其中， x 为目标用户 Ua和用户 Ub共同评分的项目，Ra,x表示用户 Ua 对项目 Ix的评分值， Rb,x表示用户 Ub对项目 Ix的评分值， 0026 0027 Rai表示用户 Ua对项目 Ii的评分， Ra表示用户 Ua对所有项目的评分集合，表示 用户 Ua所有评分项目的评分均值 ； 0028 对所述修正用户。
15、相似度进行二次修正， 确定二次修正用户相似度为 ： 0029 sim“(Ua,Ub) sim(Ua,Ub) 0030 则所述确定目标用户 Ua对项目 Ii的偏好程度 Ra,i具体为 ： 说 明 书 CN 104298772 A 7 3/10 页 8 0031 0032 优选地， 在确定修正用户相似度值时， sim(Ua,Ub) 由皮尔森相关相似度方法所确 定 ： 0033 0034 其中， Ra,k表示用户 Ua对项目 Ik的评分值， Rb,k表示用户 Ub对项目 Ik的评分值， 和分别表示用户 Ua和 Ub各自所有评分项目的评分均值。 0035 优选地， 所述根据所述偏好程度 Ra,i来确定。
16、是否将项目 Ii推荐给用户 Ua包括 ： 0036 判断偏好程度 Ra,i是否大于预设参考值， 若是则确定将项目 Ii推荐给用户 Ua。 0037 一种优化近邻选择的协同过滤推荐装置， 包括 ： 0038 矩阵构建单元， 用于构建用户和项目的关联矩阵 ； 0039 影响因子确定单元， 用于确定用户相似度影响因子 ， 所述用户相似度影响因子 包括不同用户各自评分比例及两个不同用户的共同评分比例 ； 0040 相似度确定单元， 用于确定修正用户相似度值为 ： 0041 sim(Ua,Ub) sim(Ua,Ub) 0042 其中， sim(Ua,Ub) 由皮尔森相关相似度方法所确定 ； 0043 偏。
17、好程度确定单元， 用于确定目标用户 Ua对项目 Ii的偏好程度 Ra,i： 0044 0045 其中，表示用户 Ua对所有评价项目的打分平均值，表示用户 Ub对所有评价 项目的打分平均值 ； 0046 推荐确定单元， 用于根据所述偏好程度 Ra,i来确定是否将项目 Ii推荐给用户 Ua。 0047 优选地， 所述影响因子确定单元包括 ： 0048 第一影响因子确定单元， 用于确定所述用户相似度影响因子 为 ： 0049 0050 其中，与分别表示用户 Ua与 Ub已评分项目集合。 0051 优选地， 还包括二次修正单元， 所述二次修正单元包括 ： 0052 近邻用户偏好确定单元， 用于确定目标。
18、用户Ua选择用户Ub作为最近邻的偏好计算 公式为 ： 说 明 书 CN 104298772 A 8 4/10 页 9 0053 0054 0055 其中， x 为目标用户 Ua和用户 Ub共同评分的项目，Ra,x表示用户 Ua 对项目 Ix的评分值， Rb,x表示用户 Ub对项目 Ix的评分值， 0056 0057 Rai表示用户 Ua对项目 Ii的评分， Ra表示用户 Ua对所有项目的评分集合，表示 用户 Ua所有评分项目的评分均值 ； 0058 相似度二次修正单元， 用于对所述修正用户相似度进行二次修正， 确定二次修正 用户相似度为 ： 0059 sim“(Ua,Ub) sim(Ua,Ub。
19、) 0060 则所述偏好程度确定单元所确定的偏好程度 Ra,i具体为 ： 0061 0062 优选地， 所述相似度确定单元确定的修正用户相似度中的 sim(Ua,Ub) 由皮尔森相 关相似度方法所确定 ： 0063 0064 其中， Ra,k表示用户 Ua对项目 Ik的评分值， Rb,k表示用户 Ub对项目 Ik的评分值， 和分别表示用户 Ua和 Ub各自所有评分项目的评分均值。 0065 优选地， 所述推荐确定单元包括 ： 0066 第一推荐确定子单元， 用于判断偏好程度Ra,i是否大于预设参考值， 若是则确定将 项目 Ii推荐给用户 Ua。 0067 从上述的技术方案可以看出， 本申请实施。
20、例提供的优化近邻选择的协同过滤推荐 说 明 书 CN 104298772 A 9 5/10 页 10 方法， 确定用户相似度影响因子为包括不同用户各自评分比例及两个不同用户的共同评分 比例， 然后利用该用户相似度影响因子对现有的用户相似度值进行修正， 利用修正后的用 户相似度值及偏好程度计算公式来确定是否将项目推荐给目标用户。 由于本申请考虑了用 户共同评分项目和用户所有评分项目数目变化对用户相似度值的影响， 因此相比于现有技 术， 本申请计算得出的最终结果更加准确。 附图说明 0068 为了更清楚地说明本申请实施例或现有技术中的技术方案， 下面将对实施例或现 有技术描述中所需要使用的附图作简。
21、单地介绍， 显而易见地， 下面描述中的附图仅仅是本 申请的实施例， 对于本领域普通技术人员来讲， 在不付出创造性劳动的前提下， 还可以根据 提供的附图获得其他的附图。 0069 图 1 为本申请实施例公开的一种优化近邻选择的协同过滤推荐方法流程图 ； 0070 图 2 为本申请实施例公开的一种优化近邻选择的协同过滤推荐装置结构示意图。 具体实施方式 0071 下面将结合本申请实施例中的附图， 对本申请实施例中的技术方案进行清楚、 完 整地描述， 显然， 所描述的实施例仅仅是本申请一部分实施例， 而不是全部的实施例。基于 本申请中的实施例， 本领域普通技术人员在没有做出创造性劳动前提下所获得的所。
22、有其他 实施例， 都属于本申请保护的范围。 0072 参见图 1， 图 1 为本申请实施例公开的一种优化近邻选择的协同过滤推荐方法流 程图。 0073 如图 1 所示， 该方法包括 ： 0074 步骤 S100、 构建用户和项目的关联矩阵 ； 0075 步骤 S110、 确定用户相似度影响因子 ； 0076 具体地， 所述用户相似度影响因子 包括不同用户各自评分比例及两个不同用 户的共同评分比例。 0077 举例如用户相似度影响因子 为 ： 0078 0079 其中，与分别表示用户 Ua与 Ub已评分项目集合。 0080 权重因子 保证两个用户同时对越多的物品评分， 则他们计算出来的相似度就 。
23、越高， 相反两个用户共同评分的物品越少， 相似度越低。 0081 (1) 当时， 0， 表示用户 Ua和 Ub已评分项目完全不同， 则余弦 相似性、 皮尔森相关相似性等常用的相似性度量方法不能度量出用户间的相似性， 因此 sim(Ua,Ub) 0 ； 0082 (2)当时， 01， 表示用户Ua和Ub已评分的项目间存在交 集项目以及非交集项目， 影响因子将根据交集项目以及非交集项目所占比例的大小自动调 说 明 书 CN 104298772 A 10 6/10 页 11 整常用相似性度量的结果， 修正后的相似性为 ： sim(Ua,Ub)sim(Ua,Ub)sim(Ua,Ub)。 0083 步骤。
24、 S120、 确定修正用户相似度值 ； 0084 具体地， 将修正用户相似度值确定为 ： 0085 sim(Ua,Ub) sim(Ua,Ub)。其中， sim(Ua,Ub) 可以由皮尔森相关相似度方法 所确定 ： 0086 0087 其中， Ra,k表示用户 Ua对项目 Ik的评分值， Rb,k表示用户 Ub对项目 Ik的评分值， 和分别表示用户 Ua和 Ub各自所有评分项目的评分均值。 0088 步骤 S130、 确定目标用户 Ua对项目 Ii的偏好程度 Ra,i； 0089 具体地， 偏好程度 0090 其中，表示用户 Ua对所有评价项目的打分平均值，表示用户 Ub对所有评价 项目的打分平。
25、均值。 0091 步骤 S140、 根据所述偏好程度 Ra,i来确定是否将项目 Ii推荐给用户 Ua。 0092 具体地， 我们知道了目标用户 Ua对项目 Ii的偏好程度， 即可由此确定是否将项目 Ii推荐给用户 Ua。 0093 可选的， 我们预先设置参考值， 然后判断偏好程度 Ra,i是否大于预设参考值， 若是 则确定将项目 Ii推荐给用户 Ua。 0094 本申请实施例提供的优化近邻选择的协同过滤推荐方法， 确定用户相似度影响因 子为包括不同用户各自评分比例及两个不同用户的共同评分比例， 然后利用该用户相似度 影响因子对现有的用户相似度值进行修正， 利用修正后的用户相似度值及偏好程度计算。
26、公 式来确定是否将项目推荐给目标用户。 由于本申请考虑了用户共同评分项目和用户所有评 分项目数目变化对用户相似度值的影响， 因此相比于现有技术， 本申请计算得出的最终结 果更加准确。 0095 进一步， 通常在五分制的评分中， 同样是两分的差距， 评分为一分和三分， 与评分 是三分和五分， 两者代表的意义是不一样的， 一分表示非常不喜欢， 通常我们打三分是表示 还可以接受， 五分则表示非常满意， 生活中大多数时候， 人们都倾向把体验一般以及体验还 可以联系在一起， 因此本申请将五分制的评分集合划分为积极评分和消极评分两个部分。 0096 0097 Rai表示用户 Ua对项目 Ii的评分， Ra。
27、表示用户 Ua对所有项目的评分集合，表示 用户 Ua所有评分项目的评分均值。 说 明 书 CN 104298772 A 11 7/10 页 12 0098 在此基础上， 我们确定目标用户 Ua选择用户 Ub作为最近邻的偏好计算公式为 ： 0099 0100 0101 其中， x 为目标用户 Ua和用户 Ub共同评分的项目，Ra,x表示用户 Ua 对项目 Ix的评分值， Rb,x表示用户 Ub对项目 Ix的评分值。 0102 接下来， 我们利用目标用户Ua选择用户Ub作为最近邻的偏好计算公式来对修正用 户相似度进行二次修正， 得到二次修正用户相似度 ： 0103 sim“(Ua,Ub) sim(。
28、Ua,Ub) 0104 则所述确定目标用户 Ua对项目 Ii的偏好程度 Ra,i具体为 ： 0105 0106 近邻偏好性以用户共同评分的项目作为计算基础， 为目标用户和另一用户的共同 评分项目分配相同的权重值。在共同评分的项目中任取一项， 当另一用户 Ub与目标用户 Ua 在该项目上同为消极评分或同为积极评分时， 认为 Ua与 Ub在该项目上的偏好相同， 近邻偏 好性为正。同理， 当另一用户 Ub与目标用户 Ua在该项目上不同时为消极评分或不同时为积 极评分时， 近邻偏好计算结果为负。 0107 随着目前推荐系统中用户数目和项目数目的剧增， 针对用户项目关联矩阵稀疏问 题以及其带来的用户间评。
29、分的小交集问题， 本章从协同过滤算法的近邻用户的寻找所采用 的相似度度量方法出发， 分析了传统相似度度量相似性的方法中的不足， 提出了改善用户 间共同评分的小交集问题的自适应相似度影响因子和改善用户共同评分中尺度存在积极 评分和消极评分的问题的近邻偏好因子， 降低了数据稀疏性对用户相似性度量的不良影 响。实验结果表明， 优化近邻选择的协同过滤算法具有较好的提高推荐精度。 0108 下面对本申请实施例提供的优化近邻选择的协同过滤推荐装置进行描述， 下文描 述的优化近邻选择的协同过滤推荐装置与上文描述的优化近邻选择的协同过滤推荐方法 可相互对应参照。 0109 参见图 2， 图 2 为本申请实施例。
30、公开的一种优化近邻选择的协同过滤推荐装置结 构示意图。 0110 如图 2 所示， 该装置包括 ： 说 明 书 CN 104298772 A 12 8/10 页 13 0111 矩阵构建单元 21， 用于构建用户和项目的关联矩阵 ； 0112 影响因子确定单元 22， 用于确定用户相似度影响因子 ， 所述用户相似度影响因 子包括不同用户各自评分比例及两个不同用户的共同评分比例 ； 0113 相似度确定单元 23， 用于确定修正用户相似度值为 ： 0114 sim(Ua,Ub) sim(Ua,Ub) 0115 偏好程度确定单元 24， 用于确定目标用户 Ua对项目 Ii的偏好程度 Ra,i： 0。
31、116 0117 其中，表示用户 Ua对所有评价项目的打分平均值，表示用户 Ub对所有评价 项目的打分平均值 ； 0118 推荐确定单元25， 用于根据所述偏好程度Ra,i来确定是否将项目Ii推荐给用户Ua。 0119 可选的， 上述影响因子确定单元 22 包括 ： 0120 第一影响因子确定单元， 用于确定所述用户相似度影响因子 为 ： 0121 0122 其中，与分别表示用户 Ua与 Ub已评分项目集合。 0123 可选的， 上述协同过滤推荐装置还可以包括二次修正单元， 所述二次修正单元包 括 ： 0124 近邻用户偏好确定单元， 用于确定目标用户Ua选择用户Ub作为最近邻的偏好计算 公式。
32、为 ： 0125 0126 0127 其中， x 为目标用户 Ua和用户 Ub共同评分的项目，Ra,x表示用户 Ua 对项目 Ix的评分值， Rb,x表示用户 Ub对项目 Ix的评分值， 说 明 书 CN 104298772 A 13 9/10 页 14 0128 0129 Rai表示用户 Ua对项目 Ii的评分， Ra表示用户 Ua对所有项目的评分集合，表示 用户 Ua所有评分项目的评分均值 ； 0130 相似度二次修正单元， 用于对所述修正用户相似度进行二次修正， 确定二次修正 用户相似度为 ： 0131 sim“(Ua,Ub) sim(Ua,Ub) 0132 则所述偏好程度确定单元所确定。
33、的偏好程度 Ra,i具体为 ： 0133 0134 可选的， 相似度确定单元23确定的修正用户相似度中的sim(Ua,Ub)由皮尔森相关 相似度方法所确定 ： 0135 0136 其中， Ra,k表示用户 Ua对项目 Ik的评分值， Rb,k表示用户 Ub对项目 Ik的评分值， 和分别表示用户 Ua和 Ub各自所有评分项目的评分均值。 0137 可选的， 上述 25 推荐确定单元包括 ： 0138 第一推荐确定子单元， 用于判断偏好程度Ra,i是否大于预设参考值， 若是则确定将 项目 Ii推荐给用户 Ua。 0139 本申请实施例提供的优化近邻选择的协同过滤推荐装置， 确定用户相似度影响因 子。
34、为包括不同用户各自评分比例及两个不同用户的共同评分比例， 然后利用该用户相似度 影响因子对现有的用户相似度值进行修正， 利用修正后的用户相似度值及偏好程度计算公 式来确定是否将项目推荐给目标用户。 由于本申请考虑了用户共同评分项目和用户所有评 分项目数目变化对用户相似度值的影响， 因此相比于现有技术， 本申请计算得出的最终结 果更加准确。 0140 最后， 还需要说明的是， 在本文中， 诸如第一和第二等之类的关系术语仅仅用来将 一个实体或者操作与另一个实体或操作区分开来， 而不一定要求或者暗示这些实体或操作 之间存在任何这种实际的关系或者顺序。而且， 术语 “包括” 、“包含” 或者其任何其他。
35、变体 意在涵盖非排他性的包含， 从而使得包括一系列要素的过程、 方法、 物品或者设备不仅包括 那些要素， 而且还包括没有明确列出的其他要素， 或者是还包括为这种过程、 方法、 物品或 者设备所固有的要素。在没有更多限制的情况下， 由语句 “包括一个” 限定的要素， 并 不排除在包括所述要素的过程、 方法、 物品或者设备中还存在另外的相同要素。 0141 本说明书中各个实施例采用递进的方式描述， 每个实施例重点说明的都是与其他 实施例的不同之处， 各个实施例之间相同相似部分互相参见即可。 说 明 书 CN 104298772 A 14 10/10 页 15 0142 对所公开的实施例的上述说明， 使本领域专业技术人员能够实现或使用本申请。 对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的， 本文中所定义的 一般原理可以在不脱离本申请的精神或范围的情况下， 在其它实施例中实现。 因此， 本申请 将不会被限制于本文所示的这些实施例， 而是要符合与本文所公开的原理和新颖特点相一 致的最宽的范围。 说 明 书 CN 104298772 A 15 1/2 页 16 图 1 说 明 书 附 图 CN 104298772 A 16 2/2 页 17 图 2 说 明 书 附 图 CN 104298772 A 17 。