(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 202211060710.4 (22)申请日 2022.08.30 (71)申请人 桂林理工大 学 地址 541004 广西壮 族自治区桂林市七 星 区建干路12号 (72)发明人 王海岚　陈基漓　谢晓兰　彭德稳　 (51)Int.Cl. G06Q 30/02(2012.01) G06Q 30/06(2012.01) G06K 9/62(2022.01) (54)发明名称 一种基于Canopy模糊聚类和奇异值分解的 个性化推荐方法 (57)摘要 本发明公开了一种基于Canopy模糊聚类和 奇异值分解的个性化推荐方法， 包括5个步骤： 步 骤S1.生成用户 ‑属性评分矩阵； 步骤S2.Canopy 优化FCM聚类算 法： 通过Canopy优 化的FCM聚类算 法对用户进行模糊聚类； 步骤S3.奇异值 分解： 通 过奇异值分解对用户 ‑属性评分矩阵进行分解； 步骤S4.计算相似度： 找出目标用户的候选邻居 类， 利用皮尔逊相关系数计算目标用户与同一类 中候选邻居之间的相似度； 步骤S5.项目推荐： 对 目标推荐用户未评分项目进行预测， 通过上述相 似度的度量， 得到评分预测， 并按照降序排列， 将 前n个项目推荐给用户。 该发明能够使得推荐的 准确度更高， 有效缓解了数据稀疏性、 用户主观 性强等问题， 使推荐误差减小， 具有良好的推荐 效果。 权利要求书1页 说明书3页 附图1页 CN 115392975 A 2022.11.25 CN 115392975 A 1.一种基于Canopy模糊聚类和奇异值分解的个性化推荐方法， 其特征在于， 包括以下 步骤： 步骤S1.生成用户 ‑属性评分矩阵； 步骤S2.Canopy优化FCM聚类算法： 通过Canopy优化 的FCM聚类算法对用户进行模糊聚 类； 步骤S3.奇异值分解： 通过奇异值分解对用户 ‑属性评分矩阵进行分解； 步骤S4.计算相似度： 找出目标用户的候选邻居类， 利用皮尔逊相关系数计算目标用户 与同一类中候选邻居之间的相似度； 步骤S5.项目推荐： 对目标推荐用户未评分项目进行预测， 通过上述相似度的度量， 得 到评分预测， 并按照降序排列， 将前n个项目推荐给用户。 2.如权利要求1所述的基于Canopy模糊聚类和奇异值分解的个性化推荐方法， 其特征 在于， 步骤S2包括以下步骤： 步骤S21： 选择Can opy的距离阈值T1和T2， 且T1>T2； 步骤S22： 在用户 ‑属性评分矩阵UA中随机选取一个用户作为第一个聚类中心， 并从评 分矩阵中删除该用户； 步骤S23： 继续选取用户， 计算其至所有已产生的聚类中心点的距离d； 如果d＜T2， 则将 该用户加入 此Canopy聚类， 并将该用户从用户 ‑属性评分矩阵中删除； 如果T2＜d＜T1， 则将 该用户加 入此Canopy聚类； 如果d＞T1， 则该用户成为新Canopy聚类中心点， 并将该用户从 用户‑属性评分矩阵中删除； 步骤S24： 重复步骤S23， 直到UA评分矩阵为空， 由此 得到初始聚类中心 矩阵； 步骤S25： 将初始聚类中心 矩阵输入FC M聚类算法， 同时初始化用户隶属度矩阵； 步骤S26： 更新聚类中心 矩阵和隶属度矩阵； 步骤S27： 判断FC M算法是否满足阈值， 满足则终止迭代， 否则返回步骤S26； 步骤S28： 获得用户 ‑类别矩阵。 3.如权利要求1所述的基于Canopy模糊聚类和奇异值分解的个性化推荐方法， 其特征 在于， 步骤S3包括以下步骤： 步骤S31： 计算用户 ‑属性评分矩阵UA中每一列的项目评分的平均分； 步骤S32： 将评分矩阵中非0评分值换成该非0评分值减去UA评分矩阵中每一列项目评 分的平均分而得到的值， 得到新的矩阵M'； 步骤S33： 利用奇异值分解算法， 将步骤S12得到的矩阵分解为U、 S、 V三个矩阵,其 中S是 由所有特征值组成的矩阵， 除了对角线其余值都为0， 每一个特征值对应表示矩阵U中相应 列所含信息量的多少； 步骤S34： 将S中的所有特征值中小于设定阈值的k个特征值置为0， 并将矩阵U中相应的 列删去， 生成新的结果矩阵U'。权　利　要　求　书 1/1 页 2 CN 115392975 A 2一种基于Ca nopy模糊聚类和奇异值分解的个性化推荐方 法 技术领域 [0001]本发明涉及机器学习和个性化推荐领域， 特别涉及一种基于Canopy模糊聚类和奇 异值分解的个性 化推荐方法。 背景技术 [0002]随着互联网技术的不断发展， 数据和信息也越来越多， 用户获取有价值的信息越 来越难， 信息过载已经成为挑战。 如何借助计算机和互联网技术提高有价值信息的使用效 率， 避免用户陷入信息过载， 成为互联网时代的关注热点。 为了帮助用户迅速找到需要的信 息， 个性化推荐技术成为了非常重要的技术， 得到了越来越广泛的重视。 推荐技术因其高效 精准的优点， 在电子商务网站、 社 交网站和新闻推送等领域 都表现出了良好性能。 目前主流 的推荐算法为基于邻域的协同过滤推荐算法、 基于模型 的推荐算法、 基于内容的推荐算法 和混合推荐算法。 [0003]协同过滤推荐方法是比较热门的推荐技 术之一， 但该推荐技 术仍然存在局限性： [0004](1)数据稀疏： 随着用户和项目的数量快速增加， 导致用户 ‑项目评估矩阵的项目 信息非常稀疏。 [0005](2)准确度： 数据稀疏导 致推荐的准确度降低 [0006](3)用户主观性： 用户个人主观性的增强， 用户对每个数据评论的评分也会受主观 想法影响而变化， 进 而影响推荐结果。 [0007]因此， 本发明提出一种基于Canopy模糊聚类和奇异值分解 的个性化推荐方法。 采 用Canopy算法优化FCM 聚类算法， 提升聚类效率。 采用基于Canopy的FCM算法对用户进行模 糊划分， 减少计算量。 采用奇异 值分解将矩阵从 高维向量空间投影到低维空间中实现降维， 缓解了数据稀疏问题。 基于Canopy模糊聚类和奇异 值分解的协同过滤推荐 方法使推荐的准 确度更高， 有效缓解了数据稀疏性、 主观性强等问题， 推荐误差减小， 具有良好的推荐效果。 发明内容 [0008]本发明的目的在 于针对现有推荐技术中的不足， 提供一种基于Canopy模糊聚类和 奇异值分解的个性化推荐方法。 本发明利用奇异值对数据进行降维， 采用Canopy算法优化 FCM聚类算法， 提高推荐的准确度。 [0009]为了实现以上目的， 本发明所采用的技 术方案包括以下步骤： [0010]步骤S1.生成用户 ‑属性评分矩阵； [0011]步骤S2.Canopy优化FCM聚类算法： 通过Canopy优化的FCM聚类算法对用户进行模 糊聚类； [0012]步骤S3.奇异值分解： 通过奇异值分解对用户 ‑属性评分矩阵进行分解； [0013]步骤S4.计算相似度： 找出目标用户的候选邻居类， 利用皮尔 逊相关系数计算目标 用户与同一类中候选邻居之间的相似度； [0014]步骤S5.项目推荐： 对目标推荐用户未评分项目进行预测， 通过上述相似度的度说　明　书 1/3 页 3 CN 115392975 A 3