技術(shù)特征：

1.同時(shí)融入好友特征和相似用戶特征的協(xié)同過(guò)濾方法，其特征在于，包括以下步驟：

步驟一：獲取用戶-物品評(píng)分矩陣，通過(guò)皮爾遜相關(guān)系數(shù)計(jì)算用戶之間的相似度，建立用戶相似度矩陣；

步驟二：獲取用戶-用戶關(guān)系矩陣，對(duì)原始用戶-用戶關(guān)系矩陣進(jìn)行歸一化處理，得到歸一化后的用戶-用戶關(guān)系矩陣；

步驟三：根據(jù)用戶相似度矩陣和歸一化后的用戶-用戶關(guān)系矩陣將相似用戶特征和好友用戶特征融入概率矩陣分解模型的用戶特征，根據(jù)融入相似用戶特征和好友用戶特征的概率矩陣分解模型獲取用戶對(duì)物品的預(yù)測(cè)評(píng)分，根據(jù)預(yù)測(cè)評(píng)分為用戶推薦物品。

2.如權(quán)利要求1所述的同時(shí)融入好友特征和相似用戶特征的協(xié)同過(guò)濾方法，其特征在于，步驟一中，用戶之間相似度的計(jì)算公式為：

$S_{iw}={\mathrm{\Σ}}_{j\∈I}(R_{ij}-\stackrel{\‾}{r_i})(R_{wj}-\stackrel{\‾}{r_w})/\sqrt{{\mathrm{\Σ}}_{j\∈I}{(R_{ij}-\stackrel{\‾}{r_i})}^2}\sqrt{{\mathrm{\Σ}}_{j\∈I}{(R_{wj}-\stackrel{\‾}{r_w})}^2}$

其中，S_iw為用戶i與物品w的相似度，I為用戶i和用戶w的公共評(píng)分集合，R_ij為用戶i對(duì)物品j的評(píng)分，為用戶i的評(píng)分均值，R_wj為用戶w對(duì)物品j的評(píng)分，為用戶w的評(píng)分均值。

3.如權(quán)利要求1所述的同時(shí)融入好友特征和相似用戶特征的協(xié)同過(guò)濾方法，其特征在于，步驟二中，對(duì)原始用戶-用戶關(guān)系矩陣進(jìn)行歸一化的過(guò)程為：通過(guò)歸一化，使得F_i表示用戶i的好友集合，T_iv為原始用戶-用戶關(guān)系矩陣中第i行第v列的元素表示用戶i對(duì)用戶v的關(guān)系。

4.如權(quán)利要求1所述的同時(shí)融入好友特征和相似用戶特征的協(xié)同過(guò)濾方法，其特征在于，步驟一中，設(shè)置相似度閾值，根據(jù)用戶相似度矩陣選擇與用戶相似度高于相似度閾值的用戶集合作為高相似度用戶集合。

5.如權(quán)利要求1所述的同時(shí)融入好友特征和相似用戶特征的協(xié)同過(guò)濾方法，其特征在于，步驟一中，設(shè)置高相似度用戶數(shù)目的閾值Y，根據(jù)用戶相似度矩陣選擇與用戶相似度最高的Y個(gè)用戶作為高相似度用戶集合。

6.如權(quán)利要求6中任意一項(xiàng)所述的同時(shí)融入好友特征和相似用戶特征的協(xié)同過(guò)濾方法，其特征在于，Y值為用戶的好友數(shù)量。

7.如權(quán)利要求1～6中任意一項(xiàng)所述的同時(shí)融入好友用戶特征和相似用戶特征的協(xié)同過(guò)濾方法，其特征在于，融入相似用戶特征和好友用戶特征的概率矩陣分解模型中：

用戶隱因子矩陣U的條件概率為：

物品隱因子矩陣V的條件概率為：

評(píng)分預(yù)測(cè)公式為：

其中，U為用戶隱因子矩陣，V為用戶隱因子矩陣，S為用戶相似度矩陣，T歸一化后的用戶-用戶關(guān)系矩陣，U_i為用戶i的特征向量，U_υ為用戶υ的特征向量，U_w為用戶w的特征向量，V_j為物品j的特征向量，F(xiàn)_i為用戶i的好友集合,N_i為用戶i的高相似度用戶集合，T_iv為用戶i與物品w的歸一化后的關(guān)系值，S_iw為用戶i和用戶w之間的相似度，為用戶i對(duì)物品j的評(píng)分預(yù)測(cè)，為用戶i的特征向量與物品j的特征向量的內(nèi)積。

8.如權(quán)利要求7所述的同時(shí)融入好友特征和相似用戶特征的協(xié)同過(guò)濾方法，其特征在于，根據(jù)融入相似用戶特征和好友用戶特征的概率矩陣分解模型獲取用戶對(duì)物品的預(yù)測(cè)評(píng)分的步驟包括：

根據(jù)預(yù)測(cè)評(píng)分公式、用戶隱因子矩陣的條件概率和物品隱因子矩陣的條件概率提出需要最大化的隱因子矩陣的后驗(yàn)概率：

最大化上述概率函數(shù)，等價(jià)于最小化如下的損失目標(biāo)函數(shù)，

其中表示Froben i us范數(shù)，R為用戶-物品評(píng)分矩陣，U為用戶隱因子矩陣，V為物品隱因子矩陣，S為用戶相似度矩陣，T歸一化后的用戶-用戶關(guān)系矩陣，R_ij為用戶i對(duì)物品j的評(píng)分，U_i為用戶i的特征向量，U_υ為用戶υ的特征向量，U_w為用戶w的特征向量，F(xiàn)_i為用戶i的好友集合,N_i為用戶i的高相似度用戶集合，S_iw為用戶i與物品w的歸一化后的關(guān)系值，為用戶i的特征向量與物品j的特征向量的內(nèi)積；

采用隨機(jī)梯度下降的方法優(yōu)化損失目標(biāo)函數(shù)，獲得用戶隱因子矩陣U和物品隱因子矩陣V，并使用預(yù)測(cè)評(píng)分。

9.如權(quán)利要求1～6中任意一項(xiàng)所述的同時(shí)融入好友特征和相似用戶特征的協(xié)同過(guò)濾方法，其特征在于，根據(jù)預(yù)測(cè)評(píng)分為用戶推薦物品的步驟包括：根據(jù)預(yù)測(cè)評(píng)分，對(duì)前預(yù)測(cè)評(píng)分前N高的物品進(jìn)行推薦。