1.一种基于三支决策用户聚类的协同过滤电影推荐方法，其特征在于，包括以下步骤：数据预处理步骤：将电影的评分数据集使用K‑fold交叉验证法划分为K组互不相交的训练集和测试集；

基于三支决策的用户聚类步骤：聚类流程分为用户划分、核心域聚类、边界域聚类；

搜索近邻的步骤：对目标用户所在的簇根据相似度从高到低选取K个邻居作为近邻；

评分聚合的步骤：对每个聚类簇计算一个预测评分值，聚合后得到最终预测值，根据预测值进行电影推荐。

2.根据权利要求1所述的一种基于三支决策用户聚类的协同过滤电影推荐方法，其特征在于，所述数据预处理步骤具体包括：实验数据集应包含用户id、电影id以及用户对电影的评分信息，评分由离散数字表示，随后按照K‑fold交叉验证法将数据随机划分为K份，每次取和之前不同的K‑1份作为训练集，剩下的一份作为测试集，进而得到K组训练测试数据。

3.根据权利要求1所述的一种基于三支决策用户聚类的协同过滤电影推荐方法，其特

1 2 m n

征在于，基于三支决策的用户聚类步骤中，聚类簇结构表示为C＝{C ,C ...,C ...,C}，其m

中全体聚类簇的集合由C表示，并划分成为n个聚类簇；C表示该簇为C中的第m个簇，由核心m m m m m

域和边界域组成，即C＝{Co(C),Fr(C)}；使用Co(C)表示C的核心域，核心域的对象完全m m m m

属于第m个簇C；使用Fr(C)表示C的边界域，边界域的对象部分属于第m个簇C。

4.根据权利要求3所述的一种基于三支决策用户聚类的协同过滤电影推荐方法，其特征在于，基于三支决策的用户聚类步骤中，用户划分的步骤具体包括：1)将全体用户中评分数量低于某个阈值的用户划分到边界域fringes；2)对全体用户应用KNN‑DPC算法,计算每个用户的密度值和距离值，并寻找到潜在的密度峰值点center，根据以下规则进行划分：u∈cores, 其中u为待划分的用户，cores为核心用户，fringes为边界用户，ρu和δu为用户u的密度值和距离值。

5.根据权利要求3所述的一种基于三支决策用户聚类的协同过滤电影推荐方法，其特征在于，所述核心域聚类步骤具体包括：对核心用户cores调用K‑Means算法，得到初始的聚m

类结果即为每个簇的核心域Co(C)。

6.根据权利要求5所述的一种基于三支决策用户聚类的协同过滤电影推荐方法，其特征在于，所述边界域聚类具体包括：1)计算用户u的邻居分布在各个簇的比例，该值也用来度量用户对边界域的隶属度，计算公式为 其中m m

P(u|C)表示用户u的邻居中属于C的比例，Neighbor(u)为目标用户u的前λ个最近邻居，v表m m m

示目标用户u的邻居，C为三支用户聚类算法第二步核心域聚类后的第m个簇，Co(C)为C的m

核心域；2)根据P(u|C)的值和三支决策阈值α和β对用户进行划分，其中α和β满足1≥α>β≥m m m m

0，若P(u|C)>α，则将用户u划分到簇C的核心域Co(C)；若β≤P(u|C)≤α则将用户u划分到m m

簇C的边界域Tr(C)。

7.根据权利要求6所述的一种基于三支决策用户聚类的协同过滤电影推荐方法，其特征在于，所述搜索近邻的步骤具体包括：使用皮尔逊相关系数度量用户的相似度，计算公式为 i代表用户u和v都评论过的电影，ru,i表示用户u对电影i的评分， 表示用户u的平均评分，rv,i表示用户v对电影i的评分， 表示用户v的平均评分，同时考虑评分较少的用户所表达的意见准确性不如评分较多的用户，对评分数目低于阈值th的用户相似度进行惩罚，添加惩罚系数后的相似度计算方法如下其中Iuv为用户u和v共同评过的物品集合，PC(u,v)为按照上式计算到的用户u和v之间的皮尔逊相关系数，th一般由经验值确定，随后对目标用户所在的簇中根据相似度sim(u，v)从高到低选取K个邻居作为近邻。

8.根据权利要求7所述的一种基于三支决策用户聚类的协同过滤电影推荐方法，其特征在于，所述评分聚合的步骤具体包括：基于用户的协同过滤评分预测常用公式为其中pu,i代表用户u对物品i的预测评分， 是用户u的平均评分，v是用户u的近邻用户，sim(u,v)代表用户u和v之间的相似度，rv,i是用户v对物品i的评分， 是用户v的平均评分，一个用户可能分配到多个簇中，在每个簇中都可以产生一个预测评分，采取的方法是对每个聚类簇计算一个预测评分值，聚合后得到最终预测值，聚合公式为 其中Pu,i为最终预测评分，C(u)代表用户u所在的所有簇的集合， 为按照协同过滤评分预测常用公式计算m m

得到的用户u在簇C中的预测评分， 为用户u在簇C的隶属程度，若用户u在核心域则m

取值为1，否则使用2.3中的P(u|C)值。