1.一种大规模商品销售中核心用户和核心物品的挖掘方法，其特征在于，包括如下步骤：

(0) (0)

步骤一、初始化物品对用户重要性权重矩阵η 和物品i的核心用户⊙ (i)；

(l)

步骤二、依次循环迭代更新用户对物品的喜爱权重矩阵ρ 、每个用户的核心物品、物(l)

品对用户的重要性权重矩阵η 和每个物品的核心用户，l表示第l轮迭代；当满足收敛条件时，停止迭代，输出最优的核心用户、核心物品、权重矩阵ρ和η；

步骤一包括：

(0)

以初始物品对用户重要性权重矩阵η 开始，元素 定义为用户u对物品i的评分riu除以用户u对Iu中物品的评分之和，即满足其中，Iu为用户u的喜爱物品集合，i∈Iu，j∈Iu；

(0)

选择相似度度量，将权重矩阵η 与选择的相似度加权；计算物品i在喜爱物品i的用户集合Ui中，每对用户u和v的加权相似度 u∈Ui，v∈Ui；

对于每个用户u，以用户u为中心的总体加权相似度和为当用户满足

时，被选作为物品i的核心用户，表示物品i的最大总体加权相似度和为(0)

即以⊙ (i)为中心的总体加权相似度；

步骤二包括：

(l)

步骤201、更新用户对物品的喜爱权重矩阵ρ对于每个物品i，权重系数 即用户u∈Ui对于物品i的重要性，是由该用户与物品i(l‑1)

的核心用户⊙ (i)的加权相似度决定的；即可简化表示为 且

步骤202、更新核心物品对于每个用户u和每对物品i，j∈Iu，Iu表示用户u的喜爱物品集合；选择相似度度量，将权重系数 与选择的相似度加权；计算两个物品间的加权相似度 以物品i为中心，计算总体加权相似度 即由物品i对用户u的贡献为越大，物品i对于用户u越重要且越有代表性；

(l)

用户u的核心物品⊙ (u)满足表示用户u的最大总体相似度和为(l)

即以⊙ (u)为中心的总体加权相似度；

(l)

步骤203、更新物品对用户的重要性权重矩阵η对于每个用户u，通过归一化的加权相似度来量化每个物品i的重要性；

(l)

且一个物品i离 ⊙ (u)越近，它对用户u越重要，且有等式成立；

步骤204、更新核心用户基于已经更新的权重系数 重新评估对于每个物品i的集合Ui内每对用户u和v的加权相似度

以用户u为中心，总体加权相似度和 即他作为核心对物品i的总贡献为当 最大时的用户为物品i的核心用户，即(l)

表示物品i的第l轮最大总体加权相似度和 即以⊙ (i)为中心的总体加权相似度；

步骤205、设置收敛条件，并重复步骤201至205，当满足收敛条件时，停止迭代，输出最优的核心用户、核心物品、权重矩阵ρ和η。

2.根据权利要求1所述的大规模商品销售中核心用户和核心物品的挖掘方法，其特征(l+1) (l) (l+1)在于，步骤205中，所述收敛条件为||η ‑η ||∞＜ε，其中，η 表示第l+1轮的η矩阵，||·||∞表示无穷范数或最大范数，ε为可接受的迭代误差。

3.根据权利要求1所述的大规模商品销售中核心用户和核心物品的挖掘方法，其特征在于，所述相似度度量包括欧氏距离取反、余弦相似度和皮尔逊相关系数。