CN102208086B - 面向领域的个性化智能推荐系统及实现方法 - Google Patents

Abstract

本发明公开了一种面向领域的个性化智能推荐系统及实现方法，针对传统推荐方式通用性差的不足，通过合理的数据组织方式，使推荐服务具有跨领域的特性，只需根据不同领域的特点对领域信息进行配置，能够实现领域转换；针对传统推荐方式用户信息获取来源单一和数量较少带来的数据稀疏性问题，通过引入上下文感知技术主动获取用户与系统交互行为的上下文信息，不仅使获取的用户信息数大幅增加，而且使获取的用户信息时间分布更合理；用户信息的获取和用户与系统的交互行为直接相关，系统可以实时获取用户的当前情况，使推荐服务能够动态反映用户需求的变化情况，通过推荐学习模型，不断利用用户对推荐结果的反映，改善推荐服务质量。

Description

面向领域的个性化智能推荐系统及实现方法

技术领域

本发明涉及计算机信息处理与网络通信技术，尤其涉及一种面向领域的个性化智能推荐系统及实现方法。

背景技术

随着信息技术特别是网络技术的发展，信息系统的规模越来越大，信息数量也越来越多，获取信息的工具和方式也越来越丰富，通过网络为用户提供越来越多信息和服务的同时，信息系统的结构和内容也日益复杂。而在海量信息中，为用户及时、准确地提供当前所需要的信息内容也变得更加困难。其原因主要有：其一，由于很难准确描述出需要的信息的特征，用户常常会面对大量的信息而束手无策，迷失在大量的信息空间中；其二，信息系统提供的检索方式，常常不能满足用户描述检索条件的需求，找不到合适的描述所要检索信息的方式。另外，由于用户每次获取信息，都要输入大量、繁琐的检索条件，而信息系统不能通过服务的历史记录和服务过程掌握用户需求，也容易导致信息系统不能对用户产生持久吸引力。

随着下一代网络(NGN)技术的发展和应用，汇聚了有线通信、移动通信以及宽带互联网等多种网络的下一代网络，能够为用户提供种类更丰富、通信质量更好的数字音像内容服务。该技术的应用，将能使人们以更灵活、更快捷的方式获取数字音像内容，然而，在海量并不断增加的信息中及时、准确地选取所需要的信息内容，又将成为亟需解决的问题。因此，在此背景下，个性化智能推荐服务(PRS，Personalized Recommender Services)技术应运而生，并迅速得到发展，应用该技术，能够通过与用户交互过程中获取的信息推测用户的兴趣偏好，并能根据用户的兴趣偏好推荐符合用户兴趣偏好的信息。非但如此，通过个性化智能推荐服务，还可有效维护客户关系，提高信息系统的吸引力和培养用户忠诚度。

基于PRS技术的独特优势，从其诞生至今的十多年间，PRS系统已被广泛应用于电子商务、网上交易等方面。由于其具有巨大的应用需求，PRS得到业界广泛关注，许多国内外学者也纷纷将PRS作为研究专题。

现有的PRS技术归纳起来主要分为三类，即协同过滤推荐(CFR，Collaborative Filtering Recommendation)方式、基于内容过滤的推荐(CBF，Content-based Filtering Recommendation)方式和前述两种方式相结合的混合推荐(Hybrid Recommendation)方式。其中，协同过滤推荐(CFR)方式是研究最为深入且应用最为广泛的方式，这种推荐方式是通过分析用户之间兴趣偏好的相似性来提供推荐服务的。很多网站应用了该技术，如，亚马逊、eBay等都使用CFR技术为用户提供推荐服务。但是，CFR方式会随着系统规模的增大、出现数据稀疏性缺陷，导致推荐服务质量降低，特别是忠诚用户的服务质量将得不到保证。基于内容过滤的推荐(CBF)，是通过用户个人背景资料信息和商品或服务内容的特性消息相匹配，通过分析商品内容的结构来推测用户个性偏好，从而产生推荐结果。但，CBF方式，一般是针对特定领域的，更换其他领域后将会导致系统不能使用，因此，其通用性较差。作为上述两种推荐方式的结合，混合推荐方式能有效利用前述推荐方式的优点，而尽量弥补前二者的缺点。在应用方面，采用混合过滤方式的，如，美国Stanford大学数字图书馆。现有的混合推荐方式虽然在一定范围内提高了推荐服务质量，但仍然不能解决跨领域问题，也无法改善忠诚用户的推荐服务质量。

发明内容

有鉴于此，本发明的主要目的在于提供一种面向领域的个性化智能推荐系统及实现方法，通过合理的数据组织和推荐服务的过程优化处理，使该智能推荐系统具有跨领域应用的能力，以增强该推荐系统的通用性；并且根据用户需求的变化特征，使其具有主动学习能力，即具有智能推荐服务功能，能够根据用户对推荐服务的反映进行自我调整，以改善整体推荐服务质量和提高用户忠诚度。

为达到上述目的，本发明的技术方案是这样实现的：

一种面向领域的个性化智能推荐系统，领域处理模块、系统管理模块、用户接口模块、推荐服务模块和推荐结果处理模块；其中，

领域处理模块，用于通过数据组织方式的设计，使数据输入及系统实现与领域无关；用于确定领域信息的配置方法和系统的初始化，按一定规则和方法进行领域信息的配置，系统根据配置的领域信息初始化推荐系统；

系统管理模块，用于接收和处理各模块的信息或资源调配，算法选择、算法运行及参数设置；

用户接口模块，用于根据用户交互行为获取用户行为信息或上下文信息，并将其传送给推荐服务模块；

推荐服务模块，用于根据所获取用户行为信息或上下文信息，运用多种推理方法，从中获取用户所需的用户偏好信息或向用户推荐的推荐信息；

推荐结果处理模块，用于根据已获取的用户偏好和需求信息结合用户环境信息进行推荐服务，并获取用户对推荐服务的反映，同时结合对推荐服务的把握，进行学习和推理，生成推荐结果并输出。

其中，所述用户接口模块进一步包括用户交互行为处理子模块和上下文信息获取子模块；其中，

所述用户交互行为处理子模块，用于根据配置的领域信息进行搜集用户行为信息；

所述上下文信息获取子模块，用于根据输入的数据进行搜集上下文信息。

所述推荐服务模块进一步包括协同过滤推理子模块、领域相关性上下文推理子模块、本体推理子模块和推荐学习子模块；其中，

所述协同过滤推理子模块，用于根据所运行的协同过滤推荐算法分析用户对项目的评分，并以评分为基础分析用户相似性和项目相似性以及用户和项目相关性；

所述领域相关性上下文推理子模块，用于根据其所运行的上下文推理算法，从低层上下文信息到高层上下文信息进行推理，将低层上下文信息转换成可用性强的高层上下文信息；

所述本体推理子模块，用于根据所运行的本体推理算法，将用户和项目领域本体抽象成相关的词类和词类之间的关系，通过词类和词类之间的关系分析和推理不同类别的用户和项目之间的关联关系；

所述推荐学习子模块，用于根据所运行的推荐学习推理算法，通过分析用户对推荐结果的反映，结合协同过滤以及本体推理改善对用户偏好和需求的把握，进而提高推荐质量。

所述推荐结果处理模块进一步包括用户环境信息获取子模块和推荐结果输出子模块；其中，

用户环境信息获取子模块，用于获取与用户终端以及用户行为习惯相关的信息，并将这些信息传送给推荐结果产生模块，使产生的推荐结果按照用户终端要求和用户行为习惯发送给用户；

推荐结果输出子模块，用于检查用户可利用的信息，它们主要来自上下文推理、协同过滤推理、本体推理和推荐学习模块，包括本体相似性数据、协同过滤相似性数据、可直接利用的高层上下文数据以及推荐学习数据，根据实时情况产生推荐结果，并根据获取的用户环境信息将推荐结果以友好的方式呈现给用户。

一种面向领域的个性化智能推荐系统的实现方法，该方法包括：

A、通过数据组织方式设计，使数据输入及系统实现与该领域无关，确定领域信息的配置方法和系统初始化，并按一定规则和方法进行领域信息的配置，系统根据配置的领域信息初始化推荐系统；

B、根据用户交互行为搜集用户行为信息或上下文信息，然后将其传送给推荐服务模块，并运用各种推荐算法进行综合推理，从中获取用户所需的用户偏好信息或向用户推荐的推荐服务信息；

C、然后，根据已获取的用户偏好和需求信息结合用户环境信息进行推荐服务，并获取用户对推荐服务的反映，同时结合对推荐服务的把握，进行学习和推理，最终生成推荐结果并输出。

其中，步骤B所述根据用户交互行为搜集用户行为信息或上下文信息具体包括：通过注册信息获取、通过项目评分信息获取、通过系统使用上下文感知技术获取用户信息；或通过用户信息浏览获取、从用户的交易信息中获取、通过推荐服务响应信息获取以及通过用户搜索的内容获取。

步骤B所述各种综合推荐算法，包括协同过滤推理算法、领域相关性上下文推理算法、本体推理算法和推荐学习算法。

所述协同过滤算法具体包括：

B1、由推荐系统启动一线程，此线程初始化一定时器，用以定时监控新增或更新的共同评分数量，若超过一定预设值则执行步骤B2；

B2、根据用户对商品或服务的评分，计算此用户与其它用户之间的评分商品与服务的交集，并保存到数据库中；

B3、通过评分项目交集根据余弦相似性或修正的余弦相似性计算出此用户与其它用户之间的相似性，并将相似性保存到数据库中。

B4、通过设置的最近邻居集合或者用户相似性阈值计算出用户的最近邻居集合；

B5、利用步骤B3计算出的用户最近邻居集合根据预测评分计算公式计算出用户对未评商品或服务的预测评分，并保存到数据库中。

本发明所提供的面向领域的个性化智能推荐系统及实现方法，具有以下优点：

本发明的智能推荐系统，针对传统推荐方式通用性差的不足，通过合理的数据组织方式，使推荐服务具有跨领域的特性，只需根据不同领域的特点对领域信息进行配置，能够实现领域转换；针对传统推荐方式用户信息获取来源单一或数量较少带来的数据稀疏性问题，通过引入上下文感知技术主动获取用户与系统交互行为的上下文信息，不仅使获取的用户信息数大幅增加，而且使获取的用户信息时间分布更合理；用户信息的获取和用户与系统的交互行为直接相关，系统可以实时获取用户的当前情况，使推荐服务能够动态反映用户需求的变化情况，通过推进学习模型，不断利用用户对推荐结果的反映，改善推荐服务质量。

本发明的智能推荐系统，可以嵌入到作为宿主系统的各种大型信息系统，如，需要推荐服务的商品或服务信息系统，宿主系统不需要做任何改变，推荐服务系统即可根据宿主系统中的用户信息和商品或服务信息的特点，选择合适的方式将该宿主系统的领域信息输入到推荐系统中，并启动推荐服务，即可根据宿主系统的需求提供推荐服务。应用该推荐系统，不仅能降低用户信息获取的复杂度和提高用户信息获取的速度，而且还可通过推荐服务，更好的为用户呈现用户可能需要的信息，提高服务质量的同时充分发挥信息系统中信息的价值。如，将该推荐系统应用于各种电子商务网站，使用户能够更高效的发现需求的商品或信息，也能使商家有针对性的将商品推送给可能需求它们的用户，也可以应用于各类门户网站，使它们可以根据用户的需求特点，向用户推荐用户可能感兴趣的信息，更好的满足用户的个性需求，提高商家的竞争力吸引并留住用户。

附图说明

图1为本发明实施方式的系统应用环境及工作流程示意图；

图2为本发明面向领域的个性化智能推荐系统的层次结构图；

图3为本发明图2中推荐服务模块所用推理方法的逻辑关系示意图；

图4为图3中任意领域的用户本体中任意词类与词类的关系示意图；

图5为本体推理中任意领域的用户词类和项目词类的相关性示意图。

具体实施方式

下面结合附图及本发明的实施例对本发明的方法作进一步详细的说明。

图1为本发明实施方式的系统应用环境及工作流程示意图，如图1所示，该系统为所示用户提供面向领域的个性化智能推荐服务。为了解决本发明个性化智能推荐系统的通用性(即跨领域)问题，同时，为了避免数据稀疏性对推荐服务质量的影响，使系统运行中不断提高推荐服务质量，并保证忠诚用户能够获得更好的服务质量，本发明将通过使用上下文感知技术并结合传统方法(用户直接提供相关信息)获取用户个性偏好信息，并使用上下文感知推理、本体推理和推荐学习算法，优化用户个性偏好及用户需求的获取与推测，使个性化推荐系统能够更准确和全面的推测动态变化的用户个性偏好和需求，使用户能以很少或不需要被动输入，就可以在海量的信息系统中，更快、更准确的获得所需要的信息，并能以很小的代价使系统可以更换领域。为实现上述发明目的，本发明主要采用如下技术手段：

第一、利用上下文感知技术获取尽可能多的用户信息。本发明个性化智能推荐系统，通过引入上下文具有高的敏感度的感知模型，能够及时、准确并尽可能无遗漏的感知用户留下的个人信息，获取的用户个人信息越多，对用户的个性把握越全面，在缓解甚至避免数据稀疏性问题的同时，能够提高推荐服务质量。本发明系统将在与用户交互的环境中设置尽可能设置上下文环境，以获取用户浏览、评分和交易时表现出的个性信息。

第二、将本体推理结构化和定量化。采用本体数据和本体推理的结构化，可以避开基于内容的推荐方式通用性差的不足，为推荐服务能够跨领域奠定了基础。利用本体推理建立不同类别的用户之间的联系，将推荐服务领域本体与用户个性偏好与需求之间建立可测或可比较的关系，是使之用于推荐服务的基础。通过统计和分析上下文环境中获取的大量信息以及相关可利用的协同过滤数据，建推荐服务领域本体与用户个性偏好以及个性偏好相似性之间可比的或可测量的定量关系，并把它应用到推荐模型中。

第三、推荐结果能够动态智能的反映用户个性偏好的进化。本发明通过研究将上下文感知技术和本体相关技术结合，以上文感知技术获取的大量信息为基础，结合从推荐本体中推测的用户本质属性，检测并判断用户个性偏好的变化，使推荐服务的推荐结果可以更好的反映用户个性偏好的动态变化。

第四、通过推荐学习模型不断改善推荐服务质量。推荐学习模型能够在与用户交互的过程中，主动获取和把握未知的、不易直接获得的信息，通过不断的信息积累，逐渐获得需要的信息。通过学习，系统可以更好的掌握单个用户、用户群和全体用户的特点，不断改善为他们提供的推荐服务质量。

第五、以数据组织为中心使系统实现领域无关性的目标。本发明个性化智能推荐系统的设计、实现和管理，以数据组织方式的设计和实现为中心，使输入的数据无论是任何领域，都能展开和运行，从而实现系统的领域无关性。推荐服务的研究对象是用户和为用户提供的商品或服务，通过研究各个领域用户及对应的商品或服务的普遍规律，能够实现个性化推荐服务的领域无关性。所述个性化智能推荐系统的领域无关性，是指当推荐服务针对的领域发生变化时，系统的实现代码不发生变化或以比较小的变化和代价，就可以从一个领域转移到另一个领域。上下文推理很难做到完全的领域无关，为了更好的实现领域无关，将上下文推理分为领域相关的上下文推理和领域无关的上下文推理。其他部分基本实现与领域无关，因此，能够达到以很小的代价实现领域转换的目标。

下面将以本发明的智能推荐系统在影视资源管理系统和图书销售管理系统之间进行应用和领域转换的过程为例，说明本发明面向领域的个性化智能推荐系统及实现方法。

图2为本发明面向领域的个性化智能推荐系统的层次结构图，该推荐系统运行在Linux操作系统环境下，使用apache Tomcat web服务软件和MySQL作为数据库管理软件。如图2所示，该系统主要包括：领域处理模块100、系统管理模块200、用户接口模块300、推荐服务模块400和推荐结果处理模块500；其中，

领域处理模块100，用于通过数据组织方式的设计，使数据输入及本系统实现与领域无关；用于确定领域信息的配置方法和系统的初始化，领域信息的配置要按一定规则和方法进行，系统根据配置的领域信息初始化推荐系统。其数据组织方式，包括本体数据的结构化和本体推理的结构化等。

系统管理模块200，用于接收和处理领域处理模块100、用户接口模块300、推荐服务模块400以及推荐结果处理模块500的信息或资源调配等需求，还包括算法选择、算法运行以及参数设置等。

这里，作为实施例，所述系统管理模块200主要用于后台进行影视或图书信息、用户信息、页面管理和参数设置等，最重要的是用于管理各种推理算法，如，用来更改算法参数设置、更换算法、控制算法的运行等。

用户接口模块300，进一步包括用户交互行为处理子模块310和上下文信息获取子模块320；用于根据用户交互行为处理子模块310或/和上下文信息获取子模块320搜集用户行为信息或上下文信息，并将其传送给推荐服务模块400。

这里，所述搜集用户行为信息或上下文信息的具体过程为：用户登录到系统后，看到的内容都是系统通过推荐算法处理推荐给用户的内容，用户首先看到的信息是逐条排列的内容的缩略信息。如果用户看到某条内容的缩略信息并可能对它感兴趣，就会打开该条内容的详细描述信息进行浏览。用户浏览内容本身的特点和用户浏览内容时表现出来的信息是分析用户是否对浏览信息感兴趣以及感兴趣程度的依据。

内容本身的特点包括内容的长度、内容的复杂程度等与内容浏览可能需要的时间相关的信息。内容的长度直接影响用户对该内容是否感兴趣的判断，在不考虑内容复杂程度等因素的条件下，内容长的信息需要更长的浏览时间。如果用户对某个内容的浏览时间小于对该内容的粗略浏览时间，那么可以判断用户可能对该信息不感兴趣。因此，首先应该确定一个内容的粗略浏览时间，详细浏览时间。用户是否对该内容有兴趣，以及感兴趣的程度，不取决于用户对内容浏览的绝对时间，而取决于用户对该信息的实际浏览时间与该内容粗略浏览时间以及详细浏览时间的对比。获取的主要数据包括：浏览内容，浏览时间和其它附加操作。系统提供给用户的内容可能不是用户需要的，用户则可以通过搜索获取需要的内容，通过对用户搜索信息的反映、浏览过的内容以及浏览时间停留该页面的时间长短等，以体现用户对搜索内容的需求。

推荐服务模块400，进一步包括协同过滤推理子模块410、领域相关性上下文推理子模块420，以及本体推理子模块430和推荐学习子模块440；用于根据所述用户行为信息或上下文信息，运用多种推理方法，如协同过滤、上下文推理、本体推理、推荐学习等算法，从中获取用户所需的用户偏好信息或向用户推荐的推荐信息。作为本发明智能推荐系统的核心要件，所述推荐服务模块400的作用及处理过程在下文中详细描述。所述协同过滤子模块等功能模块，分别在所述系统管理模块的调配下运行各自的推荐算法，如协同过滤推荐算法、上下文推理、本体推理和推荐学习推理算法等。

推荐结果处理模块500，进一步包括用户环境信息获取子模块510和推荐结果输出子模块520，用于根据已获取的用户偏好和需求信息结合用户环境信息进行推荐服务，并获取用户对推荐服务的反映，同时结合对推荐服务的把握，进行学习和推理，生成推荐结果并输出，可以用来进一步改善用户个性偏好和需求的推荐服务。用户环境信息获取子模块负责获取与用户终端以及用户行为习惯相关的信息，并将这些信息传送给推荐结果产生模块，使产生的推荐结果按照用户终端要求和用户行为习惯发送给用户；所述推荐输出结果子模块检查用户可利用的信息，它们主要来自上下文推理、协同过滤推理、本体推理和推荐学习，包括本体相似性数据(即用户本体相似性数据、项目本体相似性数据和用户项目相关性数据)、协同过滤相似性数据、可直接利用的高层上下文数据以及推荐学习数据，根据实时情况产生推荐结果，并根据获取的用户环境信息将推荐结果以友好的方式呈现给用户。

上述内容为本发明面向领域的个性化智能推荐系统的概要介绍，下面重点对本发明智能推荐系统的用户接口模块300和推荐服务模块400进行详细说明。

本推荐系统通过用户接口模块300与用户进行交互，以获得包含用户个性偏好和需求的用户行为信息和上下文信息等。其获得所述信息的方式主要有：第一、通过注册信息获取；第二、通过项目评分信息获取；第三、通过系统使用上下文感知技术获取用户信息；如，通过用户浏览过的信息中获取、通过用户的交易信息中获取、推荐服务响应信息获取以及通过用户搜索的内容中获取等。

本发明提供的如下推荐推理方法，即协同过滤推荐算法、上下文推理、本体推理和推荐学习推理算法等，分别具体为：

协同过滤推荐算法，用于分析用户对项目的评分，以评分为基础分析用户相似性和项目相似性。

上下文推理算法，从低层上下文信息到高层上下文信息进行推理，将低层上下文信息转换成可用性强的高层上下文信息。

本体推理算法，将用户和项目领域本体抽象成相关的词类(即概念)和词类之间的关系，通过词类和词类之间的关系分析和推理不同类别的用户和项目之间的关联关系。

推荐学习推理算法，通过分析用户对推荐结果的反映，结合协同过滤以及本体推理改善对用户偏好和需求的把握，进而提高推荐质量。

如上所述多种推理方法之间的逻辑关系，如图3所示，用户评分数据用于协同过滤推荐，协同过滤推荐数据用于本体推荐和推荐学习，用户注册信息用于本体推理，上下文感知环境获取信息可通过上下文推理进行本体推理，同时将学习后的结果进行反馈。

本系统主要用于对注册用户提供推荐服务，非注册用户或新用户使用本系统进行智能推荐应用时，准确度和推荐的结果的合理度略低于前者，因此，为提高准确度和推荐结果的合理性，要求新用户先注册，以便提供必要的基本信息。所述基本信息(注册时必须提交的信息)要满足用户管理和初始推荐服务的要求，虽然不强制用户输入较多的个人信息，但可提醒用户，如果愿意输入较多的个人信息，将能获得更好的推荐服务。

通过用户评分，能为用户对系统提供给用户或用户愿意评分的项目进行评分服务，以便作为推荐服务的依据之一。它的主要功能分为两部分：用户评分项目提供和用户评分操作；为用户提供的评分项目主要有：热门项目和推荐项目，通过用户评分操作，为用户提供评分服务。

上下文感知环境，用户上下文信息是在用户与系统交互的过程中获取的，主要获取环境包括：用户登录系统时的环境、用户信息浏览和用户搜索信息等；其中，

用户登录系统时的环境，通过获取用户登录系统时所处的软硬件和网络环境可以获取用户所在的环境信息等。这些信息主要包括：用户的地点上下文信息、用户的时间上下文信息、用户的当前地点的天气上下文信息、用户的当前活动的上下文信息(主要针对于手机用户)、社会上下文信息，如，重要社会事件之一——上海世博会2010年5月1日-10月31日等。

用户信息浏览，用户浏览的信息就是用户感兴趣的信息，可以通过感知用户浏览信息来获取用户的兴趣偏好，信息浏览上下文环境设置在用户评分时的信息浏览和推荐结果处理时的信息浏览。获取的主要数据包括：浏览内容，浏览时间和其它附加操作。

用户搜索信息，用户使用的搜索关键字能够表达用户的兴趣和需求，可以通过感知用户搜索需求获取用户的兴趣偏好和需求。

本系统通过推荐服务模块400分别应用协同过滤推荐算法、本体推理算法、推荐学习算法以及领域相关性上下文推理算法等，进行个性化偏好信息的智能推荐及相关推荐服务的提供。其中，

一、协同过滤推荐算法

协同过滤算法，是通过获取用户之间的评分相似性，并以评分的相似性来表达用户偏好的相似性，以偏好相似的用户的喜好来推测用户的喜好。

具体过程是：如果用户甲和用户乙有共同评分的项目(如商品或服务，进一步来说，若对数字媒体领域而言，则项目可以是影片等；对图书领域而言，则可以是书籍等)，而且给出的评分相似，即评分基本相同或差别较小，则两用户偏好相似，如果用户甲对项目A有评分，而用户乙对项目A没有评分，则以用户甲的评分推测用户乙对项目A的评分。将对预测评分高的项目推荐给用户。

该协同过滤推荐算法的主要功能在于：

其一，共同评分项目处理，协同过滤推荐算法的第一步是找到要处理的两个用户的共同评分项目。共同评分项目处理主要面临的问题有：用户数众多，且每个用户都有一定数目的评分，用户评分数据量大，查找两个用户的共同评分计算量大；协同过滤推荐算法为某个用户提供推荐时，需要参考多个用户(即选择多个邻居)，需要获得与多个用户的共同评分，这就更增加了计算的复杂度；用户评分在持续进行，新的评分和共同评分的处理也会增加计算的复杂度。结合以上三点，因此，本系统采用如下处理方法：将用户共同评分作为中间数据存储下来，这样每次需要获得共同评分项目时，不必去用原始的评分数据去计算，而是可以直接获得。对新的用户评分，可以根据硬件系统的情况，每隔一定时间处理一次，将新的共同评分加入共同评分项目。

其二，相似性计算，根据共同评分项目计算用户之间的评分相似性。相似性计算方法是：

$\mathrm{sim}(u_a,u_b)=\frac{{{\mathrm{\Σ}}_{c\∈I}}_{\mathrm{ab}}(r_{a,c}-\stackrel{\‾}{r_a})(r_{b,c}-\stackrel{\‾}{r_b})}{\sqrt{{{\mathrm{\Σ}}_{c\∈I}}_{\mathrm{ab}}{(r_{a,c}-\stackrel{\‾}{r_a})}^2\sqrt{{{\mathrm{\Σ}}_{c\∈I}}_{\mathrm{ab}}{(r_{b,c}-\stackrel{\‾}{r_b})}^2}}}$

其中，I_ab表示用户u_a和u_b共同评分的项目，

和分别表示用户u_a和u_b对项目的平均评分。

相似性是邻居选择的直接依据，对一个用户进行推荐，要选择所有用户中和推荐用户相似性最高的一组用户，因而要获得所有用户和推荐用户的相似性。在提供推荐服务时计算所有用户和推荐用户的相似性计算量太大，如果要同时为多个用户提供推荐，不仅响应速度会很慢且可能会导致系统崩溃。其具体处理方法是：在单独选定的时间里，统一进行选定用户的相似性计算。用户有新的评分出现，就会有新的共同评分，其它指标如用户的平均评分也会改变，为降低计算量，根据系统硬件情况，定时更新，更新使用原来的相似性数据。

其三，邻居选择，按照一定的规则选择一定数量的邻居作为预测评分的依据。邻居选择策略有两个分别是：传统的邻居选择策略，选择相似度大的一组用户作为邻居；综合共同评分项目的个数选择邻居，共同评分数目少，则相似度具有的随机性大，可靠性小，将共同评分项目的个数和相似度综合起来选择邻居。

其四，预测评分，以该用户和其他用户已有的评分为依据，预测该用户对未评分项目的评分。预测评分公式如下：

$p\left(r_{a,y}\right)=\stackrel{\‾}{r_a}+\frac{{{\mathrm{\Σ}}_{b\∈U}}_N(r_{b,y}-\stackrel{\‾}{r_b})\×\mathrm{sim}(u_a,u_b)}{{{\mathrm{\Σ}}_{b\∈U}}_N\mathrm{sim}(u_a,u_b)}$

其中，p(r_a，y)是用户u_a项目y的预测评分，，U_N是用户u_a的邻居的集合，sim(u_a，u_b)是用户u_a和u_b之间的相似度。

由于要对大量的项目进行预测评分，系统选择在空闲的时间提前进行预测评分的计算，而不是在推荐服务产生时实时进行预测评分的计算。在有新的评分加入后，间隔一定的时间对预测评分数据进行更新。

其五，本体相似性计算，协同过滤相似性数据是分析本体相似性的一个数据来源，通过对协同过滤相似性数据的统计，参与到用户本体相似性、项目本体相似性和用户和项目本体相关性的计算中。

二、基于本体推理的算法

相似性是个性化智能推荐技术研究的重点。这里，本体推理算法采用从领域本体的角度分析用户、项目(例如，资源，数字媒体内容)以及用户与项目的相似性。用户相似性通过领域本体分析，并结合用户与系统的交互数据，获取用户的相似程度信息，并以用户相似性数据影响对用户的推荐。项目相似性研究的是项目通过领域本体表现出来的相似性。如果用户发生了对某一项目的需求，就向这个用户推荐与这个项目最相似的一些项目。用户项目相似性从领域本体理论出发，分析用户和项目的相关性，即用户对项目的需求程度，作为向用户推荐项目的依据。

其一，用户相似性，是以用户领域本体中的词类(也称概念)和词类之间关系为分析对象。用户相似性建立在词类内部和词类之间，推理规则建立在词类和词类关系之上，可以有效的实现跨领域问题。

如图4所示的对于任意领域的用户本体中任意词类与词类的关系示意图，由于本平台具有跨领域性，因而词类和词类之间关系可以是上面表述的树型关系，也可以是复杂的图型关系。

本体推理以词类、词类之间关系、协同过滤统计数据和上下文相关数据统计数据为基础，通过推理规则，计算词类和词类之间的相似性之间的关联，并以此为基础影响推荐结果。

其二，项目相似性，是从项目领域本体的角度分析项目词类以及词类之间的关系，以本体推理为基础，分析项目词类内部和词类之间的相似性关系。推理规则和领域本体数据的组织建立在词类和词类之间关系之上，能够满足跨领域的需要。本体推理和相似性计算方法与用户相似性相同。

其三，用户项目相关性，是通过对协同过滤统计数据和上下文相关统计数据将用户领域本体和项目领域本体联系起来，推测不同词类用户对不同词类项目的需求程度。

对于任意领域的用户和项目的相关性来说，用户和项目的相关性可以通过推理规则，结合协同过滤统计数据和上下文相关统计数据，建立所有用户词类和项目词类之间的相关关系，如图5所示，选择其中稳定的相关关系用来提供推荐服务。

三、推荐学习算法

推荐学习算法根据获取的用户反馈信息，分析并改善推荐参数的配置，以便接下来为用户提供更好的推荐服务。

其一，用户反馈信息获取，本部分获取的用户反馈信息主要是用户对推荐信息的反映，主要表现在以下三个方面：用户对推荐项目感兴趣的程度，由用户行为决定，简单浏览、仔细浏览或购买相关项目的行为可以反映出用户对商品感兴趣程度的不同；用户对推荐项目感兴趣的广度，即用户对推荐的感兴趣的个数占推荐项目总个数的比例；用户感兴趣的项目与推荐的契合度，推荐算法推测出的推荐结果排序与用户对项目实际感兴趣程度排序的符合程度。

这些用户反馈信息表现用户实际需求与平台项目之间的符合程度，通过分析这些数据，能够改进推荐服务模型的参数配置，提高推荐质量。

其二，用户反馈信息处理，对用户反馈信息的处理首先需要建立用户反馈信息与它对应的推荐信息以及推荐信息生成过程的联系。然后将反馈信息的影响对应到推荐模型的各层参数配置上。反馈信息的处理主要表现在以下三个层次：单个用户推荐参数配置、用户群推荐参数配置和全体用户推荐参数配置。同时，反馈信息处理可以协调本体推理、协同过滤和上下文推理之间的关系，也可以影响协同过滤内部(如邻居选择)、本体推理内部(用户词类和项目词类的关系参数以及他们之间的相关关系等)的参数配置。

其三，失真信息剔除，用户和项目领域本体信息是相对稳定的信息，变化比较缓慢，上下文感知技术获取的信息存在失真的可能，可以用领域本体信息对信息的失真与否进行判断。获取的上下文信息是否失真以如下两个条件来判断：与领域本体信息的冲突程度；与用户即时信息需求推测的冲突程度。

其四，反馈信息管理，负责管理反馈信息以及与反馈信息相关的推荐结果和推荐模型相关参数。

四、领域相关性上下文推理算法

上下文推理是根据保存的用户评分时的历史上下文信息，用户的浏览信息，用户的搜索信息等推理构建出一些高层上下文信息，这些高层上下文信息主要指的是用户的兴趣偏好本体，如，从用户的浏览记录中分析出用户的兴趣偏好，比如在这种上下文信息下用户喜欢什么类型，具有什么特征的媒体资源，如在中午的时间，什么天气的情况下，用户喜欢什么类型的媒体资源。这些推理出的高层上下文信息要能够反映出用户的需求，进而在下一步的过程中能够根据这些用户需求来给用户进行合适而精确的数字媒体资源的推荐。

上下文数据预处理，这一子模块主要是将数据库中保存的上下文数据进行一些预处理以方便后续的上下文数据建模模块来对上下文数据来建模，如数据库中上下文数据表中地点字段中保存的地点信息需要进行一些分解工作然后才能方便上下文数据建模模块来对其建模，同样的其它的类型的上下文也需要进行一些预处理后才能对其进行建模。此模块提供的功能由上下文数据建模模块来调用使用。

上下文数据建模，主要是对上下文数据进行数学建模，主要分为两部分：一部分是使用Protégé本体建模工具来对本系统中各种概念及各概念之间的关系建立领域本体，它是上下文推理引擎模块的关键部分；另一部分对已经预处理好的新增概念数据及数据之间的关系等上下文信息数据进行实例建模以及本体文件的更新(当系统产生了新的浏览记录，上下文信息之后需要更新本体模型)，根据已经定义好的本体类来定义各个上下文实例，使用Jena API来读取本体模型文件并创建各个上下文实例，并提供将这些上下文本体数据保存到数据库中的接口，以便上下文推理模块来从数据库中读取本体信息来进行上下文推理及根据这些本体信息构建用户兴趣偏好本体。该模块每隔一定时间通过来读取上下文数据表中的新增的上下文数据项，然后使用上下文预处理模块对这些数据进行预处理，对这些新增的上下文进行本体实例建模，最后写入到本体数据库中。

上下文推理，通过读取已经建立好的本体信息，使用基于本体的推理或者基于自定义的规则推理出高层的上下文信息(即用户兴趣偏好本体)。推理在某种上下文情况下用户喜好的特征，主要针对以下两种情况：一种是当根据用户的浏览记录来推测用户的兴趣偏好时，很显然是根据用户的历史浏览记录来推理出用户兴趣偏好。然后根据这个用户兴趣偏好本体模型来对用户产生推荐结果；另一种是当根据用户的其他上下文信息如用户浏览，评分的时间段，用户的地点信息等推测用户在某个时间段的用户兴趣偏好，用户在某个地点的用户兴趣偏好。上述第一种方法是通过判断各个上下文本体实例之间的相似性找出与当前用户所处的上下文最相似的历史上下文(这种计算需要在线计算)，然后根据历史上下文环境中用户选择的商品或服务，通过统计计算，推出用户可能更感兴趣的商品或服务的类型。而第二种方法是当获取用户的当前上下文信息后，通过对历史上下文信息进行推理得出一定的规则，然后判断用户当前的上下文信息可以匹配的规则，通过匹配的规则来推出当前用户兴趣偏好的特点。

如图2所示的本发明面向领域的个性化智能推荐系统中，推荐服务模块还采用协同过滤推理算法，通过对用户的评分计算出用户之间的相似性，根据设定的最近邻居用户相似度阈值或最近邻居用户个数确定用户的最近邻居，然后预测出用户对未评影视的预测评分。同时，也可以启动定时器，定时监视新增或更新的评分，若数目超过一定值就自动执行协同过滤算法。

其具体处理过程包括：

步骤410、由推荐系统启动一线程，此线程初始化一定时器，用以定时监控新增或更新的共同评分数量，若超过一定预设值则执行步骤4111；

步骤4111、根据用户对影视的评分，计算此用户与其它用户之间的评分影视交集，并保存到数据库中；

步骤412、通过评分项目交集根据余弦相似性或修正的余弦相似性计算出此用户与其它用户之间的相似性，并将相似性保存到数据库中。

步骤413、通过设置的最近邻居集合或者用户相似性阈值计算出用户的最近邻居集合；

步骤414、利用步骤412计算出的用户最近邻居集合根据预测评分计算公式计算出用户对未评商品或服务，如影视的预测评分，并保存到数据库中。

另外，所述推荐服务模块400本体推理子模块430采用本体推理算法、推荐学习子模块440采用推荐学习算法进行推荐服务计算。所述本体推理子模块和推荐学习子模块统称为高级推理模块。

一、本体推理子模块

这里，该本体推理子模块430更进一步可根据功能分为本体数据管理、用户本体相似性计算、项目本体相似性计算和用户项目相关性计算四个功能单元。

所述本体推理算法，用于负责管理用户、项目本体信息并计算用户本体相似性、项目本体相似性和用户项目本体相关性。通过数据组织方式和逻辑处理方式对推荐服务信息进行处理。通过数据组织方式处理，能够达到推荐服务领域的无关性；通过逻辑处理方式进行统计分析，以协同过滤相似性数据为基础获得用户、项目的本体相似性和用户项目相关性。

这里，所述本体数据管理功能单元，负责用户、项目本体信息的组织、接收和存储。为了实现推荐服务的领域无关性，专门设计了本体信息的数据组织方式。将与推荐服务相关的本体数据按如下方式组织：

用户词类表，用来描述用户分类属性信息；

用户此类关系表，用来表示词类以及词类之间的关系；

项目词类表，用以描述用户分类属性信息；

项目词类关系表，用以表示词类以及词类关系；以及

项目词类信息表和用户/项目词类相关关系表。

系统能够根据领域的特点将与推荐服务相关的本体信息输入和存储到系统中，在系统运行过程中，也可以根据实际情况进行修改和添加。这样不同的领域输入不同，但可以实现相同的推荐服务，达到推荐服务领域无关性。例如，由影视管理系统可轻松转为图书管理系统进行推荐服务管理，而不受原有推荐系统应用环境变化的影响。

所述逻辑处理方式，将用户、项目的本体相似性和用户项目相关性以协同过滤相似性数据为基础，进行统计分析获得。包括：用户本体相似性的处理、项目本体相似性的处理、用户项目相关性等；其中，

用户本体相似性的处理建立在用户词类划分的基础上，属于不同或相同词类的用户都可能具有一定的偏好相似性。相似性的计算主要有四种类型：两词类的相似性：统计计算两词类用户的相似性。同词类同取值的相似性：统计计算相同词类相同取值的用户的相似性。同词类不同取值的相似性：统计计算相同词类不同取值的用户之间的相似性。两词类不同取值的相似性：统计计算两词类不同取值的用户之间的相似性。

项目本体相似性的处理是建立在项目词类划分的基础上，用户对属于不同或相同词类的项目的偏好具有一定的相似性，项目相似性的计算主要有四种类型：两词类的相似性：统计计算用户对两词类项目偏好的相似性。同词类同取值的相似性：统计计算用户对相同词类相同取值的项目偏好的相似性。同词类不同取值的相似性：统计计算用户对相同词类不同取值的项目偏好的相似性。两词类不同取值的相似性：统计计算用户对两词类不同取值的项目偏好的相似性。

用户项目相关性的处理包括：两词类相关性：统计计算某词类用户和某词类项目的相关性。两词类不同取值的相关性：统计计算某词类指定取值用户与某词类指定取值项目的相关性。

二、推荐学习子模块

推荐学习模块进一步由：反馈信息处理、推荐数据修正和推荐学习数据处理三个功能单元组成。所述反馈信息处理：对高层上下文信息中的反馈信息进行分析，获取用户的实际需求信息。所述推荐数据修正：分析用户实际需求与用户相似性数据、项目相似性数据以及用户项目相关性的冲突，得到相关修正数据。所述推荐学习数据处理：对推荐修正数据进行处理，转化为可以直接用于推荐服务的推荐学习数据。

综上所述，本发明的个性化智能推荐系统，具有以下特点：

一、能够将上下文感知技术与本体理论和方法融入个性化智能推荐服务中

通过使用领域本体的理论和方法，可以分析用户本体相似性、项目本体相似性以及用户和项目本体相关性。本体相似性和相关性的分析是通过对大量信息的统计和计算获得的，能够表达用户、项目以及用户和项目之间比较稳定的关系。传统的推测这些关系的数据主要来源于用户的被动输入，如填写设定的用户信息表，要求用户对指定的项目进行评分等。这些方式虽然可以比较准确的反映用户和项目的本体关系，但信息量小而且一般情况下还不够全面，另外面临更新不够及时且受用户主动提交信息意愿的影响。使用上下文感知技术，可以在更友好的交互环境中获取用户的信息。在上下文感知环境中，不需要求用户被动输入信息，用户可以按照自己的意愿主动和系统进行交互，用户与系统交互中表露出的信息即是用户的信息，如用户登录系统时的IP地址总是在某一地区，则该地区就是该用户的居住地，用户经常浏览某类信息，说明该用户比较喜欢浏览该类信息等。只要用户和系统有交互，上下文感知技术就可以获取用户最新的信息。因而可以获取大量的信息且信息更新能够及时。使得利用上下文感知技术的领域本体分析更准确。

本体相似性和相关性是用户和项目之间比较稳定的关系，变化比较缓慢，因而可以用来检测用上下文感知技术获取的信息的可靠性。由于用户的错误操作或偶尔出现的其他操作可能会表现出和推测出的用户情况相差很大的信息，这时可以通过判断剔除这些失真的信息。

融合领域本体和上下文感知技术的推荐服务模型适应用户的动态变化，同时领域本体可以引导推荐服务模型应用上下文感知技术，建立智能推荐服务模型，使上下文感知技术更好地应用于推荐服务。

二、能够将推荐服务领域本体在个性偏好计算模型中定量化并能够跨领域

把推荐服务领域本体通过对大量用户信息的学习，通过用户本体相似性、项目本体相似性和用户项目相关性等指标，定量化到个性偏好相似性的计算中，以推荐服务用户的用户本体相似性最好的一组用户的需求、与用户历史需求项目的项目本体相似性最好的一组项目以及与用户相关性最强的一组项目作为向用户推荐的参考项目，使建立的推荐模型不仅能够更全面的反映用户需求，而且能够根据具体的环境和条件产生智能化的推荐结果。本项目通过合理设置领域本体数据的组织、输入和存储方式，使项目具有跨领域的功能，在系统初始化时，根据领域特点输入领域本体信息，启动本体推理，在系统运行过程中，可以根据实际情况，可以对相关信息进行修改，还可以根据需要添加新的领域本体信息。

三、能够应用推荐学习模型(算法)追踪用户的实际需求并跟踪用户需求的变化

本项目应用推荐学习模型，结合本体分析方法，建立推荐服务模型，使推荐服务模型能够追踪用户的实际需求并跟踪用户实时动态的变化。系统获得用户的实际需求后，通过分析，对比用户实际需求和系统推测的用户需求的区别，根据用户的实际需求改善推荐模型的相关指标，并改变相关推理模型产生的推理数据，使通过推荐学习模型获得的推荐学习数据在以后的推荐服务中影响产生的推荐结果，使推荐结果更符合用户的需求。同时推荐学习模型还能够发现用户偏好和需求的变化，并使用用户偏好和需求变化数据更好的把握和推测用户需求，使推荐结果符合用户需求，不断提高推荐服务质量。

四、能够有效解决数据稀疏性问题和有助于提高用户忠诚度

数据稀疏和忠诚用户的数据量而复杂是相对应的两个问题，都将导致推荐质量的减低。数据稀疏性问题是一方面指新用户或对系统使用比较少的用户，系统对这些用户信息的掌握比较少，难以给这些用户提供较好的推荐服务；另一方面指新加入系统的项目，由于用户对它们的操作较少，不能有效的将这些项目推荐给用户。本项目将使用灵活的推荐模型，提高本体推理在数据稀疏情况下的推荐效果，有效提高数据稀疏情况下的推荐质量。忠诚用户问题是指用户对系统使用比较多的情况下，系统对用户信息的掌握比较多而繁杂，这些信息包含用户不同时期的需求，可能存在较多的变化，对他们统一处理，可能使对用户需求的推测出现偏差，影响对用户的推荐服务质量。推荐学习模型能够追踪用户的实际需求并跟踪用户需求的变化，使推荐服务始终追随用户的实际需求，并使对忠诚用户的推荐质量随用户忠诚度的提高而提高。

以上所述，仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。

Claims (4)

1.一种面向领域的个性化智能推荐系统，其特征在于，领域处理模块、系统管理模块、用户接口模块、推荐服务模块和推荐结果处理模块；其中，

领域处理模块，用于通过数据组织方式的设计，使输入的数据和本系统实现与领域无关；用于确定领域信息的配置方法和系统的初始化，按一定规则和方法进行领域信息的配置，系统根据配置的领域信息初始化推荐系统；

系统管理模块，用于接收和处理各模块的信息或资源调配，算法选择、算法运行及参数设置；

用户接口模块，用于根据用户交互行为获取用户行为信息或上下文信息，并将其传送给推荐服务模块；所述用户接口模块包括用户交互行为处理子模块和上下文信息获取子模块；其中，所述用户交互行为处理子模块，用于根据配置的领域信息进行搜集用户行为信息；所述上下文信息获取子模块，用于根据输入的数据进行搜集上下文信息；

推荐服务模块，用于根据所获取用户行为信息或上下文信息，运用多种推理方法，从中获取用户所需的用户偏好信息或向用户推荐的推荐信息；所述推荐服务模块包括协同过滤推理子模块、领域相关性上下文推理子模块、本体推理子模块和推荐学习子模块；其中，所述协同过滤推理子模块，用于根据所运行的协同过滤推荐算法分析用户对项目的评分，并以评分为基础分析用户相似性和项目相似性以及用户和项目相关性；所述领域相关性上下文推理子模块，用于根据其所运行的上下文推理算法，从低层上下文信息到高层上下文信息进行推理，将低层上下文信息转换成可用性强的高层上下文信息；所述本体推理子模块，用于根据所运行的本体推理算法，将用户和项目领域本体抽象成相关的词类和词类之间的关系，通过词类和词类之间的关系分析和推理不同类别的用户和项目之间的关联关系；所述推荐学习子模块，用于根据所运行的推荐学习推理算法，通过分析用户对推荐结果的反映，结合协同过滤以及本体推理改善对用户偏好和需求的把握，进而提高推荐质量；

推荐结果处理模块，用于根据已获取的用户偏好和需求信息结合用户环境信息进行推荐服务，并获取用户对推荐服务的反映，同时结合对推荐服务的把握，进行学习和推理，生成推荐结果并输出。

2.根据权利要求1所述面向领域的个性化智能推荐系统，其特征在于，所述推荐结果处理模块进一步包括用户环境信息获取子模块和推荐结果输出子模块；其中，

用户环境信息获取子模块，用于获取与用户终端以及用户行为习惯相关的信息，并将这些信息传送给推荐结果产生模块，使产生的推荐结果按照用户终端要求和用户行为习惯发送给用户；

推荐结果输出子模块，用于检查用户可利用的信息，它们主要来自上下文推理、协同过滤推理、本体推理和推荐学习模块，包括本体相似性数据、协同过滤相似性数据、可直接利用的高层上下文数据以及推荐学习数据，根据实时情况产生推荐结果，并根据获取的用户环境信息将推荐结果以友好的方式呈现给用户。

3.一种面向领域的个性化智能推荐系统的实现方法，其特征在于，该方法包括：

A、通过数据组织方式设计，使输入的数据与系统实现跟该领域无关，确定领域信息的配置方法和系统初始化，并按一定规则和方法进行领域信息的配置，系统根据配置的领域信息初始化推荐系统；

B、根据用户交互行为搜集用户行为信息或上下文信息，然后将其传送给推荐服务模块，并运用各种推荐算法进行综合推理，从中获取用户所需的用户偏好信息或向用户推荐的推荐服务信息；具体包括：通过注册信息获取、通过项目评分信息获取、通过系统使用上下文感知技术获取用户信息；或从用户浏览过的信息中获取、从用户的交易信息中获取、通过推荐服务响应信息获取以及通过用户搜索的内容获取；所述各种综合推荐算法，包括协同过滤推理算法、领域相关性上下文推理算法、本体推理算法和推荐学习算法；

C、然后，根据已获取的用户偏好和需求信息结合用户环境信息进行推荐服务，并获取用户对推荐服务的反映，同时结合对推荐服务的把握，进行学习和推理，最终生成推荐结果并输出。

4.根据权利要求3所述面向领域的个性化智能推荐系统的实现方法，其特征在于，所述协同过滤算法具体包括：

B1、由推荐系统启动一线程，此线程初始化一定时器，用以定时监控新增或更新的共同评分数量，若超过一定预设值则执行步骤B2；

B2、根据用户对商品或服务的评分，计算此用户与其它用户之间的评分商品与服务的交集，并保存到数据库中；

B3、通过评分项目交集根据余弦相似性或修正的余弦相似性计算出此用户与其它用户之间的相似性，并将相似性保存到数据库中。

B4、通过设置的最近邻居集合或者用户相似性阈值计算出用户的最近邻居集合；

B5、利用步骤B3计算出的用户最近邻居集合根据预测评分计算公式计算出用户对未评商品或服务的预测评分，并保存到数据库中。

Images