CN103353865B - 一种基于位置的易货电子交易商品推荐方法 - Google Patents

Abstract

本发明涉及一种基于位置的易货电子交易商品推荐方法。传统的自动化的协同过滤推荐算法直接应用到现代易货交易平台上，很难取得同样的推荐效果。因为现代易货主要是以物易物的交易，为了获得满意的推荐效果，需要结合现代易货的自身特点进行更多的考虑。本发明通过分析现代易货需要着重考虑的环境因素，基于这些环境提出了对于推荐算法范围的参考，然后通过计算得出这个范围，在范围内筛选出用户的评价信息，接着构建基于这些评价信息的矩阵，在矩阵中计算用户之间的相似度从而得到目标用户的相邻用户集，最后对相邻用户的评价信息排序即可得到所要的推荐结果。本发明方法具有简单快速、方便可靠的优点。

Description

一种基于位置的易货电子交易商品推荐方法

技术领域

本发明属于计算机应用技术领域，涉及一种基于用户的协同过滤推荐算法，具体涉及一种基于位置的易货电子交易商品推荐方法。

背景技术

协同过滤推荐（collaborative filtering recommendation）技术诞生于1992年，由Goldberg等研究人员提出并应用于Tapestry系统。作为协同过滤推荐系统的雏形，该系统展示了一种新的推荐思想，但存在很多技术上的不足。随后出现了基于评分的自动协同过滤推荐系统，例如推荐新闻和电影的GroupLens。这种自动化的协同过滤系统通过计算用户之间的相似性，而不需要再关注其信息内容便能了解用户的兴趣，同时还能够发现其隐藏兴趣，因此受到了越来越多研究者的关注，在推荐领域中得到了越来越广泛的应用。

目前的协同过滤推荐算法主要分为两类：基于用户的协同过滤推荐算法和基于项目的协同过滤推荐算法。前者是最早出现的协同过滤算法，也是迄今为止使用最多的协同过滤算法，它以用户-项目评分矩阵中的行数据（用户数据）计算用户之间的相似性，而后者以用户-项目评分矩阵中的列数据（项目数据）计算项目之间的相似性。两种协同过滤算法都是将用户评分矩阵作为其推荐的数据基础，通过计算相似性，从而得到推荐结果。目前，大多数协同过滤的改进算法都是在这两种协同过滤算法的基础上，特别是基于用户（user-based）的协同过滤基础上产生的。

在传统电子商务交易中，为了让顾客在短时间内找到自己感兴趣的商品，需要借助于个性化推荐系统。但是若将已有的推荐算法直接应用到现代易货交易平台上，很难取得同样的推荐效果。因为现代易货主要是以物易物的交易，为了获得满意的推荐效果，需要结合现代易货的自身特点进行更多的考虑。

发明内容

本发明的目的是针对现有技术的不足，提供了一种基于位置的易货电子交易商品推荐方法。

本发明方法的具体步骤是：

步骤(1).基于易货环境因素的分析

首先根据两个用户与目标用户的地理位置距离远近，寻找一个与目标用户的地理位置距离较近的用户；若两个用户与目标用户的地理位置距离均在目标用户的考虑范围内，则根据用户提供的待交易商品的价值量匹配程度进行选择所要交易的用户；

所述的两个用户的地理位置可根据用户的IP地址进行定位。

所述的待交易商品的价值量匹配程度为两个用户用来交换的货物的价值量差别。

步骤(2).基于环境因素的范围参考

2-1.以目标用户的地理位置为圆心，按不同距离为半径划分为不同的同心圆，例如每增加10公里（具体数值视情况而定）为一个新的范围，这个范围的权重比随着距离的增加而减少。

2-2.为每一个范围创建一个组，这个组里存有这个范围内所有用户的数据，包括用户的地理位置，各个用户提供的待交易商品的价值量。

2-3.将每个组里各个用户提供的待交易商品的价值量与目标用户的商品进行匹配，该目标用户商品的商品权值随着匹配值差别的增大而减小。

2-4.将某个组里各个用户提供的待交易商品的商品权值计算出来，再乘以该目标用户的权重比，累加后再乘以该组的权重比即得到该组的权值。

2-5.比较所有组的权值大小，权值最大的组所代表的范围即为参考范围。

具体的计算方法可由如下公式表示：

i表示第i个组，j表示第i个组内所有与目标用户相匹配的待交易商品数量，I_i表示第i个组的权值，w_i表示第i个组的权重比，a_j表示各个待交易商品所对应用户的权重比，b_j表示各个商品的权各个待交易商品的权值。

步骤(3).筛选用户评价信息

在参考范围内的所有用户的待交易商品信息与目标用户的商品信息进行比较，得到相似度最高的用户；

步骤(4).基于参考改进的协同过滤算法过程

4-1.构建用户—项目评价矩阵

假定此时参考范围内的用户数量为M，待交易商品数量为N。对评价系统中保存的数据进行整理，得出M个用户分别对N个待交易商品的评价信息。此时可以通过一个M*N的矩阵来表示，在矩阵中的元素r_ij表示的是第i个用户对第j个待交易商品的喜爱程度。矩阵表示参见附图3。

4-2.计算相似性

为了找到目标项的最近邻项目，必须计算项目之间的相似度。这是基于用户的协同过滤推荐算法的关键部分，可以通过修正的余弦相似度方法来计算，该方法同时将用户i与用户j的评价项目集合考虑在内，可表示如下：

I_ij表示I_i表示第i个组用户j的项目权值，r_ic表示用户i对项目c的评分，与分别表示用户i和用户j对项目的平均评分。

4-3.获得最近邻居

通过修正的余弦相似度方法找出目标用户的最近邻居后，可以整理得到目标用户对项目的评价集，然后将项目进行降序排列，最后得到的位于前列的数据就是用户能够直观感受到的推荐系统的最终结果。

本发明的有益效果：

本发明首先寻找一个距离更近的交易对象，将降低商品运输的成本，缩短交易花费的时间；通过确定参考范围，不需要与整个系统中的所有用户进行相似度计算，只需在参考范围与目标用户进行相似度计算，从而大大降低了工作量，提高了查找推荐效率。本发明方法具有简单快速、方便可靠的优点。

附图说明

图1为本发明的系统流程图；

图2为本发明中参考范围的示意图；

图3为用户评价的矩阵图。

具体实施方式

下面结合附图对本发明做进一步的分析。

如图1所示，本发明方法具体步骤是：

步骤(1).基于易货环境因素的分析

首先根据两个用户与目标用户的地理位置距离远近，寻找一个与目标用户的地理位置距离较近的用户；若两个用户与目标用户的地理位置距离均在目标用户的考虑范围内，则根据用户提供的待交易商品的价值量匹配程度进行选择所要交易的用户；

所述的两个用户的地理位置可根据用户的IP地址进行定位。

所述的待交易商品的价值量匹配程度为两个用户用来交换的货物的价值量差别。

步骤(2).基于环境因素的范围参考

2-1.以目标用户的地理位置为圆心，按不同距离为半径划分为不同的同心圆，例如每增加10公里（具体数值视情况而定）为一个新的范围，这个范围的权重比随着距离的增加而减少。

2-2.为每一个范围创建一个组，这个组里存有这个范围内所有用户的数据，包括用户的地理位置，各个用户提供的待交易商品的价值量。

2-3.将每个组里各个用户提供的待交易商品的价值量与目标用户的商品进行匹配，该目标用户商品的商品权值随着匹配值差别的增大而减小。

2-4.将某个组里各个用户提供的待交易商品的商品权值计算出来，再乘以该目标用户的权重比，累加后再乘以该组的权重比即得到该组的权值。

2-5.比较所有组的权值大小，权值最大的组所代表的范围即为参考范围。

具体的计算方法可由如下公式表示：

i表示第i个组，j表示第i个组内所有与目标用户相匹配的待交易商品数量，I_i表示第i个组的权值，w_i表示第i个组的权重比，a_j表示各个待交易商品所对应用户的权重比，b_j表示各个商品的权各个待交易商品的权值。

如图2所示，五角星块表征目标用户的商品，它周围根据距离分布用户的其他商品，方块为价值量匹配的商品，三角形为价值量不匹配的商品，以目标用户为中心，不同距离为半径，划分三个同心圆，分别表示不同的范围第1组、第2组、第3组，从中选出最佳的范围第2组作为参考范围。在这个参考范围内，能够得到最多的匹配商品，过大或者过小的范围都不合适。

步骤(3).筛选用户评价信息

在参考范围内的所有用户的待交易商品信息与目标用户的商品信息进行比较，得到相似度最高的用户；

步骤(4).基于参考改进的协同过滤算法过程

4-1.构建用户—项目评价矩阵

如图3所示，假定此时参考范围内的用户数量为M，待交易商品数量为N。对评价系统中保存的数据进行整理，得出M个用户分别对N个待交易商品的评价信息。此时可以通过一个M*N的矩阵来表示，在矩阵中的元素r_ij表示的是第i个用户对第j个待交易商品的喜爱程度。矩阵表示参见附图3。

4-2.计算相似性

为了找到目标项的最近邻项目，必须计算项目之间的相似度。这是基于用户的协同过滤推荐算法的关键部分，可以通过修正的余弦相似度方法来计算，该方法同时将用户i与用户j的评价项目集合考虑在内，可表示如下：

I_ij表示I_i表示第i个组用户j的项目权值，r_ic表示用户i对项目c的评分，与分别表示用户i和用户j对项目的平均评分。

4-3.获得最近邻居

通过修正的余弦相似度方法找出目标用户的最近邻居后，可以整理得到目标用户对项目的评价集，然后将项目进行降序排列，最后得到的位于前列的数据就是用户能够直观感受到的推荐系统的最终结果。

Claims (1)

1.一种基于位置的易货电子交易商品推荐方法，其特征在于该方法包含以下步骤：

步骤(1)、基于易货环境因素的范围参考：

1-1以目标用户的地理位置为圆心，按不同距离为半径划分为不同的同心圆；

1-2为每一个范围创建一个组，这个组里存有这个范围内所有用户的数据，包括用户的地理位置，各个用户提供的待交易商品的价值量；

1-3将每个组里各个用户提供的待交易商品的价值量与目标用户的商品进行匹配，该目标用户商品的商品权值随着匹配值差别的增大而减小；

1-4将某个组里各个用户提供的待交易商品的商品权值计算出来，再乘以该目标用户的权重比，累加后再乘以该组的权重比即得到该组的权值；具体的计算方法由如下公式表示：

i表示第i个组，j表示第j个与目标用户相匹配的待交易商品，j＝1～m，m为第i个组内所有与目标用户相匹配的待交易商品数量，I_i表示第i个组的权值，Wi表示第i个组的权重比，a_j表示各个待交易商品所对应用户的权重比，b_j表示各个待交易商品的商品权值；

1-5比较所有组的权值大小，权值最大的组所代表的范围即为参考范围；

步骤(2)、筛选用户评价信息：

将参考范围内的所有用户的待交易商品信息与目标用户的商品信息进行比较，得到相似度最高的用户；

步骤(3)、基于参考改进的协同过滤算法过程：

3-1构建用户—商品评价矩阵：

假定此时参考范围内的用户数量为M，待交易商品数量为N；对评价系统中保存的数据进行整理，得出M个用户分别对N个待交易商品的评价信息；此时通过一个M*N的矩阵来表示，在矩阵中的元素r_ij表示的是第i个用户对第j个待交易商品的喜爱程度；

3-2计算相似性：

为了找到目标用户的最近邻集合，必须计算用户之间的相似度；这是基于用户的协同过滤推荐算法的关键部分，通过修正的余弦相似度方法来计算，该方法同时将用户u与用户v的对商品的评价集合考虑在内，表示如下：

$sim=\frac{\underset{c\∈I_{uv}}{\Σ}(r_{uc}-{\stackrel{\‾}{r}}_u)(r_{vc}-{\stackrel{\‾}{r}}_v)}{\sqrt{\underset{c\∈I_u}{\Σ}{(r_{uc}-{\stackrel{\‾}{r}}_u)}^2}\sqrt{\underset{c\∈I_v}{\Σ}{(r_{vc}-{\stackrel{\‾}{r}}_v)}^2}}$

I_u和I_v分别表示用户u和用户v商品的权值，I_uv代表了用户u和v两者共有的商品的评价集合,r_uc和r_vc分别代表用户u和v对商品c的评分，与分别表示用户u和用户v对商品的平均评分；

3-3获得最近邻居：

通过修正的余弦相似度方法找出目标用户的最近邻居后，整理得到目标用户对商品的评价集，然后将评分进行降序排列，最后得到的位于前列的数据就是用户能够直观感受到的推荐系统的最终结果。