CN104731866A - 一种基于位置的个性化美食推荐方法 - Google Patents

Abstract

本发明公开了一种基于位置的个性化美食推荐方法。计算用户和商家之间的距离相似度；计算用户u_i和用户u_j的相似度；根据用户u_i和用户u_j的相似度计算目标用户对餐厅的预测偏好指数；计算项目i和项目j的相似度；根据项目i和项目j的相似度，计算基于项目t对用户u的推荐偏好指数；根据用户和商家之间的距离相似度、目标用户对餐厅的预测偏好指数和基于项目t对用户u的推荐偏好指数给出推荐结果。本发明的有益效果是结合用户当前所处位置、用户对商家评分以及用户和商家的属性，为之推荐满足用户需求的个性化的餐厅，提高美食推荐的效率和准确度。同时，精确的推荐结果可转化为消费行为，提高用户满意度和商家效益。

Description

一种基于位置的个性化美食推荐方法

技术领域

本发明属于电子商务技术领域，涉及一种基于位置的个性化美食推荐方法。

背景技术

协同过滤算法是一种基于“人以群分”理念的算法，即兴趣偏好相同的人对商品的偏好也是相似的，也就是说，如果某一类型的用户有相同的兴趣偏好，则该类用户对商品对象的评分也会相近.因此，协同过滤推荐最重要的是要找到和目标用户兴趣偏好相似的最近邻居，根据最近邻居对推荐对象的评分来预测目标用户对未评分的推荐对象的评分，选择预测评分最高的若干个推荐对象作为推荐结果反馈给用户，目前主要有两类协同过滤推荐算法: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.基于用户的协同过滤推荐算法基于这样一个假设,即如果用户对一些项目的评分比较相似,则他们对其他项目的评分也比较相似.。算法根据目标用户的最近邻居(最相似的若干用户)对某个项目的评分逼近目标用户对该项目的评分.基于项目的协同过滤推荐算法认为,用户对不同项目的评分存在相似性,当需要估计用户对某个项目的评分时,可以用户对该项目的若干相似项目的评分进行估计。虽然协同过滤算法已经得到了广泛的应用，但是随着互联网的发展，提供的服务种类越来越丰富，站点的用户数量也在不停的增长，另外用户的个性化需求可能也在发生着变化，这都给现有的协同过滤提出了新的挑战。1.可扩展性与实时性的平衡：在线推荐系统一般需要为用户提供实时的个性化推荐服务，如今比较大的网络站点，如Amazon，提供的商品数量有上百万，而用户更是以千万来计算的，传统的基于项目，基于用户的协同过滤中“最近邻搜索”过程随着用户数量的增加，计算量也会线性增长，如何实时的为上千万的用户提供推荐，并且能够应对新用户的注册和新商品的添加则是现在大多推荐系统都面临的严重的问题。2.推荐精度与推荐多样性的平衡：数据稀疏性是协同过滤算法面临的典型问题，但是协同过滤算法的计算方式又决定了精度与数据稀疏性有必然的联系，因此提高推荐系统的精度是学者和电商必须解决的问题。而多样性则有助于商家发掘用户的潜在需求，提高电商的利润，但很多学者已经证明多样性和精确性之间是成反比例关系的，因此如何很好地平衡推荐的精度和推荐的多样性，以达到双赢的局面，是在商业界广泛应用的协同过滤算法需要考虑的。3.智能自动化的推荐：现在大多的协同过滤推荐系统都需要用户显示输入评分信息才能为其提供服务，虽然在获取信息方面有用户的积极参与可以提高信息的准确度，但是给用户使用系统也带来了不便，另外用户的参与程度也参差不齐，获取信息的全面性也大打折扣。目前也有许多研究采用Web挖掘技术来隐式获取用户行为信息，取得了一定的效果。因此对如何全面正确地收集用户的行为信息，为用户提供一个完全自动化、智能化的推荐也需要进一步的研究。针对此问题，本文结合协同过滤算法，提出了一种基于位置的个性化美食推荐方法。用户无需自己去海量的餐馆去寻找自己喜欢的餐厅，在使用美食订餐软件的时候，软件自动获取用户的位置信息。并根据用户注册的时候填写的用户年龄、职业、性别等信息，就可以给给用户推荐出多个商家供用户选择。并且随着用户使用此模型的次数越来越多，推荐系统系统对用户越了解，推荐的结果会越来越准确。同时此模型解决了传统协同过滤的如冷启动、矩阵稀疏等问题。

发明内容

本发明的目的在于提供一种基于位置的个性化美食推荐方法。主要解决了传统协同过滤算法没有考虑移动端的可以随时获取用户位置的特性，

本发明所采用的技术方案是按照以下步骤进行：

步骤1：计算用户和商家之间的距离相似度；

步骤2：计算用户u_i和用户u_j的相似度；

步骤3：根据用户u_i和用户u_j的相似度计算目标用户对餐厅的预测偏好指数；

步骤4：计算项目i和项目j的相似度；

步骤5：根据项目i和项目j的相似度，计算基于项目t对用户u的推荐偏好指数；

步骤6：根据用户和商家之间的距离相似度、目标用户对餐厅的预测偏好指数和基于项目t对用户u的推荐偏好指数给出推荐结果。

本发明的有益效果是结合用户当前所处位置、用户对商家评分以及用户和商家的属性，为之推荐满足用户需求的个性化的餐厅，提高美食推荐的效率和准确度。同时，精确的推荐结果可转化为消费行为，提高用户满意度和商家效益。

附图说明

图1是本发明方法步骤流程示意图；

图2是职业树示意图；

图3是项目类别示意图。

具体实施方式

下面结合具体实施方式对本发明进行详细说明。

本发明基于位置的个性化美食推荐方法的结构如图1所示。推荐系统一般由三部分组成，即输入功能模块、推荐引擎模块与输出功能模块。本推荐方法主要的输入信息包括用户注册的时候个人信息和用户启动软件获取到的用户位置。推荐引擎模块是本推荐方法的核心，结合了基于用户和基于项目的混合推荐方法。输出模块主要是推荐的TopN商家。具体的推荐流程如下：用户启动软件的时候会获取用户的位置经纬度传到后端，后端会根据用户经纬度选取离用户最近的N个商家或离用户在k千米内的商家进行推荐。推荐模块部分，基于用户推荐，根据用户对商家的评分计算目标用户与其他用户的相似度，然后根据用户的属性计算目标用户和其他用户的属性相似度，用一定的系数组合两个相似度，得出目标用户的邻近用户。根据邻近用户计算用户未评分的商家的预测评分，最后基于用户的TopN推荐商家。基于商户推荐，根据用户对商家的评分计算商户与其他商户的相似度，然后根据商户的属性计算商户和其他商户的属性相似度，用一定的系数组合两个相似度，得出商户的邻近商户。根据邻近商户计算用户未评分的商家的预测评分，最后得出基于用户的TopN推荐商家。用一定的系数组合基于用户的推荐和基于项目的推荐以及用户商户的位置的推荐，综合三个推荐，将得出的结果推荐给用户。

步骤1：计算用户和商家之间的距离相似度

计算两点的距离，原理如下：假如U(x_t,y_t),S(x_u,y_u)是用户U和商家S的位置，其中x表示纬度，y表示经度。设a＝cos(x_t-x_u)、b＝cos(y_t-y_u),cx_tu＝cos(x_t)·cos(x_u)，R代表地球半径。那么当前用户和商家的距离如下公式：

$D_{(t,u)}=2\·R\·\mathrm{atc}\sin \left(\frac{\sqrt{2\·[1-a+{\mathrm{cx}}_{\mathrm{tu}}-{\mathrm{cx}}_{\mathrm{tu}}\·b]}}{2}\right)$

根据用户和商家之间的距离可以过滤掉D(i，j)<K(K＝10km)的商家。

${\mathrm{sim}}_{{\mathrm{LocationCF}}_{(t,u)}}=\frac{1}{e^{D_{(t,u)}}}$

用户和商家之间的距离相似度可以用上面的式子表示，距离越远，此值越小。

步骤2：计算用户i和用户j的相似度sim_user(i，j)；

sim_user(i,j)＝λ·sim_r(u_i,u_j)+(1-λ)·sim_c(i,j)

其中，sim_r(u_i，u_j)表示用户对项目评分的相似性，sim_c(i,j)表示用户间属性的相似性。λ表示用户对项目评分相似性在计算中贡献系数。(1-λ)表示用户间属性的相似性在计算中的计算贡献系数。

1.用户对项目评分相似性的计算

${\mathrm{sim}}_r(u_i,u_j)=\frac{{\mathrm{\&Sigma;}}_{u\&Element;U}({\mathrm{Ru}}_i,i-{\stackrel{\&OverBar;}{R}u}_i)({\mathrm{Ru}}_j,j-{\stackrel{\&OverBar;}{R}u}_j)}{\sqrt{{\mathrm{\&Sigma;}}_{u\&Element;U}{({\mathrm{Ru}}_i,i-{\stackrel{\&OverBar;}{R}u}_i)}^2}\sqrt{{\mathrm{\&Sigma;}}_{u\&Element;U}{({\mathrm{Ru}}_j,j-{\stackrel{\&OverBar;}{R}u}_j)}^2}}$

其中u_i表示用户i，u_j表示用户j，表示用户u_i对所有商品评分的平均值，表示用户u_i对商品i的评分；表示用户u_j对所有商品评分的平均值，表示用户u_j对商品j的评分；

2.sim_c(i,j)用户间属性的相似性的计算

不同特征的人拥有的兴趣爱好可能不同，而同一类别的人兴趣爱好则具有一定的相似度。所以在寻找目标用户的最近邻居时，用户特征也是一个不容忽视的因素。通过构建用户特征向量，有助于寻找与目标用户更相似的邻居。

将职业空间中的所有职业按其类别描述成一个倒立的树，如图2所示，树的总层数称为树的高度，记为H。职业a，b在树中最近的共同父类称为a，b的最近父类，其位职业树上的层次称为其高度，记作H_a,b，当a,b的最近父类为树的根节点时，H_a,b＝0。设用户u的职业为a，用户v的职业为b，定义用户u，v在职业相似度O(u,v)为

$O(u,v)=\left\{\begin{array}{c}1,(a=b)\\ \frac{H_{a,b}}{H},(a\&NotEqual;b)\end{array}\right.$

例如职业树的高度H＝4,对职业a和职业b而言，最近共同父类为职业类A，其相应的Ha,b＝2,由此职业a，b的相似度为0.5。

设用户u的的年龄为Au，用户v的年龄为Av，则用户u，v的年龄相似性A(u,v)表示为

$A(u,v)=\left\{\begin{array}{c}1,\mathrm{Au}-\mathrm{Av}\&le;4\\ \frac{4}{\left|\right[\mathrm{Au}-\mathrm{Av}\left]\right|},\mathrm{Au}-\mathrm{Av}>4\end{array}\right.$

设用户u的性别为S_u，用户v的性别为S_v,则用户u，v的性别相似度S(u,v)表示为:

$S(u,v)=\left\{\begin{array}{c}0,A_u-A_v\&le;4\\ 1,A_u-A_v>4\end{array}\right.$

用户u和v的属性相似度sim_c(u,v)通过如下式来计算：

sim_c(u,v)＝χS(u,v)+δA(u,v)+(1-χ-δ)O(u,v)

Χ，σ为修正系数(初值可取χ＝0.3，σ＝0.4)，分别影响性别、年龄和职业三个因素在计算用户特征相似度所起的作用。一般根据统计信息或实验结果来调整其大小，不同的推荐系统，可以动态调整其值来优化推荐效果。

步骤3：计算目标用户对餐厅的预测偏好指数P_user(t，u)；

最近邻居选取：

最近邻居的选取通常有两种方法，分别是K最近邻方法和预先设定相似度阈值的方法，本文选取最近邻居时采用预先设定用户相似度阈值的方法。预先设定用户相似度阈值选取用户最近邻居的方法如

sim_user(i，j)>＝w₁

w₁表示预先指定的用户相似度阈值，当用户u_i和用户u_j的相似度sim_user(i,j)不小于w1时，用户u_i就是用户u_j的最近邻居。

目标用户对餐厅的预测偏好指数：

$P_{\mathrm{user}(t,u)}=A_u+\frac{\underset{r=1}{\overset{c}{\mathrm{\&Sigma;}}}(R_{i,t}-A_i)\&times;{\mathrm{sim}}_{\mathrm{user}(u,i)}}{\underset{r=1}{\overset{c}{\mathrm{\&Sigma;}}}{\mathrm{sim}}_{\mathrm{user}(u,i)}}$

Au是指用户u对项目的平均评分，c是指用户u的所有最近邻居的

数目，R_i,t是指用户u的近邻用户u_i对项目t的评分，A_i是指用户u_i对项目的平均评分，sim_user(u，i)是指用户u和用户u_i的相似度。

步骤4：计算项目i和项目j的相似度sim_item(i，j)；

itemCF计算用户评分，其计算公式为：

sim_item(i,j)＝λ·sim_r(i,j)+(1-λ)·sim_c(i,j)

其中，sim_r(i.j)表示项目评分的相似性，sim_c(i,j)表示项目类别的相似性。λ表示用户对项目评分相似性在计算中贡献系数。(1-λ)表示用户间属性的相似性在计算中的计算贡献系数。

1.项目评分相似性的计算

${\mathrm{sim}}_r(i,j)=\frac{\underset{u\&Element;U\left(i\right)\&cap;U\left(j\right)}{\mathrm{\&Sigma;}}(R_{u,i}-{\stackrel{\&OverBar;}{R}}_i)(R_{u,j}-{\stackrel{\&OverBar;}{R}}_j)}{\sqrt{\underset{u\&Element;U\left(i\right)\&cap;U\left(j\right)}{\mathrm{\&Sigma;}}{(R_{u,i}-{\stackrel{\&OverBar;}{R}}_i)}^2}\sqrt{\underset{u\&Element;U\left(i\right)\&cap;U\left(j\right)}{\mathrm{\&Sigma;}}{(R_{u,j}-{\stackrel{\&OverBar;}{R}}_j)}^2}}$

其中sim_r(i,j)表示项目i和j的相似性。u表示对项目i和j共同评分的用户，U(i)表示对项目i评分的用户集合，U(j)表示项目j评分的用户集合，u属于U(i)和U(j)的交集。R_u,i表示用户u对项目i的评分R_u,j表示用户u对项目j的评分。和分别表示基于用户对项目i和j共同评分数据的项目i和j的评分均值。

2.项目的类别相似性

在各种不同的系统中，所提供的项目一般都是以类别进行划分。如餐饮行业可以按照不同的口味进行划分。如图3所示，本发明将项目的类别表示为集合C＝{c1,c2,c3,c4,c5,.....,ck},其中c1＝{c11,c12,c13,c14,c15.....,,c1k}，这里C表示项目的大的类别，ck表示c中的第k个类，ck还可以进行类别划分。

我们把由于项目分类的不同引起的相似性称为项目类别相似度，只要获取项目的类别信息，就可以计算它们的类别相似性。对于项目i与j，其所属的类别分别表示为集合ci和cj。由前面的分析已知，当项目i与j同属的相同类别越多，则它们的相似性越强。所以，项目i与j的类别相似度simc(i，j)可以通过他们的类别集合来计算，表示如下：

${\mathrm{sim}}_c(i,j)=\frac{|\mathrm{Ci}\&cap;\mathrm{Cj}|}{|\mathrm{Ci}\&cup;\mathrm{Cj}|}$

其中C_i∩C_j表示项目i与j所属相同类别的交集元素个数，C_i∪C_j表示项目i与j所属类别的并集的元素个数，二者的比值体现了项目i与j的类别相似程度。

步骤5：计算基于项目t对用户u的推荐偏好指数P_item(t,u)

最近邻居选取

最近邻居的选取通常有两种方法，分别是K最近邻方法和预先设定相似度阈值的方法，本文选取最近邻居时采用预先设定用户相似度阈值的方法。预先设定用户相似度阈值选取用户最近邻居的方法如

sim_item(i,j)>＝w₂

w₂表示预先指定的项目相似度阈值，当项目i和项目j的相似度sim_item(i,j)不小于w₂时，项目i就是项目j的最近邻居。

$P_{\mathrm{item}(t,u)}=\mathrm{At}+\frac{\underset{r=1}{\overset{m}{\mathrm{\&Sigma;}}}(\mathrm{Ru},r-\mathrm{Ar})\&times;{\mathrm{sim}}_{\mathrm{item}}(t,r)}{\underset{r=1}{\overset{m}{\mathrm{\&Sigma;}}}{\mathrm{sim}}_{\mathrm{item}}(t,r)}$

At是指用户u的所有用户近邻对项目t的平均评分，m是指项目t的所有项目最近邻居数目，Ru,r是指用户u对项目r的评分，sim_item(t，r)是指项目t和项目近邻r的相似度，这个相似度指的是项目特征和项目评分相似度利用适当的权值结合后的项目相似度。

步骤6：给出推荐结果；

根据用户和商家之间的距离相似度、目标用户对餐厅的预测偏好指数和

基于项目t对用户u的推荐偏好指数给出推荐结果

$P_{(t,u)}=({\mathrm{wP}}_{\mathrm{user}(t,u)}+(1-w)P_{\mathrm{item}(t,u)})\&CenterDot;{\mathrm{sim}}_{{\mathrm{LocationCF}}_{(t,u)}}$

其中w表示P_user(t,u)所占的比重，初始值可取0.5。

本发明的优点还在于结合用户当前所处位置、用户对商家评分以及用户和商家的属性，为之推荐满足用户需求的个性化的餐厅，提高美食推荐的效率和准确度。同时，精确的推荐结果可转化为消费行为，提高用户满意度和商家效益。本发明推荐方法根据用户的位置，用户对商家评分和用户之间的相似度等因素，充分克服了传统推荐算法没有移动端获取用户位置的因素，提高了推荐的准确性。通过位置对商家进行过滤，减小了矩阵的维度，减轻了计算量。同时也客服了传统协同过滤冷启动等问题。

以上所述仅是对本发明的较佳实施方式而已，并非对本发明作任何形式上的限制，凡是依据本发明的技术实质对以上实施方式所做的任何简单修改，等同变化与修饰，均属于本发明技术方案的范围内。

Claims (1)

1.一种基于位置的个性化美食推荐方法，其特征在于：按照以下步骤进行：

步骤1：计算用户和商家之间的距离相似度；

步骤2：计算用户u_i和用户u_j的相似度；

步骤3：根据用户u_i和用户u_j的相似度计算目标用户对餐厅的预测偏好指数；

步骤4：计算项目i和项目j的相似度；

步骤5：根据项目i和项目j的相似度，计算基于项目t对用户u的推荐偏好指数；

步骤6：根据用户和商家之间的距离相似度、目标用户对餐厅的预测偏好指数和基于项目t对用户u的推荐偏好指数给出推荐结果。