CN104794207A - 一种基于协作的推荐系统及其工作方法 - Google Patents

Abstract

一种基于协作的推荐系统，包括：边缘系统模块、协作中心系统模块、目标系统模块，边缘系统模块、协作中心系统模、目标系统模块依次连接；边缘系统模块采集和存储用户信息并向协作中心系统模块提供所需的特定用户信息；协作中心系统模块响应目标系统模块的协作请求，向边缘系统模块发出协作请求，并对用户信息进行不一致性消除和推理融合，向目标系统模块输出所需的特定用户数据；目标系统模块向用户提供个性化推荐服务，在冷启动时向所述协作中心系统模块发起协作请求。本发明在推荐系统中加入用户协作机制，协作中心系统模块完成了多个推荐系统之间的协作功能，对特定用户的多源数据进行融合处理，有效解决了推荐系统中冷启动问题。

Description

一种基于协作的推荐系统及其工作方法

技术领域

本发明涉及一种基于协作的推荐系统及其工作方法，属于推荐系统的技术领域。

背景技术

随着信息技术和互联网的发展，人们逐渐从信息匮乏的时代走入了信息过载的时代，在这个时代，无论是信息消费者还是信息生产者都遇到了很大的挑战：作为信息消费者，如何从大量信息中找到自己感兴趣的信息是一件非常困难的事情；而作为信息生产者，如何让自己生产的信息脱颖而出，受到广大用户的关注，也是一件非常困难的事情。搜索引擎是一种具有代表性的解决信息过载的方法，用户通过关键词搜索可以快速找到自己需要的信息。但是，搜索引擎需要用户主动提供准确的关键词，因此不能解决用户的很多其他需求，比如当用户无法找到准确描述自己需求的关键词时，搜索引擎就无法得到理想的效果。

推荐系统是一种帮助用户快速发现有用信息的工具。和现有搜索引擎不同的是，推荐系统不需要用户提供明确的需求，而是通过分析用户的历史行为给用户的兴趣建模，从而主动为用户推荐能够满足他们潜在兴趣和需求的信息。因此，相对于用户来说，搜索引擎和推荐系统是两个互补的工具：搜索引擎满足了用户有明确目的时的主动查找需求，而推荐系统能够在用户没有明确目的的情况下帮助他们发现感兴趣的新内容。在电子商务应用领域，推荐系统通过分析用户的行为信息，挖掘用户的个性化需求，从而将长尾商品准确地推荐给用户，帮助用户找到那些他们感兴趣但很难发现的商品。

在当今大数据环境下，可以获取用户数据的智能设备越来越多，然而就某个特定的独立的推荐系统可能存在用户数据不足的问题，即推荐系统中的冷启动问题。现有冷启动问题的解决方案一般是向新用户推荐热门物品，但这种解决方式向用户提供的是粗粒度的个性化推荐，因此，如何处理和利用特定用户的多源数据，提供准确的面向特定用户的个性化服务就成了推荐系统面临的一大挑战。

发明内容

针对现有技术的不足，本发明公开了一种基于协作的推荐系统；

本发明还公开了上述系统的工作方法；

推荐系统旨在通过分析和利用用户历史行为信息向用户提供主动式的推荐服务。协作机制是一个数据融合的过程，解决了单一推荐系统中的冷启动问题，使推荐系统提供的服务能准确地契合用户个性化需求。

本发明的技术方案为：

一种基于协作的推荐系统，包括：边缘系统模块、协作中心系统模块、目标系统模块，所述边缘系统模块、所述协作中心系统模、所述目标系统模块依次连接；

所述边缘系统模块采集和存储用户信息并向所述协作中心系统模块提供所需的特定用户信息；所述协作中心系统模块响应所述目标系统模块的协作请求，向所述边缘系统模块发出协作请求，并对从所述边缘系统模块获取的用户信息进行不一致性消除和推理融合，向所述目标系统模块输出所需的特定用户数据；所述目标系统模块向用户提供个性化推荐服务，在冷启动时向所述协作中心系统模块发起协作请求。

根据本发明优选的，所述目标系统模块包括：用户数据库单元、推荐引擎单元、初始推荐单元、过滤单元、排名单元、推荐结果展示及解释单元、用户单元，所述用户数据库单元包括情景信息模块和行为信息模块,所述用户数据库单元、所述推荐引擎单元、所述初始推荐单元、所述过滤单元、所述排名单元、所述推荐结果展示及解释单元、所述用户单元依次连接，所述用户单元与所述用户数据库单元相连。

根据本发明优选的，所述用户数据库单元用来存储用户信息，用户信息包括行为信息和情景信息，所述行为信息是指用户使用过某一物品并对其进行评分，所述情景信息是指用户所处的周围环境信息，如时间，地点等信息。用户信息为多维笛卡尔乘积形式；比如“用户As×物品Bs×时间Cs×地点Ds×评分”，其含义为用户As在时间Cs在地点Ds对物品Bs评分；根据用户反馈信息获取方式的不同，所述评分包括两种：一种是显式评分信息，即用户As对物品Bs直接给予的打分信息，二是隐式评分信息，即通过分析用户As的行为间接给出的评分信息。所述推荐引擎单元提取出所述用户信息，并通过基于物品的协同过滤算法即itemCF算法得到初始推荐结果；所述初始推荐单元存储经过所述推荐引擎单元得到的初始推荐结果；所述过滤单元采用三种策略逐步对得到的初始推荐结果进行过滤；所述排名单元对经过所述过滤单元得到的推荐结果进行排名，对热门物品进行降权,热门物品是指推荐结果中流行度较高的物品；所述推荐结果展示及解释单元用于展示经过所述排名单元得到的推荐结果，并向用户解释推荐结果的理由，得到最终推荐结果；所述用户单元接受所述最终推荐结果，并将用户对最终推荐结果服务满意度信息反馈到所述用户数据库单元中。

根据本发明优选的，所述过滤单元采用三种策略逐步对得到的初始推荐结果进行过滤，具体步骤包括：首先，过滤掉用户已经使用过的物品，保证推荐结果的新颖性；其次，过滤掉不符合候选条件的物品，所述候选条件是指用户已经设定的选择条件，比如用户确定的价格区间；最后，过滤掉某些质量很差的物品，即评分较低的物品。

对热门物品进行降权,如果给用户推荐的全是流行的、大众的物品，推荐系统就无法挖掘用户的潜在兴趣，那么推荐就失去了其意义。

根据本发明优选的，所述协作中心系统模块包括知识库单元、行为聚合单元、情景聚合单元、数据不一致性检测消除单元、数据推理融合单元，所述知识库单元、所述行为聚合单元、所述情景聚合单元、所述数据不一致性检测消除单元、所述数据推理融合单元依次相连接；所述数据融合单元与所述知识库单元相连。

根据本发明优选的，所述知识库单元为所述推荐系统的知识存储中心，用于存储所述目标系统模块和所述边缘系统模块中各组成单元的数据库中的用户信息；所述行为聚合单元对所述目标系统模块中的物品和所述边缘系统模块中的同用户使用过的其他物品进行聚合，所述行为聚合单元根据物品属性给物品标记标签，选取标签集合交集超过阈值的行为聚合为同一物品，所述阈值的取值范围为6-12；所述物品属性是指，比如物品的作者、主题、生产日期和造型风格等；所述情景聚合单元计算用户不同情景信息的相似度，选取相似度较高的情景信息进行融合；所述数据不一致性检测消除单元根据信息不一致性消除算法，消除从所述边缘系统模块和所述目标系统模块获得的用户信息之间的不一致性；所述数据不一致性检测消除算法包括：基于可信度的信息不一致性消除算法、基于投票法的信息不一致性消除算法以及基于证据论的信息不一致性消除算法；所述数据推理融合单元根据经过所述数据不一致性检测消除单元处理后的信息，按照推理方法推理得到融合信息，所述推理方法为本体推理、基于规则的推理、基于证据论的推理、基于贝叶斯网络的推理方法。

根据本发明优选的，所述边缘系统模块包括若干推荐单元，所述推荐单元为已知的除所述目标系统模块之外的、含有用户信息的推荐系统，用户信息存储在所述推荐单元的数据库中，用户信息的表示方式“用户×物品×情景信息×评分”。

上述推荐系统的工作方法，具体步骤如下：

(1)请求协作

所述目标系统模块接收到新的“用户A×物品B×情景信息C”组合后，经过检索，用户数据库单元中没有用户A的历史行为信息时，所述目标系统模块向所述协作中心系统模块发起协作请求；

(2)协作中心响应

所述协作中心系统模块接受所述目标系统模块发起的协作请求，所述知识库单元分析协作请求，检索出存有用户A信息的所述边缘系统模块中的推荐单元，并向所述边缘系统模块中的推荐单元发送协作命令；

(3)边缘系统响应

所述边缘系统模块中的推荐单元接收到协作命令后，查看各自的数据库中是否含有所述目标系统模块所需数据，所述目标系统模块所需数据包括：m、用户A在情景信息C下对物品B的评分；n、用户A在非情景信息C下对物品B的评分；

(4)判断是否含有协作数据

如果所述边缘系统模块中推荐单元数据库中有所述目标系统模块所需数据，则将所述目标系统模块所需数据输出至所述协作中心系统模块中的知识库单元，否则，无输出；

(5)协作中心接收数据

所述协作中心系统模块中的知识库单元接收所述目标系统模块所需数据；

(6)行为聚合

所述行为聚合单元对所述目标系统模块中的物品B和所述边缘系统模块中的用户A使用过的除物品B之外的其他物品进行聚合，所述行为聚合单元根据物品属性给物品标记标签，选取标签集合交集超过某个阈值的行为聚合为同一物品，经过行为聚合后得到用户A在所述目标系统模块中对物品B的评分；

(7)情景聚合

所述情景聚合单元对经过行为聚合后的信息进行情景聚合，即采用计算上下文余弦相似度的方法计算用户不同情景信息的相似度，选取相似度较高的情景信息进行融合；

采用计算上下文余弦相似度的方法的计算公式如式(Ⅰ)所示:

$W_{a,b}=\frac{|C_a\∩C_b|}{\sqrt{\left|C_a\right|\·\left|C_b\right|}}---\left(I\right)$

式(Ⅰ)中，C_a为情景信息a，C_b为情景信息b，W_a,b为情景信息a与情景信息b的相似度；

采用计算上下文余弦相似度的方法计算用户不同情景信息的相似度属于现有技术。

(8)数据不一致性检测与消除

经过行为聚合和情景聚合处理后，出现用户A在情景信息C下对物品B有不同的评分，所述数据不一致性检测消除单元检测并根据数据不一致性检测消除算法消除行为聚合处理后得到的用户信息的不一致性，得到用户A在情景信息C下对物品B评分接近的几组用户A评分信息；所述数据不一致性消除算法包括：基于可信度的数据不一致性消除算法、基于投票法的数据不一致性消除算法以及基于证据论的数据不一致性消除算法；

(9)数据推理融合

所述数据推理融合单元根据步骤(8)所述几组用户A评分信息，按照推理融合方法，推理得到一组用户A在情景信息C下对物品B的评分信息，存入到所述协作中心系统模块的知识库单元中，并发送给所述目标系统模块中所述用户数据库单元，所述推理融合方法包括本体推理、基于规则的推理、基于证据论的推理、基于贝叶斯网络的推理方法；

(10)目标系统接收数据

所述目标系统模块中所述用户数据库单元接收所述一组用户A在情景信息C下对物品B的评分信息；

(11)协同过滤

所述推荐引擎单元采用基于物品的协同过滤算法即itemCF算法对所述一组用户A在情景信息C下对物品B的评分信息进行处理，得到预测评分；

(12)得出初始推荐结果；

(13)过滤

所述过滤单元采用三种策略逐步对得到的步骤(12)所述初始推荐结果进行过滤，即：首先，过滤掉用户A已经使用过的物品B，其次，过滤掉不符合候选条件的物品B，所谓的候选条件是指用户A已经设定的选择条件，比如用户A确定的价格区间，最后，过滤掉某些质量很差的物品B，比如评分较低的物品B；得到包括若干个不同的物品B的推荐结果，即B1、B2……Bi……Bn；

(14)排名

所述排名单元采用新颖性排名对步骤(13)得到的若干个不同的物品B的推荐结果进行排名，对每一个物品B都进行新颖性排名，新颖性排名的具体步骤包括步骤a及步骤b，具体如下：

a、计算物品Bi流行度

物品Bi流行度的计算公式如式(Ⅱ)所示：

$P\left(i\right)=\frac{\left|N\left(i\right)\right|}{\left|N\right|}---\left(\mathrm{II}\right)$

式(Ⅱ)中，P(i)为物品Bi的流行度，N(i)为对物品Bi有过行为的用户集合，N为所有用户集合；

b、加权计算

加权计算的计算公式如式(Ⅲ)所示：

$\stackrel{\→}{D\left(i\right)}=\frac{D\left(i\right)}{{\log }_2(1+|P\left(i\right)\left|\right)}---\left(\mathrm{III}\right)$

式(Ⅲ)中，D(i)为用户对物品Bi的评分，为对物品Bi加权后的评分；

对每一个物品B都进行新颖性排名后，得到每一个物品B的加权后的评分，对每一个物品B的加权后的评分从小到大进行排序，对排名较前的物品B的加权后的评分进行降权；

(15)推荐结果展示及解释

所述推荐结果展示及解释单元负责对经过排名处理后的推荐结果进行最终展示及解释说明；得到最终推荐结果；

(16)用户反馈

所述用户单元将用户A对最终推荐结果服务满意度信息存入到所述用户数据库单元中，操作结束。

本发明的有益效果为：

(1)本发明在推荐系统中加入了用户协作机制，协作中心系统模块完成了多个推荐系统之间的协作功能，对特定用户的多源数据进行融合处理，有效解决了推荐系统中的冷启动问题。

(2)本发明在推荐系统中加入了数据不一致性检测消除单元和数据推理融合单元，与一般推荐系统相比有两个优势：当输入目标系统模块的某些数据缺失时，协作中心系统模块通过调用边缘系统模块的数据进行协作做出补充；当数据完整时还可以对当前输入数据进行不一致性消除和融合，从而提高目标推荐系统的准确性。

(3)本发明通过协作技术和推荐系统向用户提供透明的、主动式的推荐服务，本发明公布的推荐系统采用用户协作机制，充分利用特定用户的多源数据，使其提供的服务能真正地满足用户的个性化需求。

附图说明

图1为本发明的结构框架图；

图2为本发明的工作方法流程图。

具体实施方式

下面结合说明书附图和实施例对本发明作进一步限定，但不限于此。

实施例1

一种基于协作的推荐系统，包括：边缘系统模块、协作中心系统模块、目标系统模块，所述边缘系统模块、所述协作中心系统模、所述目标系统模块依次连接；

所述边缘系统模块采集和存储用户信息并向所述协作中心系统模块提供所需的特定用户信息；所述协作中心系统模块响应所述目标系统模块的协作请求，向所述边缘系统模块发出协作请求，并对从所述边缘系统模块获取的用户信息进行不一致性消除和推理融合，向所述目标系统模块输出所需的特定用户数据；所述目标系统模块向用户提供个性化推荐服务，在冷启动时向所述协作中心系统模块发起协作请求。

所述目标系统模块包括：用户数据库单元、推荐引擎单元、初始推荐单元、过滤单元、排名单元、推荐结果展示及解释单元、用户单元，所述用户数据库单元包括情景信息模块和行为信息模块,所述用户数据库单元、所述推荐引擎单元、所述初始推荐单元、所述过滤单元、所述排名单元、所述推荐结果展示及解释单元、所述用户单元依次连接，所述用户单元与所述用户数据库单元相连。

所述用户数据库单元用来存储用户信息，用户信息包括行为信息和情景信息，所述行为信息是指用户使用过某一物品并对其进行评分，所述情景信息是指用户所处的周围环境信息，如时间，地点等信息。用户信息为多维笛卡尔乘积形式；比如“用户As×物品Bs×时间Cs×地点Ds×评分”，其含义为用户As在时间Cs在地点Ds对物品Bs评分；根据用户反馈信息获取方式的不同，所述评分包括两种：一种是显式评分信息，即用户As对物品Bs直接给予的打分信息，二是隐式评分信息，即通过分析用户As的行为间接给出的评分信息。所述推荐引擎单元提取出所述用户信息，并通过基于物品的协同过滤算法即itemCF算法得到初始推荐结果；所述初始推荐单元存储经过所述推荐引擎单元得到的初始推荐结果；所述过滤单元采用三种策略逐步对得到的初始推荐结果进行过滤；所述排名单元对经过所述过滤单元得到的推荐结果进行排名，对热门物品进行降权,热门物品是指推荐结果中流行度较高的物品；所述推荐结果展示及解释单元用于展示经过所述排名单元得到的推荐结果，并向用户解释推荐结果的理由，得到最终推荐结果；所述用户单元接受所述最终推荐结果，并将用户对最终推荐结果服务满意度信息反馈到所述用户数据库单元中。

所述过滤单元采用三种策略逐步对得到的初始推荐结果进行过滤，具体步骤包括：首先，过滤掉用户已经使用过的物品，保证推荐结果的新颖性；其次，过滤掉不符合候选条件的物品，所述候选条件是指用户已经设定的选择条件，比如用户确定的价格区间；最后，过滤掉某些质量很差的物品，即评分较低的物品。

对热门物品进行降权,如果给用户推荐的全是流行的、大众的物品，推荐系统就无法挖掘用户的潜在兴趣，那么推荐就失去了其意义。

所述协作中心系统模块包括知识库单元、行为聚合单元、情景聚合单元、数据不一致性检测消除单元、数据推理融合单元，所述知识库单元、所述行为聚合单元、所述情景聚合单元、所述数据不一致性检测消除单元、所述数据推理融合单元依次相连接；所述数据融合单元与所述知识库单元相连。

所述知识库单元为所述推荐系统的知识存储中心，用于存储所述目标系统模块和所述边缘系统模块中各组成单元的数据库中的用户信息；所述行为聚合单元对所述目标系统模块中的物品和所述边缘系统模块中的同用户使用过的其他物品进行聚合，所述行为聚合单元根据物品属性给物品标记标签，选取标签集合交集超过阈值的行为聚合为同一物品，所述阈值的取值范围为6-12；所述物品属性是指，比如物品的作者、主题、生产日期和造型风格等；所述情景聚合单元计算用户不同情景信息的相似度，选取相似度较高的情景信息进行融合；所述数据不一致性检测消除单元根据信息不一致性消除算法，消除从所述边缘系统模块和所述目标系统模块获得的用户信息之间的不一致性；所述数据不一致性检测消除算法包括：基于可信度的信息不一致性消除算法、基于投票法的信息不一致性消除算法以及基于证据论的信息不一致性消除算法；所述数据推理融合单元根据经过所述数据不一致性检测消除单元处理后的信息，按照推理方法推理得到融合信息，所述推理方法为本体推理、基于规则的推理、基于证据论的推理、基于贝叶斯网络的推理方法。

所述边缘系统模块包括若干推荐单元，所述推荐单元为已知的除所述目标系统模块之外的、含有用户信息的推荐系统，用户信息存储在所述推荐单元的数据库中，用户信息的表示方式“用户×物品×情景信息×评分”。

所述目标系统模块为电影推荐系统，所述若干推荐单元包括书籍推荐系统、电视节目推荐系统、音乐推荐系统和新闻推荐系统。

实施例2

根据实施例1所述基于协作的推荐系统的工作方法，具体步骤包括：

(1)请求协作

设定所述推荐系统为用户c下午推荐观看两部电影。所述目标系统模块接收到新的“用户c×电影×下午”组合后，经过检索，用户数据库单元中没有用户c的历史行为信息，所述目标系统模块向所述协作中心系统模块发起协作请求；用户包括：用户c、用户d、用户e、用户f，情景信息包括：凌晨(4点-7点)、上午(7点-12点)、中午(12点-14点)、下午(14点-17点)、晚上(17点-22点)、深夜(22点-4点)，电影包括：电影1、电影2、电影3、电影4、电影5，用户c无电影评分历史，用户d有电影1、3的评分记录，用户e有电影2、5的评分记录，用户f有电影3、4、5的评分记录；

(2)协作中心响应

所述协作中心系统模块接受所述目标系统模块发起的协作请求，所述知识库单元分析协作请求，检索出存有用户c信息的所述边缘系统模块中的推荐单元，并向所述边缘系统模块中的推荐单元发送协作命令；存有用户c信息的所述边缘系统模块中的推荐单元包括书籍推荐系统，电视节目推荐系统和音乐推荐系统。

(3)边缘系统响应

所述边缘系统模块中的推荐单元接收到协作命令后，查看各自的数据库中是否含有所述目标系统模块所需数据，所述目标系统模块所需数据包括：m、用户c在下午对电影的评分；n、用户c在其他时间对电影的评分；

(4)判断是否有所需数据

电视节目推荐系统和书籍推荐系统数据库中有所述目标系统模块所需数据，则将所述目标系统模块所需数据输出至所述协作中心系统模块中的知识库单元，音乐推荐系统和新闻推荐系统数据库中没有所述目标系统模块所需数据，则无输出。

(5)协作中心接收数据

所述协作中心系统模块中的知识库单元接收所述目标系统模块所需数据；所述目标系统模块所需数据包括：①用户c在下午观看某电视节目的评分；②用户c在下午对某书籍的评分；③用户c在其他时间对某电视节目的评分；④用户c在其他时间对某书籍的评分；

(6)行为聚合

所述行为聚合单元对所述目标系统模块中的电影与所述边缘系统模块中的用户c评分的书籍、用户c评分的电视节目进行聚合，所述目标系统模块、电视节目推荐系统、书籍推荐系统根据作者(“性别”、“年代”、“国籍”、“流派”)和主题(“科幻”、“爱情”、“恐怖”、“犯罪”、“家庭”、“都市”、“喜剧”)分别将电影、电视节目、书籍标记标签，设定阈值为6，电影和电视节目的标签集合交集大于或等于6个，认为两者为同一行为；电影和书籍的标签集合交集大于或等于6个，认为两者为同一行为，经过行为聚合后的语义表示为用户c在下午观看电影的评分；

(7)情景聚合

所述情景聚合单元对经过行为聚合后的信息进行情景聚合，即采用计算上下文余弦相似度的方法计算用户不同情景信息的相似度，选取相似度较高的情景信息进行融合；

所述上下文余弦相似度的计算方法为：两个情景信息的交集集合除以两个情景信息的模值乘积根，计算公式如式(Ⅰ)所示:

$W_{a,b}=\frac{|C_a\∩C_b|}{\sqrt{\left|C_a\right|\·\left|C_b\right|}}---\left(I\right)$

式(Ⅰ)中，C_a为情景信息a，C_b为情景信息b，W_a,b为情景信息a与情景信息b的相似度；

所述情景聚合单元分别计算出不同情景信息同“下午”的余弦相似度，得出“上午”和“晚上”的相似度同“下午”相似度最高，当用户没有“下午”情景信息时，将“上午”或“晚上”的情景聚合为“下午”的情景；

(8)数据不一致性检测与消除

经过行为聚合和情景聚合处理后，出现用户c在下午对观看电影的评分不同，所述数据不一致性检测消除单元检测并根据数据不一致性检测消除算法消除行为聚合处理后得到的用户信息的不一致性，得到用户c在下午对观看电影的评分接近的几组用户评分信息；所述数据不一致性消除算法为基于可信度的数据不一致性消除算法；

(9)数据推理融合

所述数据推理融合单元根据步骤(8)所述几组用户评分信息，按照推理融合方法，推理得到一组用户c在下午对观看电影的评分信息，存入到所述协作中心系统模块的知识库单元中，并发送给所述目标系统模块中所述用户数据库单元，所述推理融合方法为基于证据论的推理方法；

(10)目标系统接收数据

所述目标系统模块中所述用户数据库单元接收所述一组用户c在下午观看电影的评分信息；

(11)协同过滤

所述推荐引擎单元采用基于物品的协同过滤算法即itemCF算法对所述一组用户c在下午对观看电影的评分信息进行处理，结合用户d、用户e、用户f观看电影的信息，采用基于物品的协同过滤算法即itemCF算法，计算电影1、电影2、电影3、电影4、电影5之间的相似度，并结合用户c的历史行为预测评分，按照评分大小依次排序为：用户c在下午对电影3的评分、用户c在下午对电影2的评分、用户c在下午对电影5的评分、用户c在下午对电影1的评分、用户c在下午对电影4的评分；

(12)得出初始推荐结果；

(13)过滤

所述过滤单元采用三种策略逐步对得到的步骤(12)所述初始推荐结果进行过滤，即：首先，过滤掉用户c已经看过的电影，其次，过滤掉不符合候选条件的电影，根据用户确定的电影上映时间过滤掉电影5，最后，过滤掉某些质量很差的物品，比如评分较低的物品，过滤掉电影4，得到推荐结果；

(14)排名

所述排名单元采用新颖性排名对步骤(13)得到的包括电影1、电影2、电影3的推荐结果进行排名，对电影1、电影2、电影3分别进行新颖性排名，新颖性排名的具体步骤包括步骤a及步骤b，具体如下：

a、计算电影i流行度

电影i流行度的计算公式如式(Ⅱ)所示：

$P\left(i\right)=\frac{\left|N\left(i\right)\right|}{\left|N\right|}---\left(\mathrm{II}\right)$

式(Ⅱ)中，P(i)为电影i的流行度，N(i)为对电影i有过行为的用户集合，N为所有用户集合；

b、加权计算

加权计算的计算公式如式(Ⅲ)所示：

$\stackrel{\→}{D\left(i\right)}=\frac{D\left(i\right)}{{\log }_2(1+|P\left(i\right)\left|\right)}---\left(\mathrm{III}\right)$

式(Ⅲ)中，D(i)为用户对电影i的评分，为对电影i加权后的评分；1≤i≤3，i为整数；

对电影1、电影2、电影3分别进行新颖性排名后，得到电影1、电影2、电影3的加权后的评分，对电影1、电影2、电影3B的加权后的评分从小到大进行排序，对排名较前的电影i的加权后的评分进行降权；

经过新颖性排名，用户c对加权后的评分从小到大进行排序依次是电影3、1、2；对电影3进行降权；

(15)推荐结果展示及解释

所述推荐结果展示及解释单元负责对经过排名处理后的推荐结果进行最终展示及解释说明，得到最终推荐结果；最终推荐结果选取两部电影：电影2和电影1推荐给用户c，解释说明为：“根据用户c观看电视节目历史和阅读书籍历史推荐”；

(16)用户反馈

所述用户单元将用户c对最终推荐结果服务满意度信息存入到所述用户数据库单元中，操作结束。

Claims (8)

1.一种基于协作的推荐系统，其特征在于，包括：边缘系统模块、协作中心系统模块、目标系统模块，所述边缘系统模块、所述协作中心系统模、所述目标系统模块依次连接；

所述边缘系统模块采集和存储用户信息并向所述协作中心系统模块提供所需的特定用户信息；所述协作中心系统模块响应所述目标系统模块的协作请求，向所述边缘系统模块发出协作请求，并对从所述边缘系统模块获取的用户信息进行不一致性消除和推理融合，向所述目标系统模块输出所需的特定用户数据；所述目标系统模块向用户提供个性化推荐服务，在冷启动时向所述协作中心系统模块发起协作请求。

2.根据权利要求1所述一种基于协作的推荐系统，其特征在于，所述目标系统模块包括：用户数据库单元、推荐引擎单元、初始推荐单元、过滤单元、排名单元、推荐结果展示及解释单元、用户单元，所述用户数据库单元包括情景信息模块和行为信息模块,所述用户数据库单元、所述推荐引擎单元、所述初始推荐单元、所述过滤单元、所述排名单元、所述推荐结果展示及解释单元、所述用户单元依次连接，所述用户单元与所述用户数据库单元相连。

3.根据权利要求2所述一种基于协作的推荐系统，其特征在于，所述用户数据库单元用来存储用户信息，用户信息包括行为信息和情景信息，所述行为信息是指用户使用过某一物品并对其进行评分，所述情景信息是指用户所处的周围环境信息，用户信息为多维笛卡尔乘积形式；所述推荐引擎单元提取出所述用户信息，并通过基于物品的协同过滤算法即itemCF算法得到初始推荐结果；所述初始推荐单元存储经过所述推荐引擎单元得到的初始推荐结果；所述过滤单元采用三种策略逐步对得到的初始推荐结果进行过滤；所述排名单元对经过所述过滤单元得到的推荐结果进行排名，对热门物品进行降权,热门物品是指推荐结果中流行度较高的物品；所述推荐结果展示及解释单元用于展示经过所述排名单元得到的推荐结果，并向用户解释推荐结果的理由，得到最终推荐结果；所述用户单元接受所述最终推荐结果，并将用户对最终推荐结果服务满意度信息反馈到所述用户数据库单元中。

4.根据权利要求3所述一种基于协作的推荐系统，其特征在于，所述过滤单元采用三种策略逐步对得到的初始推荐结果进行过滤，具体步骤包括：首先，过滤掉用户已经使用过的物品；其次，过滤掉不符合候选条件的物品，所述候选条件是指用户已经设定的选择条件，比如用户确定的价格区间；最后，过滤掉某些质量很差的物品，即评分较低的物品。

5.根据权利要求2所述一种基于协作的推荐系统，其特征在于，所述协作中心系统模块包括知识库单元、行为聚合单元、情景聚合单元、数据不一致性检测消除单元、数据推理融合单元，所述知识库单元、所述行为聚合单元、所述情景聚合单元、所述数据不一致性检测消除单元、所述数据推理融合单元依次相连接；所述数据融合单元与所述知识库单元相连。

6.根据权利要求5所述一种基于协作的推荐系统，其特征在于，所述知识库单元为所述推荐系统的知识存储中心，用于存储所述目标系统模块和所述边缘系统模块中各组成单元的数据库中的用户信息；所述行为聚合单元对所述目标系统模块中的物品和所述边缘系统模块中的同用户使用过的其他物品进行聚合，所述行为聚合单元根据物品属性给物品标记标签，选取标签集合交集超过阈值的行为聚合为同一物品，所述阈值的取值范围为6-12；所述情景聚合单元计算用户不同情景信息的相似度，选取相似度较高的情景信息进行融合；所述数据不一致性检测消除单元根据信息不一致性消除算法消除从所述边缘系统模块和所述目标系统模块获得的用户信息之间的不一致性；所述数据不一致性检测消除算法包括：基于可信度的信息不一致性消除算法、基于投票法的信息不一致性消除算法以及基于证据论的信息不一致性消除算法；所述数据推理融合单元根据经过所述数据不一致性检测消除单元处理后的信息，按照推理方法推理得到融合信息，所述推理方法为本体推理、基于规则的推理、基于证据论的推理、基于贝叶斯网络的推理方法。

7.根据权利要求5所述一种基于协作的推荐系统，其特征在于，所述边缘系统模块包括若干推荐单元，所述推荐单元为已知的除所述目标系统模块之外的、含有用户信息的推荐系统，用户信息存储在所述推荐单元的数据库中，用户信息的表示方式“用户×物品×情景信息×评分”。

8.权利要求7所述一种基于协作的推荐系统的工作方法，具体步骤如下：

(1)请求协作

所述目标系统模块接收到新的“用户A×物品B×情景信息C”组合后，经过检索，用户数据库单元中没有用户A的历史行为信息时，所述目标系统模块向所述协作中心系统模块发起协作请求；

(2)协作中心响应

所述协作中心系统模块接受所述目标系统模块发起的协作请求，所述知识库单元分析协作请求，检索出存有用户A信息的所述边缘系统模块中的推荐单元，并向所述边缘系统模块中的推荐单元发送协作命令；

(3)边缘系统响应

所述边缘系统模块中的推荐单元接收到协作命令后，查看各自的数据库中是否含有所述目标系统模块所需数据，所述目标系统模块所需数据包括：m、用户A在情景信息C下对物品B的评分；n、用户A在非情景信息C下对物品B的评分；

(4)判断是否含有协作数据

如果所述边缘系统模块中推荐单元数据库中有所述目标系统模块所需数据，则将所述目标系统模块所需数据输出至所述协作中心系统模块中的知识库单元，否则，无输出；

(5)协作中心接收数据

所述协作中心系统模块中的知识库单元接收所述目标系统模块所需数据；

(6)行为聚合

所述行为聚合单元对所述目标系统模块中的物品B和所述边缘系统模块中的用户A使用过的除物品B之外的其他物品进行聚合，所述行为聚合单元根据物品属性给物品标记标签，选取标签集合交集超过某个阈值的行为聚合为同一物品，经过行为聚合后得到用户A在所述目标系统模块中对物品B的评分；

(7)情景聚合

所述情景聚合单元对经过行为聚合后的信息进行情景聚合，即采用计算上下文余弦相似度的方法计算用户不同情景信息的相似度，选取相似度较高的情景信息进行融合；

采用计算上下文余弦相似度的方法的计算公式如式(Ⅰ)所示:

$W_{a,b}=\frac{|C_a\∩C_b|}{\sqrt{\left|C_a\right|\·\left|C_b\right|}}---\left(I\right)$

式(Ⅰ)中，C_a为情景信息a，C_b为情景信息b，W_a,b为情景信息a与情景信息b的相似度；

(8)数据不一致性检测与消除

经过行为聚合和情景聚合处理后，出现用户A在情景信息C下对物品B有不同的评分，所述数据不一致性检测消除单元检测并根据数据不一致性检测消除算法消除行为聚合处理后得到的用户信息的不一致性，得到用户A在情景信息C下对物品B评分接近的几组用户A评分信息；所述数据不一致性消除算法包括：基于可信度的数据不一致性消除算法、基于投票法的数据不一致性消除算法以及基于证据论的数据不一致性消除算法；

(9)数据推理融合

所述数据推理融合单元根据步骤(8)所述几组用户A评分信息，按照推理融合方法，推理得到一组用户A在情景信息C下对物品B的评分信息，存入到所述协作中心系统模块的知识库单元中，并发送给所述目标系统模块中所述用户数据库单元，所述推理融合方法包括本体推理、基于规则的推理、基于证据论的推理、基于贝叶斯网络的推理方法；

(10)目标系统接收数据

所述目标系统模块中所述用户数据库单元接收所述一组用户A在情景信息C下对物品B的评分信息；

(11)协同过滤

所述推荐引擎单元采用基于物品的协同过滤算法即itemCF算法对所述一组用户A在情景信息C下对物品B的评分信息进行处理，得到预测评分；

(12)得出初始推荐结果；

(13)过滤

所述过滤单元采用三种策略逐步对得到的步骤(12)所述初始推荐结果进行过滤，即：首先，过滤掉用户A已经使用过的物品B，其次，过滤掉不符合候选条件的物品B，所谓的候选条件是指用户A已经设定的选择条件，比如用户A确定的价格区间，最后，过滤掉某些质量很差的物品B，比如评分较低的物品B；得到包括若干个不同的物品B的推荐结果，即B1、B2……Bi……Bn；

(14)排名

所述排名单元采用新颖性排名对步骤(13)得到的若干个不同的物品B的推荐结果进行排名，对每一个物品B都进行新颖性排名，新颖性排名的具体步骤包括步骤a及步骤b，具体如下：

a、计算物品Bi流行度

物品Bi流行度的计算公式如式(Ⅱ)所示：

$P\left(i\right)=\frac{\left|N\left(i\right)\right|}{\left|N\right|}---\left(\mathrm{II}\right)$

式(Ⅱ)中，P(i)为物品Bi的流行度，N(i)为对物品Bi有过行为的用户集合，N为所有用户集合；

b、加权计算

加权计算的计算公式如式(Ⅲ)所示：

$\stackrel{\‾}{D\left(i\right)}=\frac{D\left(i\right)}{{\log }_2(1+|P\left(i\right)\left|\right)}---\left(\mathrm{III}\right)$

式(Ⅲ)中，D(i)为用户对物品Bi的评分，为对物品Bi加权后的评分；

对每一个物品B都进行新颖性排名后，得到每一个物品B的加权后的评分，对每一个物品B的加权后的评分从小到大进行排序，对排名较前的物品B的加权后的评分进行降权；

(15)推荐结果展示及解释

所述推荐结果展示及解释单元负责对经过排名处理后的推荐结果进行最终展示及解释说明；得到最终推荐结果；

(16)用户反馈

所述用户单元将用户A对最终推荐结果服务满意度信息存入到所述用户数据库单元中，操作结束。