CN105208033A - 一种基于智能终端情景的群体辅助推荐方法及系统 - Google Patents

Abstract

本发明公开了一种基于智能终端情景的群体辅助推荐方法及系统。通过大量项目推荐移动终端的推荐用户为服务请求移动终端的请求用户提供推荐信息完成项目推荐，避免了部分商家出于自身利益考虑而进行的恶意推荐，消除了信息的不对称性；而且为每个推荐用户设立可信度，并根据推荐用户推荐的项目及其评分自动更新推荐用户的可信度，避免了推荐项目的主观性；此外，还考虑了请求用户的情景信息，能够提供更加符合请求用户需求的个性化推荐。

Description

一种基于智能终端情景的群体辅助推荐方法及系统

技术领域

本发明属于计算机推荐系统技术领域，更具体地，涉及一种基于智能终端情景的群体辅助推荐方法及系统。

背景技术

随着信息技术的迅速发展和信息内容的日益增长，当前网络与智能移动终端被人们广泛频繁使用，“信息过载”问题愈来愈严重，人们对信息的选择越来越困难。推荐系统可以在信息过载的情况下，帮助用户进行信息过滤，使其能够快速地找到符合个人需求的信息，是缓解“信息过载”的重要手段之一。

传统的推荐系统通过建立用户与项目(被推荐对象)之间的二元关系，利用已有的选择过程和相似性挖掘每个用户潜在的感兴趣对象，进行个性化推荐；其主要包括协同过滤推荐、基于内容的推荐和混合推荐，需要对推荐项目的分类、特征信息和用户的关系、兴趣爱好信息进行管理、维护等，因此需要占用较大的存储空间，并且没有考虑用户的情景需求。

为此，近几年，一些相关专家提出基于情景感知的推荐思路。基于情景的推荐考虑了用户的空间、时间等场景信息，使得推荐项目更“接近”用户的需求。但由于基于情景的推荐系统仅考虑了用户的情景需求，而没有改进被推荐项目的信息管理，用户对这些推荐系统的满意度仍然比较低。

此外，上述推荐系统的大部分项目信息来自于项目所有者或利益受益者，即已有推荐系统基本都是从项目和服务的提供者的角度来进行推荐，这种信息的不对称性导致推荐的内容不够客观、更新滞后，这是用户对当前推荐内容满意度不高的主要因素。

发明内容

针对现有技术的以上缺陷或改进需求，本发明提供了一种基于智能终端情景的群体辅助推荐方法及系统，其目的在于消除信息的不对称性，提升用户的满意度，由此解决现有的推荐系统存在的管理复杂、满意度低等技术问题。

为实现上述目的，按照本发明的一个方面，提供了一种基于智能终端情景的群体辅助推荐方法，其特征在于，包括如下步骤：

(1)服务请求移动终端获取请求用户的请求信息和情景信息，将其发送至服务器；

(2)服务器接收并存储请求用户的请求信息和情景信息，并将请求用户的请求信息转发至各项目推荐移动终端；

(3)各项目推荐移动终端获取推荐用户的推荐信息，并将其发送至服务器；其中，推荐用户的推荐信息为推荐用户根据请求用户的请求信息推荐的项目以及推荐用户对其推荐的项目的评分；

(4)服务器存储推荐用户的推荐信息，结合请求用户的情景信息，计算推荐用户推荐的项目的最终评分，并将推荐用户推荐的项目及项目的最终评分返回至服务请求移动终端；

其中，第j个项目C_j的最终评分W_j＝(1-β)S_j+β·Q_j，β为加权系数，为C_j的基于用户推荐的得分， $Q_j=\frac{\underset{tag\∈c_j}{\Σ}max\left(sim\left(tag,ctx|ctx\∈a\right)\right)}{\left|c_j\right|}$ 为C_j的基于情景的得分，为推荐用户对C_j的归一化的平均评分，α为项目质量与推荐人数相关系数，γ_j为推荐C_j的推荐用户数，n为推荐用户总数，为推荐用户对C_j的平均评分，为推荐用户对推荐的项目的最高平均评分，为推荐用户对推荐的项目的最低平均评分，T_i ^(k)为第i个推荐用户U_i在本次推荐时的可信度，k为当前的推荐次数，R_ij为U_i对C_j的评分，当U_i未推荐C_j时，R_ij＝0，tag为C_j的情景信息集合c_j中的一项情景，ctx为请求用户的情景信息集合a中的一项情景，max(sim(tag,ctx|ctx∈a))为tag与a中的各项情景的相似度的最大值，|c_j|为c_j中情景项的个数。

优选地，上述方法还包括如下步骤(5)：服务器根据推荐用户的推荐信息，重新计算推荐用户的可信度，对推荐用户的可信度进行更新；

其中，第i个推荐用户U_i在下次推荐时的可信度 $T_i^{\left(k+1\right)}=\frac{1}{k+1}{D}_i+\frac{k}{k+1}{T}_i^{\left(k\right)},D_i=1-\frac{\underset{C_j\∈I_i}{\Σ}\left|\frac{R_{ij}-\stackrel{\‾}{R_j}}{V}\right|}{\left|I_i\right|}$ 为U_i完成本次推荐的评价，I_i＝{C_j|R_ij＞0,1≤j≤m}为U_i本次推荐的项目的集合，m为所有推荐用户本次推荐的项目数，|I_i|为U_i推荐的项目数，V为推荐用户对其推荐的项目的评分上限。

按照本发明的另一方面，提供了一种基于智能终端情景的群体辅助推荐系统，其特征在于，包括移动终端和服务器；其中，所述移动终端包括服务请求移动终端和多个项目推荐移动终端，所述服务器中设有数据库、项目评分计算模块；

所述服务请求移动终端用于获取请求用户的请求信息和情景信息，并将其发送至所述服务器；所述服务器用于在收到请求用户的请求信息和情景信息后，将其存储在所述数据库中，并将请求用户的请求信息发送至所述多个项目推荐移动终端；所述多个项目推荐移动终端用于获取推荐用户的推荐信息，并将其发送至所述服务器，其中，推荐用户的推荐信息为推荐用户根据请求用户的请求信息推荐的项目以及推荐用户对其推荐的项目的评分；所述服务器还用于接收推荐用户的推荐信息并将其存储在所述数据库中，利用所述项目评分计算模块结合请求用户的情景信息计算推荐用户推荐的项目的最终评分，并将计算结果发送至所述服务请求移动终端；

其中，第j个项目C_j的最终评分W_j＝(1-β)S_j+β·Q_j，β为加权系数，为C_j的基于用户推荐的得分， $Q_j=\frac{\underset{tag\∈c_j}{\Σ}max\left(sim\left(tag,ctx|ctx\∈a\right)\right)}{\left|c_j\right|}$ 为C_j的基于情景的得分，为推荐用户对C_j的归一化的平均评分，α为项目质量与推荐人数相关系数，γ_j为推荐C_j的推荐用户数，n为推荐用户总数，为推荐用户对C_j的平均评分，为推荐用户对推荐的项目的最高平均评分，为推荐用户对推荐的项目的最低平均评分，T_i ^(k)为第i个推荐用户U_i在本次推荐时的可信度，k为当前的推荐次数，R_ij为U_i对C_j的评分，当U_i未推荐C_j时，R_ij＝0，tag为C_j的情景信息集合c_j中的一项情景，ctx为请求用户的情景信息集合a中的一项情景，max(sim(tag,ctx|ctx∈a))为tag与a中的各项情景的相似度的最大值，|c_j|为c_j中情景项的个数。

优选地，所述服务器中还设有可信度计算模块，所述服务器还用于利用所述可信度计算模块根据推荐用户的推荐信息重新计算推荐用户的可信度，对推荐用户的可信度进行更新；

其中，第i个推荐用户U_i在下次推荐时的可信度 $T_i^{\left(k+1\right)}=\frac{1}{k+1}{D}_i+\frac{k}{k+1}{T}_i^{\left(k\right)},D_i=1-\frac{\underset{C_j\∈I_i}{\Σ}\left|\frac{R_{ij}-\stackrel{\‾}{R_j}}{V}\right|}{\left|I_i\right|}$ 为U_i完成本次推荐的评价，I_i＝{C_j|R_ij＞0,1≤j≤m}为U_i本次推荐的项目的集合，m为所有推荐用户本次推荐的项目数，|I_i|为U_i推荐的项目数，V为推荐用户对其推荐的项目的评分上限。

按照本发明的另一方面，提供了一种群体辅助推荐方法，其特征在于，包括如下步骤：

(1)获取请求用户的请求信息和情景信息；

(2)获取推荐用户的推荐信息；其中，推荐用户的推荐信息为推荐用户根据请求用户的请求信息推荐的项目以及推荐用户对其推荐的项目的评分；

(3)根据推荐用户的推荐信息，结合请求用户的情景信息，计算推荐用户推荐的项目的最终评分，并将推荐用户推荐的项目及项目的最终评分返回至请求用户；

其中，第j个项目C_j的最终评分W_j＝(1-β)S_j+β·Q_j，β为加权系数，为C_j的基于用户推荐的得分， $Q_j=\frac{\underset{tag\∈c_j}{\Σ}max\left(sim\left(tag,ctx|ctx\∈a\right)\right)}{\left|c_j\right|}$ 为C_j的基于情景的得分，为推荐用户对C_j的归一化的平均评分，α为项目质量与推荐人数相关系数，γ_j为推荐C_j的推荐用户数，n为推荐用户总数，为推荐用户对C_j的平均评分，为推荐用户对推荐的项目的最高平均评分，为推荐用户对推荐的项目的最低平均评分，T_i ^(k)为第i个推荐用户U_i在本次推荐时的可信度，k为当前的推荐次数，R_ij为U_i对C_j的评分，当U_i未推荐C_j时，R_ij＝0，tag为C_j的情景信息集合c_j中的一项情景，ctx为请求用户的情景信息集合a中的一项情景，max(sim(tag,ctx|ctx∈a))为tag与a中的各项情景的相似度的最大值，|c_j|为c_j中情景项的个数。

优选地，上述方法还包括如下步骤(4)：根据推荐用户的推荐信息，重新计算推荐用户的可信度，对推荐用户的可信度进行更新；

其中，第i个推荐用户U_i在下次推荐时的可信度 $T_i^{\left(k+1\right)}=\frac{1}{k+1}{D}_i+\frac{k}{k+1}{T}_i^{\left(k\right)},D_i=1-\frac{\underset{C_j\∈I_i}{\Σ}\left|\frac{R_{ij}-\stackrel{\‾}{R_j}}{V}\right|}{\left|I_i\right|}$ 为U_i完成本次推荐的评价，I_i＝{C_j|R_ij＞0,1≤j≤m}为U_i本次推荐的项目的集合，m为所有推荐用户本次推荐的项目数，|I_i|为U_i推荐的项目数，V为推荐用户对其推荐的项目的评分上限。

按照本发明的另一方面，提供了一种群体辅助推荐系统，其特征在于，包括：

第一模块，用于获取请求用户的请求信息和情景信息；

第二模块，用于获取推荐用户的推荐信息；其中，推荐用户的推荐信息为推荐用户根据请求用户的请求信息推荐的项目以及推荐用户对其推荐的项目的评分；

第三模块，用于根据推荐用户的推荐信息，结合请求用户的情景信息，计算推荐用户推荐的项目的最终评分，并将推荐用户推荐的项目及项目的最终评分返回至请求用户；

其中，第j个项目C_j的最终评分W_j＝(1-β)S_j+β·Q_j，β为加权系数，为C_j的基于用户推荐的得分， $Q_j=\frac{\underset{tag\∈c_j}{\Σ}max\left(sim\left(tag,ctx|ctx\∈a\right)\right)}{\left|c_j\right|}$ 为C_j的基于情景的得分，为推荐用户对C_j的归一化的平均评分，α为项目质量与推荐人数相关系数，γ_j为推荐C_j的推荐用户数，n为推荐用户总数，为推荐用户对C_j的平均评分，为推荐用户对推荐的项目的最高平均评分，为推荐用户对推荐的项目的最低平均评分，T_i ^(k)为第i个推荐用户U_i在本次推荐时的可信度，k为当前的推荐次数，R_ij为U_i对C_j的评分，当U_i未推荐C_j时，R_ij＝0，tag为C_j的情景信息集合c_j中的一项情景，ctx为请求用户的情景信息集合a中的一项情景，max(sim(tag,ctx|ctx∈a))为tag与a中的各项情景的相似度的最大值，|c_j|为c_j中情景项的个数。

优选地，上述系统还包括：

第四模块，用于根据推荐用户的推荐信息，重新计算推荐用户的可信度，对推荐用户的可信度进行更新；

其中，第i个推荐用户U_i在下次推荐时的可信度 $T_i^{\left(k+1\right)}=\frac{1}{k+1}{D}_i+\frac{k}{k+1}{T}_i^{\left(k\right)},D_i=1-\frac{\underset{C_j\∈I_i}{\Σ}\left|\frac{R_{ij}-\stackrel{\‾}{R_j}}{V}\right|}{\left|I_i\right|}$ 为U_i完成本次推荐的评价，I_i＝{C_j|R_ij＞0,1≤j≤m}为U_i本次推荐的项目的集合，m为所有推荐用户本次推荐的项目数，|I_i|为U_i推荐的项目数，V为推荐用户对其推荐的项目的评分上限。

总体而言，通过本发明所构思的以上技术方案与现有技术相比，具有以下有益效果：

(1)通过大量项目推荐移动终端的推荐用户为服务请求移动终端的请求用户提供推荐信息完成项目推荐，避免了部分商家出于自身利益考虑而进行的恶意推荐，消除了信息的不对称性。

(2)为每个推荐用户设立可信度，并根据推荐用户推荐的项目及其评分自动更新推荐用户的可信度，避免了推荐项目的主观性。

(3)考虑了请求用户的情景信息，能够提供更加符合请求用户需求的个性化推荐。

附图说明

图1是本发明实施例的基于智能终端情景的群体辅助推荐系统的结构示意图；

图2是本发明实施例的基于智能终端情景的群体辅助推荐方法的流程图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。

由于当前移动智能终端广泛使用，大量即时类通讯软件涌现，网络也逐渐具备了社会群组性，这使得每个用户能够成为信息的发布者和评判者，信息的拥有者和信息的受众者的不对等状况有了很大的改善。同时移动设备有其自身的优势：体积小，方便携带，速度快，发布信息更及时，使用量全球已达40亿用户，所以信息的即时更新和广泛而客观的采集也便利了许多。本发明的基于智能终端情景的群体辅助推荐方法通过大量项目推荐移动终端的推荐用户为服务请求移动终端的请求用户提供推荐信息完成项目推荐，避免了部分商家出于自身利益考虑而进行的恶意推荐，消除了信息的不对称性；同时，为每个推荐用户设立可信度，并根据推荐用户推荐的项目及其评分自动更新推荐用户的可信度，避免了推荐项目的主观性；此外，考虑了请求用户的情景信息，能够提供更加符合请求用户需求的个性化推荐。

如图1所示，本发明实施例的基于智能终端情景的群体辅助推荐系统包括移动终端和服务器；其中，移动终端包括服务请求移动终端和多个项目推荐移动终端，服务器中设有数据库、项目评分计算模块和可信度计算模块。

服务请求移动终端用于获取请求用户的请求信息和情景信息(包括时间、地点等信息)，并将其发送至服务器；服务器用于在收到请求用户的请求信息和情景信息后，将其存储在数据库中，并将请求用户的请求信息发送至各项目推荐移动终端；项目推荐移动终端用于获取推荐用户的推荐信息，并将其发送至服务器，其中，推荐用户的推荐信息为推荐用户根据请求用户的请求信息推荐的项目以及推荐用户对其推荐的项目的评分；服务器还用于接收推荐用户的推荐信息并将其存储在数据库中，利用项目评分计算模块结合请求用户的情景信息计算推荐用户推荐的项目的最终评分，并将计算结果发送至服务请求移动终端；服务器还用于利用可信度计算模块根据推荐用户的推荐信息重新计算推荐用户的可信度，对推荐用户的可信度进行更新。

在本发明的一个实施例中，服务请求移动终端和项目推荐移动终端各自独立地为手机或平板电脑。

具体地，请求用户通过请求移动终端的请求应用输入请求信息，请求移动终端的请求应用在接收到请求用户的请求信息后，自动获取请求用户的情景信息；项目推荐移动终端的推荐应用接收请求用户的请求信息，推荐用户根据推荐应用接收到的请求用户的请求信息，通过推荐应用推荐项目并对推荐的项目进行评分。

如图2所示，基于智能终端情景的群体辅助推荐方法包括如下步骤：

(1)服务请求移动终端获取请求用户的请求信息和情景信息(包括时间、地点等)，将其发送至服务器。

(2)服务器收到请求用户的请求信息和情景信息，将其存储在数据库中，并将请求用户的请求信息转发至各项目推荐移动终端。

(3)各项目推荐移动终端获取推荐用户的推荐信息，并将其发送至服务器。

其中，推荐用户的推荐信息为推荐用户根据请求用户的请求信息推荐的项目以及推荐用户对其推荐的项目的评分，推荐用户对其推荐的项目的评分在0～V范围内。

(4)服务器将推荐用户的推荐信息存储在数据库中，结合请求用户的情景信息，计算推荐用户推荐的项目的最终评分，并将推荐用户推荐的项目及项目的最终评分返回至服务请求移动终端。

推荐用户对第j个项目C_j的平均评分为：

$\stackrel{\‾}{R_j}=\frac{\underset{i=1}{\overset{n}{\Σ}}(T_i^{\left(k\right)}\·R_{ij})}{{\mathrm{\γ}}_j}$

其中，T_i ^(k)为第i个推荐用户U_i在本次推荐时(当前的推荐次数为k)的可信度，首次推荐时，k＝1，推荐用户首次推荐时的可信度T_i ⁽¹⁾＝0.8，R_ij为第i个推荐用户U_i对第j个项目C_j的评分，当第i个推荐用户U_i未推荐第j个项目C_j时，R_ij＝0，n为推荐用户总数，γ_j为推荐第j个项目C_j的推荐用户数。

为了消除项目评分的量纲，便于与其他影响项目排序的因素进行计算，需要对项目评分进行归一化处理。使用Min-max标准化方法对项目的平均评分进行归一化处理，推荐用户对第j个项目C_j的归一化的平均评分为：

$\stackrel{\‾}{r_j}=\frac{\stackrel{\‾}{R_j}-{\stackrel{\‾}{R}}_{min}}{{\stackrel{\‾}{R}}_{\max }-{\stackrel{\‾}{R}}_{\min }}$

其中，为推荐用户对推荐的项目的最高平均评分，为推荐用户对推荐的项目的最低平均评分。

随后给出第j个项目C_j的基于用户推荐的得分S_j。由于一个项目的推荐次数能够反映项目的热门程度，因此一个项目的价值与其平均得分和推荐次数都有关系。因此，S_j与项目的归一化的平均评分和项目的推荐人数占推荐用户总数的比例都成正相关，由此给出计算公式：

$S_j=\stackrel{\‾}{r_j}+\mathrm{\α}\·\frac{{\mathrm{\γ}}_j}{n}$

其中，α为项目质量与推荐人数相关系数，取值在0～1范围内。

情景信息主要考虑请求用户的时间和空间两个方面。被推荐的项目内容的情景时间和空间信息与请求用户的情景越接近，其情景得分越高。因此可以构建第j个项目C_j的情景信息集合c_j与请求用户的情景信息集合a的相似度cntsim(c_j,a)来作为第j个项目C_j的基于情景的得分Q_j。

$Q_j=cnt\mathrm{si}m\left(c_j,a\right)=\frac{\underset{tag\∈c_j}{\Σ}max\left(sim\left(tag,ctx|ctx\∈a\right)\right)}{\left|c_j\right|}$

其中，tag为c_j中的一项情景，ctx为a中的一项情景，max(sim(tag,ctx|ctx∈a))为c_j中的一项情景tag与a中的各项情景的相似度的最大值，|c_j|为c_j中情景项的个数。其中，两项情景的相似度的计算方法参见“Adaptivecontentrecommendationformobileusers:Orderingrecommendationsusingahierarchicalcontextmodelwithgranularity”，JonghyunHan等，PervasiveandMobileComputing，2014年8月第13卷，第85～98页。

判定一个项目是否真正对被推荐者有益，不仅要考虑项目基于用户推荐获得的得分，而且必须考虑项目是否符合被推荐者当前所处的情景。因此，第j个项目C_j的最终评分W_j，为其基于用户推荐的得分S_j和基于情境的得分Q_j的加权和。

W_j＝(1-β)S_j+β·Q_j

β为加权系数，β的大小可根据用户推荐和情境的重要程度来决定，0＜β＜1。

(5)服务器根据推荐用户的推荐信息，重新计算推荐用户的可信度，对推荐用户的可信度进行更新。

完成一次推荐后，推荐用户的可信度通过该推荐用户对项目的评分与该项目的平均评分的偏差来调整。用1减去推荐用户推荐的项目的平均评分偏差即为推荐用户完成一次推荐的评价，推荐用户U_i完成本次推荐的评价为：

$D_i=1-\frac{\underset{C_j\∈I_i}{\Σ}\left|\frac{R_{ij}-\stackrel{\‾}{R_j}}{V}\right|}{\left|I_i\right|}$

其中，I_i为推荐用户U_i本次推荐的项目的集合，即I_i＝{C_j|R_ij＞0,1≤j≤m}，m为所有推荐用户本次推荐的项目数，|I_i|为推荐用户U_i推荐的项目数。另外，由于D_i的值应在0～1之间，因此，用户的评分偏差需要做归一化处理。为了处理方便，推荐者评分采用V分制，直接将评分偏差除以最高评分V来进行归一化。

这样，推荐用户的可信度随着推荐用户每次的推荐结果自适应调整，因此，推荐用户的可信度不仅取决于本次推荐的质量，更取决于推荐用户先前通过推荐积累的可信度。本次推荐后，推荐用户U_i在下次(第k+1次)推荐时的可信度T_i ^(k+1)为本次推荐的评价D_i与本次推荐的可信度T_i ^(k)的加权和：

$T_i^{\left(k+1\right)}=\frac{1}{k+1}{D}_i+\frac{k}{k+1}{T}_i^{\left(k\right)}$

本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (8)

1.一种基于智能终端情景的群体辅助推荐方法，其特征在于，包括如下步骤：

(1)服务请求移动终端获取请求用户的请求信息和情景信息，将其发送至服务器；

(2)服务器接收并存储请求用户的请求信息和情景信息，并将请求用户的请求信息转发至各项目推荐移动终端；

(3)各项目推荐移动终端获取推荐用户的推荐信息，并将其发送至服务器；其中，推荐用户的推荐信息为推荐用户根据请求用户的请求信息推荐的项目以及推荐用户对其推荐的项目的评分；

(4)服务器存储推荐用户的推荐信息，结合请求用户的情景信息，计算推荐用户推荐的项目的最终评分，并将推荐用户推荐的项目及项目的最终评分返回至服务请求移动终端；

其中，第j个项目C_j的最终评分W_j＝(1-β)S_j+β·Q_j，β为加权系数，为C_j的基于用户推荐的得分， $Q_j=\frac{\underset{tag\∈c_j}{\Σ}max\left(sim\right(tag,ctx|ctx\∈a\left)\right)}{\left|c_j\right|}$ 为C_j的基于情景的得分，为推荐用户对C_j的归一化的平均评分，α为项目质量与推荐人数相关系数，γ_j为推荐C_j的推荐用户数，n为推荐用户总数，为推荐用户对C_j的平均评分，为推荐用户对推荐的项目的最高平均评分，为推荐用户对推荐的项目的最低平均评分，为第i个推荐用户U_i在本次推荐时的可信度，k为当前的推荐次数，R_ij为U_i对C_j的评分，当U_i未推荐C_j时，R_ij＝0，tag为C_j的情景信息集合c_j中的一项情景，ctx为请求用户的情景信息集合a中的一项情景，max(sim(tag,ctx|ctx∈a))为tag与a中的各项情景的相似度的最大值，^|c_j ^|为c_j中情景项的个数。

2.如权利要求1所述的基于智能终端情景的群体辅助推荐方法，其特征在于，还包括如下步骤(5)：服务器根据推荐用户的推荐信息，重新计算推荐用户的可信度，对推荐用户的可信度进行更新；

其中，第i个推荐用户U_i在下次推荐时的可信度 $T_i^{(k+1)}=\frac{1}{k+1}{D}_i+\frac{k}{k+1}{T}_i^{\left(k\right)},D_i=1-\frac{\underset{C_j\∈I_i}{\Σ}\left|\frac{R_{ij}-\stackrel{\‾}{R_j}}{V}\right|}{\left|I_i\right|}$ 为U_i完成本次推荐的评价，I_i＝{C_j|R_ij＞0,1≤j≤m}为U_i本次推荐的项目的集合，m为所有推荐用户本次推荐的项目数，|I_i|为U_i推荐的项目数，V为推荐用户对其推荐的项目的评分上限。

3.一种基于智能终端情景的群体辅助推荐系统，其特征在于，包括移动终端和服务器；其中，所述移动终端包括服务请求移动终端和多个项目推荐移动终端，所述服务器中设有数据库、项目评分计算模块；

所述服务请求移动终端用于获取请求用户的请求信息和情景信息，并将其发送至所述服务器；所述服务器用于在收到请求用户的请求信息和情景信息后，将其存储在所述数据库中，并将请求用户的请求信息发送至所述多个项目推荐移动终端；所述多个项目推荐移动终端用于获取推荐用户的推荐信息，并将其发送至所述服务器，其中，推荐用户的推荐信息为推荐用户根据请求用户的请求信息推荐的项目以及推荐用户对其推荐的项目的评分；所述服务器还用于接收推荐用户的推荐信息并将其存储在所述数据库中，利用所述项目评分计算模块结合请求用户的情景信息计算推荐用户推荐的项目的最终评分，并将计算结果发送至所述服务请求移动终端；

其中，第j个项目C_j的最终评分W_j＝(1-β)S_j+β·Q_j，β为加权系数，为C_j的基于用户推荐的得分， $Q_j=\frac{\underset{tag\∈c_j}{\Σ}max\left(sim\right(tag,ctx|ctx\∈a\left)\right)}{\left|c_j\right|}$ 为C_j的基于情景的得分，为推荐用户对C_j的归一化的平均评分，α为项目质量与推荐人数相关系数，γ_j为推荐C_j的推荐用户数，n为推荐用户总数，为推荐用户对C_j的平均评分，为推荐用户对推荐的项目的最高平均评分，为推荐用户对推荐的项目的最低平均评分，为第i个推荐用户U_i在本次推荐时的可信度，k为当前的推荐次数，R_ij为U_i对C_j的评分，当U_i未推荐C_j时，R_ij＝0，tag为C_j的情景信息集合c_j中的一项情景，ctx为请求用户的情景信息集合a中的一项情景，max(sim(tag,ctx|ctx∈a))为tag与a中的各项情景的相似度的最大值，^|c_j ^|为c_j中情景项的个数。

4.如权利要求3所述的基于智能终端情景的群体辅助推荐系统，其特征在于，所述服务器中还设有可信度计算模块，所述服务器还用于利用所述可信度计算模块根据推荐用户的推荐信息重新计算推荐用户的可信度，对推荐用户的可信度进行更新；

其中，第i个推荐用户U_i在下次推荐时的可信度 $T_i^{(k+1)}=\frac{1}{k+1}{D}_i+\frac{k}{k+1}{T}_i^{\left(k\right)},D_i=1-\frac{\underset{C_j\∈I_i}{\Σ}\left|\frac{R_{ij}-\stackrel{\‾}{R_j}}{V}\right|}{\left|I_i\right|}$ 为U_i完成本次推荐的评价，I_i＝{C_j|R_ij＞0,1≤j≤m}为U_i本次推荐的项目的集合，m为所有推荐用户本次推荐的项目数，|I_i|为U_i推荐的项目数，V为推荐用户对其推荐的项目的评分上限。

5.一种群体辅助推荐方法，其特征在于，包括如下步骤：

(1)获取请求用户的请求信息和情景信息；

(2)获取推荐用户的推荐信息；其中，推荐用户的推荐信息为推荐用户根据请求用户的请求信息推荐的项目以及推荐用户对其推荐的项目的评分；

(3)根据推荐用户的推荐信息，结合请求用户的情景信息，计算推荐用户推荐的项目的最终评分，并将推荐用户推荐的项目及项目的最终评分返回至请求用户；

其中，第j个项目C_j的最终评分W_j＝(1-β)S_j+β·Q_j，β为加权系数，为C_j的基于用户推荐的得分， $Q_j=\frac{\underset{tag\∈c_j}{\Σ}max\left(sim\right(tag,ctx|ctx\∈a\left)\right)}{\left|c_j\right|}$ 为C_j的基于情景的得分，为推荐用户对C_j的归一化的平均评分，α为项目质量与推荐人数相关系数，γ_j为推荐C_j的推荐用户数，n为推荐用户总数，为推荐用户对C_j的平均评分，为推荐用户对推荐的项目的最高平均评分，为推荐用户对推荐的项目的最低平均评分，为第i个推荐用户U_i在本次推荐时的可信度，k为当前的推荐次数，R_ij为U_i对C_j的评分，当U_i未推荐C_j时，R_ij＝0，tag为C_j的情景信息集合c_j中的一项情景，ctx为请求用户的情景信息集合a中的一项情景，max(sim(tag,ctx|ctx∈a))为tag与a中的各项情景的相似度的最大值，^|c_j ^|为c_j中情景项的个数。

6.如权利要求5所述的群体辅助推荐方法，其特征在于，还包括如下步骤(4)：根据推荐用户的推荐信息，重新计算推荐用户的可信度，对推荐用户的可信度进行更新；

其中，第i个推荐用户U_i在下次推荐时的可信度 $T_i^{(k+1)}=\frac{1}{k+1}{D}_i+\frac{k}{k+1}{T}_i^{\left(k\right)},D_i=1-\frac{\underset{C_j\∈I_i}{\Σ}\left|\frac{R_{ij}-\stackrel{\‾}{R_j}}{V}\right|}{\left|I_i\right|}$ 为U_i完成本次推荐的评价，I_i＝{C_j|R_ij＞0,1≤j≤m}为U_i本次推荐的项目的集合，m为所有推荐用户本次推荐的项目数，|I_i|为U_i推荐的项目数，V为推荐用户对其推荐的项目的评分上限。

7.一种群体辅助推荐系统，其特征在于，包括：

第一模块，用于获取请求用户的请求信息和情景信息；

第二模块，用于获取推荐用户的推荐信息；其中，推荐用户的推荐信息为推荐用户根据请求用户的请求信息推荐的项目以及推荐用户对其推荐的项目的评分；

第三模块，用于根据推荐用户的推荐信息，结合请求用户的情景信息，计算推荐用户推荐的项目的最终评分，并将推荐用户推荐的项目及项目的最终评分返回至请求用户；

其中，第j个项目C_j的最终评分W_j＝(1-β)S_j+β·Q_j，β为加权系数，为C_j的基于用户推荐的得分， $Q_j=\frac{\underset{tag\∈c_j}{\Σ}max\left(sim\right(tag,ctx|ctx\∈a\left)\right)}{\left|c_j\right|}$ 为C_j的基于情景的得分，为推荐用户对C_j的归一化的平均评分，α为项目质量与推荐人数相关系数，γ_j为推荐C_j的推荐用户数，n为推荐用户总数，为推荐用户对C_j的平均评分，为推荐用户对推荐的项目的最高平均评分，为推荐用户对推荐的项目的最低平均评分，为第i个推荐用户U_i在本次推荐时的可信度，k为当前的推荐次数，R_ij为U_i对C_j的评分，当U_i未推荐C_j时，R_ij＝0，tag为C_j的情景信息集合c_j中的一项情景，ctx为请求用户的情景信息集合a中的一项情景，max(sim(tag,ctx|ctx∈a))为tag与a中的各项情景的相似度的最大值，^|c_j ^|为c_j中情景项的个数。

8.如权利要求7所述的群体辅助推荐系统，其特征在于，还包括：

第四模块，用于根据推荐用户的推荐信息，重新计算推荐用户的可信度，对推荐用户的可信度进行更新；

其中，第i个推荐用户U_i在下次推荐时的可信度 $T_i^{(k+1)}=\frac{1}{k+1}{D}_i+\frac{k}{k+1}{T}_i^{\left(k\right)},D_i=1-\frac{\underset{C_j\∈I_i}{\Σ}\left|\frac{R_{ij}-\stackrel{\‾}{R_j}}{V}\right|}{\left|I_i\right|}$ 为U_i完成本次推荐的评价，I_i＝{C_j|R_ij＞0,1≤j≤m}为U_i本次推荐的项目的集合，m为所有推荐用户本次推荐的项目数，|I_i|为U_i推荐的项目数，V为推荐用户对其推荐的项目的评分上限。