CN105404678A - 一种在线系统中用户定制推荐系统的方法 - Google Patents

Abstract

本发明提出一种在线系统中用户定制推荐系统的方法，属于数据挖掘及网络应用技术领域。本方法针对以往推荐系统中算法固定不变，无法构建出符合每个用户需求的个性化推荐系统等问题，采用用户自主定制个性化推荐引擎的方式，实现了系统算法对用户的自适应策略，同时保证了推荐结果具有较好的推荐多样性和较高的推荐准确度，有效地缩短了系统学习用户行为的周期。该方法包括以下步骤：步骤一：用户根据自身的需要，在在线系统中启动推荐引擎设置；步骤二：通过系统设计的推荐引擎配置页面，用户自主设定推荐引擎参数，来定制符合自己偏好的个性化推荐算法；步骤三：保存所配置的推荐引擎并应用于推荐系统，系统根据用户所设的推荐引擎参数，利用混合策略以加权的方式组合成混合推荐算法来计算推荐列表。

Description

一种在线系统中用户定制推荐系统的方法

技术领域

本发明属于数据挖掘及网络应用技术领域，提出一种在线系统中用户定制推荐系统的方法。

背景技术

随着互联网经济的日益繁荣，使得我们身处于一个信息爆炸的时代，如何从海量信息中筛选出自己感兴趣的信息已经成为了一件非常困难的事情。但是随着大数据的思想落地，推荐系统凭借其能够在用户没有明确目标的情况下帮助他们发现感兴趣的内容，为用户推荐符合其兴趣爱好的信息、产品的特点,渐渐收到了业界的热捧，因此各种互联网行业纷纷引进了推荐技术，如电子商务、电影和视频网站、在线音乐、社交网络等，这给互联网经济带来了无法估量的效益。

相比于搜索引擎和分类目录，推荐系统可以根据不同用户的要求提供个性化推荐服务。当前，大部分推荐系统设计的推荐算法往往单一的追求具有较高准确性或者较好的多样性，例如，传统的协同过滤算法有着很高的推荐准确性，而近年来信息物理方面提出的基于二部图网络结构的热传导算法有着较好的推荐结果多样性。虽然有些推荐系统设计了准确性和多样性兼备的混合算法，如将物质扩散方法和热传导方法进行结合构建混合推荐算法，以此来保证推荐结果同时具有准确性和多样性。但是，现有的推荐系统都不同程度地存在以下的缺点：

1.绝大多数推荐系统中推荐引擎是固定不变的，系统设计时只采用单一的推荐算法(如准确性算法或多样性算法)，但是每种特定的算法只适合某个或者某类别的用户，并不能满足所有用户的偏好。例如，对于采用准确性推荐算法的推荐系统，其推荐结果往往并不符合注重推荐多样性用户的需求；同样对于使用多样性推荐算法的推荐系统，其推荐结果必然不能满足注重推荐准确性用户的要求。因此，推荐系统所采用的推荐算法应该在推荐结果中兼顾不同用户的偏好。

2.目前，有一些系统采取混合推荐算法来保证推荐结果能够兼具准确性和多样性，但是由于混合策略中参数是固定的，存在推荐结果准确率低、个性化程度不高等缺陷。针对该问题，少数推荐系统采用自适应策略来改善混合推荐算法的推荐性能，例如通过机器学习的方式分析用户行为并挖掘用户的兴趣来动态调节算法参数，但这些算法往往需经过长期的学习时间，导致周期过长且推荐结果准确率不一定高，不能满足用户想迅速得到符合其兴趣的推荐结果的要求，因此用户对系统的体验度不高，无法帮助电子商务网站有效地吸引和挽留用户。

发明内容

有鉴于此，本发明的目的在于提供一种在线系统中用户定制推荐系统的方法，该方法针对以往推荐系统中推荐算法固定不变，无法构建出符合不同用户需求的个性化推荐系统的问题，采用用户自主定制个性化推荐引擎的方式，实现了系统可以根据用户不同偏好自适应配置推荐算法，进行个性化推荐的目的，同时保证了推荐结果具有较好的推荐多样性和较高的推荐准确度，有效地缩短了系统学习用户行为的周期。

为达到上述目的，本发明提供如下技术方案：

一种在线系统中用户定制推荐系统的方法，包括以下步骤：步骤一：用户在在线系统中启动推荐引擎配置；步骤二：用户根据自身的需求和偏好，在系统设计的推荐引擎配置页面中自主设定推荐引擎参数；步骤三：保存所配置的推荐引擎并应用于推荐系统。

在步骤一中，根据用户的不同身份，启动推荐引擎设置的方法也不尽相同。具体为：新用户在注册过程中启动推荐引擎配置；老用户在登录系统后根据自身需求，在需要重新定制个性化推荐引擎的时候，自主启动推荐引擎配置。

在步骤二中，所述推荐引擎配置页面具有以下功能：

1)推荐引擎页面提供两类不同的推荐算法(准确性算法和多样性算法)，用户可以依据自己的需求和偏好在配置页面中设置推荐引擎参数，进而确定两类算法的权重以此来构建个性化混合推荐算法；

2)系统还可以给用户提供推荐引擎参数的建议值。系统根据用户的历史行为数据(新用户采用注册信息)，利用相似度公式来计算最能反映用户当前兴趣偏好的推荐引擎参数建议值，并将该值作为推荐引擎参数的默认选择进行推荐，若用户对系统给予的默认设置不满意，则可依据自身偏好修改推荐引擎参数，自主定制个性化推荐引擎。

在步骤三中，将步骤二中定制好的推荐引擎参数值应用于推荐系统中。首先从推荐引擎库中选定合适的准确性算法和多样性算法，再者根据用户在推荐引擎配置页面里设置推荐引擎参数，确定混合算法中准确性算法和多样性算法各自的权重，并依据混合策略将两类算法加权组合为混合推荐算法，最后通过运行混合推荐算法得到最终的推荐结果。

本发明的有益效果在于：

1)本发明基于用户的个性化偏好来定制推荐引擎，给予用户自主选择的权利，相比以往推荐系统中用户无法参与算法选择的缺点，本发明提供了算法的灵活性，真正实现了为每个用户构建个性化算法的目的。

2)本发明提供了一种通过推荐引擎参数配置，用户自主构建个性化推荐系统的方法。与现有推荐系统通过数据分析学习用户行为来改变算法可调参数的方法不同，本发明采用用户和推荐系统直接交互的方式来改变推荐引擎参数，有效地缩短了系统学习用户行为的周期，达到了快速收集高质量的用户反馈，完善推荐质量的目的。

附图说明

为了使本发明的目的、技术方案和有益效果更加清楚，本发明提供如下附图进行说明：

图1为本发明一种在线系统中用户定制推荐系统的方法流程图；

图2为本发明应用于无推荐引擎参数建议值的推荐系统执行流程图；

图3为本发明应用于有系统提供推荐引擎参数建议值的推荐系统执行流程图；

图4为本发明无推荐引擎参数建议值的推荐引擎配置页面示意图；

图5为本发明中系统提供推荐引擎参数建议值的推荐引擎配置页面示意图。

具体实施方式

下面将结合附图，对本发明的优选实施例进行详细的描述。

图1为本发明一种在线系统中用户定制推荐系统的方法流程图，包括的主要步骤如下：启动推荐引擎设置、设定推荐引擎参数、保存推荐引擎设置、应用于推荐系统。

图2为本发明公开的一种用户定制推荐引擎的方法应用到推荐系统的执行流程图，包括的主要步骤为：启动推荐引擎配置、显示推荐引擎配置页面、用户自主定制推荐引擎、系统后台算法选择、个性化推荐引擎的形成。具体而言：

步骤2.1，在线系统启动推荐引擎配置：对新用户而言，在其填写注册信息的同时，通过点击设置在注册框里的推荐引擎配置按钮来显示推荐引擎配置页面，进而定制个性化推荐引擎；而对于老用户而言，在登录系统后根据自身的需求来选择启动个性化推荐引擎的时机，即在需重新定制个性化推荐引擎的时候，才启动推荐引擎配置页面；

步骤2.2，在线系统实时地显示在推荐引擎配置页面(参见图4)，其主要包括在线系统提供给用户的两类不同推荐算法，即准确性推荐算法和多样性推荐算法，以及能够自由调节两类算法在混合算法中所占比例的滑动条，通过上述设置以便实现用户自主设置推荐引擎参数的目的；

步骤2.3，用户自主定制推荐引擎参数。在推荐引擎配置页面，用户以拖动滑动条的方式来设置推荐引擎参数λ，用来确定混合推荐算法中准确性算法和多样性算法所占权重，其中推荐引擎参数λ是一个可调参数，其取值范围为[0,1]。当滑动条拖动到最左端时，λ＝0，此时混合算法为标准的准确性算法；当滑动条处于最右端时，λ＝1，此时混合算法是标准的多样性算法；而当滑动条处于中间某个位置时，对应的λ∈(0,1)，此时混合算法为准确性算法和多样性算法的加权算法，即当滑动条处于中间某个位置λ，即说明混合算法中准确性算法所占的权重为λ，多样性算法的权重为1-λ；

步骤2.4，在线系统从推荐引擎库中选定混合算法所要使用的准确性算法和多样性算法，其中准确性算法主要有基于用户的协同过滤算法、基于物品的协同过滤算法和基于物质扩散的推荐算法等，而多样性算法主要是基于热传导的推荐算法、二次排序法等。例如选定物质扩散算法(准确性)和热传导算法(多样性)，物质扩散算法会根据用户和物品的二分图通过物质扩散公式计算物品的资源转移矩阵，将最终资源比较大的物品作为推荐结果，而热传导算法根据用户-对象的二分图构建初始热量矩阵，在热量扩散公式下计算各个对象的最终热量，将拥有高热量的对象作为算法的推荐结果；

步骤2.5，在线系统根据用户设定的推荐引擎参数，利用混合策略以加权的方式组合成所构建的混合推荐引擎。如本发明的优选实施方案中，首先利用用户设定的推荐引擎参数来确定两种算法各自的权重，然后采用线性加权法来构建混合推荐算法，最后对混合推荐算法生成的推荐列表按降序方式排序，将前m(经验值，具体基于系统的需求设置，通常可以设置为10～100)个推荐对象作为最终推荐列表。

其中，线性加权法计算混合算法的推荐结果具体实现方式为：

用户设置推荐引擎参数，即确定准确度算法和多样性算法各自的权重，利用线性加权法来构建混合推荐算法。如果准确度算法X得到的推荐结果为x_a，多样性算法Y得到的推荐结果是y_a，而用户定制的推荐引擎参数为λ，则对应的准确性算法的权重为λ，多样性算法的权重为1-λ，通过线性加权法所构建混合推荐算法Z的推荐结果z_a，其计算公式为：

$z_{\mathrm{\α}}=\mathrm{\λ}\[\frac{x_{\mathrm{\α}}}{\underset{\mathrm{\β}}{max}{x}_{\mathrm{\β}}}\]+(1-\mathrm{\λ})\[\frac{y_{\mathrm{\α}}}{\underset{\mathrm{\β}}{max}{y}_{\mathrm{\β}}}\]$

其中，z_a是混合算法Z最终的推荐结果。

图3为在系统提供推荐引擎参数建议值情况下的执行流程图，主要包括启动推荐引擎设置、系统计算推荐引擎参数建议值、显示推荐引擎配置页面、用户自主定制推荐引擎参数、系统选择合适算法和形成混合推荐算法阶段。具体步骤如下所示：

步骤3.1，启动推荐引擎配置阶段，其所述内容和步骤2.1一样；

步骤3.2，系统计算引擎参数建议值，为用户自主定制推荐引擎参数提供参考，针对老用户，利用用户的行为相似度计算用户的兴趣相似度，针对新用户则利用注册信息相似度计算用户的兴趣相似度，然后根据相似度公式计算出和当前登录用户最相似的用户集合，得到这个集合中用户所选择的推荐引擎参数，求出用户集合中推荐引擎参数的平均值，以此值作为当前用户定制推荐引擎的建议值。

其中相似度的计算过程为：给定用户u和v，令N(u)表示用户u曾经有过行为(操作、评估)的商品集合，令N(v)为用户v曾经有过行为(操作、评估)的商品集合，相似度计算可以采用余弦相似度计算公式：

$w_{uv}=\frac{|N\left(u\right)\∩N\left(v\right)|}{\sqrt{\left|N\left(u\right)\right|*\left|N\left(v\right)\right|}}$

其中，w_uv是用户u和用户v的相似度；

步骤3.3，显示带有建议值的推荐引擎配置页面，如图5所示。区别于步骤2.2所示页面(图4)，该页面在除了具有在线系统提供的准确性算法和多样性算法，以及滑动条外，以用户可见方式在滑动条中增加了步骤3.2中系统计算得到了参考建议值，以便为用户定制算法引擎参数提供参考；

步骤3.4，用户判断是否需要对在线系统所提供的建议值作出修改，如果需要修改，则进入步骤3.5，如果不需要修改，则直接进入步骤3.6；

步骤3.5，用户在系统提供推荐引擎参数建议值的基础上，自主定制适合自己偏好的推荐引擎参数，其具体操作和步骤2.3所述一样；

步骤3.6，在线系统从推荐引擎库中选择合适的准确性推荐算法和多样性推荐算法，其具体操作和步骤2.4所述一样；

步骤3.7，在线系统根据用户所设的推荐引擎参数值，利用混合策略以加权的方式组合成混合推荐算法，其具体操作和步骤2.5所述一样。

在本实施例中，除了上述提到的技术方案外，还包括以下替代方案：1)启动推荐引擎配置，可在登录阶段实现，也可在用户对现有系统推荐结果不满意时再启动；2)推荐引擎配置页面使用其他形式定制推荐引擎参数，如使用具有步长的一系列按钮；3)在计算相似用户集合时，使用其他相似度计算公式，如Person相似度、Jaccard相似度；4)混合策略不只可以使用线性加权法，还可以某种推荐策略为框架，混合另外的推荐策略，如基于协同推荐的框架内混合基于网络结构的推荐。5)只要是推荐结果具有准确性或者多样性的算法均可加入推荐引擎库。

最后说明的是，以上优选实施例仅用以说明本发明的技术方案而非限制，尽管通过上述优选实施例已经对本发明进行了详细的描述，但本领域技术人员应当理解，可以在形式上和细节上对其作出各种各样的改变，而不偏离本发明权利要求书所限定的范围。

Claims (4)

1.一种在线系统中用户定制推荐系统的方法，其特征在于：包括以下步骤：

步骤一：用户在在线系统中启动推荐引擎配置；

步骤二：用户根据自身的需求和偏好，在系统设计的推荐引擎配置页面中自主设定推荐引擎参数；

步骤三：保存所配置的推荐引擎并应用于推荐系统。

2.根据权利要求1所述的一种在线系统中用户定制推荐系统的方法，其特征在于：在步骤一中，根据用户的不同身份，启动推荐引擎设置的方法也不同,具体为：新用户在注册过程中启动推荐引擎配置；老用户在登录系统后根据自身需求，在需要重新定制个性化推荐引擎的时候，自主启动推荐引擎配置。

3.根据权利要求1所述的一种在线系统中用户定制推荐系统的方法，其特征在于：在步骤二中，所述推荐引擎配置页面具有以下功能：

1)推荐引擎页面提供两类不同的推荐算法(准确性算法和多样性算法)，用户可以依据自己的需求和偏好在配置页面中设置推荐引擎参数，进而确定两类算法的权重以此来构建个性化混合推荐算法；

2)系统还可以给用户提供推荐引擎参数的建议值；系统根据用户的历史行为数据(新用户采用注册信息)，利用相似度公式来计算最能反映用户当前兴趣偏好的推荐引擎参数建议值，并将该值作为推荐引擎参数的默认选择进行推荐，若用户对系统给予的默认设置不满意，则可依据自身偏好修改推荐引擎参数，自主定制个性化推荐引擎。

4.根据权利要求1所述的一种在线系统中用户定制推荐系统的方法，其特征在于：在步骤三中，将步骤二中定制好的推荐引擎参数值应用于推荐系统中，首先从推荐引擎库中选定合适的准确性算法和多样性算法，再者根据用户在推荐引擎配置页面里设置推荐引擎参数，确定混合算法中准确性算法和多样性算法各自的权重，并依据混合策略将两类算法加权组合为混合推荐算法，最后通过运行混合推荐算法得到最终的推荐结果。