CN106651546B - 一种面向智慧社区的电子商务信息推荐方法 - Google Patents

Abstract

本发明涉及一种面向智慧社区的电子商务信息推荐方法，属于电子商务技术领域。该方法包括：1)对用户在客户端上的具体浏览行为进行收集，对这些数据进行处理，得到用户的隐式评分；2)构建反映用户偏好的“用户‑商品”综合评分矩阵；3)构建“虚拟用户‑项目”评分矩阵；4)基于最近邻居集合利用协同过滤方法产生商品推荐集；5)构建用户特征向量；6)生成用户特征聚类簇；7)生成约伴推荐集。本发明充分利用智慧社区内消费群体规模较小、商品范围明确等优势，于客户端上对用户的各项表现出兴趣的浏览行为进行采集并做出预处理，很大程度上减轻服务端运行的压力，不仅实现了商品信息推荐，而且结合社区居民长期固定的社会关系实现了约伴推荐，帮助居民增进邻里友谊。

Description

一种面向智慧社区的电子商务信息推荐方法

技术领域

本发明属于电子商务技术领域，涉及一种面向智慧社区的电子商务信息推荐方法。

背景技术

智慧社区是充分利用物联网、云计算、移动互联网等新一代信息技术的集成应用，为社区居民提供一个安全、舒适、便利的现代化、智慧化生活环境。智慧社区包括“集成”和“服务”两个核心理念，面向智慧社区的电子商务系统即是服务理念的一个具体实现。

面向智慧社区的电子商务系统主要为社区居民家庭提供与日常生活密切相关的商品如水果、蔬菜、米、油、饮料等，同时还提供日常最频繁的娱乐服务，如电影、美食、音乐、运动、旅游、图书等。社区周边大量的商品和服务信息让社区居民目不暇接，虽然现存的许多电子商务系统如美团、百度糯米、大众点评等为了帮助用户更快地找到自身需要或感兴趣的商品，提供了个性化信息推荐，部分满足了用户的生活需求，但这些电子商务系统在进行商品服务信息推荐时存在以下问题：

1、提供的商品中缺少社区居民日常密切相关的一些商品，在向社区居民推荐时不能够综合用户对这些密切相关商品的兴趣做出个性化信息推荐；

2、由于面向的消费群体规模大，没有固定范围的消费群体以及消费群体间没有固定的社会关系，不能够做出约伴信息推荐；

3、由于消费群体规模大、商品范围比较模糊等因素，用户的各项浏览行为数据均由服务端采集并作预处理，这很大程度上增加了一个信息推荐系统服务端的压力。

发明内容

有鉴于此，本发明的目的在于提供一种面向智慧社区的电子商务信息推荐方法。

为达到上述目的，本发明提供如下技术方案：

一种面向智慧社区的电子商务信息推荐方法，基于客户端用户的注册信息和历史操作行为数据，进行以下操作：

1)为了更加全面评判用户对商品的兴趣度，对用户在客户端上的具体浏览行为进行收集，并在客户端上对这些数据进行处理，得到用户的隐式评分；

2)由隐式评分结合用户主动反馈的最终商品评分，于服务端上构建反映用户偏好的“用户-商品”综合评分矩阵；

3)基于“用户-商品”综合评分矩阵，依照距离最近原则对综合评分矩阵进行聚类，生成用户兴趣聚类簇，再为每个聚类簇生成一个虚拟用户，由所有的虚拟用户构建“虚拟用户-项目”评分矩阵；

4)基于“虚拟用户-项目”评分矩阵，确定目标用户所属聚类簇，在该簇内查询最近邻居，基于最近邻居集合利用协同过滤方法产生商品推荐集；

5)对用户填写的注册信息进行收集，注册信息包括年龄、性别和对各类与生活密切相关商品或服务的感兴趣程度，构建用户特征向量；

6)由所有的用户特征向量构建用户特征矩阵，依照距离最近原则对用户特征矩阵进行聚类，生成用户特征聚类簇；

7)计算目标用户所在的用户特征聚类簇与最近邻居集合之间的交集生成约伴推荐集。

进一步的，所述的步骤1)中的数据处理得到隐式评分，具体步骤是：

1.1)记录用户在客户端上的六种浏览行为，构成兴趣行为集合I_A＝{A₁,A₂,A₃,A₄,A₅,A₆}，其中A₁代表页面浏览时间、A₂代表页面点击行为、A₃代表页面滑动行为、A₄代表分享行为、A₅代表收藏行为、A₆代表购买行为，并对这六种行为进行合理量化；将用户的浏览行为记录表示成n×6阶矩阵B＝(b_ij)_n×6，n代表用户数目，b_ij表示第i条记录中用户第j种浏览行为数据；

1.2)计算浏览行为的标准化值：

其中s_ij为第i条记录中用户第j种浏览行为的标准化值，max(b_ij)和min(b_ij)分别是第i条记录中用户第j种浏览行为的最大值和最小值；

1.3)计算各种浏览行为的信息熵值：

其中

N＝1/ln h，h为涉及的浏览行为种类数，并假定f_ij＝0时，f_ij ln f_ij＝0；

1.4)计算各浏览行为的权重：

且满足

1.5)根据每一条对商品的浏览记录，计算实际用户对该商品的隐式评分：

进一步的，所述的步骤2)中的构建“用户-商品”综合评分矩阵，具体步骤是：

2.1)设用户主动反馈的最终商品评分记为r_b，并为r_b设置合理的阈值以体现实际用户的兴趣反馈；

2.2)计算综合评分：r＝r_a×r_b；

2.3构建n行m列的综合评分矩阵R，n为用户数目，m的值为商品项目数，R中的元素r_ij表示用户i对商品j的综合评分。

进一步的，所述的步骤3)中的构建“虚拟用户-项目”评分矩阵，具体步骤是：

3.1)在综合评分矩阵中抽取k个用户作为初始聚类中心CC＝{cc₁,cc₂,…,cc_j,…,cc_k}，计算所有用户与初始聚类中心的欧式距离：

其中，d(u_i,cc_j)表示目标用户u_i和聚类中心cc_j的欧式距离，

表示目标用户u_i对所有商品项目的评分向量，

表示聚类中心cc_j对所有商品项目的评分向量；

3.2)依据距离最小原则，将所有的用户分配到对应的聚类簇中，然后对每个簇中的所有用户的每个商品项目求取评分平均值，更新原有的聚类中心，重复本步骤直至聚类中心的评分值不再变化；

3.3)提取k个聚类中心，形成k个虚拟用户，构建k行m列的“虚拟用户-项目”评分矩阵。

进一步的，所述步骤4)中的基于“虚拟用户-项目”评分矩阵产生商品推荐集，具体步骤是：

4.1)利用步骤3.1)中的欧式距离度量公式计算目标用户与每一个虚拟用户的距离，找到与目标用户最近的虚拟用户，将该虚拟用户所在的聚类簇作为目标用户的邻居集合；

4.2)设目标用户u_i与邻居集合中的用户u_j共同评分过的商品项目集合用I_ij表示，采用Pearson相关系数计算目标用户与邻居集合中的用户之间的相似性：

其中

表示目标用户u_i对项目c的评分，

表示用户u_j对项目c的评分，

表示目标用户u_i对所有项目的平均评分，

表示用户u_j对所有项目的平均评分；

4.3)根据相似性高低选取前t个邻居组成最近邻居集NN_u，根据最近邻居集中的用户偏来计算目标用户对商品项目的兴趣度：

其中

表示目标用户u_i对项i的预测评分，sim(u_i,u_j)表示目标用户u_i与用户u_j的相似性，

表示用户u_j对项i的评分，

表示目标用户u_i对所有项的评分，

表示用户u_j对所有项的评分；

4.4)对目标用户u_i，从该用户从未购买过的商品集合中选取

最大的N个商品推荐给该用户。

进一步的，所述步骤5)中构建用户特征向量，具体步骤是：

5.1)于客户端上收集用户的注册信息，包括年龄、性别和对各类与生活密切相关商品或服务项目，这些信息统称为用户的特征信息；

5.2)量化用户的特征信息，针对每一项特征的特性设置合理的取值；

5.3)构建用户特征向量U＝{C₁,C₂,C₃,…,C_n}，其中的元素分别代表年龄、性别以及各类商品项目的爱好程度值。

进一步的，所述步骤6)中生成用户特征聚类簇，具体步骤是：

6.1)基于所有的用户特征向量组成的用户特征矩阵，随机抽取k个用户作为初始特征聚类中心C＝{c₁,c₂,…,c_j,…,c_k}，计算所有用户与初始特征聚类中心的欧式距离：

其中，d(u_i,c_j)表示目标用户u_i和特征聚类中心c_j的欧式距离，

表示目标用户u_i的特征向量，

表示特征聚类中心c_j的特征向量；

6.2)依据距离最小原则，将所有的用户分配到对应的聚类簇中，然后对每个簇中的所有用户的每一项特征求取平均值，更新原有的聚类中心，重复本步骤直至聚类中心的特征值不再变化，由此生成用户特征聚类簇。

进一步的，所述步骤7)的生成约伴推荐集，具体步骤是：

7.1)判断推荐的商品项目是否可约伴同行，若是，则继续下面的具体步骤，否则结束；

7.2)利用步骤6.1)的欧式距离度量公式计算目标用户与每个聚类中心的距离，找到所属的特征聚类簇c_i；

7.3)计算目标用户u_i的最近邻居集合与所属的特征聚类簇的交集：u＝NN_u∩c_i；

其中，NN_u表示目标用户最近邻居集合，c_i表示目标用户所属的特征聚类簇，u即为生成的约伴推荐集。

本发明的有益效果在于：利用智慧社区环境下能够给用户提供日常生活密切相关的商品和服务的特点，全面采集用户对这些商品和服务表现出兴趣的浏览行为，根据社区内用户的消费习惯和消费需求，推出个性化的商品信息推荐。

针对社区居民固定的生活环境及长期固定的社会关系，在做出商品信息推荐的同时也能进行约伴信息推荐，让社区内有相同兴趣的居民可以结伴外出享受社区周边的娱乐，增加邻里之间的交流，改善邻居间的关系。

充分利用智慧社区内消费群体规模较小、商品范围明确等优势，于客户端上对用户的各项表现出兴趣的浏览行为进行采集并做出预处理，很大程度上减轻服务端运行的压力。

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为本发明的方法流程图。

图2为本发明数据预处理流程图。

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。

参照图1，即本发明的方法流程图，本发明一种面向智慧社区的电子商务信息推荐方法是基于移动客户端用户的注册信息和历史操作行为数据，进行以下操作：

1)为了更加全面评判用户对商品的兴趣度，对用户在移动客户端上的具体浏览行为进行收集，并在客户端上对这些数据进行处理，得到用户的隐式评分；

2)由隐式评分结合用户主动反馈的最终商品评分，于服务端上构建反映用户偏好的“用户-商品”综合评分矩阵；

3)基于“用户-商品”综合评分矩阵，依照距离最近原则对综合评分矩阵进行聚类，生成用户兴趣聚类簇，再为每个聚类簇生成一个虚拟用户，由所有的虚拟用户构建“虚拟用户-项目”评分矩阵；

4)基于“虚拟用户-项目”评分矩阵，确定目标用户所属聚类簇，选择该簇作为部分邻居生成最近邻居集合，基于最近邻居集合利用协同过滤方法产生商品推荐集；

5)对用户填写的注册信息进行收集，注册信息包括年龄、性别和对各类与生活密切相关商品或服务的感兴趣程度，构建用户特征向量；

6)由所有的用户特征向量构建用户特征矩阵，依照距离最近原则对用户特征矩阵进行聚类，生成用户特征聚类簇；

7)计算目标用户所在的用户特征聚类簇与步骤4)形成的最近邻居集合之间的交集，生成约伴推荐集。

上述七个步骤的具体实现方法做具体阐述如下：

一、步骤1)中的数据处理得到隐式评分，具体步骤参照图2数据预处理流程图，包括：

1.1)记录用户在移动客户端上的六种浏览行为，构成兴趣行为集合I_A＝{A₁,A₂,A₃,A₄,A₅,A₆}，并对这六种行为进行合理量化。A₁代表页面浏览时间，以10秒的倍数记；A₂记为页面点击次数；A₃记为页面滑动次数；A₄记为分享次数；A₅代表是否收藏，若收藏则说明用户很有可能对此感兴趣，记为A₂与A₃的总和，否则记为0；A₆代表是否购买，若购买则说明用户对此感兴趣，记为A₁、A₂与A₃的总和。将用户的浏览行为记录表示成n×6阶矩阵B＝(b_ij)_n×6，其中b_ij表示第i条记录中用户第j种行为数据。

1.2)计算浏览行为的标准化值：

其中s_ij为第i条记录中第j种浏览行为的标准化值，max(b_ij)和min(b_ij)分别是第j项浏览行为的最大值和最小值。

1.3)计算各种浏览行为的信息熵值：

其中

N＝1/ln h，h为涉及的浏览行为种类数，并假定f_ij＝0时，f_ij ln f_ij＝0。

1.4)计算各浏览行为的权重：

且满足

1.5)根据每一条对商品的浏览记录，计算用户对该商品的隐式评分：

二、步骤2)中的构建综合评分矩阵，具体步骤是：

2.1)设用户主动反馈的最终商品评分记为r_b，范围是1分-5分，用户若无主动反馈评分则记为1分。

2.2)计算综合评分：r＝r_a×r_b，其中r_a为步骤1.5)计算得出的隐式评分。

2.3)构建n行m列的综合评分矩阵R，n为用户数目，m的值为商品项目数，R中的元素r_ij表示用户i对商品j的综合评分。

三、步骤3)中的构建“虚拟用户-项目”评分矩阵，具体步骤是：

3.1)在综合评分矩阵中抽取k个用户作为初始聚类中心CC＝{cc₁,cc₂,…,cc_j,…,cc_k}，计算所有用户与初始聚类中心的欧式距离：

其中，d(u_i,cc_j)表示目标用户u_i和聚类中心cc_j的欧式距离，

表示目标用户u_i对所有商品项目的评分向量，

表示聚类中心cc_j对所有商品项目的评分向量；

3.2)依据距离最小原则，将所有的用户分配到对应的聚类簇中，然后对每个簇中的所有用户的每个商品项目求取评分平均值，更新原有的聚类中心，重复本步骤直至聚类中心的评分值不再变化。

3.3提取k个聚类中心，形成k个虚拟用户，构建k行m列的“虚拟用户-项目”评分矩阵R_v，k的值为虚拟用户数目，m的值为商品项目数。

四、步骤4)中的基于“虚拟用户-项目”评分矩阵产生商品推荐集，具体步骤是：

4.1)利用步骤3.1)的欧式距离度量公式计算目标用户与每一个虚拟用户的距离，找到与目标用户最近的虚拟用户，将该虚拟用户所在的聚类簇作为目标用户的邻居集合。

4.2)设目标用户u_i与邻居集合中的用户u_j共同评分过的商品项目集合用I_ij表示，采用Pearson相关系数计算目标用户与邻居集合中的用户之间的相似性：

其中

表示目标用户u_i对项目c的评分，

表示用户u_j对项目c的评分，

表示目标用户u_i对所有项目的平均评分，

表示用户u_j对所有项目的平均评分；

4.3根据相似性高低选取前t个邻居组成最近邻居集NN_u，根据最近邻居集中的用户偏好来计算目标用户对商品项目的兴趣度：

其中

表示目标用户u_i对项i的预测评分，sim(u_i,u_j)表示目标用户u_i与用户u_j的相似性，

表示用户u_j对项i的评分，

表示目标用户u_i对所有项的评分，

表示用户u_j对所有项的评分；

4.4)对目标用户u_i，从该用户从未购买过的商品集合中选取

最大的N个商品推荐给该用户。

五、步骤5)中构建用户特征向量，具体步骤是：

5.1)于移动客户端收集用户的注册信息，包括年龄、性别和对各类与生活密切相关商品或服务项目如电影、音乐、图书、运动等的感兴趣程度，这些信息统称为用户的特征信息。

5.2)量化用户的特征信息，对每一项特征进行分级，范围为1分至10分。对于年龄，15岁为1分，年龄每大5岁增加1分，60岁及以上分数一样均为10分；对于性别，为增加区别性，女性设为5分，男性设为10分；对各类与生活密切相关商品或服务项目的感兴趣程度等级由低到高依次为不喜欢记为0分，一般记为3分，喜欢记为6分，非常喜欢记为9分。

5.3)构建用户特征向量U＝{C₁,C₂,C₃,…,C_n}，其中的元素分别代表年龄、性别以及各类商品项目的爱好程度值。

六、步骤6)中生成用户特征聚类簇，具体步骤是：

6.1)基于所有的用户特征向量组成的用户特征矩阵，随机抽取k个用户作为初始特征聚类中心C＝{c₁,c₂,…,c_j,…,c_k}，计算所有用户与初始特征聚类中心的欧式距离：

其中，d(u_i,c_j)表示用户u_i和特征聚类中心c_j的欧式距离，

表示用户u_i的特征向量，

表示特征聚类中心c_j的特征向量。

6.2)依据距离最小原则，将所有的用户分配到对应的聚类簇中，然后对每个簇中的所有用户的每一项特征求取平均值，更新原有的聚类中心，重复本步骤直至聚类中心的特征值不再变化，由此生成用户特征聚类簇。

七、步骤7)的生成约伴推荐集，具体步骤是：

7.1)判断推荐的商品项目是否可约伴同行，若是，则继续下面的具体步骤，否则省略步骤7)。

7.2)利用步骤6.1的欧式距离度量公式计算目标用户与每个聚类中心的距离，找到所属的特征聚类簇c_i。

7.3)计算目标用户的最近邻居集合与所属的特征聚类簇的交集：

u＝NN_u∩c_i

其中，NN_u表示目标用户最近邻居集合，c_i表示目标用户所属的特征聚类簇。u即为生成的约伴推荐集。

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 (7)

1.一种面向智慧社区的电子商务信息推荐方法，其特征在于，基于客户端用户的注册信息和历史操作行为数据，进行以下操作：

1)为了更加全面评判用户对商品的兴趣度，对用户在客户端上的具体浏览行为数据进行收集，并在客户端上对这些浏览行为数据进行处理，得到用户的隐式评分；

2)由隐式评分结合用户主动反馈的最终商品评分，于服务端上构建反映用户偏好的“用户-商品”综合评分矩阵；

3)基于“用户-商品”综合评分矩阵，依照距离最近原则对综合评分矩阵进行聚类，生成用户兴趣聚类簇，再为每个聚类簇生成一个虚拟用户，由所有的虚拟用户构建“虚拟用户-项目”评分矩阵；

4)基于“虚拟用户-项目”评分矩阵，确定目标用户所属聚类簇，在聚类簇内查询最近邻居集合，基于最近邻居集合利用协同过滤方法产生商品推荐集；

5)对用户填写的注册信息进行收集，注册信息包括年龄、性别和对各类与生活密切相关商品或服务的感兴趣程度，构建用户特征向量；

6)由所有的用户特征向量构建用户特征矩阵，依照距离最近原则对用户特征矩阵进行聚类，生成用户特征聚类簇；

7)计算目标用户所在的用户特征聚类簇与最近邻居集合之间的交集生成约伴推荐集；

所述步骤7)的生成约伴推荐集，具体步骤是：

7.1)判断推荐的商品项目是否可约伴同行，若是，则继续下面的具体步骤，否则结束；

7.2)利用欧式距离度量公式计算目标用户与每个聚类中心的距离，找到所属的特征聚类簇c_i；

7.3)计算目标用户u_i的最近邻居集合与所属的特征聚类簇的交集：u＝NN_u∩c_i；其中，NN_u表示目标用户最近邻居集合，c_i表示目标用户所属的特征聚类簇，u即为生成的约伴推荐集。

2.根据权利要求1所述的一种面向智慧社区的电子商务信息推荐方法，其特征在于：对步骤1)中的浏览行为数据处理进行处理得到用户的隐式评分，具体步骤是：

1.1)记录用户在客户端上的六种浏览行为，构成兴趣行为集合I_A＝{A₁,A₂,A₃,A₄,A₅,A₆}，其中A₁代表页面浏览时间、A₂代表页面点击行为、A₃代表页面滑动行为、A₄代表分享行为、A₅代表收藏行为、A₆代表购买行为，并对这六种行为进行量化；将用户的浏览行为记录表示成n×6阶矩阵B＝(b_ij)_n×6，n代表用户数目，b_ij表示第i条记录中用户第j种浏览行为数据；

1.2)计算浏览行为的标准化值：

其中s_ij为第i条记录中用户第j种浏览行为的标准化值，max(b_ij)和min(b_ij)分别是第i条记录中用户第j种浏览行为的最大值和最小值；

1.3)计算各种浏览行为的信息熵值：

其中

N＝1/ln h，h为涉及的浏览行为种类数，并假定f_ij＝0时，f_ij ln f_ij＝0；

1.4)计算各浏览行为的权重：

且满足

1.5)根据每一条对商品的浏览记录，计算实际用户对该商品的隐式评分：

3.根据权利要求2所述的一种面向智慧社区的电子商务信息推荐方法，其特征在于：所述的步骤2)中的构建“用户-商品”综合评分矩阵，具体步骤是：

2.1)设用户主动反馈的最终商品评分记为r_b，并为r_b设置阈值以体现实际用户的兴趣反馈；

2.2)计算综合评分：r＝r_a×r_b；

2.3构建n行m列的综合评分矩阵R，n为用户数目，m的值为商品项目数，R中的元素r_ij表示用户i对商品j的综合评分。

4.根据权利要求3所述的一种面向智慧社区的电子商务信息推荐方法，其特征在于：所述的步骤3)中的构建“虚拟用户-项目”评分矩阵，具体步骤是：

3.1)在综合评分矩阵中抽取k个用户作为初始聚类中心CC＝{cc₁，cc₂,…,cc_j,…,cc_k}，计算所有用户与初始聚类中心的欧式距离：

其中，d(u_i，cc_j)表示目标用户u_i和聚类中心cc_j的欧式距离，

表示目标用户u_i对所有商品项目的评分向量，

表示聚类中心cc_j对所有商品项目的评分向量；

3.2)依据距离最小原则，将所有的用户分配到对应的聚类簇中，然后对每个簇中的所有用户的每个商品项目求取评分平均值，更新原有的聚类中心，重复本步骤直至聚类中心的评分值不再变化；

3.3)提取k个聚类中心，形成k个虚拟用户，构建k行m列的“虚拟用户-项目”评分矩阵。

5.根据权利要求4所述的一种面向智慧社区的电子商务信息推荐方法，其特征在于：所述步骤4)中的基于“虚拟用户-项目”评分矩阵产生商品推荐集，具体步骤是：

4.1)利用步骤3.1)中的欧式距离度量公式计算目标用户与每一个虚拟用户的距离，找到与目标用户最近的虚拟用户，将该虚拟用户所在的聚类簇作为目标用户的邻居集合；

4.2)设目标用户u_i与邻居集合中的用户u_j共同评分过的商品项目集合用I_ij表示，采用Pearson相关系数计算目标用户与邻居集合中的用户之间的相似性：

其中

表示目标用户u_i对项目c的评分，

表示用户u_j对项目c的评分，

表示目标用户u_i对所有项目的平均评分，

表示用户u_j对所有项目的平均评分；

4.3)根据相似性高低选取前t个邻居组成最近邻居集合NN_u，根据最近邻居集合中的用户偏好来计算目标用户对商品项目的兴趣度：

其中

表示目标用户u_i对项i的预测评分，sim(u_i,u_j)表示目标用户u_i与用户u_j的相似性，

表示用户u_j对项i的评分，

表示目标用户u_i对所有项的评分，

表示用户u_j对所有项的评分；

4.4)对目标用户u_i，从该用户从未购买过的商品集合中选取

最大的N个商品推荐给该用户。

6.根据权利要求5所述的一种面向智慧社区的电子商务信息推荐方法，其特征在于：所述步骤5)中构建用户特征向量，具体步骤是：

5.1)对用户填写的注册信息进行收集，注册信息包括年龄、性别和对各类与生活密切相关商品或服务的感兴趣程度，这些信息统称为用户的特征信息；

5.2)量化用户的特征信息，针对每一项特征设置特性的取值；

5.3)构建用户特征向量U＝{C₁,C₂,C₃，…,C_n}，其中的元素分别代表年龄、性别以及各类商品项目的爱好程度值。

7.根据权利要求6所述的一种面向智慧社区的电子商务信息推荐方法，其特征在于：所述步骤6)中生成用户特征聚类簇，具体步骤是：

6.1)基于所有的用户特征向量组成的用户特征矩阵，随机抽取k个用户作为初始特征聚类中心C＝{c₁,c₂,…,c_j,…,c_k}，计算所有用户与初始特征聚类中心的欧式距离：

其中，d(u_i,c_j)表示目标用户u_i和特征聚类中心c_j的欧式距离，

表示目标用户u_i的特征向量，

表示特征聚类中心c_j的特征向量；

6.2)依据距离最小原则，将所有的用户分配到对应的聚类簇中，然后对每个簇中的所有用户的每一项特征求取平均值，更新原有的聚类中心，重复本步骤直至聚类中心的特征值不再变化，由此生成用户特征聚类簇。

Images