CN106779867A - 基于上下文感知的支持向量回归推荐方法及系统 - Google Patents
基于上下文感知的支持向量回归推荐方法及系统 Download PDFInfo
- Publication number
- CN106779867A CN106779867A CN201611263361.0A CN201611263361A CN106779867A CN 106779867 A CN106779867 A CN 106779867A CN 201611263361 A CN201611263361 A CN 201611263361A CN 106779867 A CN106779867 A CN 106779867A
- Authority
- CN
- China
- Prior art keywords
- user
- matrix
- context
- information
- project
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 29
- 239000011159 matrix material Substances 0.000 claims abstract description 177
- 238000012549 training Methods 0.000 claims description 32
- 238000012360 testing method Methods 0.000 claims description 28
- 238000005457 optimization Methods 0.000 claims description 12
- 238000013507 mapping Methods 0.000 claims description 10
- 238000010276 construction Methods 0.000 claims description 5
- 238000013459 approach Methods 0.000 claims 3
- 230000006399 behavior Effects 0.000 description 5
- 238000011156 evaluation Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0241—Advertisements
- G06Q30/0251—Targeted advertisements
- G06Q30/0255—Targeted advertisements based on user history
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9535—Search customisation based on user profiles and personalisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0241—Advertisements
- G06Q30/0251—Targeted advertisements
- G06Q30/0252—Targeted advertisements based on events or environment, e.g. weather or festivals
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0241—Advertisements
- G06Q30/0251—Targeted advertisements
- G06Q30/0269—Targeted advertisements based on user profile or attribute
-
- G06Q50/40—
Abstract
本发明公开了一种基于上下文感知的支持向量回归推荐方法,包括:构建用户特征属性矩阵;得到项目特征属性信息矩阵,得到项目特征属性的偏好矩阵,构建用户偏好矩阵;构建上下文情境矩阵,构建评分矩阵,基于上下文情境矩阵、用户特征属性矩阵、用户偏好矩阵以及所述评分矩阵,构建得到基于上下文的用户偏好模型;利用支持向量回归SVR算法对所述基于上下文的用户偏好模型进行优化,得到有效的评分预测模型;基于所述评分预测模型计算目标用户的未购买过项目的评分,并将评分最高的前L个项目推荐给所述目标用户。本发明还公开了相应的系统。本发明能够应用于民航旅客附加服务的推荐,能够为旅客在众多的服务中较迅速准确的找到适合自己的服务。
Description
技术领域
本发明涉及民用航空技术领域,尤其涉及一种基于上下文感知的支持向量回归推荐方法及系统。
背景技术
随着航空业的不断发展,服务类型不断增多,旅客面对的服务纷杂众多,无法迅速找到自己需要的服务,而现有的航空公司为旅客推荐的服务以及服务信息并不能满足用户需求,无法在最短时间内更有针对性的为旅客提供适合的服务。
目前已有一些为用户推荐服务的方法,该方法可以基于协同过滤算法、基于内容的推荐算法、混合推荐算法以及基于其他的一些推荐算法。其中,协同过滤推荐算法的核心思想可以分为两部分:1)利用用户的历史信息计算用户之间的相似性;2)利用与目标用户相似性较高的邻居对其他产品的评价来预测目标用户对特定产品的喜好程度。基于混合推荐算法主要有三种混合形式:整体式,并行式和流水线式。整体式是指将几种推荐策略整合到一个算法中实现的混合设计;并行式是几个推荐系统相互之间独立运行,分别产生推荐列表,随后对这些推荐列表进行整合得到最终推荐结果;流水线式是将多个推荐系统按照流水线架构连接起来,前一个推荐系统的输出变成后一个推荐系统的输入部分,依次流水线式不断调整推荐列表,进一步提升推荐系统的准确性。基于内容的推荐算法不需要依据用户对项目的评价意见,依据用户已经选择的产品内容信息计算用户之间的相似性,进而进行相应的推荐。
为了提升用户体验、提高客户满意度,也为了提升航空公司的服务质量和公司客流量,在民用航空领域需要一种新的推荐方法,能够基于对上下文信息的感知来为旅客、用户提供服务。
发明内容
为解决现有存在的技术问题,本发明实施例提供一种基于上下文感知的支持向量回归推荐方法及系统。
为达到上述目的,本发明实施例的技术方案是这样实现的:
一种基于上下文感知的支持向量回归推荐方法,包括以下步骤:
S1:根据目标用户历史记录获得用户自身的属性信息,并根据用户自身的属性信息构建用户特征属性矩阵;
S2:获取待推荐项目的特征属性信息,得到项目特征属性信息矩阵;并获取用户对待推荐项目特征属性的偏好信息,得到项目特征属性的偏好矩阵;根据项目特征属性信息矩阵和项目特征属性的偏好矩阵构建用户偏好矩阵;
S3:根据目标用户选择项目时所处的上下文信息情境构建上下文情境矩阵,所述上下文情境矩阵能够标识用户是否处于影响用户行为的上下文信息情境中;获得用户在上下文信息下对各项目的实际评分值,构建评分矩阵;基于上下文情境矩阵、用户特征属性矩阵、用户偏好矩阵以及所述评分矩阵,构建得到基于上下文的用户偏好模型;
S4:利用支持向量回归SVR算法对所述基于上下文的用户偏好模型进行优化,当达到预定阈值后,将优化后的基于上下文的用户偏好模型作为有效的评分预测模型;基于所述评分预测模型计算目标用户的未购买过项目的评分,并将评分最高的前L个项目推荐给所述目标用户,所述L为自然数。
其中,所述的构建用户特征属性模型具体为:采用下式针对用户自身的属性信息来进行建模,构建用户特征属性矩阵:
其中,N为用户个数,K为用户选取的自身属性信息的个数,unk表示用户n涉及自身属性k的信息。
其中,所述unk的取值通过下式确定:
其中,所述获取项目特征属性信息,得到项目特征属性信息矩阵具体如下:
其中,J是项目个数,M是项目的特征属性个数,itemjm表示第j个项目的第m个特征属性的信息。
其中,所述itemjm的取值通过下式确定:
其中,采用下式获取用户对待推荐项目特征属性的偏好信息,得到项目特征属性的偏好矩阵PNM:
其中,N为用户个数,M为项目的特征属性个数,pnm是用户n对项目的第m个特征属性的偏好值。
其中,所述用户n对项目的第m个特征属性的偏好值定义为:其中,nm表示用户n评价过的所有项目中包含第m个特征属性的项目个数,m表示用户n评价过的所有项目的个数,n<=m;pnm的范围为[0,1]。
其中,采用下式计算出用户n对所有项目的用户偏好矩阵Mn:Mn=ItemJL×PNM。
其中,步骤S3包括:根据用户选择项目时所处的上下文信息构建上下文情境矩阵CNT,如下:
其中,N为用户个数,T为不同上下文信息的个数,cnt为用户n所处的上下文信息t情境下的信息。
其中,所述cnt的取值通过下式确定:
其中,步骤S3包括:基于上下文情境矩阵、用户特征属性矩阵和用户偏好矩阵扩展构建得到基于上下文的用户偏好模型y,如下:
y:(UNK,Mn,CNT)→R
其中,基于上下文的用户偏好模型y的输入向量为UNK、Mn、CNT,输出向量为R,R是由用户n在上下文信息cnt下对各项目的实际评分值构成的评分矩阵。
其中,步骤S4中有效的评分预测模型生成方法包括:基于构建的所述基于上下文的用户偏好模型,利用训练集训练得到评分预测模型。
其中,所述基于构建的所述基于上下文的用户偏好模型,利用训练集训练得到评分预测模型,包括:将原始数据集随机划分为训练集和测试集,所述训练集和所述测试集均包括用户特征属性矩阵、项目特征属性信息矩阵和上下文情景矩阵,将所述训练集中的所述用户特征属性矩阵、项目特征属性信息和上下文情景矩阵作为SVR的输入向量,将训练集中数据所对应的评分矩阵作为SVR的输出向量,建立输入向量和输出向量的非线性映射关系;利用该非线性映射关系对所述测试集进行测试,得到对测试集的预测评分值,再采用平均绝对误差MAE作为测试集的实际评分值和预测评分值之间的差值的衡量标准,不断优化所述基于上下文的用户偏好模型,当达到预定阈值后,将优化后的基于上下文的用户偏好模型作为非线性预测的有效模型,得到评分预测模型。
其中,所述用户自身的属性信息包括:性别、年龄、职业其中之一或其任意组合。
一种基于上下文感知的支持向量回归推荐系统,所述系统包括服务器和多个终端;其中,所述服务器包括用户特征属性矩阵构建模块、用户偏好矩阵构建模块、上下文用户偏好模型构建模块和推荐模块,其中:
所述用户特征属性矩阵构建模块,用于根据用户历史记录获得用户自身的属性信息,并根据用户自身的属性信息构建用户特征属性矩阵;
所述用户偏好矩阵构建模块,用于获取待推荐项目的特征属性信息,构建项目特征属性信息矩阵;并获取用户对待推荐项目特征属性的偏好信息,构建项目特征属性的偏好矩阵;根据项目特征属性信息矩阵和项目特征属性的偏好矩阵构建用户偏好矩阵;
所述上下文用户偏好模型构建模块,用于根据目标用户选择项目时所处的上下文信息情境构建上下文情境矩阵,所述上下文情境矩阵能够标识用户是否处于影响用户行为的上下文信息情境中;获得用户在上下文信息下对各项目的实际评分值,构建评分矩阵;基于上下文情境矩阵、用户特征属性矩阵、用户偏好矩阵以及所述评分矩阵,构建得到基于上下文的用户偏好模型;
所述推荐模块,利用支持向量回归(SVR)算法对上述基于上下文的用户偏好模型进行优化,当达到预定阈值后,将优化后的基于上下文的用户偏好模型作为有效的评分预测模型;基于该评分预测模型计算目标用户的未购买过项目的评分,并将评分最高的前L个项目推荐给所述目标用户,所述L为自然数。
其中,所述用户特征属性矩阵模型构建模块具体用于:采用下式针对用户自身的属性信息来进行建模,构建用户特征属性矩阵:
其中,N为用户个数,K为用户选取的自身属性信息的个数,unk表示用户n涉及自身属性k的信息。
其中,所述unk的取值通过下式确定:
其中,所述用户偏好矩阵模型构建模块用于:采用下式根据项目特征属性信息构建项目特征属性信息矩阵:
其中,J是项目个数,M是特征属性个数,itemjm表示第j个项目的第m个特征属性的信息。
其中,所述itemjm的取值通过下式确定:
其中,所述用户偏好矩阵模型构建模块用于:采用下式获取用户对待推荐项目特征属性的偏好信息,得到项目特征属性的偏好矩阵PNM:
其中,N为用户个数,M为项目的特征属性个数,pnm是用户n对项目的第m个特征属性的偏好值。
其中,所述用户n对项目的第m个特征属性的偏好值定义为:其中,nm表示用户n评价过的所有项目中包含第m个特征属性的项目个数,m表示用户n评价过的所有项目的个数(n<=m);pnm的范围为[0,1]。
其中,所述用户偏好矩阵模型构建模块用于:采用下式计算出用户n对所有项目的用户偏好矩阵Mn:Mn=ItemJL×PNM。
其中,所述上下文用户偏好模型构建模块用于:采用下式根据用户选择项目时所处的上下文信息构建上下文情境矩阵:
其中,N为用户个数,T为不同上下文信息的个数,cnt为用户n所处的上下文信息t情境下的信息。
其中,所述cnt的取值通过下式确定:
其中,所述上下文用户偏好模型构建模块用于:采用下式基于上下文情境矩阵、用户特征属性矩阵和用户偏好矩阵扩展构建得到基于上下文的用户偏好模型R:y:(UNK,Mn,CNT)→R;其中,基于上下文的用户偏好模型y的输入向量为UNK、Mn、CNT,输出向量为R,R是由用户n在上下文信息cnt下对各项目的实际评分值构成的评分矩阵。
其中,所述推荐模块用于基于构建的所述基于上下文的用户偏好模型,利用训练集训练得到评分预测模型。
其中,所述推荐模块用于基于构建的所述基于上下文的用户偏好模型,利用训练集训练得到评分预测模型,包括:将原始数据集随机划分为训练集和测试集,所述训练集和所述测试集均包括用户特征属性矩阵、项目特征属性信息矩阵和上下文情景矩阵,将所述训练集中的所述用户特征属性矩阵、项目特征属性信息和上下文情景矩阵作为SVR的输入向量,将训练集中数据所对应的评分矩阵作为SVR的输出向量,建立输入向量和输出向量的非线性映射关系;利用该非线性映射关系对所述测试集进行测试,得到对测试集的预测评分值,再采用平均绝对误差MAE作为测试集的实际评分值和预测评分值之间的差值的衡量标准,不断优化所述基于上下文的用户偏好模型,当达到预定阈值后,将优化后的基于上下文的用户偏好模型作为非线性预测的有效模型,得到评分预测模型。
其中,所述用户自身的属性信息包括:性别、年龄、职业其中之一或其任意组合。
本发明实施例相较于传统的推荐方法,引入了上下文信息,使得可用于构建用户偏好的信息量增多,可以较好的降低数据稀疏度,也可以有效的解决冷启动(新用户和新项目)问题。当有新用户出现时,可以根据用户自身的属性信息(如:年龄、性别、职位)来为用户找到与其相似的用户群,根据用户群的偏好可以预测新用户的偏好,克服了新用户的推荐问题;当有新项目出现时,可以根据新项目的属性特征找到与其具有相似特征的项目群,根据用户偏好的项目所具有的属性特征为其推荐与该项目相似的项目,克服了新项目的推荐问题。
本发明实施例提出的基于上下文感知的支持向量回归推荐算法和系统,能够应用于民航旅客附加服务的推荐,能够为旅客在众多的服务中较迅速准确的找到适合自己的服务,一方面为旅客节省了时间提升了旅客满意度,另一方面也可以提升航空公司的客流量,进而提升航空公司的利润。
附图说明
在附图(其不一定是按比例绘制的)中,相似的附图标记可在不同的视图中描述相似的部件。具有不同字母后缀的相似附图标记可表示相似部件的不同示例。附图以示例而非限制的方式大体示出了本文中所讨论的各个实施例。
图1为本发明实施例基于上下文感知的SVR推荐系统的组成结构示意图;
图2为本发明实施例推荐方法的流程示意图;
图3为本发明实施例推荐系统的组成结构示意图。
具体实施方式
下面结合附图及实施例对本发明进行详细说明如下。
图1描述了基于上下文感知的支持向量回归(SVR,Support Vector Regression)推荐系统,根据图1所示,首先用户100记录用户个人的相关历史信息,服务器从用户100采集目标用户的个人偏好信息,并基于所获取的用户个人偏好信息构建用户特征属性矩阵,即用户模型104,并进行存储;服务器侧根据待推荐项目的特征属性信息得到项目特征属性信息矩阵,即推荐项目特征属性模型,并进行存储;服务器侧通过基于上下文感知的SVR推荐模型102对得到的用户特征属性矩阵和项目特征属性信息矩阵进行处理评分,得到用户100未购买过的多个待推荐项目,并向目标用户进行推荐。
图2描述了本发明实施例的基于上下文感知的支持向量回归推荐方法的具体步骤流程图。该方法包括步骤S1至S4,其中:
S1:根据目标用户历史记录获得用户自身的属性信息,并根据用户自身的属性信息构建用户特征属性矩阵。
该步骤中针对用户自身的属性信息(例如:性别、年龄、职业等)来进行建模,构建用户特征属性矩阵模型如下:
其中,N为用户个数,K为用户选取的自身属性信息的个数,unk表示用户n涉及自身属性k的信息,如下:
例如:在航空公司方面,选取旅客的性别(男,女)或(M,F)、年龄(7-17岁,18-34岁,35-44岁)、职业(教师,学生,医生)这三种用户信息,如果用户1为女性,年龄为18岁,职业为学生,则用户1的属性信息向量为(M F 7-17 18-34 35-44教师-学生-医生)对应的向量值为(0 1 0 1 0 0 1 0),此时K为8。
步骤S2:获取待推荐项目的特征属性信息,得到项目特征属性信息矩阵;并获取用户对待推荐项目特征属性的偏好信息,得到项目特征属性的偏好矩阵;根据项目特征属性信息矩阵和项目特征属性的偏好矩阵构建用户偏好矩阵。
该步骤中获取项目特征属性信息,得到项目特征属性信息矩阵具体如下:
其中,J是项目个数,M是特征属性个数,itemjm表示第j个项目的第m个特征属性的信息,其中:
例如:以航空公司的附加服务为例,特征属性为各种附加服务类型,对应矩阵中的属性列,如果航空公司具有该附加服务类型,则该类型对应的属性列的值为1,否则为0。
所述获取用户对待推荐项目特征属性的偏好信息,得到项目特征属性的偏好矩阵PNM为:
其中,N为用户个数,M为项目的特征属性个数,pnm是用户n对项目的第m个特征属性的偏好值;所述用户n对项目的第m个特征属性的偏好值定义为:其中,nm表示用户n评价过的所有项目中包含第m个特征属性的项目个数,m表示用户n评价过的所有项目的个数(n<=m);pnm的范围为[0,1];结合ItemJL和PNM计算出用户n对所有项目的用户偏好矩阵Mn如下:Mn=ItemJL×PNM。
S3:根据目标用户选择项目时所处的上下文信息情境构建上下文情境矩阵,所述上下文情境矩阵能够标识用户是否处于影响用户行为的上下文信息情境中;获得用户在上下文信息下对各项目的实际评分值,构建评分矩阵;基于上下文情境矩阵、用户特征属性矩阵、用户偏好矩阵以及所述评分矩阵,构建得到基于上下文的用户偏好模型。
由于在不同的情境下用户对项目的选择会发生变化,因此在上述偏好模型的基础上添加上下文信息,在推荐的过程中考虑这些影响用户行为的上下文信息可以更好的为用户进行推荐,提升推荐的准确性。
该步骤中,根据用户选择项目时所处的上下文信息构建上下文情境矩阵CNT,如下:
其中,N为用户个数,T为不同上下文信息的个数,cnt为用户n所处的上下文信息t情境下的信息,其定义为:
基于上下文情境矩阵、用户特征属性模型和用户偏好矩阵模型扩展构建得到基于上下文的用户偏好模型y,如下:
y:(UNK,Mn,CNT)→R;
其中,基于上下文的用户偏好模型y的输入向量为UNK、Mn、CNT,输出向量为R,R是由用户n在上下文信息cnt下对各项目的实际评分值构成的评分矩阵。
步骤S4:利用SVR算法对上述基于上下文的用户偏好模型进行优化,当达到一定阈值的精度后,将优化后的基于上下文的用户偏好模型作为有效的评分预测模型;基于所述评分预测模型计算目标用户的未购买过项目的评分,并将评分最高的前L个项目推荐给所述目标用户,L为自然数。这里的“一定阈值”为根据实际需求预先确定的预定阈值。
具体地,将原始数据集(UNK、Mn、CNT)随机划分为训练集和测试集,所述训练集和所述测试集均包括用户特征属性矩阵、项目特征属性信息矩阵和上下文情景矩阵三部分,将所述训练集中的所述用户特征属性矩阵、项目特征属性信息和上下文情景矩阵作为SVR的输入向量,将训练集中数据所对应的评分矩阵作为SVR的输出向量,建立输入向量和输出向量的非线性映射关系;利用该非线性映射关系对所述测试集进行测试,得到对测试集的预测评分值,再采用平均绝对误差MAE作为测试集的实际评分值和预测评分值之间的差值的衡量标准,不断优化模型结果,经过不断的学习和测试,从而不断优化所述基于上下文的用户偏好模型,当达到一定阈值的精度后,将优化后的基于上下文的用户偏好模型作为非线性预测的有效模型,得到最终有效的评分预测模型。其中,采用平均绝对误差MAE来衡量预测评分和实际评分之间的差异,MAE值越小,表明预测的准确性越高。
本发明实施例中,当新用户出现时,将该用户记录添加到U矩阵中,结合该用户所处上下文信息构建上下文信息下的“用户—项目”偏好模型,预测该目标用户对没有购买过的项目的评分,将评分较高的前L个项目推荐给该目标用户。
图3描述了一种基于上下文感知的支持向量回归推荐系统,该系统包括服务器300和多个终端200,服务器通过终端200从用户获取信息,并向用户推荐评分最高的前L个项目。所述服务器包括用户特征属性矩阵模型构建模块、用户偏好矩阵模型构建模块、上下文用户偏好模型构建模块和推荐模块;所述终端用于记录用户历史信息,将用户历史记录提供给服务器,并从服务器获得推荐项目清单。
其中,用户特征属性矩阵模型构建模块,用于执行步骤S1,根据目标用户历史记录获得用户自身的属性信息,并根据用户自身的属性信息构建用户特征属性矩阵;用户偏好矩阵模型构建模块,用于执行步骤S2,获取待推荐项目的特征属性信息,得到项目特征属性信息矩阵;并获取用户对待推荐项目特征属性的偏好信息,得到项目特征属性的偏好矩阵;根据项目特征属性信息矩阵和项目特征属性的偏好矩阵构建用户偏好矩阵;上下文用户偏好模型构建模块,用于根据目标用户选择项目时所处的上下文信息情境构建上下文情境矩阵,所述上下文情境矩阵能够标识用户是否处于影响用户行为的上下文信息情境中;获得用户在上下文信息下对各项目的实际评分值,构建评分矩阵;基于上下文情境矩阵、用户特征属性矩阵、用户偏好矩阵以及所述评分矩阵,构建得到基于上下文的用户偏好模型;推荐模块,用于利用支持向量回归(SVR)算法对上述基于上下文的用户偏好模型进行优化,当达到一定阈值的精度后,将优化后的基于上下文的用户偏好模型作为有效的评分预测模型;基于该评分预测模型计算目标用户的未购买过项目的评分,并将评分最高的前L个项目推荐给所述目标用户,L为自然数。
本发明实施例提出的基于上下文感知的支持向量回归推荐算法和系统,能够应用于民航旅客附加服务的推荐。随着航空业的不断发展,服务类型不断增多,能够为旅客在众多的服务中较迅速准确的找到适合自己的服务,一方面为旅客节省了时间提升了旅客满意度,另一方面也可以提升航空公司的客流量,进而提升航空公司的利润。
以上实施方式仅用于说明本发明,而并非对本发明的限制,有关技术领域的普通技术人员,在不脱离本发明的精神和范围的情况下,还可以做出各种变化和变型,因此所有等同的技术方案也属于本发明的范畴,本发明的专利保护范围应由权利要求限定。
Claims (28)
1.一种基于上下文感知的支持向量回归推荐方法,其特征在于,包括以下步骤:
S1:根据目标用户历史记录获得用户自身的属性信息,并根据用户自身的属性信息构建用户特征属性矩阵;
S2:获取待推荐项目的特征属性信息,得到项目特征属性信息矩阵;并获取用户对待推荐项目特征属性的偏好信息,得到项目特征属性的偏好矩阵;根据项目特征属性信息矩阵和项目特征属性的偏好矩阵构建用户偏好矩阵;
S3:根据目标用户选择项目时所处的上下文信息情境构建上下文情境矩阵,所述上下文情境矩阵能够标识用户是否处于影响用户行为的上下文信息情境中;获得用户在上下文信息下对各项目的实际评分值,构建评分矩阵;基于上下文情境矩阵、用户特征属性矩阵、用户偏好矩阵以及所述评分矩阵,构建得到基于上下文的用户偏好模型;
S4:利用支持向量回归SVR算法对所述基于上下文的用户偏好模型进行优化,当达到预定阈值后,将优化后的基于上下文的用户偏好模型作为有效的评分预测模型;基于所述评分预测模型计算目标用户的未购买过项目的评分,并将评分最高的前L个项目推荐给所述目标用户,所述L为自然数。
2.根据权利要求1所述的方法,其特征在于,所述的构建用户特征属性模型具体为:采用下式针对用户自身的属性信息来进行建模,构建用户特征属性矩阵:
其中,N为用户个数,K为用户选取的自身属性信息的个数,unk表示用户n涉及自身属性k的信息。
3.根据权利要求2所述的方法,其特征在于,所述unk的取值通过下式确定:
4.根据权利要求1所述的方法,其特征在于,所述获取项目特征属性信息,得到项目特征属性信息矩阵具体如下:
其中,J是项目个数,M是项目的特征属性个数,itemjm表示第j个项目的第m个特征属性的信息。
5.根据权利要求4所述的方法,其特征在于,所述itemjm的取值通过下式确定:
6.根据权利要求1所述的方法,其特征在于:采用下式获取用户对待推荐项目特征属性的偏好信息,得到项目特征属性的偏好矩阵PNM:
其中,N为用户个数,M为项目的特征属性个数,pnm是用户n对项目的第m个特征属性的偏好值。
7.根据权利要求6所述的方法,其特征在于,所述用户n对项目的第m个特征属性的偏好值定义为:其中,nm表示用户n评价过的所有项目中包含第m个特征属性的项目个数,m表示用户n评价过的所有项目的个数,n<=m;pnm的范围为[0,1]。
8.根据权利要求4或6所述的方法,其特征在于:采用下式计算出用户n对所有项目的用户偏好矩阵Mn:Mn=ItemJL×PNM。
9.根据权利要求1所述的方法,其特征在于,步骤S3包括:
根据用户选择项目时所处的上下文信息构建上下文情境矩阵CNT,如下:
其中,N为用户个数,T为不同上下文信息的个数,cnt为用户n所处的上下文信息t情境下的信息。
10.根据权利要求9所述的方法,其特征在于,所述cnt的取值通过下式确定:
11.根据权利要求9或10所述的方法,其特征在于,步骤S3包括:
基于上下文情境矩阵、用户特征属性矩阵和用户偏好矩阵扩展构建得到基于上下文的用户偏好模型y,如下:
y:(UNK,Mn,CNT)→R
其中,基于上下文的用户偏好模型y的输入向量为UNK、Mn、CNT,输出向量为R,R是由用户n在上下文信息cnt下对各项目的实际评分值构成的评分矩阵。
12.根据权利要求1所述的方法,其特征在于,步骤S4中有效的评分预测模型生成方法包括:基于构建的所述基于上下文的用户偏好模型,利用训练集训练得到评分预测模型。
13.根据权利要求11所述的方法,其特征在于,所述基于构建的所述基于上下文的用户偏好模型,利用训练集训练得到评分预测模型,包括:将原始数据集随机划分为训练集和测试集,所述训练集和所述测试集均包括用户特征属性矩阵、项目特征属性信息矩阵和上下文情景矩阵,将所述训练集中的所述用户特征属性矩阵、项目特征属性信息和上下文情景矩阵作为SVR的输入向量,将训练集中数据所对应的评分矩阵作为SVR的输出向量,建立输入向量和输出向量的非线性映射关系;利用该非线性映射关系对所述测试集进行测试,得到对测试集的预测评分值,再采用平均绝对误差MAE作为测试集的实际评分值和预测评分值之间的差值的衡量标准,不断优化所述基于上下文的用户偏好模型,当达到预定阈值后,将优化后的基于上下文的用户偏好模型作为非线性预测的有效模型,得到评分预测模型。
14.根据权利要求1所述的方法,其特征在于,所述用户自身的属性信息包括:性别、年龄、职业其中之一或其任意组合。
15.一种基于上下文感知的支持向量回归推荐系统,其特征在于,所述系统包括服务器和多个终端;其中,所述服务器包括用户特征属性矩阵构建模块、用户偏好矩阵构建模块、上下文用户偏好模型构建模块和推荐模块,其中:
所述用户特征属性矩阵构建模块,用于根据用户历史记录获得用户自身的属性信息,并根据用户自身的属性信息构建用户特征属性矩阵;
所述用户偏好矩阵构建模块,用于获取待推荐项目的特征属性信息,构建项目特征属性信息矩阵;并获取用户对待推荐项目特征属性的偏好信息,构建项目特征属性的偏好矩阵;根据项目特征属性信息矩阵和项目特征属性的偏好矩阵构建用户偏好矩阵;
所述上下文用户偏好模型构建模块,用于根据目标用户选择项目时所处的上下文信息情境构建上下文情境矩阵,所述上下文情境矩阵能够标识用户是否处于影响用户行为的上下文信息情境中;获得用户在上下文信息下对各项目的实际评分值,构建评分矩阵;基于上下文情境矩阵、用户特征属性矩阵、用户偏好矩阵以及所述评分矩阵,构建得到基于上下文的用户偏好模型;
所述推荐模块,利用支持向量回归(SVR)算法对所述基于上下文的用户偏好模型进行优化,当达到预定阈值后,将优化后的基于上下文的用户偏好模型作为有效的评分预测模型;基于该评分预测模型计算目标用户的未购买过项目的评分,并将评分最高的前L个项目推荐给所述目标用户,所述L为自然数。
16.根据权利要求15所述的系统,其特征在于,所述用户特征属性矩阵模型构建模块具体用于:采用下式针对用户自身的属性信息来进行建模,构建用户特征属性矩阵:
其中,N为用户个数,K为用户选取的自身属性信息的个数,unk表示用户n涉及自身属性k的信息。
17.根据权利要求16所述的系统,其特征在于,所述unk的取值通过下式确定:
18.根据权利要求15所述的系统,其特征在于,所述用户偏好矩阵模型构建模块用于:采用下式根据项目特征属性信息构建项目特征属性信息矩阵:
其中,J是项目个数,M是特征属性个数,itemjm表示第j个项目的第m个特征属性的信息。
19.根据权利要求18所述的系统方法,其特征在于,所述itemjm的取值通过下式确定:
20.根据权利要求15所述的系统方法,其特征在于,所述用户偏好矩阵模型构建模块用于:采用下式获取用户对待推荐项目特征属性的偏好信息,得到项目特征属性的偏好矩阵PNM:
其中,N为用户个数,M为项目的特征属性个数,pnm是用户n对项目的第m个特征属性的偏好值。
21.根据权利要求20所述的系统方法,其特征在于,所述用户n对项目的第m个特征属性的偏好值定义为:其中,nm表示用户n评价过的所有项目中包含第m个特征属性的项目个数,m表示用户n评价过的所有项目的个数,n<=m;pnm的范围为[0,1]。
22.根据权利要求19或20所述的系统,其特征在于,所述用户偏好矩阵模型构建模块用于:采用下式计算出用户n对所有项目的用户偏好矩阵Mn:
Mn=ItemJL×PNM。
23.根据权利要求15所述的系统,其特征在于,所述上下文用户偏好模型构建模块用于:采用下式根据用户选择项目时所处的上下文信息构建上下文情境矩阵:
其中,N为用户个数,T为不同上下文信息的个数,cnt为用户n所处的上下文信息t情境下的信息。
24.根据权利要求23所述的系统,其特征在于,所述cnt的取值通过下式确定:
25.根据权利要求23所述的系统,其特征在于,所述上下文用户偏好模型构建模块用于:采用下式基于上下文情境矩阵、用户特征属性矩阵和用户偏好矩阵扩展构建得到基于上下文的用户偏好模型R:
y:(UNK,Mn,CNT)→R
其中,基于上下文的用户偏好模型y的输入向量为UNK、Mn、CNT,输出向量为R,R是由用户n在上下文信息cnt下对各项目的实际评分值构成的评分矩阵。
26.根据权利要求15所述的系统,其特征在于:所述推荐模块用于基于构建的所述基于上下文的用户偏好模型,利用训练集训练得到评分预测模型。
27.根据权利要求26所述的系统,其特征在于,所述推荐模块用于基于构建的所述基于上下文的用户偏好模型,利用训练集训练得到评分预测模型,包括:将原始数据集随机划分为训练集和测试集,所述训练集和所述测试集均包括用户特征属性矩阵、项目特征属性信息矩阵和上下文情景矩阵,将所述训练集中的所述用户特征属性矩阵、项目特征属性信息和上下文情景矩阵作为SVR的输入向量,将训练集中数据所对应的评分矩阵作为SVR的输出向量,建立输入向量和输出向量的非线性映射关系;利用该非线性映射关系对所述测试集进行测试,得到对测试集的预测评分值,再采用平均绝对误差MAE作为测试集的实际评分值和预测评分值之间的差值的衡量标准,不断优化所述基于上下文的用户偏好模型,当达到预定阈值后,将优化后的基于上下文的用户偏好模型作为非线性预测的有效模型,得到评分预测模型。
28.根据权利要求15所述的系统,其特征在于,所述用户自身的属性信息包括:性别、年龄、职业其中之一或其任意组合。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611263361.0A CN106779867B (zh) | 2016-12-30 | 2016-12-30 | 基于上下文感知的支持向量回归推荐方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611263361.0A CN106779867B (zh) | 2016-12-30 | 2016-12-30 | 基于上下文感知的支持向量回归推荐方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106779867A true CN106779867A (zh) | 2017-05-31 |
CN106779867B CN106779867B (zh) | 2020-10-23 |
Family
ID=58954074
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201611263361.0A Active CN106779867B (zh) | 2016-12-30 | 2016-12-30 | 基于上下文感知的支持向量回归推荐方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106779867B (zh) |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107240005A (zh) * | 2017-06-13 | 2017-10-10 | 携程旅游网络技术(上海)有限公司 | 机票附加产品的推荐系统及方法 |
CN107330744A (zh) * | 2017-07-21 | 2017-11-07 | 携程旅游网络技术(上海)有限公司 | 机票衍生产品的推荐方法及系统 |
CN107492008A (zh) * | 2017-08-09 | 2017-12-19 | 阿里巴巴集团控股有限公司 | 信息推荐方法、装置、服务器及计算机存储介质 |
CN107832426A (zh) * | 2017-11-13 | 2018-03-23 | 上海交通大学 | 一种基于使用序列上下文的app推荐方法及系统 |
CN107909421A (zh) * | 2017-09-29 | 2018-04-13 | 中国船舶重工集团公司第七0九研究所 | 一种基于用户空间的多gru层神经网络的隐含反馈推荐方法及系统 |
CN108243357A (zh) * | 2018-01-25 | 2018-07-03 | 北京搜狐新媒体信息技术有限公司 | 一种视频推荐方法及装置 |
CN110060538A (zh) * | 2019-04-08 | 2019-07-26 | 上海云之驾科技股份有限公司 | 基于历史数据建模的个性化人工智能驾培训练系统及方法 |
CN111259235A (zh) * | 2020-01-09 | 2020-06-09 | 齐鲁工业大学 | 基于上下文感知及特征交互建模的个性化推荐方法及系统 |
CN111814037A (zh) * | 2019-12-31 | 2020-10-23 | 北京嘀嘀无限科技发展有限公司 | 数据处理方法、装置、存储介质及电子设备 |
CN111881345A (zh) * | 2020-07-13 | 2020-11-03 | 汕头大学 | 基于位置上下文感知的神经协同过滤服务质量预测方法 |
CN112861012A (zh) * | 2021-03-09 | 2021-05-28 | 河南工业大学 | 基于上下文和用户长短期偏好自适应学习的推荐方法及装置 |
CN113449210A (zh) * | 2021-07-01 | 2021-09-28 | 深圳市数字尾巴科技有限公司 | 基于时空特征的个性化推荐方法、装置、电子设备及存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110137726A1 (en) * | 2009-12-03 | 2011-06-09 | Telefonica, S.A. | Recommender system based on expert opinions |
CN102982107A (zh) * | 2012-11-08 | 2013-03-20 | 北京航空航天大学 | 一种融合用户、项目和上下文属性信息的推荐系统优化方法 |
CN103678431A (zh) * | 2013-03-26 | 2014-03-26 | 南京邮电大学 | 一种基于标准标签和项目评分的推荐方法 |
CN105956089A (zh) * | 2016-05-03 | 2016-09-21 | 桂林电子科技大学 | 一种针对具备项目的分类信息的推荐方法 |
CN106095887A (zh) * | 2016-06-07 | 2016-11-09 | 兰州大学 | 基于加权时空效应的情境感知Web 服务推荐方法 |
CN106126727A (zh) * | 2016-07-01 | 2016-11-16 | 中国传媒大学 | 一种推荐系统大数据处理方法 |
-
2016
- 2016-12-30 CN CN201611263361.0A patent/CN106779867B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110137726A1 (en) * | 2009-12-03 | 2011-06-09 | Telefonica, S.A. | Recommender system based on expert opinions |
CN102982107A (zh) * | 2012-11-08 | 2013-03-20 | 北京航空航天大学 | 一种融合用户、项目和上下文属性信息的推荐系统优化方法 |
CN103678431A (zh) * | 2013-03-26 | 2014-03-26 | 南京邮电大学 | 一种基于标准标签和项目评分的推荐方法 |
CN105956089A (zh) * | 2016-05-03 | 2016-09-21 | 桂林电子科技大学 | 一种针对具备项目的分类信息的推荐方法 |
CN106095887A (zh) * | 2016-06-07 | 2016-11-09 | 兰州大学 | 基于加权时空效应的情境感知Web 服务推荐方法 |
CN106126727A (zh) * | 2016-07-01 | 2016-11-16 | 中国传媒大学 | 一种推荐系统大数据处理方法 |
Non-Patent Citations (2)
Title |
---|
凌燕翔: "基于上下文感知的推荐系统的研究", 《CNKI优秀硕士学位论文全文库》 * |
田欧: "基于用户上下文的推荐系统", 《CNKI优秀硕士学位论文全文库》 * |
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107240005A (zh) * | 2017-06-13 | 2017-10-10 | 携程旅游网络技术(上海)有限公司 | 机票附加产品的推荐系统及方法 |
CN107330744A (zh) * | 2017-07-21 | 2017-11-07 | 携程旅游网络技术(上海)有限公司 | 机票衍生产品的推荐方法及系统 |
CN107492008A (zh) * | 2017-08-09 | 2017-12-19 | 阿里巴巴集团控股有限公司 | 信息推荐方法、装置、服务器及计算机存储介质 |
CN107909421A (zh) * | 2017-09-29 | 2018-04-13 | 中国船舶重工集团公司第七0九研究所 | 一种基于用户空间的多gru层神经网络的隐含反馈推荐方法及系统 |
CN107832426B (zh) * | 2017-11-13 | 2021-11-02 | 上海交通大学 | 一种基于使用序列上下文的app推荐方法及系统 |
CN107832426A (zh) * | 2017-11-13 | 2018-03-23 | 上海交通大学 | 一种基于使用序列上下文的app推荐方法及系统 |
CN108243357A (zh) * | 2018-01-25 | 2018-07-03 | 北京搜狐新媒体信息技术有限公司 | 一种视频推荐方法及装置 |
CN110060538A (zh) * | 2019-04-08 | 2019-07-26 | 上海云之驾科技股份有限公司 | 基于历史数据建模的个性化人工智能驾培训练系统及方法 |
CN111814037A (zh) * | 2019-12-31 | 2020-10-23 | 北京嘀嘀无限科技发展有限公司 | 数据处理方法、装置、存储介质及电子设备 |
CN111814037B (zh) * | 2019-12-31 | 2024-04-26 | 北京嘀嘀无限科技发展有限公司 | 数据处理方法、装置、存储介质及电子设备 |
CN111259235A (zh) * | 2020-01-09 | 2020-06-09 | 齐鲁工业大学 | 基于上下文感知及特征交互建模的个性化推荐方法及系统 |
CN111881345A (zh) * | 2020-07-13 | 2020-11-03 | 汕头大学 | 基于位置上下文感知的神经协同过滤服务质量预测方法 |
CN111881345B (zh) * | 2020-07-13 | 2023-06-09 | 汕头大学 | 基于位置上下文感知的神经协同过滤服务质量预测方法 |
CN112861012A (zh) * | 2021-03-09 | 2021-05-28 | 河南工业大学 | 基于上下文和用户长短期偏好自适应学习的推荐方法及装置 |
CN112861012B (zh) * | 2021-03-09 | 2022-11-08 | 河南工业大学 | 基于上下文和用户长短期偏好自适应学习的推荐方法及装置 |
CN113449210A (zh) * | 2021-07-01 | 2021-09-28 | 深圳市数字尾巴科技有限公司 | 基于时空特征的个性化推荐方法、装置、电子设备及存储介质 |
CN113449210B (zh) * | 2021-07-01 | 2023-01-31 | 深圳市数字尾巴科技有限公司 | 基于时空特征的个性化推荐方法、装置、电子设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN106779867B (zh) | 2020-10-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106779867A (zh) | 基于上下文感知的支持向量回归推荐方法及系统 | |
US11284158B2 (en) | Profiling media characters | |
Wang et al. | A comparison of perceived and geographic access to predict urban park use | |
Saaty et al. | The analytic network process | |
CN105117422B (zh) | 智能社交网络推荐系统 | |
CN110362738B (zh) | 一种基于深度学习的结合信任和影响力的个性化推荐方法 | |
CN105260390B (zh) | 一种面向群组的基于联合概率矩阵分解的项目推荐方法 | |
CN106548124A (zh) | 主题推定系统、主题推定方法 | |
CN111542844A (zh) | 信息处理设备、信息处理方法和程序 | |
CN108399575A (zh) | 一种基于社交媒体文本的大五人格预测方法 | |
Dahlgaard et al. | Kansei/affective engineering design: A methodology for profound affection and attractive quality creation | |
Vahdani et al. | Selecting suppliers using a new fuzzy multiple criteria decision model: the fuzzy balancing and ranking method | |
CN105069122B (zh) | 一种基于用户行为的个性化推荐方法及其推荐装置 | |
Franceschini et al. | Prioritization of QFD customer requirements based on the law of comparative judgments | |
CN106709767A (zh) | Ota酒店的个性化推荐方法及系统 | |
CN107329994A (zh) | 一种基于用户特征的改进协同过滤推荐方法 | |
CN108334558A (zh) | 一种结合标签和时间因素的协同过滤推荐方法 | |
CN106874355A (zh) | 同时融入社交关系和用户相似度的协同过滤方法 | |
Wang | A fuzzy-normalisation-based group decision-making approach for prioritising engineering design requirements in QFD under uncertainty | |
Großmann et al. | Advances in optimum experimental design for conjoint analysis and discrete choice models | |
Wang et al. | Three new models for preference voting and aggregation | |
CN103336831B (zh) | 基于块对角矩阵的推荐方法和装置 | |
Lam et al. | An artificial neural network and entropy model for residential property price forecasting in Hong Kong | |
Jahanshahloo et al. | Finding common weights based on the DM's preference information | |
KR20150113644A (ko) | 협업필터링 기반의 상품 추천 시스템에서 추천 기법을 선택하는 방법 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |