CN107609938A - 一种基于用户定性和定量偏好的服务推荐方法 - Google Patents
一种基于用户定性和定量偏好的服务推荐方法 Download PDFInfo
- Publication number
- CN107609938A CN107609938A CN201710800298.8A CN201710800298A CN107609938A CN 107609938 A CN107609938 A CN 107609938A CN 201710800298 A CN201710800298 A CN 201710800298A CN 107609938 A CN107609938 A CN 107609938A
- Authority
- CN
- China
- Prior art keywords
- mrow
- user
- preference
- msub
- similarity
- 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
Abstract
本发明公开了一种基于用户定性和定量偏好的服务推荐方法,包括如下步骤:1、获取用户偏好,并将用户偏好分为定性和定量两种方式输入;2、根据输入的用户定性和定量偏好分别计算用户的相似度;3、根据计算得出的用户相似度寻找相似用户;4、根据寻找的相似用户判断用户偏好是否缺失,如果缺失则重新补充当前的用户偏好至寻找到的相似用户内并重新进行判断,如果不缺失则进入下一步;5、根据补充完整的用户偏好进行服务推荐。本发明根据用户的偏好分为定性和定量两种形式,能够更加准确,更加符合用户需要。
Description
技术领域
本发明属于计算机领域,特别涉及一种基于用户定性和定量偏好的服务推荐 方法。
背景技术
随着互联网快速地发展,用户的偏好信息在自动化决策领域所发挥的作用越 来越重要。目前,已有大量的研究人员从事于偏好的研究,提出了基于特定问题 的效用函数来分析定量偏好,但定量的方法对终端用户的要求很高,它要求用户 能对一项服务进行具体的数值化定量描述,而一般情况下,用户是难以用定量的 方法来自然的表达他们的偏好。很多情形下,人们倾向于用定性的方式来表示自 身偏好,比如,现实生活中,终端用户往往不能如此准确地表达出其自身的偏好, 在用户的思维中,他们所拥有的只是一个定性的概念,比如“相对于火车,我更 喜欢飞机”。然而目前对于定性偏好的研究不多,对于综合定性和定量偏好的研 究则更加稀少。
现如今,随着电子商务的迅速发展,当用户提出某一功能性需求时,网络上 能满足用户功能的Web服务很多,但这些服务的非功能属性往往存在差异,比 如响应时间、吞吐率、价格等等。同一功能Web服务所提供的功能大同小异, 但用户对Web服务所提供非功能属性却不相同。传统的推荐方法主要利用协同 过滤的技术:通过分析历史用户的使用记录来向当前用户推荐性能相近的产品; 或者,寻找与当前用户的相似意图用户,用相似意图用户的使用记录来向当前用 户推荐类似的产品或服务。由于客观世界的复杂性、多变性和人类自身认识的局 限性,对于当前用户而言,由于对产品的评价标准大相径庭,不同用户对同一产 品的评价、看法往往不同,因此无法针对所有用户制订统一的标准。另外,许多用户出于耐心等因素,对产品的偏好描述不完整或不一致也会增加服务推荐的难 度。用户的偏好往往会随着外界或内界因素的变化而变化,在应用偏好时存在很 大的随机性,这类现象在电子商务领域体现的最为明显。用户表述的模糊性,或 出于安全、隐私方面的考虑,给出偏好信息的不完整性。以上种种原因都会影响 实际应用的效果。
发明内容
发明目的:针对现有技术中存在的问题,本发明提供一种根据用户的偏好分 为定性和定量两种形式,能够更加准确,更加符合用户需要的基于用户定性和定 量偏好的服务推荐方法。
技术方案:为解决上述技术问题,本发明提供一种基于用户定性和定量偏好 的服务推荐方法,其特征在于,包括如下步骤:
1)获取用户偏好,并将用户偏好分为定性和定量两种方式输入;
2)根据输入的用户定性和定量偏好分别计算用户的相似度;
3)根据计算得出的用户相似度寻找相似用户;
4)根据寻找的相似用户判断用户偏好是否缺失,如果缺失则重新补充当前 的用户偏好至寻找到的相似用户内并重新进行判断,如果不缺失则进入下一步;
5)根据补充完整的用户偏好进行服务推荐。
进一步的,所述步骤2中根据输入的用户定性和定量偏好分别计算用户的相 似度的具体步骤如下:
2.1):使用CP-net对用户的定性偏好进行建模;
2.2):首先对于任意属性Xi有一组值域,对于服务 属性Xi上的每个条件偏好p,其声明部分分解为个偏序对;然后根据偏序对 的个数计算出pre-order的个数;其中Xj表示第j个属性, P(Xj)表示CP-net中Xj节点的父节点,|D(Xj)|表示Xj节点的属性值的个数;
2.3)计算共同偏序对Nc(p)和总的偏序对Na(p)的个数,计算公式如下:
其中u和v为用户,Nc(p)和Na(p)分别为u和v的共有的pre-order数目和 所有的pre-order数目,Xj表示第j个属性,P(Xj)表示CP-net中Xj节点的父 节点,|D(Xj)|表示Xj节点的属性值的个数;Ncp=|Mpu+Mpv|,
Nap=|Mpu|+|Mpv|-|Mpu+Mpv|;其中
Mpu,Mpv分别为pu,pv偏序对的声明矩阵,pu,pv分别为用户u、v在属性 Xi上的条件偏好,|Mpu|,|Mpv|计算公式如下:
且
其中,xij和xik分别表示第i个属性的第j个属性值和第k个属性值。ekj表示属 性值xik和xij之间的偏好关系,|Mp|代表矩阵中大于0的元素个数。
2.4)计算用户的定性偏好相似度,计算公式如下:
其中U和V为用户u、v针对某一抽象服务的CP-net,G(U),G(V)分别为U和V 的CPTs;
2.5)根据用户定量偏好分为单值和区间两种形式分别计算相似度,单值的 偏好相似度计算公式如下:
其中,a,b为两个用户的偏好值,max和min为所有用户此偏好值中的最大 值与最小值;
2.6)偏好以区间的形式,偏好相似度值计算公式如下:
其中,[a1,a2],[b1,b2]非别为两个用户的偏好值区间,Sim([b1,b2],x)位[a1,a2] 区间内所有点与[b1,b2]的相似度值;
2.7)计算服务属性权重:
其中表示所有属性与第j个属性的相似度离差平方 和,Sij表示用户u与用户ui对属性j的偏好值的相似度值,Skj表示用户u与用户uk对属性j的偏好值的相似度值;
2.8)计算用户的定量偏好相似度,计算公式如下:
wi为第i个属性的权重,Sim(a,b)为偏好值的相似度
2.9)计算用户的相似度:
Sim(U,V)=α*Simquali(U,V)+(1-α)*Simquan(U,V)
其中,Simquali(U,V)和Simquan(U,V)分别为根据用户定性和定量偏好计算 出的用户相似度值,α为平衡因子,可根据用户需要来决定。
进一步的,所述步骤3中根据计算得出的用户相似度寻找相似用户的具体步 骤为:设定一个阈值β,首先根据用户偏好来计算用户相似度,若相似度大于β, 那么该用户为当前用户的相似用户。
进一步的,所述步骤4中利用相似用户补充当前用户的偏好的具体步骤为: 采用偏好投票的方法来获得一条偏好的支持度:如果一个相似意图用户描述了一 条偏好,则为该偏好投一票;统计当前用户缺失偏好的票数,最高得票数偏好用 来补充当前用户缺失的偏好;
其中votesp表示偏好项P收到的投票数,votesall表示参与投票的历史用户 的个数。
与现有技术相比,本发明的优点在于:
本发明基于用户的定性和定量偏好,从用户相似度的角度来寻找相似用户, 通过相似意图用户信息进行偏好补充当前用户缺失的偏好,从而进行服务推荐。
从用户定性和定量偏好计算用户相似度来进行服务推荐,为商业推荐系统的 应用提供了支撑,提供了从用户偏好进行推荐的一种新思路。由此看来,本发明 具有重要的理论意义与实际应用价值。
在推荐系统中,用户的偏好可以以定性的方式表达,也可以以定量的方式呈 现,用户表达偏好方式的不确定性,使得在综合考虑用户定性偏好和定量偏好方 面存在一定的难度,此外由于出于安全、隐私方面的考虑,用户给出偏好信息的 往往具有不完整性,使得根据用于已有的偏好来进行服务推荐产生的结果集过于 庞大,从而导致推荐的精确度下降。因而本发明提出同时基于用户的定性和定量 偏好来分析,找出当前用户的相似用户从相似用户的角度来补充当前用户缺失的 偏好信息,从而进行服务推荐。
本发明对用户定性偏好采用条件偏好网模型(conditional preference-net,CP-net)开展研究,这一模型来源于贝叶斯网,是一种严密地 表示定性偏好关系的图形化建模工具,它将用户的偏好以图形的方式呈现出来, 语义一目了然,通过计算不同用户的CP-net的共有pre-order(pre-order定义 为条件偏好中条件属性和声明属性的组合)数目来计算用户的相似度。此外本发 明对用户定量偏好从单值和区间两种约束形式考虑,通过计算偏好值得相似程度 以及偏好信息的权重来计算用户的相似度。在此基础上,通过基于阈值的方法将 不同用户与当前用户的相似度进行排序,从而找出与当前用户的最相似相似的若 干用户,通过这些相似用户的偏好信息,对当前用户缺失的偏好进行投票,如果 一个相似意图用户描述了一条偏好,则为该偏好投一票。采用这种方法统计当前 用户缺最高得票数偏好可以用来补充当前用户缺失的偏好。最后通过补充完整的 用户偏好信息来进行推荐,找到用户最需要的服务。
附图说明
图1为本发明的总体流程图;
图2为实施例中关于用户对旅游行程规划定性偏好的模型图。
具体实施方式
下面结合附图和具体实施方式,进一步阐明本发明。
本发明基于CP-net,对用户的定性偏好进行建模,CP-net这种工具能够以一 种严密和自然的方式对条件偏好信息中的定性偏好关系进行表示和推理。中多个 偏好查询的数学化分析。更重要的是,CP-net能够用来对条件偏好信息进行推导, 其中包括:根据偏好如何决定输出之间的优先关系,如何根据偏好关系对输出进 行排序以及如何选择最优结果集。因而可以用来很好地表示用户的定性偏好。
图2为本发明提出的关于用户对旅游行程规划定性偏好的模型,其中,(a,b) 位CPT(条件偏好表,conditionalpreferencetable),(c)为属性值。A表示用户 的出行方式,共有两种方式:坐火车和坐飞机,B表示旅游点的旅馆选择,共有 三个可供选择的旅馆,C表示旅游点市内出行的选择方案,可选择地铁出行或出 租车出行。其中,用户对A,C的选择会影响到B的选择,用户在选择旅馆的位 置时可能会考虑到交通的便利与否。计算用户相似度的基本流程如下:
首先对于任意属性Xi有一组值域,对于属性Xi上的每 个条件偏好p,其声明部分可以分解为个偏序对(即Xi中任取两个属性值的组 合个数)。然后根据偏序对的个数计算出pre-order的个数,其 中Xj表示第j个属性,P(Xj)表示CP-net中Xj节点的父节点,|D(Xj)表示Xj节 点的属性值的个数。若,定义,,即当偏序对覆盖了 每个属性上的值,只存在一个pre-order。然后采用矩阵的形式来表示偏好的声明 部分,属性Xi上的偏好p其表示形式如下:
且
其中,xij和xik分别表示第i个属性的第j个属性值和第k个属性值。ekj表示属 性值xik和xij之间的偏好关系,|Mp|代表矩阵中大于0的元素个数。
设U和V为用户u、v针对某一抽象服务的CP-net,G(U),G(V)分别为U和V的 CPTs,设p为某一属性Xi上的条件偏好,N(p)为偏好p导出的pre-order个数,用户 u和v之间的相似度计算如下:
其中,Nc(p)和Na(p)分别为u和v的共有的pre-order数目和所有的pre-order数目。之前已经提到,每个偏好p可以产生个偏序对,因此p所产生的pre-order 数目如下:
设pu,pv分别为用户u、v在属性Xi上的条件偏好,其中Xj表示第j个属性, P(Xj)表示CP-net中Xj节点的父节点,|D(Xj)|表示Xj节点的属性值的个数。其 共同偏序对Nc(p)和总的偏序对Na(p)计算如下:
其中,Ncp=|Mpu+Mpv|
Nap=|Mpu|+|Mpv|-|Mpu+Mpv|
其中Mpu,Mpv分别为pu,pv偏序对的声明矩阵,pu,pv分别为用户u、v 在属性Xi上的条件偏好;
其次,对于用户的定量偏好,首先根据单值和区间两种约束形式分别计算其 偏好值的相似度,然后根据相似度值计算偏好的权重,最后的得出用户相似度的 计算方式,对于用户定量偏好使用单值表示的方式,使用海明距离的方式计算其 偏好值的相似度:
其中,a,b为两个用户的偏好值,max和min为所有用户此偏好值中的最大值 与最小值。对于用户偏好值以区间的表示形式,我们以两区间内所有点之间距离 的平均值来度量两属性的距离,即相似度为两区间内所有点的相似度的平均:
其中,[a1,a2],[b1,b2]非别为两个用户的偏好值区间,Sim([b1,b2],x)位[a1,a2] 区间内所有点与[b1,b2]的相似度值,计算方法如下:
再此基础上得出用户偏好值的相似度,计算偏好的权重。偏好的权重反映偏好所含的信息量对决策结果的贡献,此类权重与其偏好值对方案的区分能力成正比, 对各方案区分能力强的偏好应赋予相对大的权重,而不论偏好本身的重要程度如 何。
使用U代表服务所对应的属性区间,U={u1,u2,…un}表示与当前用户相区别 的若干用户,用Sij表示用户u与用户ui对属性j的偏好值的相似度值。因此,S可 表示为以下形式:
对于第j个属性,若用户u和U中所有实例的相似度Sij差异很小,则该偏好对 计算用户相似程度的贡献小,应赋予较小的权重,尤其当该偏好相似度均无差异 时,说明该偏好对于区别不同的用户没有贡献,则其权重应赋为0;反之,如果Sij相互间有较大差异,则应赋予相对大的权重。计算方式如下:
其中表示第j个属性的相似度离差平方和,Sij表示 用户u与用户ui对属性j的偏好值的相似度值,Skj表示用户u与用户uk对属性j的偏 好值的相似度值;
计算得到权重的值为:
由此可以计算用户的定量偏好相似度,计算公式如下:
wi为第i个属性的权重,Sim(a,b)为偏好值的相似度
最后,我们可以根据用户的定量和定性偏好得出用户的相似度值为:
Sim(U,V)=α*Simquali(U,V)+(1-α)*Simquan(U,V)
其中,Simquali(U,V)和Simquan(U,V)分别为根据用户定性和定量偏好计算 出的用户相似度值,α为平衡因子,可根据用户需要来决定。
然后,根据用户的定性和定量偏好得出了用户的相似度,在此基础上我们可 以找出当前用户的相似用户。对此,我们可以基于阈值的方法。基于该方法寻找 相似意图用户的思路为:设定一个阈值β,首先根据用户偏好来计算用户相似度, 若相似度大于β,那么该用户为当前用户的相似意图用户。
最后由于用户所提供的偏好信息通常都是不完整的,这将导致服务选择效率 低下。用户由于个人隐私或对系统的不熟悉往往不会给出完整的偏好描述,因此 需要进行偏好补充。在补充用户偏好前,利用协同过滤的思想找到相似意图用户 的偏好信息来补充当前用户的不完整偏好。若在很多相似意图用户中都描述了同 一条偏好,那么该偏好能被当前用户接收的可能性就更大。在这里我们采用偏好 投票的方法来获得一条偏好的支持度:如果一个相似意图用户描述了一条偏好, 则为该偏好投一票。采用这种方法统计当前用户缺失偏好的票数,最高得票数偏 好可以用来补充当前用户缺失的偏好。
这里这里votesp表示偏好项P收到的投票数,votesall表示参与投票的历史用 户的个数。流程图见图2。
通过以上描述可以看出,本发明所提出的基于用户偏好的服务推荐方法,通 过用户偏好进行分析计算用户相似度,寻找相似用户来进行服务推荐。在用户偏 好不完整的情况下,通过相似用户的信息来补充当前用户确实偏好,极大的提升 了服务推荐的精确性。由此可见,这一发明所提出的方法非常适用于根据用户偏 好来进行服务推荐。
Claims (4)
1.一种基于用户定性和定量偏好的服务推荐方法,其特征在于,包括如下步骤:
1)获取用户偏好,并将用户偏好分为定性和定量两种方式输入;
2)根据输入的用户定性和定量偏好分别计算用户的相似度;
3)根据计算得出的用户相似度寻找相似用户;
4)根据寻找的相似用户判断用户偏好是否缺失,如果缺失则重新补充当前的用户偏好至寻找到的相似用户内并重新进行判断,如果不缺失则进入下一步;
5)根据补充完整的用户偏好进行服务推荐。
2.根据权利要求1中所述的一种基于用户定性和定量偏好的服务推荐方法,其特征在于,所述步骤2中根据输入的用户定性和定量偏好分别计算用户的相似度的具体步骤如下:
2.1):使用CP-net对用户的定性偏好进行建模;
2.2):首先对于任意属性Xi有一组值域对于服务属性Xi上的每个条件偏好p,其声明部分分解为个偏序对;然后根据偏序对的个数计算出pre-order的个数其中Xj表示第j个属性,P(Xj)表示CP-net中Xj节点的父节点,|D(Xj)|表示Xj节点的属性值的个数;
2.3)计算共同偏序对Nc(p)和总的偏序对Na(p)的个数,计算公式如下:
<mrow>
<msub>
<mi>N</mi>
<mi>c</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>p</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<msub>
<mi>N</mi>
<mrow>
<mi>c</mi>
<mi>p</mi>
</mrow>
</msub>
<msub>
<mo>&Pi;</mo>
<mrow>
<msub>
<mi>X</mi>
<mi>j</mi>
</msub>
<mo>&NotEqual;</mo>
<msub>
<mi>X</mi>
<mi>i</mi>
</msub>
<mo>&cap;</mo>
<msub>
<mi>X</mi>
<mi>j</mi>
</msub>
<mo>&NotElement;</mo>
<mi>p</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>X</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
</mrow>
</msub>
<mo>|</mo>
<mi>D</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>X</mi>
<mi>j</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>|</mo>
</mrow>
<mrow>
<msub>
<mi>N</mi>
<mi>a</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>p</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<msub>
<mi>N</mi>
<mrow>
<mi>a</mi>
<mi>p</mi>
</mrow>
</msub>
<msub>
<mo>&Pi;</mo>
<mrow>
<msub>
<mi>X</mi>
<mi>j</mi>
</msub>
<mo>&NotEqual;</mo>
<msub>
<mi>X</mi>
<mi>i</mi>
</msub>
<mo>&cap;</mo>
<msub>
<mi>X</mi>
<mi>j</mi>
</msub>
<mo>&NotElement;</mo>
<mi>p</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>X</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
</mrow>
</msub>
<mo>|</mo>
<mi>D</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>X</mi>
<mi>j</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>|</mo>
</mrow>
其中u和v为用户,Nc(p)和Na(p)分别为u和v的共有的pre-order数目和所有的pre-order数目,Xj表示第j个属性,P(Xj)表示CP-net中Xj节点的父节点,|D(Xj)|表示Xj节点的属性值的个数;Ncp=|Mpu+Mpv|,
Nap=|Mpu|+|Mpv|-|Mpu+Mpv|;其中Mpu,Mpv分别为pu,pv偏序对的声明矩阵,pu,pv分别为用户u、v在属性Xi上的条件偏好;
|Mpu|,|Mpv|计算公式如下:
且
其中,xij和xik分别表示第i个属性的第j个属性值和第k个属性值。ekj表示属性值xik和xij之间的偏好关系,|Mp|代表矩阵中大于0的元素个数。
2.4)计算用户的相似度,计算公式如下:
其中U和V为用户u、v针对某一抽象服务的CP-net,G(U),G(V)分别为U和V的CPTs;
2.5)根据用户定量偏好分为单值和区间两种形式分别计算相似度,单值的偏好相似度计算公式如下:
<mrow>
<mi>S</mi>
<mi>i</mi>
<mi>m</mi>
<mrow>
<mo>(</mo>
<mi>a</mi>
<mo>,</mo>
<mi>b</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mn>1</mn>
<mo>-</mo>
<mfrac>
<mrow>
<mo>|</mo>
<mi>a</mi>
<mo>-</mo>
<mi>b</mi>
<mo>|</mo>
</mrow>
<mrow>
<mi>max</mi>
<mo>-</mo>
<mi>min</mi>
</mrow>
</mfrac>
</mrow>
其中,a,b为两个用户的偏好值,max和min为所有用户此偏好值中的最大值与最小值;
2.6)偏好以区间的形式,偏好相似度值计算公式如下:
<mrow>
<mi>S</mi>
<mi>i</mi>
<mi>m</mi>
<mrow>
<mo>(</mo>
<mo>&lsqb;</mo>
<mi>a</mi>
<mn>1</mn>
<mo>,</mo>
<mi>a</mi>
<mn>2</mn>
<mo>&rsqb;</mo>
<mo>,</mo>
<mo>&lsqb;</mo>
<mi>b</mi>
<mn>1</mn>
<mo>,</mo>
<mi>b</mi>
<mn>2</mn>
<mo>&rsqb;</mo>
<mo>)</mo>
</mrow>
<mo>=</mo>
<msubsup>
<mo>&Integral;</mo>
<mrow>
<mi>a</mi>
<mn>1</mn>
</mrow>
<mrow>
<mi>a</mi>
<mn>2</mn>
</mrow>
</msubsup>
<mi>S</mi>
<mi>i</mi>
<mi>m</mi>
<mrow>
<mo>(</mo>
<mo>&lsqb;</mo>
<mi>b</mi>
<mn>1</mn>
<mo>,</mo>
<mi>b</mi>
<mn>2</mn>
<mo>&rsqb;</mo>
<mo>,</mo>
<mi>x</mi>
<mo>)</mo>
</mrow>
<mo>*</mo>
<mi>f</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>)</mo>
</mrow>
<mi>d</mi>
<mi>x</mi>
</mrow>
其中,[a1,a2],[b1,b2]非别为两个用户的偏好值区间,Sim([b1,b2],x)位[a1,a2]区间内所有点与[b1,b2]的相似度值;
2.7)计算服务属性权重:
<mrow>
<msub>
<mi>w</mi>
<mi>j</mi>
</msub>
<mo>=</mo>
<mfrac>
<mrow>
<msubsup>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</msubsup>
<msubsup>
<mo>&Sigma;</mo>
<mrow>
<mi>k</mi>
<mo>=</mo>
<mi>i</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</msubsup>
<msub>
<mi>w</mi>
<mi>j</mi>
</msub>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>s</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mo>-</mo>
<msub>
<mi>s</mi>
<mrow>
<mi>k</mi>
<mi>j</mi>
</mrow>
</msub>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
</mrow>
<msqrt>
<mrow>
<msubsup>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>m</mi>
</msubsup>
<msup>
<mrow>
<mo>&lsqb;</mo>
<msubsup>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</msubsup>
<msubsup>
<mo>&Sigma;</mo>
<mrow>
<mi>k</mi>
<mo>=</mo>
<mi>i</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</msubsup>
<msub>
<mi>w</mi>
<mi>j</mi>
</msub>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>s</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mo>-</mo>
<msub>
<mi>s</mi>
<mrow>
<mi>k</mi>
<mi>j</mi>
</mrow>
</msub>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
<mo>&rsqb;</mo>
</mrow>
<mn>2</mn>
</msup>
</mrow>
</msqrt>
</mfrac>
</mrow>
其中表示所有属性与第j个属性的相似度离差平方和,Sij表示用户u与用户ui对属性j的偏好值的相似度值,Skj表示用户u与用户uk对属性j的偏好值的相似度值;
2.8)计算用户的定量偏好相似度,计算公式如下:
<mrow>
<msub>
<mi>Sim</mi>
<mrow>
<mi>q</mi>
<mi>u</mi>
<mi>a</mi>
<mi>n</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>U</mi>
<mo>,</mo>
<mi>V</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mrow>
<msubsup>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</msubsup>
<msub>
<mi>w</mi>
<mi>i</mi>
</msub>
<mi>S</mi>
<mi>i</mi>
<mi>m</mi>
<mrow>
<mo>(</mo>
<mi>a</mi>
<mo>,</mo>
<mi>b</mi>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<msubsup>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</msubsup>
<msub>
<mi>w</mi>
<mi>i</mi>
</msub>
</mrow>
</mfrac>
</mrow>
wi为第i个属性的权重,Sim(a,b)为偏好值的相似度
2.9)计算用户的相似度:
Sim(U,V)=α*Simquali(U,V)+(1-α)*Simquan(U,V)
其中,Simquali(U,V)和Simquan(U,V)分别为根据用户定性和定量偏好计算出的用户相似度值,α为平衡因子,可根据用户需要确定。
3.根据权利要求1中所述的一种基于用户定性和定量偏好的服务推荐方法,其特征在于,所述步骤3中根据计算得出的用户相似度寻找相似用户的具体步骤为:设定一个阈值β,首先根据用户偏好来计算用户相似度,若相似度大于β,那么该用户为当前用户的相似用户。
4.根据权利要求1中所述的一种基于用户定性和定量偏好的服务推荐方法,其特征在于,所述步骤4中利用相似用户补充当前用户的偏好的具体步骤为:采用偏好投票的方法来获得一条偏好的支持度:如果一个相似意图用户描述了一条偏好,则为该偏好投一票;统计当前用户缺失偏好的票数,最高得票数偏好用来补充当前用户缺失的偏好;
<mrow>
<mi>s</mi>
<mi>c</mi>
<mi>o</mi>
<mi>r</mi>
<mi>e</mi>
<mrow>
<mo>(</mo>
<mi>p</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mrow>
<msub>
<mi>votes</mi>
<mi>p</mi>
</msub>
</mrow>
<mrow>
<msub>
<mi>votes</mi>
<mrow>
<mi>a</mi>
<mi>l</mi>
<mi>l</mi>
</mrow>
</msub>
</mrow>
</mfrac>
</mrow>
其中votesp表示偏好项P收到的投票数,votesall表示参与投票的历史用户的个数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710800298.8A CN107609938B (zh) | 2017-09-07 | 2017-09-07 | 一种基于用户定性和定量偏好的服务推荐方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710800298.8A CN107609938B (zh) | 2017-09-07 | 2017-09-07 | 一种基于用户定性和定量偏好的服务推荐方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107609938A true CN107609938A (zh) | 2018-01-19 |
CN107609938B CN107609938B (zh) | 2021-05-11 |
Family
ID=61063021
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710800298.8A Active CN107609938B (zh) | 2017-09-07 | 2017-09-07 | 一种基于用户定性和定量偏好的服务推荐方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107609938B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110796505A (zh) * | 2018-08-03 | 2020-02-14 | 阿里巴巴集团控股有限公司 | 一种业务对象推荐方法以及装置 |
CN112115335A (zh) * | 2019-06-20 | 2020-12-22 | 百度(中国)有限公司 | 数据融合处理方法、装置、设备和存储介质 |
CN113240325A (zh) * | 2021-06-02 | 2021-08-10 | 平安科技(深圳)有限公司 | 数据处理方法、装置、设备及存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102882937A (zh) * | 2012-09-06 | 2013-01-16 | 东南大学 | 基于用户偏好不完整和偏好冲突的Web服务选择方法 |
CN103646066A (zh) * | 2013-12-03 | 2014-03-19 | 东南大学 | 一种基于定性和定量用户偏好选择可信web服务的方法 |
CN103646061A (zh) * | 2013-12-02 | 2014-03-19 | 东南大学 | 面向服务的需求分析方法 |
CN103984721A (zh) * | 2014-05-13 | 2014-08-13 | 中国矿业大学 | 基于交互式进化优化的图书个性化搜索方法 |
-
2017
- 2017-09-07 CN CN201710800298.8A patent/CN107609938B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102882937A (zh) * | 2012-09-06 | 2013-01-16 | 东南大学 | 基于用户偏好不完整和偏好冲突的Web服务选择方法 |
CN103646061A (zh) * | 2013-12-02 | 2014-03-19 | 东南大学 | 面向服务的需求分析方法 |
CN103646066A (zh) * | 2013-12-03 | 2014-03-19 | 东南大学 | 一种基于定性和定量用户偏好选择可信web服务的方法 |
CN103984721A (zh) * | 2014-05-13 | 2014-08-13 | 中国矿业大学 | 基于交互式进化优化的图书个性化搜索方法 |
Non-Patent Citations (1)
Title |
---|
王红兵等: "《Web服务选择中偏好不确定问题的研究》", 《计算机学报》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110796505A (zh) * | 2018-08-03 | 2020-02-14 | 阿里巴巴集团控股有限公司 | 一种业务对象推荐方法以及装置 |
CN110796505B (zh) * | 2018-08-03 | 2023-07-04 | 淘宝(中国)软件有限公司 | 一种业务对象推荐方法以及装置 |
CN112115335A (zh) * | 2019-06-20 | 2020-12-22 | 百度(中国)有限公司 | 数据融合处理方法、装置、设备和存储介质 |
CN113240325A (zh) * | 2021-06-02 | 2021-08-10 | 平安科技(深圳)有限公司 | 数据处理方法、装置、设备及存储介质 |
CN113240325B (zh) * | 2021-06-02 | 2024-02-02 | 平安科技(深圳)有限公司 | 数据处理方法、装置、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN107609938B (zh) | 2021-05-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Lupo | Fuzzy ServPerf model combined with ELECTRE III to comparatively evaluate service quality of international airports in Sicily | |
Clark et al. | Residential mobility and household location modelling | |
CN103823888B (zh) | 一种基于节点亲密度的社交网站好友推荐方法 | |
US6631362B1 (en) | General decision-making support method and system | |
CN110428096A (zh) | 基于票务信息的城市轨道交通多交路运输组织优化方法 | |
CN105335157B (zh) | 一种整合主观和客观评估的需求优先级排序方法及系统 | |
CN107392479A (zh) | 基于逻辑回归模型的电力客户停电敏感度评分卡实施方法 | |
CN104503973A (zh) | 一种基于奇异值分解与分类器融合推荐的方法 | |
CN105976207A (zh) | 一种基于多属性动态权重分配的信息搜索结果生成方法及系统 | |
Dean | Multi-criteria analysis | |
CN107609938A (zh) | 一种基于用户定性和定量偏好的服务推荐方法 | |
CN109214863B (zh) | 一种基于快递数据预测城市房屋需求的方法 | |
CN101320449A (zh) | 基于组合评价方法的配电网评估方法 | |
Ustinovichius | Determination of efficiency of investments in construction | |
Daly et al. | Forecasting and data aggregation: theory and practice | |
CN105956694A (zh) | 融合异构数据源的商业地产内部空间价值建模和优化方法 | |
Aydın et al. | How efficient airways act as role models and in what dimensions? A superefficiency DEA model enhanced by social network analysis | |
Soltani et al. | Bus route evaluation using a two-stage hybrid model of Fuzzy AHP and TOPSIS | |
CN108112044A (zh) | 一种基于正态模糊数的异构无线网络选择方法 | |
Dean | A practical guide to multi-criteria analysis | |
Sutherland et al. | Impacts of quality certification on online reviews and pricing strategies in the hospitality industry | |
Thiengburanathum et al. | A decision tree based recommendation system for tourists | |
KR20190041439A (ko) | 데이터 오류 수정 기능을 갖는 주택 가격 추정을 위한 빅데이터 구축 시스템 | |
Papić et al. | Using Bayesian network and AHP method as a marketing approach tools in defining tourists' preferences | |
Papić et al. | Multi-criteria decision-making in the tourism domain: The past, present and future of the research field |
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 |