CN109522477A - 资源受限的o2o服务组合推荐方法及系统 - Google Patents

Abstract

本发明公开一种资源受限的O2O服务组合推荐方法及系统。该方法包括：计算基于用户基本信息和基于外部情境的用户相似度，进而计算综合情境的用户相似度；获取目标用户的最近邻，根据最近邻对服务项目的评分，计算得到基于目标用户对服务项目预测评分的服务项目列表；计算得到基于供应方动态状态属性的服务项目列表，进而计算得到服务项目综合列表；向目标用户推荐服务项目综合列表中的服务项目，获取目标用户选取的目标服务项目及与目标服务项目对应的各服务点中的目标服务点，并基于最短路径算法计算得到目标用户到达目标服务点的时长最短的服务路径；向目标用户推荐服务组合。本发明可更加合理有效地实现资源受限的O2O服务组合的推荐。

Description

资源受限的O2O服务组合推荐方法及系统

技术领域

本发明涉及O2O服务推荐技术领域。更具体地，涉及一种资源受限的O2O服务组合推荐方法及系统。

背景技术

随着信息技术的发展，社会进入了信息爆炸时代。信息过载问题正变得越来越突出。在这种背景下，如何过滤筛选出最有效的信息就成为迫在眉睫的问题。“推荐技术”正在变得越来越重要。搜索引擎可以看作是第一代的推荐技术，因为需要人为参与，所以是被动式的信息筛选。随后的信息推荐是主动式的，正在融合其他技术，比如新出现的智能音响，包括新闻推荐，商品推荐等，正在发展成为主要的信息流门户。从推荐的资源情况来区分，可以分为两类：一类是线上就能够完成的信息推荐，例如新闻推荐、影视推荐、电商推荐等；另一类是需要线下资源支持的服务推荐，例如O2O服务推荐等。

O2O即Online To Offline，是指将线下的商务机会与互联网结合，让互联网成为线下交易的前台。现今大多数O2O服务推荐仅仅是根据用户对服务的兴趣偏好、用户的浏览历史记录或者用户的购买记录为依据，计算用户相似度，进行基础的信息匹配推荐。对于这类推荐而言，只需要考虑需求方本身的特征信息即可，供应方的属性信息是固定不变的。不足之处在于，因为O2O推荐牵涉到线下服务，所以传统推荐缺少对供应方线下服务资源有限性的全面考虑，例如餐馆、美甲等店铺的服务能力会发生实时变化和线下资源储备有限。当用户群体都按照以上推荐方法接受推荐的时候，就会造成众多用户同时段内前往相同的服务点。最终导致部分用户等待时间过长，无法及时得到满意的服务。同样，当用户前往合适的服务点时，因为用户群体之间的竞争，服务路径上会出现类似的拥堵问题。这些问题会造成供应群体服务效率低下，用户资源分配不均衡。

针对服务推荐算法的问题，如今已有许多研究学者做了大量的相关工作。可分为以下几类：

第一、协同过滤算法

协同过滤算法的性能会随着时间的推移而提高，能处理复杂的非结构化对象，推荐个性化、自动化程度高。等将机器学习融入到基于内容的推荐算法中，证明混合方法显着提高了推荐的准确性，同时降低了规格过多的风险。Masoud Saeed等提出了一种基于加权斜率的算法，有效处理数据稀疏性问题。等将客户的购买历史矩阵与协同过滤结合提出一种新的协同过滤算法，来提高推荐的准确性。NazparYazdanfar等设计了一种基于邻域的推荐系统，向推特用户推荐网址，在提高推荐准确性方面显着优于基于矩阵分解的系统。廖开际等通过计算用户与项目的距离对项目集进行预过滤，以项目被评分用户的交集作为计算项目相似度的基础，对预过滤项目集进行偏好预测，有效减少推荐过程中的计算量以改善推荐的实时性。朱锐等通过搜集偏好相似的推荐用户，计算用户相似度，再对用户的推荐信息进行过滤分类，解决了现有服务推荐系统中所存在的冷启动、推荐准确度低等问题。吕苗等提出了一种基于情境化用户偏好的协同过滤推荐模型，考虑了不同情境对用户偏好影响的差异性进而影响个性化推荐结果。

但是协同过滤算法存在数据稀疏、新用户前期推荐差、质量取决于历史数据集等问题。

第二、组合推荐的混合算法

通过组合推荐算法可以弥补或避免各自推荐算法的缺点。吴湖等提出一种新的联合聚类算法和加权非负矩阵分解算法。该方法分为两阶段评分预测。不仅减少了预测阶段计算量，而且对非负矩阵分解算法的准确度有所提高。邹凌君提出了一种基于时间加权的混合推荐方法。分为离线和在线两个阶段,构建用户描述模型，提高了推荐准确度。

但是O2O服务推荐的目的是能够在任意时刻为用户推荐最符合用户需求的服务并保持推荐信息的实时有效性，让用户更好地享受服务。现有的O2O服务推荐系统存在有以下几方面的缺陷：

(1)现有的服务推荐单单只面向需求方却不考虑供应方，而O2O服务中是需要线下资源支持的，所以供应方的信息也时刻影响着推荐效果。因此，传统推荐策略对O2O服务中供应方实时状态信息的考虑有所欠缺。

(2)现有的服务推荐只针对商品进行普通的推荐，而未考虑推荐之后供需双方间服务路径上用户量的变化情况，影响用户前往体验。

因此，需要提供一种合理性更高的资源受限的O2O服务组合推荐方法及系统。

发明内容

本发明的目的在于提供一种合理性更高的资源受限的O2O服务组合推荐方法及系统。

为达到上述目的，本发明采用下述技术方案：

本发明第一方面提供一种资源受限的O2O服务组合推荐方法，包括：

计算基于用户基本信息的用户相似度和基于外部情境的用户相似度；

根据基于用户基本信息的用户相似度和基于外部情境的用户相似度，计算综合情境的用户相似度；

将与目标用户的综合情境的用户相似度最高的若干个用户作为目标用户的最近邻，根据目标用户的最近邻对服务项目的评分，计算得到基于目标用户对服务项目预测评分的服务项目列表；

计算得到基于供应方动态状态属性的服务项目列表，并根据基于目标用户对服务项目预测评分的服务项目列表和基于供应方动态状态属性的服务项目列表计算得到服务项目综合列表；

向目标用户推荐服务项目综合列表中的服务项目，获取目标用户从服务项目综合列表中选取的目标服务项目及目标用户选取的与目标服务项目对应的各服务点中的目标服务点，并基于最短路径算法计算得到目标用户到达目标服务点之间的各服务路径中时长最短的服务路径；

向目标用户推荐包含目标服务项目、目标服务点及基于最短路径算法计算得到的时长最短的服务路径的服务组合。

优选地，所述计算得到基于供应方动态状态属性的服务项目列表，并根据基于目标用户对服务项目预测评分的服务项目列表和基于供应方动态状态属性的服务项目列表计算得到服务项目综合列表进一步包括：

根据计算得到服务项目的当前服务能力比值P_x，N表示服务项目对应的服务点的当前客户数量，M表示服务项目对应的服务点的最大服务客户数量，根据服务项目的当前服务能力比值得到基于供应方动态状态属性的服务项目列表P_a；

根据L_a＝α×Q_a+β×P_a计算得到服务项目综合列表，其中，Q_a为基于目标用户对服务项目预测评分的服务项目列表，系数α和β的关系为α+β＝1,0＜α,β＜1。

优选地，所述向目标用户推荐包含目标服务项目、目标服务点及基于最短路径算法计算得到的时长最短的服务路径的服务组合还包括：

针对服务过程短的服务项目，

计算基于最短路径算法计算得到的时长最短的服务路径的用户资源量是否超过预设拥堵阈值：若否，则向目标用户推荐所述包含目标服务项目、目标服务点及基于最短路径算法计算得到的时长最短的服务路径的服务组合；若是，则根据用户资源量计算得到目标用户到达目标服务点之间的各服务路径的时长，向目标用户推荐包含目标服务项目、目标服务点及根据用户资源量计算得到的时长最短的服务路径的服务组合。

优选地，

所述计算基于最短路径算法计算得到的时长最短的服务路径的用户资源量是否超过预设拥堵阈值进一步包括：

根据已推荐用户数量计算基于最短路径算法计算得到的时长最短的服务路径的用户资源量；

根据计算基于最短路径算法计算得到的时长最短的服务路径包含的各服务段的用户资源量，其中，x_a表示服务段a的用户资源量；g_k ^rs表示服务路径k的用户资源量，r表示服务路径k的起点，s表示服务路径k的终点；δ^rs _a,k表示服务段-服务路径关联变量，若服务路径k包含服务段a，则δ^rs _a,k＝1，否则δ^rs _a,k＝0；

比较基于最短路径算法计算得到的时长最短的服务路径包含的各服务段的用户资源量与预设拥堵阈值，若基于最短路径算法计算得到的时长最短的服务路径包含的各服务段中至少有一个服务段的用户资源量超过预设拥堵阈值，则判定基于最短路径算法计算得到的时长最短的服务路径的用户资源量超过预设拥堵阈值。

优选地，所述根据用户资源量计算得到目标用户到达目标服务点之间的各服务路径的时长进一步包括：

根据计算各服务路径包含的各服务段的用户资源量；

根据各服务段的用户资源量，通过下式计算各服务路径的时长：

其中，x_s表示预设拥堵阈值；V₀表示用户Agent移动的初始速度，Va表示用户Agent在服务段a上的移动速度；L`_a表示服务段a的长度；t_a(x_a)表示用户通过服务段a所需要的时间；v_k ^rs表示根据用户资源量计算得到的服务路径k的时长。

优选地，所述向目标用户推荐目标服务项目、目标服务点及与之对应的最短服务路径包括：

针对服务过程长的服务项目，

实时计算所述目标服务点的当前服务能力值，并根据P_n(t)＝(MaxUser_n-NewUser_n(t))/MaxUser_n＝Capacity_n(t)/MaxUser_n计算所述目标服务点的当前服务能力比值，其中，Capacity_n(t)表示目标服务点n的当前服务能力值，MaxUsern表示目标服务点n的最大服务能力值，NewUsern(t)为目标服务点n当前正在进行服务的用户数量；

实时判断所述目标服务点的当前服务能力比值是否大于预设比值：若否，则向目标用户推荐所述包含目标服务项目、目标服务点及基于最短路径算法计算得到的时长最短的服务路径的服务组合；若是，则根据用户资源量计算得到目标用户到达目标服务项目对应的各服务点之间的各服务路径的时长，根据各服务点的当前服务能力值及根据用户资源量计算得到的各服务路径的时长计算包含目标服务项目、不同服务点及不同服务路径的各服务组合的收益值，向目标用户推荐收益值最大的服务组合。

优选地，所述根据用户资源量计算得到目标用户到达目标服务项目对应的各服务点之间的各服务路径的时长进一步包括：

根据计算各服务路径包含的各服务段的用户资源量，xa表示服务段a的用户资源量；g_k ^rs表示服务路径k的用户资源量，r表示服务路径k的起点，s表示服务路径k的终点；δ^rs _a,k表示服务段-服务路径关联变量，若服务路径k包含服务段a，则δ^rs _a,k＝1，否则δ^rs _a,k＝0；

根据各服务段的用户资源量，通过下式计算各服务路径的时长：

其中，x_s表示预设拥堵阈值；V₀表示用户Agent移动的初始速度，Va表示用户Agent在服务段a上的移动速度；L`_a表示服务段a的长度；t_a(x_a)表示用户通过服务段a所需要的时间；v_k ^rs表示根据用户资源量计算得到的服务路径k的时长。

优选地，所述根据各服务点的当前服务能力值及根据用户资源量计算得到的各服务路径的时长计算包含目标服务项目、不同服务点及不同服务路径的各服务组合的收益值进一步包括：

根据Pro_k＝a`×Capacity<sub>n</sub>(t)+b`×(v_D ^rs-v_k ^rs)计算各服务组合的收益值，其中，Pro_k表示服务组合k的收益值，Capacity_n(t)表示目标服务点n的当前服务能力值，v_D ^rs表示根据用户资源量计算得到的所述包含目标服务项目、目标服务点及基于最短路径算法计算得到的时长最短的服务路径的服务组合所包含的服务路径的时长，v_k ^rs表示根据用户资源量计算得到的服务路径k的时长，系数a`和b`的关系为a`+b`＝1,0＜a`,b`＜1。

本发明第二方面提供一种执行本发明第一方面提供的方法的资源受限的O2O服务组合推荐系统，包括：

用户相似度计算模块，计算基于用户基本信息的用户相似度和基于外部情境的用户相似度，并根据基于用户基本信息的用户相似度和基于外部情境的用户相似度，计算综合情境的用户相似度；

服务项目综合列表生成模块，将与目标用户的综合情境的用户相似度最高的若干个用户作为目标用户的最近邻，根据目标用户的最近邻对服务项目的评分，计算得到基于目标用户对服务项目预测评分的服务项目列表，计算得到基于供应方动态状态属性的服务项目列表，并根据基于目标用户对服务项目预测评分的服务项目列表和基于供应方动态状态属性的服务项目列表计算得到服务项目综合列表；

推荐模块，向目标用户推荐服务项目综合列表中的服务项目，获取目标用户从服务项目综合列表中选取的目标服务项目及目标用户选取的与目标服务项目对应的各服务点中的目标服务点，并基于最短路径算法计算得到目标用户到达目标服务点之间的各服务路径中时长最短的服务路径，向目标用户推荐包含目标服务项目、目标服务点及基于最短路径算法计算得到的时长最短的服务路径的服务组合。

本发明的有益效果如下：

本发明所述技术方案在线下服务资源受限背景下，同时推荐服务项目、服务点及服务路径信息，不仅考虑了供应方实时状态信息，还将供需间服务路径的状态信息循环反馈给用户，以供用户选择，随时调整推荐的服务组合。最终，提高资源受限的O2O服务推荐策略的合理性和有效性，优化了用户体验，平衡了所有服务资源，提升供应方群体效益。

附图说明

下面结合附图对本发明的具体实施方式作进一步详细的说明；

图1示出本发明实施例提供的资源受限的O2O服务组合推荐方法的流程图。

图2示出三种策略的流程图。

图3示出用户选择服务路径的示意图。

图4示出用户选择服务点的示意图。

具体实施方式

为了更清楚地说明本发明，下面结合优选实施例和附图对本发明做进一步的说明。附图中相似的部件以相同的附图标记进行表示。本领域技术人员应当理解，下面所具体描述的内容是说明性的而非限制性的，不应以此限制本发明的保护范围。

如图1所示，本发明的一个实施例提供了一种资源受限的O2O服务组合推荐方法，包括：

计算基于用户基本信息的用户相似度和基于外部情境的用户相似度；

根据基于用户基本信息的用户相似度和基于外部情境的用户相似度，计算综合情境的用户相似度；

将与目标用户的综合情境的用户相似度最高的若干个用户作为目标用户的最近邻，根据目标用户的最近邻对服务项目的评分，计算得到基于目标用户对服务项目预测评分的服务项目列表；

计算得到基于供应方动态状态属性的服务项目列表，并根据基于目标用户对服务项目预测评分的服务项目列表和基于供应方动态状态属性的服务项目列表计算得到服务项目综合列表；

向目标用户推荐服务项目综合列表中的服务项目，获取目标用户从服务项目综合列表中选取的目标服务项目及目标用户选取的与目标服务项目对应的各服务点中的目标服务点，并基于最短路径算法计算得到目标用户到达目标服务点之间的各服务路径中时长最短的服务路径；

向目标用户推荐包含目标服务项目、目标服务点及基于最短路径算法计算得到的时长最短的服务路径的服务组合。

在本实施例的一些可选的实现方式中，计算得到基于供应方动态状态属性的服务项目列表，并根据基于目标用户对服务项目预测评分的服务项目列表和基于供应方动态状态属性的服务项目列表计算得到服务项目综合列表进一步包括：

根据计算得到服务项目的当前服务能力比值P_x，N表示服务项目对应的服务点的当前客户数量，M表示服务项目对应的服务点的最大服务客户数量，根据服务项目的当前服务能力比值得到基于供应方动态状态属性的服务项目列表P_a；

根据L_a＝α×Q_a+β×P_a计算得到服务项目综合列表，其中，Q_a为基于目标用户对服务项目预测评分的服务项目列表，系数α和β的关系为α+β＝1,0＜α,β＜1。

在本实施例的一些可选的实现方式中，向目标用户推荐包含目标服务项目、目标服务点及基于最短路径算法计算得到的时长最短的服务路径的服务组合还包括：

针对服务过程短的服务项目，

计算基于最短路径算法计算得到的时长最短的服务路径的用户资源量是否超过预设拥堵阈值：若否，则向目标用户推荐所述包含目标服务项目、目标服务点及基于最短路径算法计算得到的时长最短的服务路径的服务组合，即原始要推荐的服务组合；若是，则根据用户资源量计算得到目标用户到达目标服务点之间的各服务路径的时长，向目标用户推荐包含目标服务项目、目标服务点及根据用户资源量计算得到的时长最短的服务路径的服务组合，即一个新的服务组合，以使得使用户可以快速到达服务点。

在本实施例的一些可选的实现方式中，

计算基于最短路径算法计算得到的时长最短的服务路径的用户资源量是否超过预设拥堵阈值进一步包括：

根据已推荐用户数量计算基于最短路径算法计算得到的时长最短的服务路径的用户资源量；

根据计算基于最短路径算法计算得到的时长最短的服务路径包含的各服务段的用户资源量，其中，x_a表示服务段a的用户资源量；g_k ^rs表示服务路径k的用户资源量，r表示服务路径k的起点，s表示服务路径k的终点；δ^rs _a,k表示服务段-服务路径关联变量，若服务路径k包含服务段a，则δ^rs _a,k＝1，否则δ^rs _a,k＝0；

比较基于最短路径算法计算得到的时长最短的服务路径包含的各服务段的用户资源量与预设拥堵阈值，若基于最短路径算法计算得到的时长最短的服务路径包含的各服务段中至少有一个服务段的用户资源量超过预设拥堵阈值，则判定基于最短路径算法计算得到的时长最短的服务路径的用户资源量超过预设拥堵阈值。

计算出各服务段的用户资源量之后，可再据其计算出用户通过各条服务路径的时长，从而可选出时长最短的服务路径。

在本实施例的一些可选的实现方式中，根据用户资源量计算得到目标用户到达目标服务点之间的各服务路径的时长进一步包括：

根据计算各服务路径包含的各服务段的用户资源量；

根据各服务段的用户资源量，通过下式计算各服务路径的时长：

其中，x_s表示预设拥堵阈值；V₀表示用户Agent移动的初始速度，Va表示用户Agent在服务段a上的移动速度；L`_a表示服务段a的长度；t_a(x_a)表示用户通过服务段a所需要的时间；v_k ^rs表示根据用户资源量计算得到的服务路径k的时长。

在本实施例的一些可选的实现方式中，向目标用户推荐目标服务项目、目标服务点及与之对应的最短服务路径包括：

针对服务过程长的服务项目，

实时计算所述目标服务点的当前服务能力值，并根据P_n(t)＝(MaxUser_n-NewUser_n(t))/MaxUser_n＝Capacity_n(t)/MaxUser_n计算所述目标服务点的当前服务能力比值，其中，Capacity_n(t)表示目标服务点n的当前服务能力值，MaxUser_n表示目标服务点n的最大服务能力值，NewUser_n(t)为目标服务点n当前正在进行服务的用户数量；

实时判断所述目标服务点的当前服务能力比值是否大于预设比值：若否，则向目标用户推荐所述包含目标服务项目、目标服务点及基于最短路径算法计算得到的时长最短的服务路径的服务组合，即原始要推荐的服务组合；若是，则根据用户资源量计算得到目标用户到达目标服务项目对应的各服务点之间的各服务路径的时长，根据各服务点的当前服务能力值及根据用户资源量计算得到的各服务路径的时长计算包含目标服务项目、不同服务点及不同服务路径的各服务组合的收益值，向目标用户推荐收益值最大的服务组合，即一个新的服务组合。

在本实施例的一些可选的实现方式中，根据用户资源量计算得到目标用户到达目标服务项目对应的各服务点之间的各服务路径的时长进一步包括：

根据计算各服务路径包含的各服务段的用户资源量，x_a表示服务段a的用户资源量；g_k ^rs表示服务路径k的用户资源量，r表示服务路径k的起点，s表示服务路径k的终点；δ^rs _a,k表示服务段-服务路径关联变量，若服务路径k包含服务段a，则δ^rs _a,k＝1，否则δ^rs _a,k＝0；

根据各服务段的用户资源量，通过下式计算各服务路径的时长：

其中，x_s表示预设拥堵阈值；V0表示用户Agent移动的初始速度，Va表示用户Agent在服务段a上的移动速度；L`_a表示服务段a的长度；t_a(x_a)表示用户通过服务段a所需要的时间；v_k ^rs表示根据用户资源量计算得到的服务路径k的时长。

在本实施例的一些可选的实现方式中，根据各服务点的当前服务能力值及根据用户资源量计算得到的各服务路径的时长计算包含目标服务项目、不同服务点及不同服务路径的各服务组合的收益值进一步包括：

根据Pro_k＝a`×Capacity<sub>n</sub>(t)+b`×(v_D ^rs-v_k ^rs)计算各服务组合的收益值，其中，Pro_k表示服务组合k的收益值，Capacity_n(t)表示目标服务点n的当前服务能力值，v_D ^rs表示根据用户资源量计算得到的所述包含目标服务项目、目标服务点及基于最短路径算法计算得到的时长最短的服务路径的服务组合所包含的服务路径的时长，v_k ^rs表示根据用户资源量计算得到的服务路径k的时长，系数a`和b`的关系为a`+b`＝1,0＜a`,b`＜1。

本实施例提供的资源受限的O2O服务组合推荐方法涉及三种推荐策略，如图2所示，分别为：综合考虑供需方信息的服务推荐策略—Service-CF；针对服务过程短的服务项目，在Service-CF策略的基础上考虑服务链的服务组合推荐策略—Path-CF；以及针对服务过程长的服务项目，在Service-CF策略的基础上考虑服务链的服务组合推荐策略—O2O-CF。下面分别对上述三种推荐策略加以说明。

策略1—Service-CF

考虑供需双方的服务推荐策略是在基于情境的协同过滤推荐算法上，融入了供应方的当前服务能力信息，因此在推荐服务点的时候将用户的综合情境相似度和服务项目的当前服务能力比值进行综合考虑(简称Service-CF)。

基于用户基本信息的用户相似度的计算由公式(1)所示：

在公式(1)中，表示用户u_x和u_y共同评分项目的<服务，基本信息>序对组成的集合，s_j属于服务集合S中的服务项目j，b_n属于用户基本信息集合B的具体属性，表示用户u_x对服务项目j的评分，表示用户u_y对服务项目j的评分，和分别为用户u_x和u_y的平均评分。

基于情境信息的用户相似度的计算由公式(2)所示：

在公式(2)中，表示用户u_x和u_y共同评分项目的<服务，情境信息>序对组成的集合，s_j属于服务集合S中的服务项目j，C_t属于情境集合C中的某一属性，表示用户u_x对服务项目j的评分，表示用户u_y对服务项目j的评分，和分别为用户u_x和u_y的平均评分。

用户的综合情境相似度：通过对基于情境信息的用户相似度和基于用户基本信息的用户相似度计算，将两者加权融合计算用户的用户综合情境相似度。如公式(3)所示：

sim(u_x,u_y)＝a×sim(u_x(c_t),u_y(c_t))+b×sim(u_x(b_n),u_y(b_n)) (3)

在公式(3)中，b_n属于用户基本信息集合B的具体属性，C_t属于情境集合C中的某一属性，权重值a+b＝1,0＜a,b＜1用来调整推荐算法中的用户基本信息和情境因素对推荐的影响权重。a值越大，表明情境因素在综合情境相似度中所占比重越大。反之，用户基本信息对推荐的影响因素越大。

在获取用户的综合情境相似度后，为目标用户选择相似度值较大的用户作为最近邻用户，组成目标用户的最近邻居集U_n＝{u₁,u₂,…,u_n}，然后根据最近邻用户的服务项目评分进而计算目标用户对服务项目的预测评分。综合考虑用户情境因素和用户基本信息对未评分项目的预测评分的计算如公式(4)所示：

在公式(4)中，表示用户u_x和u_y共同评分项目的<服务,基本信息，情境信息>序对集合,表示用户u_x的最近邻居集合，表示用户u_x的最近邻用户u_y对服务项目j的评分，s_j属于服务集合S中的服务项目j，b_n属于用户基本信息集合B的具体属性，C_t属于情境集合C中的某一属性，和分别为用户u_x和u_y的平均评分。

根据公式(3)与(4)得到基于目标用户对服务项目预测评分的服务项目列表Q_a，再根据公式(5)获得考虑供应方动态状态属性的服务项目列表P_a：

其中，P_x表示服务项目的当前服务能力比值，N表示服务项目对应的服务点目前服务客户数量，M表示服务项目对应的服务点的最大服务客户数量。

根据公式(6)得到服务项目综合属性的列表L_a：

L_a＝α×Q_a+β×P_a (6)

其中，α+β＝1,0＜α,β＜1。系数α值越大，表明供应方的特征属性在综合信息相似度中所占比重越大。反之，供应方的实时状态属性对推荐的影响因素越大。

策略2—Path-CF

Path-CF策略应对的信息变化是在服务过程短的情况下，当用户群体根据推荐，前往各自所选择的目标服务点时，因为用户群体数量多，所以如果按照Service-CF推荐行驶的话，会出现服务路径拥堵情况，延长用户获取服务的时间，降低用户的服务体验。所以计算用户通过各个服务路径到达服务点的时间，向用户推荐到达时长最短的服务路径，使用户可以尽快获取服务。综合考虑供服务链的服务组合推荐策略(简称Path-CF)在推荐服务组合时，会向用户推荐到达服务点时长最短的服务路径。

如图3所示，在目标用户由当前起点R与所选择目标终点S之间有多种服务组合供用户选择，该推荐策略的推荐服务路径与用户资源量息息相关，即每一时刻的服务路径所承载的用户数量。服务路径上的用户资源量越大，越接近拥堵阈值，其所属的服务推荐组合被推荐的顺位越靠后，不被用户采纳。

通过记录推荐数量等数据，确定起点R与终点S间服务路径k上的用户资源量g_k ^rs。但在用户多的时候，每条服务路径所承载的用户资源量有限，极容易造成拥堵。多条不同路径会在路段a出现重叠，因此计算服务路径k中每个服务段a的用户资源量，如公式(7)所示：

其中，x_a表示服务段a上的用户资源量；g_k ^rs表示服务路径k的用户资源量，r表示服务路径k的起点，s表示服务路径k的终点；δ^rs _a,k表示服务段-服务路径关联变量，如果起点r与终点s之间的服务路径k含有服务段a，那么δ^rs _a,k＝1，否则，δ^rs _a,k＝0。

可通过用户资源量来计算用户通过服务组合中该服务路径k到达目标服务点的时间，由式(8)表示：

其中，x_a表示服务段a的用户资源量，x_s表示预设服务段拥堵阈值；V₀表示用户Agent移动的初始速度，Va表示用户Agent在服务段a上的移动速度；L`_a表示服务段a的长度；t_a(x_a)表示用户通过服务段a所需要的时间；v_k ^rs表示服务路径k的到达时长，δ^rs _a,k表示服务段-服务路径关联变量，若服务路径k包含服务段a，则δ^rs _a,k＝1，否则δ^rs _a,k＝0。

根据采集的用户资源量数据，计算通过该服务路径的时间，将v_k ^rs按从小到大的顺序排列，并推荐给用户数值最小的。推荐行为可以表示为：

式中，A_m是推荐服务路径的集合；a_m是推荐服务路径的集合中用户可选的一个服务路径，即一种服务路径信息的推荐方案。

策略3—O2O-CF

O2O-CF策略应对的是当用户需求在某时段内急剧增加时，在短时间内大量用户同时接受系统推荐的服务组合方案。如图4所示，用户从自身起始位置R出发，开始前往目标服务点S时，因为群体效应，导致后来用户未到达时，目标服务点S就变成拥堵状态，无法为后来者即刻提供服务。此时，应该为未到的用户及时提供备用服务点推荐列表，以供更换选择目标，前往B点、C点或D点，减少获取服务的时间，为用户提供便捷。同时，将会为用户推荐前往目的地的最合适的服务路径。但是，因服务过程长，需要时间久，即便是新推荐的服务点和服务路径都会重新变得拥堵。所以本策略注重持续学习服务点和服务路径属性的反馈信息，预测良好的服务组合并推荐给用户。持续学习可分为两步：获取数据——将每个服务点当前服务能力值和路段每一刻的资源量数值收集起来、分析数据——通过存储训练记录每一个数据最终的结果，预测新的数据结果，并将结果推荐给用户。

随时记录用户所选择的推荐目标服务点n的当前服务能力值并计算当前服务能力比值，根据公式(10)，判断该节点值是否即将达到拥堵标准。

P_n(t)＝(MaxUser_n-NewUser_n(t))/MaxUser_n＝Capacity_n(t)/MaxUser_n (10)

其中，Capacity_n(t)表示目标服务点n的当前服务能力值，MaxUser_n表示目标服务点n的最大服务能力值，NewUser_n(t)为目标服务点n当前正在进行服务的用户数量。

若P_n(t)≤80％，则表示目标服务点n服务的用户人数未达到峰值，用户可继续前往目标服务点；若P_n(t)＞80％，则表示目标服务点n即将达到拥堵标准，需要重新计算为用户推荐新的服务组合方案。以当前位置为新的起始点R，根据式(11)计算所有服务组合的收益值，并向用户推荐新的服务组合。收益值表示新目标服务点当前服务能力值及用户通过该服务路径获取服务的时间与拥堵状态下通过最短服务路径获取服务的时间的时间差的综合值。将收益值最高的服务组合推荐给目标用户。

Pro_k＝a`×Capacityn(t)+b`×(vD^rs-vk^rs) (11)

其中，Pro_k表示服务组合k的收益值，需要说明的是，服务组合包含服务项目、服务点及服务路径，一个服务项目对应多个服务点，而一个服务点对应多条服务路径，所以对于某服务项目的服务组合，服务组合的总个数与服务路径的总条数对应。Capacity_n(t)表示目标服务点n的当前服务能力值，v_Drs表示拥堵状态下最短服务路径的到达时长，vk^rs表示服务路径k的到达时长，系数a`和b`的关系为a`+b`＝1,0＜a`,b`＜1。a`值越大，表明服务能力值在综合收益中所占比重越大。反之，时间对推荐的影响因素越大。

随着服务点当前服务能力值和服务路径用户资源量的变化，影响用户的选择，将这些信息循环反馈给推荐系统，为移动中的用户调整推荐组合方案，使得所有用户都可以享受及时有效的O2O服务推荐。

本发明的另一个实施例提供了一种执行上述资源受限的O2O服务组合推荐方法的资源受限的O2O服务组合推荐系统，包括：

用户相似度计算模块，计算基于用户基本信息的用户相似度和基于外部情境的用户相似度，并根据基于用户基本信息的用户相似度和基于外部情境的用户相似度，计算综合情境的用户相似度；

服务项目综合列表生成模块，将与目标用户的综合情境的用户相似度最高的若干个用户作为目标用户的最近邻，根据目标用户的最近邻对服务项目的评分，计算得到基于目标用户对服务项目预测评分的服务项目列表，计算得到基于供应方动态状态属性的服务项目列表，并根据基于目标用户对服务项目预测评分的服务项目列表和基于供应方动态状态属性的服务项目列表计算得到服务项目综合列表；

推荐模块，向目标用户推荐服务项目综合列表中的服务项目，获取目标用户从服务项目综合列表中选取的目标服务项目及目标用户选取的与目标服务项目对应的各服务点中的目标服务点，并基于最短路径算法计算得到目标用户到达目标服务点之间的各服务路径中时长最短的服务路径，向目标用户推荐包含目标服务项目、目标服务点及基于最短路径算法计算得到的时长最短的服务路径的服务组合。

需要说明的是，本实施例提供的资源受限的O2O服务组合推荐系统的原理及工作流程与上述资源受限的O2O服务组合推荐方法相似，相关之处可以参照上述说明，在此不再赘述。

在本发明的描述中，需要说明的是，术语“上”、“下”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。

还需要说明的是，在本发明的描述中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定，对于本领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动，这里无法对所有的实施方式予以穷举，凡是属于本发明的技术方案所引伸出的显而易见的变化或变动仍处于本发明的保护范围之列。

Claims (9)

1.一种资源受限的O2O服务组合推荐方法，其特征在于，包括：

计算基于用户基本信息的用户相似度和基于外部情境的用户相似度；

根据基于用户基本信息的用户相似度和基于外部情境的用户相似度，计算综合情境的用户相似度；

将与目标用户的综合情境的用户相似度最高的若干个用户作为目标用户的最近邻，根据目标用户的最近邻对服务项目的评分，计算得到基于目标用户对服务项目预测评分的服务项目列表；

计算得到基于供应方动态状态属性的服务项目列表，并根据基于目标用户对服务项目预测评分的服务项目列表和基于供应方动态状态属性的服务项目列表计算得到服务项目综合列表；

向目标用户推荐服务项目综合列表中的服务项目，获取目标用户从服务项目综合列表中选取的目标服务项目及目标用户选取的与目标服务项目对应的各服务点中的目标服务点，并基于最短路径算法计算得到目标用户到达目标服务点之间的各服务路径中时长最短的服务路径；

向目标用户推荐包含目标服务项目、目标服务点及基于最短路径算法计算得到的时长最短的服务路径的服务组合。

2.根据权利要求1所述的方法，其特征在于，所述计算得到基于供应方动态状态属性的服务项目列表，并根据基于目标用户对服务项目预测评分的服务项目列表和基于供应方动态状态属性的服务项目列表计算得到服务项目综合列表进一步包括：

根据计算得到服务项目的当前服务能力比值P_x，N表示服务项目对应的服务点的当前客户数量，M表示服务项目对应的服务点的最大服务客户数量，根据服务项目的当前服务能力比值得到基于供应方动态状态属性的服务项目列表P_a；

根据L_a＝α×Q_a+β×P_a计算得到服务项目综合列表，其中，Q_a为基于目标用户对服务项目预测评分的服务项目列表，系数α和β的关系为α+β＝1,0＜α,β＜1。

3.根据权利要求1所述的方法，其特征在于，所述向目标用户推荐包含目标服务项目、目标服务点及基于最短路径算法计算得到的时长最短的服务路径的服务组合还包括：

针对服务过程短的服务项目，

计算基于最短路径算法计算得到的时长最短的服务路径的用户资源量是否超过预设拥堵阈值：若否，则向目标用户推荐所述包含目标服务项目、目标服务点及基于最短路径算法计算得到的时长最短的服务路径的服务组合；若是，则根据用户资源量计算得到目标用户到达目标服务点之间的各服务路径的时长，向目标用户推荐包含目标服务项目、目标服务点及根据用户资源量计算得到的时长最短的服务路径的服务组合。

4.根据权利要求3所述的方法，其特征在于，

所述计算基于最短路径算法计算得到的时长最短的服务路径的用户资源量是否超过预设拥堵阈值进一步包括：

根据已推荐用户数量计算基于最短路径算法计算得到的时长最短的服务路径的用户资源量；

根据计算基于最短路径算法计算得到的时长最短的服务路径包含的各服务段的用户资源量，其中，x_a表示服务段a的用户资源量；g_k ^rs表示服务路径k的用户资源量，r表示服务路径k的起点，s表示服务路径k的终点；δ^rs _a,k表示服务段-服务路径关联变量，若服务路径k包含服务段a，则δ^rs _a,k＝1，否则δ^rs _a,k＝0；

比较基于最短路径算法计算得到的时长最短的服务路径包含的各服务段的用户资源量与预设拥堵阈值，若基于最短路径算法计算得到的时长最短的服务路径包含的各服务段中至少有一个服务段的用户资源量超过预设拥堵阈值，则判定基于最短路径算法计算得到的时长最短的服务路径的用户资源量超过预设拥堵阈值。

5.根据权利要求4所述的方法，其特征在于，所述根据用户资源量计算得到目标用户到达目标服务点之间的各服务路径的时长进一步包括：

根据计算各服务路径包含的各服务段的用户资源量；

根据各服务段的用户资源量，通过下式计算各服务路径的时长：

其中，x_s表示预设拥堵阈值；V₀表示用户Agent移动的初始速度，Va表示用户Agent在服务段a上的移动速度；L`_a表示服务段a的长度；t_a(x_a)表示用户通过服务段a所需要的时间；v_k ^rs表示根据用户资源量计算得到的服务路径k的时长。

6.根据权利要求1所述的方法，其特征在于，所述向目标用户推荐目标服务项目、目标服务点及与之对应的最短服务路径包括：

针对服务过程长的服务项目，

实时计算所述目标服务点的当前服务能力值，并根据P_n(t)＝(MaxUser_n-NewUser_n(t))/MaxUser_n＝Capacity_n(t)/MaxUser_n计算所述目标服务点的当前服务能力比值，其中，Capacity_n(t)表示目标服务点n的当前服务能力值，MaxUser_n表示目标服务点n的最大服务能力值，NewUser_n(t)为目标服务点n当前正在进行服务的用户数量；

实时判断所述目标服务点的当前服务能力比值是否大于预设比值：若否，则向目标用户推荐所述包含目标服务项目、目标服务点及基于最短路径算法计算得到的时长最短的服务路径的服务组合；若是，则根据用户资源量计算得到目标用户到达目标服务项目对应的各服务点之间的各服务路径的时长，根据各服务点的当前服务能力值及根据用户资源量计算得到的各服务路径的时长计算包含目标服务项目、不同服务点及不同服务路径的各服务组合的收益值，向目标用户推荐收益值最大的服务组合。

7.根据权利要求6所述的方法，其特征在于，所述根据用户资源量计算得到目标用户到达目标服务项目对应的各服务点之间的各服务路径的时长进一步包括：

根据计算各服务路径包含的各服务段的用户资源量，x_a表示服务段a的用户资源量；g_k ^rs表示服务路径k的用户资源量，r表示服务路径k的起点，s表示服务路径k的终点；δ^rs _a,k表示服务段-服务路径关联变量，若服务路径k包含服务段a，则δ^rs _a,k＝1，否则δ^rs _a,k＝0；

根据各服务段的用户资源量，通过下式计算各服务路径的时长：

其中，x_s表示预设拥堵阈值；V₀表示用户Agent移动的初始速度，Va表示用户Agent在服务段a上的移动速度；L`_a表示服务段a的长度；t_a(x_a)表示用户通过服务段a所需要的时间；v_k ^rs表示根据用户资源量计算得到的服务路径k的时长。

8.根据权利要求7所述的方法，其特征在于，所述根据各服务点的当前服务能力值及根据用户资源量计算得到的各服务路径的时长计算包含目标服务项目、不同服务点及不同服务路径的各服务组合的收益值进一步包括：

根据Pro_k＝a`×Capacity<sub>n</sub>(t)+b`×(v_D ^rs-v_k ^rs)计算各服务组合的收益值，其中，Pro_k表示服务组合k的收益值，Capacity_n(t)表示目标服务点n的当前服务能力值，v_D ^rs表示根据用户资源量计算得到的所述包含目标服务项目、目标服务点及基于最短路径算法计算得到的时长最短的服务路径的服务组合所包含的服务路径的时长，v_k ^rs表示根据用户资源量计算得到的服务路径k的时长，系数a`和b`的关系为a`+b`＝1,0＜a`,b`＜1。

9.一种执行如权利要求1-8中任一项所述方法的资源受限的O2O服务组合推荐系统，其特征在于，包括：

用户相似度计算模块，计算基于用户基本信息的用户相似度和基于外部情境的用户相似度，并根据基于用户基本信息的用户相似度和基于外部情境的用户相似度，计算综合情境的用户相似度；

服务项目综合列表生成模块，将与目标用户的综合情境的用户相似度最高的若干个用户作为目标用户的最近邻，根据目标用户的最近邻对服务项目的评分，计算得到基于目标用户对服务项目预测评分的服务项目列表，计算得到基于供应方动态状态属性的服务项目列表，并根据基于目标用户对服务项目预测评分的服务项目列表和基于供应方动态状态属性的服务项目列表计算得到服务项目综合列表；

推荐模块，向目标用户推荐服务项目综合列表中的服务项目，获取目标用户从服务项目综合列表中选取的目标服务项目及目标用户选取的与目标服务项目对应的各服务点中的目标服务点，并基于最短路径算法计算得到目标用户到达目标服务点之间的各服务路径中时长最短的服务路径，向目标用户推荐包含目标服务项目、目标服务点及基于最短路径算法计算得到的时长最短的服务路径的服务组合。