CN109740065B - 基于特征模型的个性化信息推荐方法 - Google Patents

Abstract

本发明公开一种基于特征模型的个性化信息推荐方法。方法包括：用户个性特征模型的优化构建：基于层次分析法构建用户个性特征成对比较矩阵；对构建的用户个性特征成对比较矩阵采用只做第一个属性和其余属性的比较，其他值则采用自动推理计算的方法进行优化；建立目标对象的特征信息库；通过获取用户终端的定位信息，计算出目标距离，基于构建的用户个性特征模型对建立的目标对象的特征信息库进行检索，完成与位置相关的个性信息的检索与推荐。本发明的技术方案，综合了用户的个性化需求特征和用户与目标信息点的距离，能够及时、准确的向用户提供个性化推荐信息，满足不同类型的用户的个性化信息要求。

Description

基于特征模型的个性化信息推荐方法

技术领域

本发明属于数据分析多目标决策/信息推荐领域，具体地说，涉及一种基于特征模型的个性化信息推荐方法。

背景技术

通常在信息推荐中，针对实时位置的信息推送，一般采用预先建立周边位置相关的信息点信息库，然后通过实时位置获取，将内容信息和位置建立关联搜索，来完成位置相关信息推荐的方法。之后，随着移动互联网和LBS应用的快速发展，需求和应用随着技术的进步逐渐趋于多样化，从过去的简单将信息内容和地理位置建立关联，逐步开始向精准化、多样性方向发展。但是，这些方式往往注重信息推送，而忽略了个性化的信息要求。

在个性化的特征模型构建和信息推荐方面，对新用户或新对象建立个性特征模型，并完成个性化推荐是需要解决的首要问题。层次分析法作为多指标综合评价被广泛应用，在构建特征模型时能较准确地反应各项指标的影响，但困难是成对矩阵必须满足一致性检验，且当一致性出现问题，存在修正复杂的问题。

发明内容

本发明所要解决的技术问题是提供一种位置相关的基于特征模型的个性化信息推荐方法，用以满足不同类型的用户的个性化信息要求。

本发明公开的基于特征模型的个性化信息推荐方法，包括以下步骤：

S1、用户个性特征模型的优化构建：基于层次分析法构建用户个性特征成对比较矩阵；对构建的用户个性特征成对比较矩阵采用只做第一个属性和其余属性的比较，其他值则采用自动推理计算的方法进行优化；

S2、建立目标对象的特征信息库；

S3、通过获取用户终端的定位信息，计算出目标距离，基于构建的用户个性特征模型对建立的目标对象的特征信息库进行检索，完成与位置相关的个性信息的检索与推荐。

如上所述的方法，其中，S1步骤中所述的基于层次分析法构建用户个性特征成对比较矩阵，具体为：

设分类为T的信息点X,有A有A₁,A₂…A_n个属性，其权重分别为w₁,w₂…w_n,对于个体P的观点来说，其信息点X的个性特征成对比较矩阵为：

其中，重要性权重w₁/w₂按照程度采用数值1-9逐渐增强描述，按相同、稍强、强、较强、最强，分别取值为1、3、5、7、9，处于中间级别取值2、4、6、8；

权重向量W按如下公式计算：

且

在保证一致性的前提下，对特征矩阵X计算出最大特征值n′和对应的特征向量W′,即可以将该w′作为个体P的的个性特征向量，代表了个体P对于各个属性的重要性排序观点。

如上所述的方法，其中，S1步骤中所述的对构建的用户个性特征成对比较矩阵采用只做第一个属性和其余属性的比较，其他值则采用自动推理计算的方法进行优化，包括：

对属性a_1，i生成两两成对比较列表；

对每个比较列表赋予选项和取值；

用户选择确定取值；

用以下实现公式计算得到完整比较矩阵：

实现公式是：

即：在已知a_1，1 a_1，2 … a_1，n的情况下,可求出a_2，1到a_n，n的值；

k_i，j的计算方法是：

[1]计算出当i＜j情况下的全部a″_i，j，

a″_i，j＝a′_1，j-a′_1，i

其中，

[2]对所有a″_i，j取其值进行归一化计算，预先保留其正负值符号：

归一化计算公式为：

a″_i，j＝(|a″_i，j|-min|a″_i，j|)/(max|a″_i，j|-min|a″_i，j|)；

[3]将归一化后的值进行区间映射，将a″_i，j对应到区间1-9，求出k_i，j，映射公式为：

k_i，j＝round(1+a″_i，j*(9-1)，0)；

[4]根据[2]中保留的正负符号按公式(3)计算出a_i，j；

按照以上步骤，即可在已知a_1，i的情况下，求出矩阵(1)个性特征成对比较矩阵的完整值。

如上所述的方法，其中，S2步骤中所述的建立目标对象的特征信息库，具体步骤如下：

确定多级分类，即针对每一类进一步确定下级分类，以及各对象的属性；

计算各目标对象点的属性特征值时，将属性的取值范围界定为1-9，当地平均水平值设定为5，将其属性与当地平均情况作比较，值越大，表示比平均水平好，值越小，表示越差。

本发明提供的基于特征模型的个性化信息推荐方法具有以下优点：

1、解决在构建成对比较矩阵出现不一致时，排查和修正困难的问题。

2、解决在构建成对比较矩阵时，主观判断输入过多的问题。

3、综合了用户的个性化需求特征和用户与目标信息点的距离，能够及时、准确的向用户提供个性化推荐信息，满足不同类型用户的个性化信息要求。

附图说明

此处所说明的附图用来提供对本发明的进一步理解，构成本发明的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：

图1为本发明基于特征模型的个性化信息推荐方法实施例的流程图；

图2为本发明实施例中成对比较矩阵和特征向量的优化构建和计算流程图。

具体实施方式

以下将配合实施例及附图来详细说明本发明的实施方式，藉此对本发明如何应用技术手段来解决技术问题并达成技术功效的实现过程能充分理解并据以实施。

在个性化特征模型的建立中，需要对归属于同一类型的信息点信息，进一步设定个性化的兴趣权重。例如：对于“美食”来说，其下属属性是味道、价格和卫生，对于个人来说，分别按自己的主观判断确定权重因素。为了准确描述个性模型，采用层次分析法计算特征矩阵和特征向量进行描述。图1为本发明基于特征模型的个性化信息推荐方法实施例的流程图。参考图1所示，本发明的基于特征模型的个性化信息推荐方法可以包括以下步骤(S1～S3)：

S1、用户个性特征模型的优化构建：基于层次分析法构建用户个性特征成对比较矩阵；对构建的用户个性特征成对比较矩阵采用只做第一个属性和其余属性的比较，其他值则采用自动推理计算的方法进行优化。

S2、建立目标对象的特征信息库。

S3、通过获取用户终端的定位信息，计算出目标距离，基于构建的用户个性特征模型对建立的目标对象的特征信息库进行检索，完成与位置相关的个性信息的检索与推荐。

如上所述的方法，其中，S1步骤中所述的基于层次分析法构建用户个性特征成对比较矩阵，具体为：

设分类为T的信息点X,有A有A₁,A₂…A_n个属性，其权重分别为w₁,w₂…w_n,对于个体P的观点来说，其信息点X的个性特征成对比较矩阵为：

其中，重要性权重w₁/w₂按照程度采用数值1-9逐渐增强描述，按相同、稍强、强、较强、最强，分别取值为1、3、5、7、9，处于中间级别取值2、4、6、8；

权重向量W按如下公式计算：

且

在保证一致性的前提下，对特征矩阵X计算出最大特征值n′和对应的特征向量W′,即可以将该W′作为个体P的的个性特征向量，代表了个体P对于各个属性的重要性排序观点。

例如：对于小王，除了距离a₁外，对于美食的三个属性：味道a₂、价格a₃、卫生a₄来说，其主观认为的重要性个性特征比较矩阵为:

计算得到最大特征值n′＝4.1707,对应特征向量

W′＝(0.1980，0.4179，0.0623，0.8845)^T

为检验其一致性，根据一致性比率CR计算公式：

CR＝[(n′-n)/(n-1)]/RI

则CR＝0.059<1。

因此，X满足一致性，则该W′即是小王的个性特征向量，代表了其个人对于距离、味道、价格和卫生不同影响因素之间的个性化权重选择是:卫生>味道>距离>价格。

如上所述的方法，其中，S1步骤中所述的对构建的用户个性特征成对比较矩阵采用只做第一个属性和其余属性的比较，其他值则采用自动推理计算的方法进行优化，包括：

对属性a_1，i生成两两成对比较列表；

对每个比较列表赋予选项和取值；

用户选择确定取值；

用以下实现公式计算得到完整比较矩阵：

实现公式是：

即：在已知a_1，1 a_1，2 ... a_1，n的情况下,可求出a_2，1到a_n，n的值；

k_i，j的计算方法是：

[1]计算出当i＜j情况下的全部a″_i，j，

a″_i，j＝a′_1，j-a′_1，i

其中，

[2]对所有a″_i，j取其值进行归一化计算，预先保留其正负值符号：

归一化计算公式为：

a″_i，j＝(|a″_i，j|-min|a″_i，j|)/(max|a″_i，j|-min|a″_i，j|)；

[3]将归一化后的值进行区间映射，将a″_i，j对应到区间1-9，求出k_i，j，映射公式为：

k_i，j＝round(1+a″_i，j*(9-1)，0)；

[4]根据[2]中保留的正负符号按公式(3)计算出a_i，j；

按照以上步骤，即可在已知a_1，i的情况下，求出矩阵(1)个性特征成对比较矩阵的完整值。图2为本发明实施例中成对比较矩阵和特征向量的优化构建和计算流程图。参考图2所示，对该矩阵计算矩阵的最大特征值，可得到其对应特征向量。这样，通过多属性的简化选择和自动推导计算，即可得到个性特征向量W′。对于每个目标对象点的多重属性，生成a_1，i的两两成对的比较列表。

有m个属性，则有

个比较列表供用户选择。列表选项为重要性从“相同”到“非常重要”，采用数值1-9存储。

如上所述的方法，其中，S2步骤中所述的建立目标对象的特征信息库，具体步骤如下：

(1)确定多级分类，即针对每一类进一步确定下级分类，以及各对象的属性。例如，将“美食”分为“川味、清真、西餐……”，其属性则包括：味道、价格、卫生等。

(2)计算各目标对象点的属性特征值时，将属性的取值范围界定为1-9，当地平均水平值设定为5，将其属性与当地平均情况作比较，值越大，表示比平均水平好，值越小，表示越差。其中，价格属性，值越大，表示越便宜，价格优势越大。

以下以位置相关的周边餐饮美食的个性化推荐为例，进行算法说明。

建立地理位置相关基础数据信息，首先要明确数据采集的边界。以周边美食为例，周边的各色各类餐饮店及相关细节、品质描述信息是信息采集的目标对象点和主要内容。因此，在对象特征信息库建立时，需要根据对象特性进行分类，然后按分类完成信息采集，并对归属于同一类型的目标对象点信息，进一步设定其多个属性，以及属性的取值范围和规则，并完成计算。

例如：对于“美食”来说，其下属属性除了位置需要相对用户实时位置临时获取以外，还应该包括美食的味道、价格、卫生等等，这些属性信息相对固定，需要预先建立。这样，通过建立该对象的分类树和各目标对象点的属性特征值，并存储到数据库，来最终完成对象特征描述信息库的初始建立。

具体步骤如下：

[1]确定多级分类，即针对每一类进一步确定下级分类，以及各对象的属性。例如：将“美食”分为“滇味、川味、清真、西餐……”,其属性则包括：味道、价格、卫生等。

[2]计算各目标对象点的属性特征值时，将属性的取值范围界定为1-9，当地平均水平值设定为5，将其属性与当地平均情况作比较，值越大，表示比平均水平好，值越小，表示越差。其中，价格属性，值越大，表示越便宜，价格优势越大。

例如：目标餐馆o₁的分类为“滇味”，属性特征值O_v1为：味道A₁、价格A₂、卫生A₃：

A₁ A₂ A₃

则：O_v1＝(9 3 8)

在信息检索和推荐时，通过获取移动终端的定位信息，计算出目标距离，然后结合建立的个性兴趣特征模型，对对象信息库进行检索，完成与位置相关的个性信息的检索和推荐。

在位置定位时，通常通过借助第三方地图API来完成开发。例如：腾讯地图API、百度地图API和高德地图API等,它们都提供了非常全面的开发接口。但是，针对不同的第三方地图由于其坐标系有所不同，从专业GPS设备中获得的地理定位坐标数据是国际标准坐标WGS84，需要对实时获取的定位——WGS84坐标信息进行转换，以适应不同坐标系的要求。例如：腾讯地图，属于GCJ02地理坐标系，它是由中国国家测绘局制订的地理信息系统坐标系，也被称为火星坐标系，按规定加入了随机偏差完成加密。百度采用的坐标是BD09坐标系，而搜狗则采用搜狗坐标系。国内主流的几个地图服务商采用的坐标系如表1所示：

表1 各地图所采用的坐标系表

实际应用中，在计算用户实时坐标位置时，通过调用转换函数接口(地图服务商大都提供了坐标转换功能)，完成坐标转换，转换后再进行标注，才能正确反应信息点位置。然后，将各信息点获取的地理坐标预先存入数据库，以此建立各信息点的位置信息。

为了在搜索时比较各信息点和用户实时位置的远近，需要进行两点之间的距离计算。

基于个性化的信息检索和推送，综合用户的个性化需求特征和用户与目标信息点的距离，进行检索和推荐。

对于用户的个性化需求特征,已通过之前的个性化兴趣特征模型完成计算，用特征向量W_i表示，它可以完整表述用户对距离和各个影响因素之间的权重关系，对不同用户，W_i不同。

在检索推荐算法中，针对要检索的对应类别下的各个目标信息点O_i，在信息库中的属性特征值O_vi基础上，增加实时位置和信息点之间的距离因素，距离因素根据之前计算的d_i值转换得到，方法是：

共同构成要素特征值X_i，即：

X_i＝(d_i′，O_vi)

对X_i进行归一化后，可取得与用户实时位置相关的若干信息点的信息特征矩阵。然后,针对该矩阵，根据用户的兴趣特征模型向量，计算出各个点的目标权重向量，然后通过排序，即可完成基于用户个性特征的目标推荐。

即对综合权重S_i＝X_i*W_i的乘积结果：

按从大到小的顺序排序，排序结果代表了各个信息点满足用户对距离和各个属性的重要性要求的程度。

综上所述，本发明提供的技术方案，基于成对比较矩阵的构建和一致性校验原理，根据最简的用户两两比较判断输入，采用推导计算的方法，自动构建出C成对比较矩阵。这样，在保证矩阵含义完全符合用户主观设定的情况下，自动建立满足一致性检验的成对比较矩阵。因此，在大大简化用户主观选择操作的同时，还保证了采用该方法构建的成对比较矩阵具有高度的一致性。经计算检验，采用该方法构建的成对比较矩阵，其一致性指标CR＝CI/RI完全满足CR<0.1的一致性要求。因此，本发明提供的技术方案能够及时、准确的向用户提供个性化推荐信息，满足不同类型的用户的个性化信息要求。

上述说明示出并描述了本发明的若干优选实施例，但如前所述，应当理解本发明并非局限于本文所披露的形式，不应看作是对其他实施例的排除，而可用于各种其他组合、修改，并能够在本发明构想范围内，通过上述教导或相关领域的技术或知识进行改动。而本领域人员所进行的改动和变化不脱离本发明的精神和范围，则都应在本发明所附权利要求的保护范围内。

Claims (2)

1.一种基于特征模型的个性化信息推荐方法，其特征在于，包括以下步骤：

S1、用户个性特征模型的优化构建：基于层次分析法构建用户个性特征成对比较矩阵；对构建的用户个性特征成对比较矩阵采用只做第一个属性和其余属性的比较，其他值则采用自动推理计算的方法进行优化；

S2、建立目标对象的特征信息库；

S3、通过获取用户终端的定位信息，计算出目标距离，基于构建的用户个性特征模型对建立的目标对象的特征信息库进行检索，完成与位置相关的个性信息的检索与推荐；

S1步骤中所述的基于层次分析法构建用户个性特征成对比较矩阵，具体为：

设分类为T的信息点X,有A₁,A₂…A_n个属性，其权重分别为w₁,w₂…w_n,对于个体P的观点来说，其信息点X的个性特征成对比较矩阵为：

其中，a_1,1、a_1,2…a_n,n分别代表了矩阵的第1行第1列、第1行第2列…到第n行第n列的各个元素，n为信息点X的属性个数；重要性权重w₁/w₂按照程度采用数值1-9逐渐增强描述，按相同、稍强、强、较强、最强，分别取值为1、3、5、7、9，处于中间级别取值2、4、6、8；重要性权重w₁/w₂为A₁权重w₁和A₂权重w₂的比值，以此类推，w₁/w_n为A₁权重w₁和A_n权重w_n的比值；

权重向量W按如下公式计算：

且

在保证一致性的前提下，对个性特征成对比较矩阵X计算出最大特征值n′和对应的特征向量W′,即将该W′作为个体P的的个性特征向量，代表了个体P对于各个属性的重要性排序观点；

S1步骤中所述的对构建的用户个性特征成对比较矩阵采用只做第一个属性和其余属性的比较，其他值则采用自动推理计算的方法进行优化，包括：

对属性a_1，i生成两两成对比较列表；

对每个比较列表赋予选项和取值；

用户选择确定取值；

用以下实现公式计算得到完整比较矩阵：

实现公式是：

即：在已知a_{1， 1} ， a_{1， 2} ， … a_{1， n} 的情况下， 可求出a_2，1到a_n，n的值；

k_i，j的计算方法是：

[1]计算出当i＜j情况下的全部a″_i，j，

a″_i，j＝a′_1，j-a′_1，i

其中，

[2]对所有a″_i，j取其值进行归一化计算，预先保留其正负值符号：

归一化计算公式为：

a″_i，j＝(|a″_i，j|-min|a″_i，j|)/(max|a″_i，j|-min|a″_i，j|)；

[3]将归一化后的值进行区间映射，将a″_i，j对应到区间1-9，求出k_i，j，映射公式为：

k_i，j＝round(1+a″_i，j*(9-1)，0)；

[4]根据[2]中保留的正负符号按公式(2) 计算出a_i，j；

按照以上步骤，即可在已知a_1，i的情况下，求出矩阵(1)个性特征成对比较矩阵的完整值。

2.如权利要求1所述的方法，其特征在于，S2步骤中所述的建立目标对象的特征信息库，具体步骤如下：

确定多级分类，即针对每一类进一步确定下级分类，以及各对象的属性；

计算各目标对象点的属性特征值时，将属性的取值范围界定为1-9，当地平均水平值设定为5，将其属性与当地平均情况作比较，值越大，表示比平均水平好，值越小，表示越差。

Images