CN111241422B - 基于用户个性化需求推荐方法 - Google Patents

基于用户个性化需求推荐方法 Download PDF

Info

Publication number
CN111241422B
CN111241422B CN202010041176.7A CN202010041176A CN111241422B CN 111241422 B CN111241422 B CN 111241422B CN 202010041176 A CN202010041176 A CN 202010041176A CN 111241422 B CN111241422 B CN 111241422B
Authority
CN
China
Prior art keywords
recommendation
candidate set
user
target user
scored
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.)
Active
Application number
CN202010041176.7A
Other languages
English (en)
Other versions
CN111241422A (zh
Inventor
蒋任
卢晓飞
张元元
蔡荣
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hangzhou Tiankuan Technology Co ltd
Original Assignee
Hangzhou Tiankuan Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Hangzhou Tiankuan Technology Co ltd filed Critical Hangzhou Tiankuan Technology Co ltd
Priority to CN202010041176.7A priority Critical patent/CN111241422B/zh
Publication of CN111241422A publication Critical patent/CN111241422A/zh
Application granted granted Critical
Publication of CN111241422B publication Critical patent/CN111241422B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06F16/9536—Search customisation based on social or collaborative filtering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • 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
    • G06Q30/06—Buying, selling or leasing transactions
    • G06Q30/0601—Electronic shopping [e-shopping]
    • G06Q30/0631—Item recommendations

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • General Engineering & Computer Science (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Strategic Management (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Economics (AREA)
  • Development Economics (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明公开了一种基于用户个性化需求推荐方法，包括以下步骤：积累目标用户信息，建立需求模型，更新目标用户个性化需求表，采用基于内容推荐算法，形成民宿候选集；利用基于聚类算法形成目标用户邻居集；依照是否被邻居集用户评分将民宿候选集分成两类，一类为已评分民宿候选集，另一类为未评分民宿候选集，获取的已评分民宿候选集的前若干项和未评分民宿候选集的前若干项共同组成主要推荐集；随机从匹配度低和大量其他民宿信息中，获取一定比例的民宿，增加多样性和新颖性信息，形成特殊推荐集；结合主要推荐集和特殊推荐集，形成推荐结果，推送给目标用户。本发明的有益之处在于提高推荐算法的效率，使推荐结果更加精确，可靠，新颖。

Description

基于用户个性化需求推荐方法
技术领域
本发明涉及一种基于用户个性化需求推荐方法。
背景技术
推荐算法主要基于协同过滤算法，在数据极度稀疏的环境下，当前主要基于内容和用户的直接评分进行推荐，通过建立用户-物品，用户-评分矩阵实现推荐算法。
现有的推荐算法主要缺陷在于：初始用户无相关评分信息，即冷启动问题，无法形成有效推荐；仅基于内容，用户评分缺乏多样性、新颖性；缺乏时间进程的演变过程，即随着时间推移用户需求的改变过程。
发明内容
为解决现有技术的不足，本发明提供了一种基于用户个性化需求推荐方法，提高推荐算法的效率，使推荐结果更加精确，可靠，新颖。
为了实现上述目标，本发明采用如下的技术方案：
一种基于用户个性化需求推荐方法，包括以下步骤：
建立目标用户个性化需求表和民宿对象属性表；
利用初始目标用户个性化需求信息和民宿对象属性信息，采用基于内容推荐算法，形成匹配结果，产生推荐集；
收集并积累目标用户信息，利用目标用户历史数据和评分数据，建立需求模型，更新目标用户个性化需求表，采用基于内容推荐算法，形成民宿候选集；
利用基于聚类算法形成目标用户邻居集；
依照是否被邻居集用户评分将民宿候选集分成两类，一类为已评分民宿候选集，另一类为未评分民宿候选集，对已评分民宿候选集通过计算邻居集用户评分均值排序获取排名前若干项，对未评分民宿候选集依据匹配度排序获取排名前若干项，获取的已评分民宿候选集的前若干项和未评分民宿候选集的前若干项共同组成主要推荐集；
随机从匹配度低和大量其他民宿信息中，获取一定比例的民宿，增加多样性和新颖性信息，形成特殊推荐集；
结合主要推荐集和特殊推荐集，形成推荐结果，推送给目标用户。
进一步地，通过余弦相似性或Person相关系数进行相似计算获得邻居集。
一种基于用户个性化需求推荐方法，包括以下步骤：
建立目标用户个性化需求表和物品对象属性表；
利用初始目标用户个性化需求信息和物品对象属性信息，采用基于内容推荐算法，形成匹配结果，产生推荐集；
收集并积累目标用户信息，利用目标用户历史数据和评分数据，建立需求模型，更新目标用户个性化需求表，采用基于内容推荐算法，形成物品候选集；
利用基于聚类算法形成目标用户邻居集；
依照是否被邻居集用户评分将物品候选集分成两类，一类为已评分物品候选集，另一类为未评分物品候选集，对已评分物品候选集依据邻居集用户评分获取若干项，对未评分物品候选集依据匹配度排序获取排名前若干项，获取的已评分物品候选集的若干项和未评分物品候选集的前若干项共同组成主要推荐集；
随机获取若干物品，增加多样性和新颖性信息，形成特殊推荐集；
结合主要推荐集和特殊推荐集，形成推荐结果，推送给目标用户。
进一步地，通过余弦相似性或Person相关系数进行相似计算获得邻居集。
进一步地，获取的已评分物品候选集的若干项为对已评分物品候选集依据邻居集用户评分均值进行排序的排名前列的若干项。
进一步地，随机从匹配度低和大量其他物品信息中，获取一定比例的物品，形成特殊推荐集。
本发明的有益之处在于，1.提高推荐算法的效率，使推荐结果更加精确，可靠，新颖。2.解决冷启动问题，对初始用户友好。3.使用时间概念更新数据信息，将陈旧信息的影响尽量减少，提高推荐算法质量。
附图说明
图1是本发明的一种基于用户个性化需求推荐方法的更新用户个性化需求的流程图；
图2是本发明的一种基于用户个性化需求推荐方法的形成主要推荐集的流程图。
具体实施方式
以下结合附图和具体实施例对本发明作具体的介绍。
如图1和图2所示，一种基于用户个性化需求推荐方法，包括以下步骤：
形成民宿对象属性表。
建立目标用户个性化需求表。
利用初始目标用户个性化需求信息和民宿对象属性信息，采用基于内容推荐算法，进行方差计算
Figure GDA0004051969630000021
形成匹配结果，产生推荐集。
收集并积累目标用户信息，利用目标用户历史数据和评分数据，建立需求模型，更新目标用户个性化需求表，采用基于内容推荐算法，形成民宿候选集。经过一段时间的目标用户信息的积累对用户个性化需求表机械能更新，使用了时间概念更新数据信息，将陈旧信息的影响尽量减少，提高推荐算法质量。
利用基于聚类算法形成目标用户邻居集。具体而言，通过余弦相似性或Person相关系数进行相似计算获得邻居集。余弦相似性函数
Figure GDA0004051969630000031
表示用户向量u和v的内积，||u||和||v|表示用户u和v的模，cos的值越大，表示两者之间的夹角越小，相似性越高。Person相关系数
Figure GDA0004051969630000032
Ru，i和Rv，i分别表示用户u和用户v对对象i的评分，
Figure GDA0004051969630000033
和
Figure GDA0004051969630000034
分别表示用户u和用户v对对象的平均评分值。
依照是否被邻居集用户评分将民宿候选集分成两类，一类为已评分民宿候选集，另一类为未评分民宿候选集，对已评分民宿候选集通过计算邻居集用户评分均值排序获取排名前若干项(top-n项)，对未评分民宿候选集依据匹配度排序获取排名前若干项(top-n项)，获取的已评分民宿候选集的前若干项和未评分民宿候选集的前若干项共同组成主要推荐集。作为可选的实施方式，也可以根据邻居集用户评分采用其他方式获取若干项。
随机从匹配度低和大量其他民宿信息中，获取一定比例的民宿，增加多样性和新颖性信息，形成特殊推荐集。作为可选的实施方式，也可以获取特定数量的若干物品形成特殊推荐集，并不限定为特定比例。
结合主要推荐集和特殊推荐集，形成推荐结果，推送给目标用户。
以上实施例中采用民宿作为一种推荐物品的具体实施例对基于用户个性化需求推荐方法进行说明，基于用户个性化需求推荐方法可推荐的物品并不限定为民宿也可以是其他物品、产品或商品。
基于用户个性化需求，综合各用户的个性化需求特征，结合一段时间用户评分，历史信息，采用聚类算法计算邻居集，再通过具体分类，过滤获取主要推荐集，再结合特殊性，新颖性获取一定比例推荐样本形成特殊推荐集，进行综合推荐。
提高推荐算法的效率，使推荐结果更加精确，可靠，新颖。解决冷启动问题，对初始用户友好。使用时间概念更新数据信息，将陈旧信息的影响尽量减少，提高推荐算法质量。
以上显示和描述了本发明的基本原理、主要特征和优点。本行业的技术人员应该了解，上述实施例不以任何形式限制本发明，凡采用等同替换或等效变换的方式所获得的技术方案，均落在本发明的保护范围内。

Claims (6)

1.一种基于用户个性化需求推荐方法，其特征在于，包括以下步骤：
建立目标用户个性化需求表和民宿对象属性表；
利用初始目标用户个性化需求信息和民宿对象属性信息，采用基于内容推荐算法，形成匹配结果，产生推荐集；
收集并积累目标用户信息，利用目标用户历史数据和评分数据，建立需求模型，更新目标用户个性化需求表，采用基于内容推荐算法，形成民宿候选集；
利用基于聚类算法形成目标用户邻居集；
依照是否被邻居集用户评分将民宿候选集分成两类，一类为已评分民宿候选集，另一类为未评分民宿候选集，对已评分民宿候选集通过计算邻居集用户评分均值排序获取排名前若干项，对未评分民宿候选集依据匹配度排序获取排名前若干项，获取的已评分民宿候选集的前若干项和未评分民宿候选集的前若干项共同组成主要推荐集；
随机从匹配度低和大量其他民宿信息中，获取一定比例的民宿，增加多样性和新颖性信息，形成特殊推荐集；
结合主要推荐集和特殊推荐集，形成推荐结果，推送给目标用户。
2.根据权利要求1所述的基于用户个性化需求推荐方法，其特征在于，
通过余弦相似性或Person相关系数进行相似计算获得邻居集。
3.一种基于用户个性化需求推荐方法，其特征在于，包括以下步骤：
建立目标用户个性化需求表和物品对象属性表；
利用初始目标用户个性化需求信息和物品对象属性信息，采用基于内容推荐算法，形成匹配结果，产生推荐集；
收集并积累目标用户信息，利用目标用户历史数据和评分数据，建立需求模型，更新目标用户个性化需求表，采用基于内容推荐算法，形成物品候选集；
利用基于聚类算法形成目标用户邻居集；
依照是否被邻居集用户评分将物品候选集分成两类，一类为已评分物品候选集，另一类为未评分物品候选集，对已评分物品候选集依据邻居集用户评分获取若干项，对未评分物品候选集依据匹配度排序获取排名前若干项，获取的已评分物品候选集的若干项和未评分物品候选集的前若干项共同组成主要推荐集；
随机获取若干物品，增加多样性和新颖性信息，形成特殊推荐集；
结合主要推荐集和特殊推荐集，形成推荐结果，推送给目标用户。
4.根据权利要求3所述的基于用户个性化需求推荐方法，其特征在于，
通过余弦相似性或Person相关系数进行相似计算获得邻居集。
5.根据权利要求3所述的基于用户个性化需求推荐方法，其特征在于，
获取的已评分物品候选集的若干项为对已评分物品候选集依据邻居集用户评分均值进行排序的排名前列的若干项。
6.根据权利要求3所述的基于用户个性化需求推荐方法，其特征在于，
随机从匹配度低和大量其他物品信息中，获取一定比例的物品，形成特殊推荐集。
CN202010041176.7A 2020-01-15 2020-01-15 基于用户个性化需求推荐方法 Active CN111241422B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010041176.7A CN111241422B (zh) 2020-01-15 2020-01-15 基于用户个性化需求推荐方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010041176.7A CN111241422B (zh) 2020-01-15 2020-01-15 基于用户个性化需求推荐方法

Publications (2)

Publication Number Publication Date
CN111241422A CN111241422A (zh) 2020-06-05
CN111241422B true CN111241422B (zh) 2023-04-14

Family

ID=70879453

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010041176.7A Active CN111241422B (zh) 2020-01-15 2020-01-15 基于用户个性化需求推荐方法

Country Status (1)

Country Link
CN (1) CN111241422B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2016191959A1 (zh) * 2015-05-29 2016-12-08 深圳市汇游智慧旅游网络有限公司 一种时变的协同过滤推荐方法
CN107491813A (zh) * 2017-08-29 2017-12-19 天津工业大学 一种基于多目标优化的长尾群组推荐方法
CN108205682A (zh) * 2016-12-19 2018-06-26 同济大学 一种用于个性化推荐的融合内容和行为的协同过滤方法
CN110083764A (zh) * 2019-04-11 2019-08-02 东华大学 一种协同过滤算法冷启动问题的解决方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150073931A1 (en) * 2013-09-06 2015-03-12 Microsoft Corporation Feature selection for recommender systems

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2016191959A1 (zh) * 2015-05-29 2016-12-08 深圳市汇游智慧旅游网络有限公司 一种时变的协同过滤推荐方法
CN108205682A (zh) * 2016-12-19 2018-06-26 同济大学 一种用于个性化推荐的融合内容和行为的协同过滤方法
CN107491813A (zh) * 2017-08-29 2017-12-19 天津工业大学 一种基于多目标优化的长尾群组推荐方法
CN110083764A (zh) * 2019-04-11 2019-08-02 东华大学 一种协同过滤算法冷启动问题的解决方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
路丹 ; 陈占芳 ; .基于协同过滤的个性化民宿推荐系统的设计与实现.现代计算机(专业版).2018,(第32期),全文. *

Also Published As

Publication number Publication date
CN111241422A (zh) 2020-06-05

Similar Documents

Publication Publication Date Title
CN110020128B (zh) 一种搜索结果排序方法及装置
CN106156333B (zh) 一种融合社会化信息的改进单类协同过滤方法
US8189963B2 (en) Matching advertisements to visual media objects
CN108363804A (zh) 基于用户聚类的局部模型加权融合Top-N电影推荐方法
US20100082590A1 (en) Systems and Methods for Enhancing Web-Based Searching
CN109408600B (zh) 一种基于数据挖掘的图书荐购方法
CN108665323A (zh) 一种用于理财产品推荐系统的集成方法
CN109947987B (zh) 一种交叉协同过滤推荐方法
CN102968506A (zh) 一种基于扩展特征向量的个性化协同过滤推荐方法
CN112612973B (zh) 结合知识图谱的个性化智能服装搭配推荐方法
CN101996191A (zh) 一种二维跨媒体元搜索方法和系统
CN103049513A (zh) 一种服饰鞋包类商品图像多视觉特征融合方法
CN111651678B (zh) 一种基于知识图谱的个性化推荐方法
CN109977299A (zh) 一种融合项目热度和专家系数的推荐算法
CN108920709B (zh) 基于随机森林修正的大数据下改进协同过滤推荐方法
CN111241422B (zh) 基于用户个性化需求推荐方法
CN112836008B (zh) 基于去中心化存储数据的索引建立方法
CN106919647B (zh) 一种基于聚类的网络结构相似性推荐方法
CN111612583B (zh) 一种基于聚类的个性化导购系统
CN113591947A (zh) 基于用电行为的电力数据聚类方法、装置和存储介质
CN108287902B (zh) 一种基于数据非随机缺失机制的推荐系统方法
Parikh et al. Beyond relevance in marketplace search
CN107423294A (zh) 一种社群图像检索方法及系统
CN116049543A (zh) 综合能效服务业务混合推荐方法、系统及存储介质
CN103049570A (zh) 基于相关保持映射和一分类器的图像视频搜索排序方法

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