CN112685651B - 基于多目标属性的最近邻搜索的服务推荐方法 - Google Patents

Abstract

本发明提供了一种基于多目标属性的最近邻搜索的服务推荐方法。所述基于多目标属性的最近邻搜索的服务推荐方法包括如下步骤：步骤S1、提取目标用户的特征及需求；步骤S2、进行多目标属性的最近邻搜索，找到合适的服务响应。本发明根据目标用户的特征、喜好和共享需求，匹配商家提供服务的共享特征，通过多目标属性的最近邻搜索，找到合适的服务响应，将商家的共享服务推荐和匹配给目标用户，实现共享服务的最大价值化。

Description

基于多目标属性的最近邻搜索的服务推荐方法

技术领域

本发明涉及共享服务推荐技术领域，特别涉及基于多目标属性的最近邻搜索的服务推荐方法。

背景技术

共享服务的推荐算法是一种特殊的信息过滤技术，向目标用户推荐目标用户感需要的共享出行服务。在互联网应用中，一个典型的推荐系统会根据目标用户的某些特征做出一个目标用户概况，由此来推算目标用户对某些潜在服务的喜好程度。目标用户特征可以从目标用户浏览历史(基于内容的推荐)或者从目标用户的社会环境(协同推荐)来得到。

传统推荐算法是解决internet网上购物中信息过载的一种有效机制，在一个商务推荐站点，顾客可以寻找感兴趣的服务，由推荐站点为其在网上进行自动搜索，顾客可以轻松地选择到合适的服务。因此，智能推荐系统的主要目标是帮助顾客在internet海量信息环境下进行服务检索和比较。它的具体任务就是顾客遍历海量服务信息，从中筛选出符合顾客购买倾向的信息，并基于购买历史主动获取顾客的偏好。

将传统推荐系统的思路应用到共享汽车服务的搜索和匹配中，根据目标用户的特征、喜好和共享需求，匹配商家提供服务的共享特征，通过多目标属性的最近邻搜索，找到合适的服务响应。

互联网的服务推荐进行说明：

1、item-to-user个性化推荐

根据目标用户对视频的浏览历史，找出目标用户喜好的视频类型，再把类似的视频推荐给目标用户，即“什么我最感兴趣”，是一种基于目标用户浏览历史的推荐。

基本原理及算法：目标用户长期的浏览历史应该符合目标用户的个人喜好，我们从目标用户的浏览历史从提取出目标用户的特征做成特征向量作为目标用户的概况，然后用来与视频特征比较，最符合目标用户喜好的视频会被推荐给目标用户。

优点：各个目标用户的推荐内容都不同；可以推荐出符合目标用户喜好的东西；能在了解目标用户的基础上推荐；能理解被推荐的对象。

缺点：受对象描述限制，描述详细推荐效果好，反之效果较不好；可能过分专一化，目标用户如果过分偏好某一类型对象，就只能推荐出这一类型对象；新目标用户问题。

item-to-item视频关联推荐(metadata similarity)

视频关联度的推荐，统计看过该视频的目标用户还看过什么视频，即“看了x的人也看了y”，购物网站常用。

基本原理及算法：如果两个视频经常同时被目标用户观看，两个视频被其他未看过的目标用户同时观看的概率也很大。所以通过统计看过该视频的目标用户还看过什么视频，得到与该视频同时出现次数最多的，概率最大的视频推荐给目标用户。

优点：能得到一个视频与视频之间关联度的排行，能无视视频的内容或属性特征作出推荐。

缺点：不能反映目标用户喜好；推荐结果不一定准确。

user-to-user目标用户协同推荐(behavior similarity)

把具有类似口味和喜好的人过去所喜欢的视频推荐给目标用户，即“和您有相同兴趣的人还看了......”，是针对于一个目标用户的浏览历史来推荐的。基本原理及算法：根据目标用户的浏览历史从提取出目标用户的特征做成特征向量作为目标用户的概况，找到和该目标用户相似的目标用户，这些目标用户的兴趣爱好应该和该目标用户相近，从其他目标用户们的浏览历史中找出该目标用户未看过而应该喜欢看的视频推荐给目标用户。

优点：能够推荐难以进行机器自动基于内容分析的信息；能够基于一些复杂的，难以表达的概念(信息质量、品位)进行过滤；推荐的新颖性。

缺点：新用户问题(即稀疏性问题)；随着用户和服务的增多，系统的性能会越来越低(即可扩展性问题)；新物品问题(即最初评价问题)。

user-to-item大众排行

通过搜集网上某些网站的统计排行信息做出的推荐(例如视频点击排行)，即“什么最流行”，这种推荐不需要有目标用户数据，能反映出大众的喜好。

优点：能反映出当前的大众喜好，社会热点。

缺点：推荐结果千篇一律，推荐结果不符合目标用户喜好。

发明内容

本发明提供了一种基于多目标属性的最近邻搜索的服务推荐方法，其目的是为了解决背景技术中传统服务推荐方法推荐效果不好的技术问题。

为了达到上述目的，本发明的实施例提供的基于多目标属性的最近邻搜索的服务推荐方法，包括如下步骤：

步骤S1、提取目标用户的特征及需求，提取商家提供服务特征；

步骤S2、进行多目标属性的最近邻搜索，找到合适的服务响应；具体为：通过计算目标用户的特征及需求与各个商家提供的服务的多属性之间的相似性，搜索目标用户的最近邻商家，然后由最近邻商家的评分数据向目标用户产生服务推荐。

优选地，所述步骤S2具体包括如下步骤：

步骤S21、构建多个以目标用户的特征为区分的子矩阵；

步骤S22、对子矩阵里进行目标用户兴趣度的测量；

步骤S23、将有特征相似度高的目标用户和商家服务聚类；

步骤S24、再在步骤S23中特征相似度高的目标用户基础上，构建多个以目标用户的需求为区分的分矩阵；

步骤S25、对分块矩阵里进行目标用户兴趣度的测量；

步骤S26、将有需求相似度高的目标用户和商家服务聚类。

优选地，所述步骤S23中

对商家服务聚类为：按服务所属类别来进行聚类；

对目标用户聚类为：构建目标用户特征函数Pi＝(V₁，V₂，…，V_m)，其中i代表第i个目标用户，Vm为第m类产品平均购买金额。

优选地，所述步骤S23的具体方式为：将相似度高的目标用户、商家服务进行项目评分预测，对项目评分预测结果按由大到小排列，给定一个评分阈值，构成相似目标用户的推荐项目，成为最后推荐结果。

优选地，所述步骤S2中多目标属性的最近邻搜索的数学模型具体为：

步骤SA、定义数学模型：

n个决策变量参数、k个目标函数和m个约束条件，最优化目标为：

Maximize y＝f(x)＝(f₁(x)，f₂(x)，…，f_k(x))

e(x)＝(e₁(x)，e₂(x)，…，e_m(x))≤0

其中x＝(x₁，x₂，…，x_n)

Y＝(y₁，y₂，…，y_k)

其中，x表示以目标用户特征及需求为区分的决策向量，y表示以兴趣度进行评分的目标用户推荐的目标向量，X表示决策向量x形成的决策空间，Y表示目标向量y形成的目标空间，约束条件e(x)≤0确定决策向量的可行的取值范围，约束条件即所述评分阈值；

步骤SB、获得可行解集：

可行解集X_f定义为满足约束条件e(x)的决策向量x的集合，即

X_f＝{x∈X|e(x)≤0}

X_f的可行区域所对应的目标空间的表达式为：

即表示可行解集X_f中的所有x，经满足约束条件e(x)的优化函数，映射形成目标空间中的一个子空间，该子空间的决策向量均属于可行解集。

采用本发明能达到的技术效果有：根据目标用户的特征、喜好和共享需求，匹配商家提供服务的共享特征，通过多目标属性的最近邻搜索，找到合适的服务响应，将商家的共享服务推荐和匹配给目标用户，实现共享服务的最大价值化。采用多目标属性的归纳(需求聚类和信任预测两大类)、匹配矩阵的构造和最近邻的搜索的多方面改进，进行共享服务的快速、高效推荐，具有规范的应用价值。

附图说明

图1为本发明的基于多目标属性的最近邻搜索的服务推荐方法一较佳实施例的流程图。

具体实施方式

为使本发明要解决的技术问题、技术方案和优点更加清楚，下面将结合附图及具体实施例进行详细描述。

本发明针对现有的问题，提供了一种基于多目标属性的最近邻搜索的服务推荐方法，如图1所示，包括如下步骤：

步骤S1、提取目标用户的特征及需求，提取商家提供服务特征；

步骤S2、进行多目标属性的最近邻搜索，找到合适的服务响应；具体为：通过计算目标用户的特征及需求与各个商家提供的服务的多属性之间的相似性，搜索目标用户的最近邻商家，然后由最近邻商家的评分数据向目标用户产生服务推荐。最近邻商家通过最近邻算法应用的欧氏几何距离来做判断。所述步骤S2具体包括如下步骤：

步骤S21、构建多个以目标用户的特征为区分的子矩阵；

步骤S22、对子矩阵里进行目标用户兴趣度的测量；

步骤S23、将有特征相似度高的目标用户和商家服务聚类；

步骤S24、再在步骤S23中特征相似度高的目标用户基础上，构建多个以目标用户的需求为区分的分矩阵；

步骤S25、对分块矩阵里进行目标用户兴趣度的测量；

步骤S26、将有需求相似度高的目标用户和商家服务聚类。

目标用户的特征和服务需求构成一个多维度的矩阵，商家能提供的服务构成另外一个矩阵，比较两个矩阵之间的相似度，相似度高的更合适。

所述步骤S23中

对商家服务聚类为：按服务所属类别来进行聚类；

对目标用户聚类为：构建目标用户特征函数Pi＝(V₁，V₂，…，V_m)，其中i代表第i个目标用户，Vm为第m类产品平均购买金额。

所述步骤S23的具体方式为：将相似度高的目标用户、商家服务进行项目评分预测，对项目评分预测结果按由大到小排列，给定一个评分阈值，构成相似目标用户的推荐项目，成为最后推荐结果。

所述步骤S2中多目标属性的最近邻搜索的数学模型具体为：

步骤SA、定义数学模型：

n个决策变量参数、k个目标函数和m个约束条件，最优化目标为：

Maximize y＝f(x)＝(f₁(x)，f₂(x)，…，f_k(x))

e(x)＝(e₁(x)，e₂(x)，…，e_m(x))≤0

其中x＝(x₁，x₂，…，x_n)

Y＝(y₁，y₂，…，y_k)

其中，x表示以目标用户特征及需求为区分的决策向量，y表示以兴趣度进行评分的目标用户推荐的目标向量，X表示决策向量x形成的决策空间，Y表示目标向量y形成的目标空间，约束条件e(x)≤0确定决策向量的可行的取值范围，约束条件即所述评分阈值；

当有多个目标函数存在的时候，“最优解”概念产生了新的变化。因为在解决多目标问题时，实际上是求一组均衡解，而不是单个的全局最优解。MOP(multi-objectiveoptimization problem，多目标优化)的本质在于大多情况下各子目标可能是相互冲突的，某子目标的改善可能引起其它子目标性能的降低，即同时使多个子目标均达到最优一般是不可能的，否则就不属于多目标最近邻搜索算法分析的范畴。解决MOP的最终手段只能是在各子目标之间进行协调权衡和折衷处理，使各子目标函数均尽可能达到最优。因此，MOP的最优解与单目标优化问题的最优解有着本质上的区别，为了正确求解MOP，必须对其解的概念进行定义。

步骤SB、获得可行解集：

可行解集X_f定义为满足约束条件e(x)的决策向量x的集合，即

X_f＝{x∈X|e(x)≤0}

X_f的可行区域所对应的目标空间的表达式为：

即表示可行解集X_f中的所有x，经满足约束条件e(x)的优化函数，映射形成目标空间中的一个子空间，该子空间的决策向量均属于可行解集。

对于极小化问题，可以很容易转化为上述的最大化问题来进行求解。

单目标优化问题的可行解集能够通过它的唯一的目标函数f(x)来确定方案之间的优劣关系和程度。对于MOP问题来说，情况则有所不同，因为一般来说，X_f中的决策向量是无法进行全部排序的，而只能对某个指标进行排序，即部分排序。

采用本发明能达到的技术效果有：根据目标用户的特征、喜好和共享需求，匹配商家提供服务的共享特征，通过多目标属性的最近邻搜索，找到合适的服务响应，将商家的共享服务推荐和匹配给目标用户，实现共享服务的最大价值化。采用多目标属性的归纳(需求聚类和信任预测两大类)、匹配矩阵的构造和最近邻的搜索的多方面改进，进行共享服务的快速、高效推荐，具有规范的应用价值。

算法提出按服务聚类，将属性矩阵按聚类的服务来进行子矩阵的计算。考虑目标用户多兴趣度的可能性，目标用户往往对自己感兴趣的项目非常关注，而对其他项目则毫不在意。因此，可以从这方面来考虑，将项目划分成不同类别，目标用户在同一类别的项目中比较相似性不仅比在不同种类的项目中比较要准确，而且也可以降低数据的高维性。最后计算出目标用户在每一部分项目中的兴趣度，依据一定的启发规则，合并每一类的推荐结果作为目标用户的最终推荐。

本算法多项目多属性最近邻搜索的改进在于:构建目标用户矩阵时，不是所有的项目一起构建，而是将项目分开，构建多个不同的子矩阵，在子矩阵里进行兴趣度的测量，最后将在所有区域的相似目标用户的推荐项目合并，成为该目标用户的最后推荐结果。过程可分为以下3步:一是对商家服务聚类，按服务所属类别来进行聚类；二是对目标用户聚类，构建目标用户特征函数Pi＝(V1，V2，…，Vm)，其中i代表第i个目标用户，Vm为第m类产品平均购买金额。将所有目标用户的特征函数描述后，可以运用聚类，将有相似爱好的目标用户聚到一起；三是将相似度高的目标用户、服务进行项目评分预测，这样构建的矩阵规模能够达到更小。利用测试的数据集，可以看出这些服务可能属于多个交叉类别。可以按所属类别来聚类。

算法结合基于需求聚类和信任预测的数据，对于矩阵的划分，运用聚类的方法，将同类的需求划分到一起，使同类间相似程度最大，类与类之间差异度最大。运用该方法构建分矩阵，在每个分矩阵中，查找最近邻，然后计算目标用户对未评分项目的预计值，重复以上步骤，最后按各分矩阵中预计值由大到小排列，就是对目标用户的最终推荐。商家一般很少有目标用户对服务直接的评分数据，对BOL、Joyo、新浪商城、搜狐商城等几家网站进行调查，发现其网站均没有该评价数据。因此，本算法根据购物记录来定义评分。

目标用户在所有分矩阵中处理好后，对预测p(a，k)按由大到小排列，可以给定一个评分阈值，大于这个值的则全部推荐，其中p(a，K)表示目标用户需求函数，a表示具体需求，K表示K个目标函数。如果目标用户的在N个分矩阵中皆有兴趣，总推荐数为K，则一般取[K/N]以前的数。

以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明所述原理的前提下，还可以作出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (4)

1.基于多目标属性的最近邻搜索的服务推荐方法，其特征在于，包括如下步骤：

步骤S1、提取目标用户的特征及共享需求，提取商家提供服务的共享特征；

步骤S2、进行多目标属性的最近邻搜索，找到合适的服务响应；具体为：通过计算目标用户的特征及共享需求与各个商家提供服务的共享特征的多属性之间的相似性，搜索目标用户的最近邻商家，然后由最近邻商家的评分数据向目标用户产生共享服务推荐；

所述步骤S2具体包括如下步骤：

步骤S21、构建多个以目标用户的特征为区分的子矩阵；

步骤S22、对子矩阵里进行目标用户兴趣度的测量；

步骤S23、将有特征相似度高的目标用户和商家共享服务聚类；

步骤S24、再在步骤S23中特征相似度高的目标用户基础上，构建多个以目标用户的共享需求为区分的分矩阵；

步骤S25、对分矩阵里进行目标用户兴趣度的测量；

步骤S26、将有共享需求相似度高的目标用户和商家共享服务聚类。

2.根据权利要求1所述的基于多目标属性的最近邻搜索的服务推荐方法，其特征在于，所述步骤S23中

对商家共享服务聚类为：按共享服务所属类别来进行聚类；

对目标用户聚类为：构建目标用户特征函数Pi＝(V₁，V₂，…，V_m)，其中i代表第i个目标用户，Vm为第m类产品平均购买金额。

3.根据权利要求1所述的基于多目标属性的最近邻搜索的服务推荐方法，其特征在于，所述步骤S23的具体方式为：将相似度高的目标用户、商家共享服务进行项目评分预测，对项目评分预测结果按由大到小排列，给定一个评分阈值，构成相似目标用户的推荐项目，成为最后推荐结果。

4.根据权利要求1所述的基于多目标属性的最近邻搜索的服务推荐方法，其特征在于，所述步骤S2中多目标属性的最近邻搜索的数学模型具体为：

步骤SA、定义数学模型：

n个决策变量参数、k个目标函数和m个约束条件，最优化目标为：

Maximize y＝f(x)＝(f₁(x)，f₂(x)，…，f_k(x))

e(x)＝(e₁(x)，e₂(x)，…，e_m(x))≤0

其中 x＝(x₁，x₂，…，x_n)

Y＝(y₁，y₂，…，y_k)

其中，x表示以目标用户的特征及共享需求为区分的决策向量，y表示以兴趣度进行评分的目标用户推荐的目标向量，X表示决策向量x形成的决策空间，Y表示目标向量y形成的目标空间，约束条件e(x)≤0确定决策向量x的可行的取值范围，约束条件即评分阈值；

步骤SB、获得可行解集：

可行解集X_f定义为满足约束条件e(x)的决策向量x的集合，即

X_f＝{x∈X|e(x)≤0}

X_f的可行区域所对应的目标空间的表达式为：

即表示可行解集X_f中的所有x，经满足约束条件e(x)的优化函数，映射形成目标空间中的一个子空间，该子空间的决策向量均属于可行解集。

Images