CN112950322B - 一种基于协同过滤优化的电力零售套餐推荐方法和系统 - Google Patents

Abstract

本发明涉及一种基于协同过滤优化的电力零售套餐推荐方法和系统，属于信息技术领域。依据历史交易行为数据高度还原电力零售用户的购买倾向、深度挖掘电力零售用户交易行为的相似性，系统通过计算分析个性化地推荐用户电力零售套餐，为电力零售交易电子商城提供一种高效的电力零售套餐工具，有效引导电力零售用户与电力零售平台进行互动优化，通过针对性地推荐价套餐以满足用户的推荐需求，有效提高电力零售平台的产品售卖效率，促进建立长期稳定的客户关系及持续化发展的电力零售市场。

Description

一种基于协同过滤优化的电力零售套餐推荐方法和系统

技术领域

本发明属于信息技术领域，具体涉及一种基于协同过滤优化的电力零售套餐推荐方法和系统。

背景技术

在国内电力市场化改革的背景下，电力零售商扮演者电力零售商的角色，部分电力用户直接通过电力零售商进行买电，这些用户即为电力零售用户。电力零售商的核心业务为发展电力零售用户进行卖电获取收益，因此，基于电力零售用户的交易行为为其推荐兴趣电力零售套餐，可提高电力零售系统的产品售卖效率，对于提升用户的需求满意度，为电力零售交易电子商城更好的维护客户、开拓市场有重要意义。目前，公知的基于用户的协同过滤推荐算法是通过已有的用户行为数据，在海量的数据中挖掘出小部分与目标用户喜好类似的用户，使这些用户成为邻居，然后把邻居用户的喜好推荐给目标用户。然而，由于国内电力零售市场发展还处于起步阶段，电力零售交易电子商城存在零售套餐更新快且用户购买周期长等特性，目前还没有一种科学、合理、有效的基于协同过滤优化的电力零售套餐推荐系统。

发明内容

本发明的目的是为了解决现有技术的不足，针对当前国内电力市场化改革背景下，缺乏一种科学有效的基于协同过滤优化的电力零售套餐推荐系统的问题，提供一种基于协同过滤优化的电力零售套餐推荐方法和系统。本发明依据历史交易行为数据高度还原电力零售用户的购买倾向、深度挖掘电力零售用户交易行为的相似性，系统通过计算分析个性化地推荐用户电力零售套餐，为电力零售交易电子商城提供一种高效的电力零售套餐工具，辅助提高电力零售交易电子商城的电力零售套餐售卖效率。

为实现上述目的，本发明采用的技术方案如下：

一种基于协同过滤优化的电力零售套餐推荐系统，包括：

登录及身份认证模块、历史交易行为数据存储模块、历史交易行为数据查询模块、电力零售套餐推荐计算模块、电力零售套餐推荐参数调整模块和电力零售套餐推荐结果展示模块；

登录及身份认证模块，用于为该系统用户提供登录信息的录入，同时进行身份验证，验证通过，则可以进行登录，验证不通过，则不能进行登录；所述的系统用户为电力零售用户；

历史交易行为数据存储模块，用于存储电力零售用户的历史电力零售套餐交易数据，并将历史交易数据中的用户隐私信息进行脱敏处理；

历史交易行为数据查询模块，分别与登录及身份认证模块、历史交易行为数据存储模块、电力零售套餐推荐计算模块、电力零售套餐推荐参数调整模块相连，用于登录后的用户对脱敏处理后的历史交易数据进行查询；

电力零售套餐推荐参数调整模块用于对用户零售套餐推荐的计算参数进行调整；

电力零售套餐推荐计算模块，分别与历史交易行为数据查询模块、电力零售套餐推荐参数调整模块、电力零售套餐推荐结果展示模块相连，用于将通过历史交易行为数据查询模块中查询得到的历史交易数据按照电力零售套餐推荐参数调整模块调整后的参数进行计算，形成针对目标用户的零售套餐推荐列表，并将套餐推荐列表传输至电力零售套餐推荐结果展示模块；

电力零售套餐推荐结果展示模块，用于接收电力零售套餐推荐计算模块传来的套餐推荐列表，并通过可视化的方式反馈给电力零售用户。

进一步，优选的是，电力零售套餐推荐参数调整模块具体是根据电力零售市场的交易特性，设置任一用户p历史对套餐q的交易衰减参数α_pq和其对电力零售商r的依赖参数β_pr；

用户p历史交易衰减参数其中，/>为行为发生与实际计算的两个日期的月份差值，不足1月按1月计算；

用户p对电力零售商的依赖参数其中buy_num为用户p总的套餐购买次数，rely_num为用户p重复购买属于相同电力零售商推出套餐的购买次数。

进一步，优选的是，

进一步，优选的是，电力零售套餐推荐计算模块(104)的计算方法具体如下：

(1)用户交易行为分析与计算：

结合任一用户p历史交易衰减参数α_pq及其对于某一电力零售套餐q的购电行为权值计算用户-套餐选购兴趣矩阵K：

其中，k_pq表示编号为p的用户对编号为q的电力零售套餐的选购兴趣，n为用户总数，m为套餐总数；i＝1～4，分别对应以下4种购电行为：搜索电力零售套餐名称、浏览电力零售套餐详细信息、收藏电力零售套餐、加购电力零售套餐；

套餐-用户回购意愿矩阵W计算如下：

其中，w_pq表示编号为p的用户对编号为q的电力零售套餐的回购意愿，x_pq ^j(0≤x_pq ^j≤1)表示用户p在第j次购电交易后对编号为q电力零售套餐的评分，，套餐购买后默认好评评分置1，若收到电力零售套餐的投诉则评分置0，f_buy为该电力零售套餐q的购买次数；

定义用户-高回购意愿套餐矩阵为W^high，基于套餐-用户回购意愿矩阵W计算用户-高回购意愿套餐矩阵W^high：

其中，w_pq表示编号为p的用户对编号为q的电力零售套餐的回购意愿，m_valid表示有效购买套餐数，所述的有效购买套餐指完成下单购买、交易用电、评价反馈的套餐；当p用户对q套餐的购买评价高于p用户对所有有效购买套餐评价的均值时，则认为p用户对q套餐有较高回购意愿，设置为1，否则为0；

(2)基于用户交易行为的用户-用户相似度矩阵计算：

根据用户-高回购意愿套餐矩阵为W^high得到用户a的高回购意愿套餐集合为用户b的高回购意愿套餐集合为/>定义热门套餐集合为H，计算基于用户购买行为的用户-用户相似度矩阵Z：

μ＝e^-N(k）

其中，z_ab表示编号为a的用户与编号为b的用户之间的套餐交易偏好相似度；k表示用户a和用户b都有过高回购意愿的热门电力零售套餐集合，N(k)表示用户a和用户b都有过高回购意愿的热门电力零售套餐个数，μ为热度惩罚因子，；为降低大用户量对矩阵计算的资源消耗，提高套餐推荐的计算效率，对于任一目标用户t与零售电力市场内其他所有用户的相似度向量为z_t,z_t＝{z_t1,z_t2…,z_tn}，n为用户总数，定义向量z_t中的相似度为高相似度，与目标用户有高相似度的其他用户组成邻居用户组，目标用户与邻居用户组的相似度构成目标用户-邻居用户组相似度向量/>

(3)用户推荐套餐计算：

根据用户-套餐选购兴趣矩阵K和用户-用户相似度矩阵Z，结合用户对电力零售商的依赖参数β，计算用户-推荐套餐矩阵UR：

其中，UR_ij表示推测编号为i的用户对编号为j的电力零售套餐的感兴趣程度，即编号为j的电力零售套餐对编号为i的用户的推荐程度，n为用户总数，m为套餐总数，D为购买过的电力零售商推出的电力零售套餐集合，β_ir为用户对电力零售商的依赖参数,表示编号为i的用户与编号为p的用户之间的套餐交易偏好相似度，k_pj表示编号为p的用户对编号为j的电力零售套餐的选购兴趣；

则对于任一目标用户t，其对零售电力市场内所有套餐的推测感兴趣程度向量为UR_t,UR_t＝{UR_t1,UR_t2…,UR_tm}，m为套餐总数，最终根据电力零售套餐推荐结果展示模块(106)的最大推荐套餐可显示条数l，根据感兴趣程度由高到低确定l个推荐给目标用户的套餐并展示给目标用户。注：数值大即为感兴趣程度高，数值小即为感兴趣程度低。

本发明降低热门套餐对用户兴趣相似度的贡献是因为：套餐是热门套餐，所以很多用户都会浏览收藏甚至购买该套餐，因此基于热门套餐的交易行为来计算用户相似度就不准确，所以需要加入惩罚因子来降低热门套餐对用户相似度的影响。

进一步，优选的是，通过表1进行各购电行为的权值定义，i＝1～4：

表1

本发明同时提供一种基于协同过滤优化的电力零售套餐推荐方法，采用上述基于协同过滤优化的电力零售套餐推荐系统，包括如下步骤：

第一步，电力零售用户登录及身份验证：电力零售用户录入用户名及密码信息，进行对比验证，验证比对一致则允许登录，否则不允许登录；

第二步：设置电力零售套餐推荐参数：根据目标用户的历史交易行为调整其零售套餐推荐的计算参数，包括用户p历史对套餐q的交易衰减参数α_pq和其对电力零售商r的依赖参数β_pr；

第三步，生成用户对套餐的选购兴趣：选择历史申报数据，对电力零售用户购电操作阶段的关键交易行为进行分类及赋权值处理，结合用户p历史对套餐q的交易衰减参数α_pq，得到用户对套餐的选购兴趣；

第四步，生成用户对套餐的回购意愿：选择历史申报数据，对电力零售用户售后评价阶段中用户对某一套餐的评价及对该套餐所属电力零售商的评价计算用户的套餐回购意愿；

第五步，生成有相似交易行为的邻居用户组：通过用户对套餐的回购意愿得到用户对套餐的高回购意愿，并形成与目标用户的有相似交易行为的邻居用户组；

第六步，根据目标用户对套餐的选购兴趣和邻居用户组，结合用户对电力零售商r的依赖参数，计算目标用户的推荐套餐列表；

第七步，展示电力零售推荐套餐列表：可视化的方式将电力零售推荐套餐列表展示给目标用户。

本发明所述的目标用户即有电力零售套餐推荐需求的电力零售用户。

电力零售市场中由于电力商品的特殊属性，低价电力套餐更具市场竞争力。因此统计每日价格最低的电力零售套餐，并组成热门套餐集合。

本发明从多个角度分析用户交易行为，划分交易阶段交易，根据各交易阶段的交易行为确定影响电力零售用户交易的因素，并且对每种因素进行量化分析。同时，充分考虑电力零售交易电子商城的零售套餐更新快且用户购买周期长等特性，根据目标用户的历史交易行为数据调整其零售套餐推荐的计算参数。

本发明电力零售用户相似度计算方法，降低热门低价套餐对基于用户行为的用户相似度准确性影响，提高大电力零售用户数量时的计算效率。

本发明通过计算形成针对目标用户的零售套餐推荐列表，得出每个电力零售套餐对每个电力零售用户的推荐程度，反映电力零售用户在未来一段时间选择零售套餐的意愿和概率，为电力零售用户提供准确的、满足需求的个性化电力零售套餐推荐。

本发明与现有技术相比，其有益效果为：

目前，公知的基于物品的协同过滤算法是基于用户对物品的偏好找到相似的物品，然后根据用户的历史偏好，推荐相似的物品；基于用户的协同过滤算法是基于用户对物品的偏好找到邻居用户(相似用户)，然后将邻居用户(相似用户)喜欢的东西推荐给当前用户。由于电力零售交易电子商城存在零售套餐更新快且用户购买周期长等特性，用户在长时间沉寂后再进行购买交易时，基于物品的协同过滤算法很难找到与其历史偏好相似的电力零售套餐。

本发明结合国内电力市场实际，对电力零售用户交易行为中可能影响用户套餐选择偏好的行为进行了合理的、明确的分析，并对这些关键交易行为进行套餐选购兴趣抽象和套餐回购意愿抽象，优化基于用户的协同过滤算法，提出了一种基于用户交易行为的电力零售套餐推荐系统，通过引入热度惩罚因子μ降低热门低价套餐对基于用户购买行为的用户-用户相似度准确性的影响，最后通过该系统计算得出了任意电力零售用户与任意电力零售套餐之间的选择偏好程度。该发明有效引导电力零售用户与电力零售平台进行互动优化，通过针对性地推荐价套餐以满足用户的推荐需求，有效提高电力零售平台的产品售卖效率，促进建立长期稳定的客户关系及持续化发展的电力零售市场。

附图说明

图1为基于协同过滤优化的电力零售套餐推荐系统的结构示意图。

具体实施方式

下面结合实施例对本发明作进一步的详细描述。

本领域技术人员将会理解，下列实施例仅用于说明本发明，而不应视为限定本发明的范围。实施例中未注明具体技术或条件者，按照本领域内的文献所描述的技术或条件或者按照产品说明书进行。所用材料或设备未注明生产厂商者，均为可以通过购买获得的常规产品。

一、问题定义

在电力市场中，分析电力零售套餐对电力零售用户的推荐程度，实际意义在于基于当前及历史的相关用户交易行为数据，分析电力零售用户在未来一段时间内选择某个电力零售套餐的可能性。基于这一目标设定，为了进行量化分析，将电力零售套餐对用户的推荐程度定义为：基于用户交易行为分析用户选购兴趣较高的套餐，并找到与目标用户交易行为相似度较高的邻居用户，得到在未来一段时间内电力零售用户选择某个电力零售套餐的概率。具体的，在本发明中，我们基于电力零售电子商城当天的相关数据以及当天之前的相关历史数据，计算任意电力零售套餐对电力用户的推荐程度。

二、基于协同过滤优化的电力零售套餐推荐系统

一种基于协同过滤优化的电力零售套餐推荐系统，包括：登录及身份认证模块101、历史交易行为数据存储模块102、历史交易行为数据查询模块103、电力零售套餐推荐计算模块104、电力零售套餐推荐参数调整模块105、电力零售套餐推荐结果展示模块106。

1、登录及身份认证模块101用于为该系统用户提供登录信息的录入，同时进行身份验证，验证通过，则可以进行登录，验证不通过，则不能进行登录。所述的系统用户为电力零售用户。

2、历史交易行为数据存储模块102用于存储电力零售用户的历史电力零售套餐交易数据，并将历史交易数据中的用户隐私信息进行脱敏处理。

3、历史交易行为数据查询模块103分别与登录及身份认证模块101、历史交易行为数据存储模块102、电力零售套餐推荐计算模块104相连、电力零售套餐推荐参数调整模块105，用于登录后的用户对脱敏处理后的历史交易数据进行查询和管理。

4、电力零售套餐推荐参数调整模块105用于对目标用户零售套餐推荐的计算参数进行调整，形成有针对性的、个性化的零售套餐推荐。具体的，根据电力零售市场的交易特性，设置设置任一用户p历史对套餐q的交易衰减参数α_pq和其对电力零售商r的依赖参数β_pr；。

由于电力零售套餐一次性购买周期长且套餐变更频繁，导致用户在下一次购买时历史购买的套餐过期，而且太早前的交易行为往往不能体现用户近期的真实交易需求，因此设置用户p历史交易衰减参数其中，/>为行为发生与实际计算的两个日期的月份差值，不足1月按1月计算，为更准确定位用户近期购买偏好，设置如行为发生为2020年10月10日，现在为2020年12月5日，则/>为2，α_pq＝0.3679。

电力零售交易平台提供的电力中长期交易中，电力零售商作为卖家，需要与购电用户进行全过程的线上甚至线下交流，其交易参与程度及交易复杂程度相较于传统电商平台的店铺卖家更深入、更复杂。考虑到某些用户对购买过的电力零售商有服务依赖倾向性，设置用户p对电力零售商的依赖参数 其中buy_num为用户p总的套餐购买次数，relt_num为用户p重复购买属于相同电力零售商r推出套餐的购买次数。

5、电力零售套餐推荐计算模块104与历史交易行为数据查询模块103、电力零售套餐推荐参数调整模块105、电力零售套餐推荐仿真结果展示模块106相连，用于将通过历史交易行为数据查询模块103中查询得到的历史交易数据按照电力零售套餐推荐参数调整模块105形成针对目标用户的零售套餐推荐列表，并将套餐推荐结果传输至电力零售套餐推荐结果展示模块106中，具体的本模块计算步骤如下：

(1)用户交易行为分析与计算

电力零售用户在电力交易平台上进行零售套餐交易的过程分为两个阶段：购电操作及售后评价。购电操作中用户针对某一电力零售套餐的关键用户交易行为有搜索电力零售套餐名称、浏览电力零售套餐详细信息、收藏电力零售套餐、加购电力零售套餐、下单购买电力零售套餐等。售后评价中用户针对某一电力零售套餐的关键交易行为主要是评论电力零售套餐。购电操作及售后评价阶段中对应的关键用户交易行为可抽象为套餐选购兴趣和套餐回购意愿。

电力零售用户的历史交易行为能够反映出其对不同电力零售套餐的购买偏好。对用户的交易行为进行分类，并对各类购买行为赋值以体现用户的购买偏好程度。在实际购买情况下，电力市场交易规则要求用户对电力零售套餐一次性购买的最小粒度为月，因此用户购电周期相比其他购买行为更长，用户的下单购买记录只能反映用户1个月前甚至更早的购电需求，相反用户近期的搜索电力零售套餐名称、浏览电力零售套餐详细信息、收藏电力零售套餐及加购电力零售套餐等行为更能够反映用户近期的购买偏好。本发明中，通过表1进行各购电行为的权值定义，i＝1～4(权值定义可根据实际情况进行适当调整)：

表1

结合任一用户p历史交易衰减参数α_pq及其对于某一电力零售套餐q的购电行为权值计算用户-套餐选购兴趣矩阵K：

其中，k_pq表示编号为p的用户对编号为q的电力零售套餐的选购兴趣，n为用户总数，m为套餐总数。

用户从加购咨询、下单购买至电力供给完成后，其对该电力零售商的评价也是影响用户对套餐回购意愿的重要因素。因此，评价行为权值应结合某一套餐评价及该套餐所属电力零售商评价进行计算。本发明中，套餐-用户回购意愿矩阵W计算如下：

其中，w_pq表示编号为p的用户对编号为q的电力零售套餐的回购意愿，x_pq ^j(0≤x_pq ^j≤1)表示用户p在第j次购电交易后对编号为q电力零售套餐的评分，套餐购买后默认好评评分置1，若收到电力零售商或电力零售套餐的投诉则评分置0，f_buy为该电力零售套餐q的购买次数；。

(2)基于用户交易行为的用户-用户相似度矩阵(Z)计算

相较于用户选购兴趣，用户回购意愿更能挖掘出用户和用户间的内在联系，即如果两个人同时对多个相同套餐有较高回购意愿时，则可认为两人之间有较高的基于用户交易行为的相似度。实际电力零售市场中，电力零售用户数量极大，计算目标用户与所有用户的相似度耗费时间长。因此，基于目标用户的高回购意愿套餐计算与其他用户的相似度更具实际应用价值。本发明中，定义用户-高回购意愿套餐矩阵为W^high，基于套餐-用户回购意愿矩阵W计算用户-高回购意愿套餐矩阵W^hiigh：

其中，w_pq表示编号为p的用户对编号为q的电力零售套餐的回购意愿，m_valid表示有效购买套餐数，本发明中有效购买套餐指完成下单购买、交易用电、评价反馈的套餐；当p用户对q套餐的购买评价高于p用户对所有有效购买套餐评价的均值时，则认为p用户对q套餐有较高回购意愿，设置为1，否则为0。

根据用户-高回购意愿套餐矩阵为W^high得到用户a的高回购意愿套餐集合为用户b的高回购意愿套餐集合为/>定义热门低价套餐集合为H，计算基于用户购买行为的用户-用户相似度矩阵Z：

μ＝e^-N(k）

其中，z_ab表示编号为a的用户与编号为b的用户之间的套餐交易偏好相似度；k表示用户a和用户b都有过高回购意愿的热门电力零售套餐集合，N(k)表示用户a和用户b都有过高回购意愿的热门电力零售套餐个数，μ为热度惩罚因子，降低热门套餐对用户兴趣相似度的贡献；为降低大用户量对矩阵计算的资源消耗，提高套餐推荐的计算效率，对于任一目标用户t与零售电力市场内其他所有用户(n为用户总数)的相似度向量为z_t,z_t＝{z_t1，z_t2…,z_tn}，定义向量z_t中的相似度为高相似度，与目标用户有高相似度的其他用户组成邻居用户组，目标用户与邻居用户组的相似度构成目标用户-邻居用户组相似度向量

(3)用户推荐套餐计算

根据用户-套餐选购兴趣矩阵K和用户-用户相似度矩阵Z，结合用户对电力零售商的依赖参数β，计算用户-推荐套餐矩阵UR：

其中，UR_ij表示推测编号为i的用户对编号为j的电力零售套餐的感兴趣程度，即编号为j的电力零售套餐对编号为i的用户的推荐程度，n为用户总数，m为套餐总数，D为购买过的电力零售商推出的电力零售套餐集合，β_pr为用户对电力零售商的依赖参数。则对于任一目标用户t，其对零售电力市场内所有套餐(m为套餐总数)的推测感兴趣程度向量为UR_t,UR_t＝{UR_t1,UR_t2…，UR_tm}(标识符的含义都要给出)，最终根据电力零售套餐推荐结果展示模块106的最大推荐套餐可显示条数l，根据感兴趣程度由高到低确定l个推荐给目标用户的套餐并展示给目标用户。

6、电力零售套餐推荐结果展示模块106用于接收并管理电力零售套餐推荐计算模块104传来的套餐推荐结果，并通过可视化的方式反馈给电力零售用户，辅助其进行电力零售套餐购买。

一种基于协同过滤优化的电力零售套餐推荐方法，采用上述的基于协同过滤优化的电力零售套餐推荐系统，包括如下步骤：

第一步，电力零售用户登录及身份验证：电力零售用户录入用户名及密码信息，进行对比验证，验证比对一致则允许登录，否则不允许登录；

第二步：设置电力零售套餐推荐参数：根据目标用户的历史交易行为调整其零售套餐推荐的计算参数，包括用户p历史对套餐q的交易衰减参数α_pq和其对电力零售商r的依赖参数β_pr；

第三步，生成用户对套餐的选购兴趣：选择历史申报数据，对电力零售用户购电操作阶段的关键交易行为进行分类及赋权值处理，结合用户p历史对套餐q的交易衰减参数α_pq，得到用户对套餐的选购兴趣；

第四步，生成用户对套餐的回购意愿：选择历史申报数据，对电力零售用户售后评价阶段中用户对某一套餐的评价及对该套餐所属电力零售商的评价计算用户的套餐回购意愿；

第五步，生成有相似交易行为的邻居用户组：通过用户对套餐的回购意愿得到用户对套餐的高回购意愿，并形成与目标用户的有相似交易行为的邻居用户组；

第六步，根据目标用户对套餐的选购兴趣和邻居用户组，结合用户对电力零售商r的依赖参数β_pr，计算目标用户的推荐套餐列表；

第七步，展示电力零售推荐套餐列表：可视化的方式将电力零售推荐套餐列表展示给目标用户。

为了便于理解，本发明提供一个具体的实施例，如下所示：

电力零售用户历史购电行为(3个月内)，如表1所示：

表1

电力零售用户历史评价行为如表2所示：

表2

用户序号	套餐1(已下架)	套餐2	套餐3	套餐4(低价)	套餐5
						用户1	{x11 1＝0.9}
用户2	{x21 2＝0.5}	{x22 1＝0.7}			{x25 3＝0.9}
						用户3			{x33 1＝0.9,x33 2＝0.9}
用户4				{x44 1＝0.5}
						用户5					{x55 1＝0.8}
用户6	{x61 1＝0.7}
						用户7	{x71 2＝0.6}	{x72 1＝0.7}		{x74 3＝0.8}
用户8	{x81 1＝0.8}		{x82 2＝0.4}
						用户9	{xq1＝1}
用户10	{x10 1 2＝0.8，x10 1 3＝0.9}				{x10 5 1＝0.6}

电力零售商与套餐关系如表3所示：

表3

电力零售商序号	套餐1(已下架)	套餐2	套餐3	套餐4(低价)	套餐5
						电力零售商1	√	√	√
电力零售商2				√	√

计算用户-套餐选购兴趣矩阵K：

计算套餐-用户回购意愿矩阵W：

计算用户-高回购意愿套餐矩阵W^high：

计算基于用户购买行为的用户-用户相似度矩阵Z：

计算用户对电力零售商的依赖参数：

设定有零售套餐推荐需求的用户是用户2，计算目标用户-邻居用户组相似度向量z₂：z₂＝{z₂₁，z₂₂…，z₂₁₀}＝{0，0，0，0,0.71,0,0,0,0,0}

计算目标用户对零售电力市场内所有套餐的推测感兴趣程度向量为UR₂：UR₂＝{UR₂₁，UR₂₂…，UR₂₅}＝{0，0.47，0.89，0，0.44}，由于目标用户已经对套餐2和5产生过行为，因此向目标用户2推荐套餐3。

以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。

Claims (5)

1.一种基于协同过滤优化的电力零售套餐推荐系统，其特征在于，包括：登录及身份认证模块(101)、历史交易行为数据存储模块(102)、历史交易行为数据查询模块(103)、电力零售套餐推荐计算模块(104)、电力零售套餐推荐参数调整模块(105)和电力零售套餐推荐结果展示模块(106)；

登录及身份认证模块(101)，用于为该系统用户提供登录信息的录入，同时进行身份验证，验证通过，则可以进行登录，验证不通过，则不能进行登录；所述的系统用户为电力零售用户；

历史交易行为数据存储模块(102)，用于存储电力零售用户的历史电力零售套餐交易数据，并将历史交易数据中的用户隐私信息进行脱敏处理；

历史交易行为数据查询模块(103)，分别与登录及身份认证模块(101)、历史交易行为数据存储模块(102)、电力零售套餐推荐计算模块(104)、电力零售套餐推荐参数调整模块(105)相连，用于登录后的用户对脱敏处理后的历史交易数据进行查询；

电力零售套餐推荐参数调整模块(105)用于对用户零售套餐推荐的计算参数进行调整；

电力零售套餐推荐计算模块(104)，分别与历史交易行为数据查询模块(103)、电力零售套餐推荐参数调整模块(105)、电力零售套餐推荐结果展示模块(106)相连，用于将通过历史交易行为数据查询模块(103)中查询得到的历史交易数据按照电力零售套餐推荐参数调整模块(105)调整后的参数进行计算，形成针对目标用户的零售套餐推荐列表，并将套餐推荐列表传输至电力零售套餐推荐结果展示模块(106)；

电力零售套餐推荐结果展示模块(106)，用于接收电力零售套餐推荐计算模块(104)传来的套餐推荐列表，并通过可视化的方式反馈给电力零售用户；

电力零售套餐推荐计算模块(104)的计算方法具体如下：

(1)用户交易行为分析与计算：

结合任一用户p历史交易衰减参数α_pq及其对于某一电力零售套餐q的购电行为权值计算用户-套餐选购兴趣矩阵K：

其中，k_pq表示编号为p的用户对编号为q的电力零售套餐的选购兴趣，为用户总数，m为套餐总数；i＝1～4，分别对应以下4种购电行为：搜索电力零售套餐名称、浏览电力零售套餐详细信息、收藏电力零售套餐、加购电力零售套餐；

套餐-用户回购意愿矩阵W计算如下：

其中，w_pq表示编号为p的用户对编号为q的电力零售套餐的回购意愿，x_pq ^j(0≤x_pq ^j≤1)表示用户p在第j次购电交易后对编号为q电力零售套餐的评分，套餐购买后默认好评评分置1，若收到电力零售套餐的投诉则评分置0，f_buy为该电力零售套餐q的购买次数；

定义用户-高回购意愿套餐矩阵为W^high，基于套餐-用户回购意愿矩阵W计算用户-高回购意愿套餐矩阵W^high：

其中，w_pq表示编号为p的用户对编号为q的电力零售套餐的回购意愿，m_valid表示有效购买套餐数，所述的有效购买套餐指完成下单购买、交易用电、评价反馈的套餐；当p用户对q套餐的购买评价高于p用户对所有有效购买套餐评价的均值时，则认为p用户对q套餐有较高回购意愿，设置为1，否则为0；

(2)基于用户交易行为的用户-用户相似度矩阵计算：

根据用户-高回购意愿套餐矩阵为W^high得到用户a的高回购意愿套餐集合为用户b的高回购意愿套餐集合为/>定义热门套餐集合为H，计算基于用户购买行为的用户-用户相似度矩阵Z：

p＝e^-N(k)

其中，z_ab表示编号为a的用户与编号为b的用户之间的套餐交易偏好相似度；k表示用户a和用户b都有过高回购意愿的热门电力零售套餐集合，N(k)表示用户a和用户b都有过高回购意愿的热门电力零售套餐个数，μ为热度惩罚因子；为降低大用户量对矩阵计算的资源消耗，提高套餐推荐的计算效率，对于任一目标用户t与零售电力市场内其他所有用户的相似度向量为z_t,z_t＝{z_t1,z_t2…,z_tn}，n为用户总数，定义向量z_t中的相似度为高相似度，与目标用户有高相似度的其他用户组成邻居用户组，目标用户与邻居用户组的相似度构成目标用户-邻居用户组相似度向量/>

(3)用户推荐套餐计算：

根据用户-套餐选购兴趣矩阵K和用户-用户相似度矩阵Z，结合用户对电力零售商的依赖参数β，计算用户-推荐套餐矩阵UR：

其中，UR_ij表示推测编号为i的用户对编号为j的电力零售套餐的感兴趣程度，即编号为j的电力零售套餐对编号为i的用户的推荐程度，n为用户总数，m为套餐总数，D为购买过的电力零售商推出的电力零售套餐集合，β_ir为用户对电力零售商的依赖参数,表示编号为i的用户与编号为p的用户之间的套餐交易偏好相似度，k_pj表示编号为p的用户对编号为j的电力零售套餐的选购兴趣；

则对于任一目标用户t，其对零售电力市场内所有套餐的推测感兴趣程度向量为UR_t,UR_t＝{UR_t1，UR_t2…，UR_tm}，m为套餐总数，最终根据电力零售套餐推荐结果展示模块(106)的最大推荐套餐可显示条数l，根据感兴趣程度由高到低确定l个推荐给目标用户的套餐并展示给目标用户。

2.根据权利要求1所述的基于协同过滤优化的电力零售套餐推荐系统，其特征在于，电力零售套餐推荐参数调整模块(105)具体是根据电力零售市场的交易特性，设置任一用户p历史对套餐q的交易衰减参数α_pq和其对电力零售商r的依赖参数β_pr；

用户p历史交易衰减参数其中，/>为行为发生与实际计算的两个日期的月份差值，不足1月按1月计算；

用户p对电力零售商的依赖参数其中buy_num为用户p总的套餐购买次数，rely_为用户p重复购买属于相同电力零售商推出套餐的购买次数。

3.根据权利要求2所述的基于协同过滤优化的电力零售套餐推荐系统，其特征在于，

4.根据权利要求1所述的基于协同过滤优化的电力零售套餐推荐系统，其特征在于，对各购电行为的权值定义，i＝1～4：

若行为描述为搜索电力零售套餐，则

若行为描述为浏览电力零售套餐详细信息，则

若行为描述为收藏电力零售套餐，则

若行为描述为加购电力零售套餐，则

5.一种基于协同过滤优化的电力零售套餐推荐方法，采用权利要求1～4任意一项所述的基于协同过滤优化的电力零售套餐推荐系统，其特征在于，包括如下步骤：

第一步，电力零售用户登录及身份验证：电力零售用户录入用户名及密码信息，进行对比验证，验证比对一致则允许登录，否则不允许登录；

第二步：设置电力零售套餐推荐参数：根据目标用户的历史交易行为调整其零售套餐推荐的计算参数，包括用户p历史对套餐q的交易衰减参数α_pq和其对电力零售商r的依赖参数β_pr；

第三步，生成用户对套餐的选购兴趣：选择历史申报数据，对电力零售用户购电操作阶段的关键交易行为进行分类及赋权值处理，结合用户p历史对套餐q的交易衰减参数α_pq，得到用户对套餐的选购兴趣；

第四步，生成用户对套餐的回购意愿：选择历史申报数据，对电力零售用户售后评价阶段中用户对某一套餐的评价及对该套餐所属电力零售商的评价计算用户的套餐回购意愿；

第五步，生成有相似交易行为的邻居用户组：通过用户对套餐的回购意愿得到用户对套餐的高回购意愿，并形成与目标用户的有相似交易行为的邻居用户组；

第六步，根据目标用户对套餐的选购兴趣和邻居用户组，结合用户对电力零售商r的依赖参数，计算目标用户的推荐套餐列表；

第七步，展示电力零售推荐套餐列表：可视化的方式将电力零售推荐套餐列表展示给目标用户。