基于用户个性化需求推荐算法的制作方法

本发明涉及一种基于用户个性化需求推荐算法。

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。

技术实现要素：

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算法，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算法，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算法，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算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算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算法，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ru，i和rv，i分别表示用户u和用户v对对象i的评分，和分别表示用户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算法进行说明，基于用户个性化需求推荐算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。