一种基于用户兴趣偏好的室内设计方法及系统与流程

本发明属于室内设计技术领域，尤其涉及一种基于用户兴趣偏好的室内设计方法及系统。

背景技术

目前，室内设计行业是一个垂直性较强、个性化服务比重较高的行业，一边是专业的设计师需要捕捉客户的需求，把握有针对性的设计方案；另一边非专业的客户在不具备专业设计知识、能力以及专家意见指导的情况下，在直观表达需求、沟通和完善设计联想上有较大的困难。现有的室内设计系统没有做到以用户兴趣为导向推荐设计方案，也不能让非专业设计人员、家装用户自己动手参与设计，这样就很难找到用户的偏好，给出他们满意的设计方案。另外，用户与设计师的沟通大多数是线下联系，即使有线上沟通也停留在文字表述上，沟通效率低，沟通效果差。

综上所述，现有技术存在的问题是：

(1)用户不能个性化设计方案，影响了用户需求的满足，同时用户和设计师沟通效率低，造成工作效率低下，无法满足消费者的需要。

(2)多数用户不愿意在线提交过多的个人信息，给用户偏好的识别带来困难。

技术实现要素：

针对现有技术存在的问题，本发明提供了一种基于用户兴趣偏好的室内设计方法及系统。

本发明是这样实现的，一种基于用户兴趣偏好的室内设计方法，所述基于用户兴趣偏好的室内设计方法包括：

(1)用户通过用户移动端设置初始偏好，服务器根据用户偏好，向用户移动端自动推荐室内设计2d效果图包括：用户通过用户移动端注册，并设置个人用户的初始兴趣偏好；服务器根据用户设置的个人兴趣偏好理论模型，从服务器搜索用户兴趣偏好对应的室内设计2d效果图，并将效果图推送至用户移动端；

所述个人兴趣偏好理论模型为：用户偏好受长期个人兴趣和短期个人兴趣两方面影响，用户的兴趣偏好文档描述为：

p＝{l，s}；

式中：l表示用户的长期兴趣，s表示用户的短期兴趣；l和s分别表示为：

l＝{l1，l2，…，lm}，s＝{s1，s2，…，sn}；

此时p＝{l1，l2，…，lm，s1，s2，…，sn}表述为用户兴趣偏好；

在用户的各种长短期兴趣中，对于每个li，sj(i＝1，2，…，m；j＝1，2，…，n)，引入表示类别属性的变量ci，cj和表示权重属性的变量ωi，ωj，所以li，sj扩展成：

得到用户偏好文档可表示成一个二维表：

缩写成：

p＝{<l1，ω1，c1>，<l2，ω2，c2>，…，<lm，ωm，cm>，<s1，ωm+1，cm+1>，<s2，ωm+2，cm+2>，…，<sn，ωm+n，cm+n>}；

式中：lm，sn分别为代表长期兴趣和短暂兴趣的某个属性值；cm+n表示用户兴趣对应的产品所属产品类别；ωm+n是以属性值词汇为代表的兴趣权重，表示用户对某个类别产品的感兴趣程度，是一个随着用户反馈信息不断变动的值，并且有ω1+ω2+…+ωm+n＝1；

(2)用户相似度的协同过滤推荐方法，用户移动端查看2d效果图的详情，或选取2d效果图上的热点或热区；服务器运用用户选取的2d效果图中的热点和热区的标签以及用户兴趣标签进行协同过滤推荐，以用户兴趣为中心进行联想和不断过滤推荐的方式快速探索用户偏好。

进一步，用户点击移动端显示的室内设计2d效果图中的“3d”按钮；移动端通过基于html5的内置浏览器发送对应的3d设计方案的url请求，服务器根据url从数据库模块中获取指定的3d设计方案的详细构成数据；服务器通过服务端接口发送详细构成数据给移动端服务接口模块；移动端接收详细构成数据并通过内置的浏览器显示最终3d设计方案。

进一步，所述用户相似度的协同过滤推荐方法为目标用户u0产生其推荐集c；最后输出目标用户u0的推荐集c；

输入：目标用户u0，备选用户集u，产生推荐个数n；

1)用户属性相似度计算，根据计算用户u0的数值型属性距离dnum；对于用户u0名称性属性，对属性取值进行格雷编码，将用户名称型取值格雷码串联，计算出海明距离dh；根据da-b＝dnum+dh计算用户u0与其他用户间的距离，用来度量用户u0与其他用户间属性相似度，即用户间的距离da-b；用户互动相似度计算，找到与用户u0相似的发信人用户，并统计其数量，根据simi＝sims+simr计算出用户u0互动相似度simi；根据计算得出用户u0与其他用户间的总相似度sima-b。

本发明的另一目的在于提供一种实现所述基于用户兴趣偏好的室内设计方法的基于用户兴趣偏好的室内设计系统，所述基于用户兴趣偏好的室内设计系统设置有：

用户移动端、服务器、设计师移动端、云数据库、图片上传模块、个人中心模块、3d方案体验模块、管理中心模块、算法处理器、数据处理器、设计师个人中心模块、3d物体编辑器、3d方案生成器；

所述移动客户端通过无线连接于服务器，所述设计师移动端通过无线连接于所述服务器，所述云数据库通过无线连接于所述服务器，所述用户移动端包括图片上传模块，用于2d图片上传；个人中心模块，用于用户登录管理；3d方案体验模块，用于用户对整体3d方案进行评价体验。

进一步，所述服务器包括管理中心模块，用于用户和设计师交互交流；算法处理器，用于2d图片算法计算以及转换成3d图；数据处理器，用于转换算法的数据处理以及存储。所述设计师移动端包括设计师个人中心模块，用于设计师登录系统，3d物体编辑器，用于3d图像进行编辑排版；3d方案生成器，用于3d方案的生成以及上传到服务器；所述云数据库，用于服务器进行2d图像算法数据对比匹配以及服务器上传数据的存储。

本发明的另一目的在于提供一种应用所述基于用户兴趣偏好的室内设计方法的信息数据处理终端。

本发明同时考察用户属性、被浏览内容属性以及用户在系统中的操作行为，有效了解用户兴趣偏好，实现了设计方案的自动推荐，用户与设计师能够同时在线共同参与方案设计，降低了沟通成本，提高了设计师、客户之间的沟通效率。本发明基于长期兴趣与短暂兴趣的用户偏好文档；该偏好文档不仅能够有效反映用户信息需求的变化，还可以充分表现出用户对不同兴趣类别的重视程度，最大深度地表现出用户的需求和偏好，并且能广泛应用于电子商务网站产品推荐或网站网页推荐。本发明基于用户相似度的协同过滤推荐算法的精确度，基线成功率，覆盖率都优于基于全部互动的推荐方式；且按用户相似度的top-n排序算法在用户兴趣偏好的室内设计中得到推荐集有较好的推荐质量。

附图说明

图1是本发明实施例提供的基于用户兴趣偏好的室内设计系统结构示意图；

图2是本发明实施例提供的基于用户兴趣偏好的室内设计系统的服务器和设计师移动端结构示意图；

图中：1、用户移动端；2、服务器；3、设计师移动端；4、云数据库；5、图片上传模块；6、个人中心模块；7、3d方案体验模块；8、管理中心模块；9、算法处理器；10、数据处理器；11、设计师个人中心模块；12、3d物体编辑器；13、3d方案生成器。

具体实施方式

为能进一步了解本发明的发明内容、特点及功效，兹例举以下实施例，并配合附图详细说明如下。

下面结合附图对本发明的结构作详细的描述。

如图1和图2所示，本发明实施例提供的基于用户兴趣偏好的室内设计系统包括：用户移动端1、服务器2、设计师移动端3、云数据库4、图片上传模块5、个人中心模块6、3d方案体验模块7、管理中心模块8、算法处理器9、数据处理器10、设计师个人中心模块11、3d物体编辑器12、3d方案生成器13。

所述移动客户端1通过无线连接于服务器2，所述设计师移动端3通过无线连接于所述服务器2，所述云数据库4通过无线连接于所述服务器2，所述用户移动端1包括图片上传模块5，用于2d图片上传；个人中心模块6，用于用户登录管理；3d方案体验模块7，用于用户对整体3d方案进行评价体验。

所述服务器2包括管理中心模块8，用于用户和设计师交互交流；算法处理器9，用于2d图片算法计算以及转换成3d图；数据处理器10，用于转换算法的数据处理以及存储。所述设计师移动端3包括设计师个人中心模块11，用于设计师登录系统，3d物体编辑器12，用于3d图像进行编辑排版；3d方案生成器13，用于3d方案的生成以及上传到服务器。所述云数据库4，用于服务器进行2d图像算法数据对比匹配以及服务器上传数据的存储。

进一步，所述用户通过用户移动端设置初始偏好，服务器2根据用户偏好，向用户移动端自动推荐室内设计2d效果图包括：用户通过用户移动端1注册，并设置个人用户的初始兴趣偏好；服务器2根据用户设置的个人兴趣偏好，从服务器2搜索用户兴趣偏好对应的室内设计2d效果图，并将效果图推送至用户移动端1；用户移动端查看2d效果图的详情，或选取2d效果图上的热点或热区；服务器2运用用户选取的2d效果图中的热点和热区的标签以及用户兴趣标签进行协同过滤推荐，以用户兴趣为中心进行联想和不断过滤推荐的方式快速探索用户偏好。

进一步，所述用户点击移动端显示的室内设计2d效果图中的“3d”按钮；移动端1通过基于html5的内置浏览器发送对应的3d设计方案的url请求，服务器2根据url从数据库模块中获取指定的3d设计方案的详细构成数据；移动端接收详细构成数据并通过内置的浏览器显示最终3d设计方案。

本发明同时考察用户属性、被浏览内容属性以及用户在系统中的操作行为，有效了解用户兴趣偏好，实现了设计方案的自动推荐，用户与设计师能够同时在线共同参与方案设计，降低了沟通成本，提高了设计师、客户之间的沟通效率。

下面结合具体实施例对本发明的应用原理作进一步的描述。

本发实施例提供的基于用户兴趣偏好的室内设计方法包括：

(1)用户通过用户移动端设置初始偏好，服务器根据用户偏好，向用户移动端自动推荐室内设计2d效果图包括：用户通过用户移动端注册，并设置个人用户的初始兴趣偏好；服务器根据用户设置的个人兴趣偏好理论模型，从服务器搜索用户兴趣偏好对应的室内设计2d效果图，并将效果图推送至用户移动端；

所述个人兴趣偏好理论模型为：用户偏好受长期个人兴趣和短期个人兴趣两方面影响，用户的兴趣偏好文档描述为：

p＝{l,s}；

式中：l表示用户的长期兴趣，s表示用户的短期兴趣；l和s分别表示为：

l＝{l1，l2，…，lm}，s＝{s1，s2，…，sn}；

此时p＝{l1，l2，…，lm，s1，s2，…，sn}表述为用户兴趣偏好；

在用户的各种长短期兴趣中，对于每个li，sj(i＝1，2，…，m；j＝1，2，…，n)，引入表示类别属性的变量ci，cj和表示权重属性的变量ωi，ωj，所以li，sj扩展成：

得到用户偏好文档可表示成一个二维表：

缩写成：

p＝{<l1，ω1，c1)，<l2，ω2，c2>，…，<lm，ωm，cm>，<s1，ωm+1，cm+1>，<s2，ωm+2，cm+2>，…，<sn，ωm+n，cm+n>}；

式中：lm，sn分别为代表长期兴趣和短暂兴趣的某个属性值；cm+n表示用户兴趣对应的产品所属产品类别；ωm+n是以属性值词汇为代表的兴趣权重，表示用户对某个类别产品的感兴趣程度，是一个随着用户反馈信息不断变动的值，并且有ω1+ω2+…+ωm+n＝1；

(2)用户相似度的协同过滤推荐方法，用户移动端查看2d效果图的详情，或选取2d效果图上的热点或热区；服务器运用用户选取的2d效果图中的热点和热区的标签以及用户兴趣标签进行协同过滤推荐，以用户兴趣为中心进行联想和不断过滤推荐的方式快速探索用户偏好。

进一步，所述用户相似度的协同过滤推荐方法为目标用户u0产生其推荐集c；最后输出目标用户u0的推荐集c；

输入：目标用户u0，备选用户集u，产生推荐个数n；

1)用户属性相似度计算，根据计算用户u0的数值型属性距离dnum；对于用户u0名称性属性，对属性取值进行格雷编码，将用户名称型取值格雷码串联，计算出海明距离dh；根据da-b＝dnum+dh计算用户u0与其他用户间的距离，用来度量用户u0与其他用户间属性相似度，即用户间的距离da-b；用户互动相似度计算，找到与用户u0相似的发信人用户，并统计其数量，根据simi＝sims+simr计算出用户u0互动相似度simi；根据计算得出用户u0与其他用户间的总相似度sima-b。

以上所述仅是对本发明的较佳实施例而已，并非对本发明作任何形式上的限制，凡是依据本发明的技术实质对以上实施例所做的任何简单修改，等同变化与修饰，均属于本发明技术方案的范围内。