7，m8}。
[0106] 图4中（b)描述了用户u2与推荐系统互动的场景。互动的过程共有三轮。第一 轮的推荐同样是基于随机算法。第一轮的推荐清单为（m8，m4, ml)。用户选择浏览m4,并且 系统将她不感兴趣的m8加入到她的灰色清单中。在这里，由于TR= l，k= 1，因此用户u3 就成为了用户u2的相邻用户。在第二轮对用户u2的推荐中，电影{m2，m6}有kNN算法推 荐，而m7则是基于随机算法推荐的。第二轮的推荐清单为{m2, m6，m7}。但是由于用户u2 只选择浏览m6,因此（m7，m2)被加入到她的灰色清单中。因为没有其他电影可以被kNN算 法所推荐，第三轮的推荐使用的是随机算法。该轮推荐清单为Iml，m3, m5}。用户u2在第三 轮会退出推荐系统因为推荐清单中没有任何够让她喜欢的电影。
[0107] 图4中（c)描述了用户Ul与推荐系统互动的场景。该互动过程共有六轮。第一 轮的推荐同样是基于随机算法。第一轮的推荐清单为（m3, ml，m7)。用户选择浏览m2,并且 系统将她不感兴趣的m3加入了灰色清单。接下来的一轮推荐是基于kNN和随机算法。这 时，被kNN算法推荐的项目数为Nk = [N* (I-RT) ] = [3* (1-0. 25) ]= 2。而随机推荐的项 目数为Nrd = N-Nk =1。用户u3成为了她的相邻用户并推荐了 {m4，m6}。这两部电影和 随机推荐的m7组成了最后的推荐清单（m7，m4，m6)。用户选择了浏览m4,而m7被加入她的 灰色清单中。在接下来几轮的推荐都是基于随机算法，因为她的另两个相邻用户u2和u3 没法推荐任何新电影。
[0108] 图4中（d)描述了用户u4与推荐系统互动的场景。由于推荐清单里的电影 {m7, m6, m4}都不在她感兴趣的清单里，因此该互动过程只有一轮。
[0109] 当推荐系统中没有更多的活跃用户在使用的时候，最终的已浏览项目矩阵展示在 图4中（e)中。从这个实例的观点来看，如果用户的兴趣更为广泛，系统能更好的推荐。最 后，互动的召回率通过计算为ir(U，T) = 11/15 = 0. 73。成功推荐的项目数为6 ;因此互动 多样性为id(U，T) =6/8 = 0.75。由于用户的登录顺序和选择最终影响了后来的推荐，因 此我们可以说该用户与推荐系统的交互促进了机器主动学习功能的完善，是智能化的。
[0110] 四、本实施例总结
[0111] 本实施例主要阐述三部分内容：
[0112] 1、定义了"人机交互"(User_Recommender Interaction)流程，它包含推荐系统与 用户两类。
[0113] 2、建立了一个具有增量学习功能的基于人机交互的混合推荐系统。
[0114] 系统初始阶段，在不存在任何人机交互记录的情况下，系统将通过随机算法进行 推荐；在过渡阶段，即人机交互数据还非常稀疏时，系统则通过随机算法与KNN算法相混合 的方式进行推荐；在稳定阶段，即采集到的数据超过既定阈值后，则主要依靠 KNN算法进行 推荐。
[0115] 3、使用召回率和多样性作为评价指标，用来评估在人机交互场景下的推荐系统质 量。
[0116] 召回率：是检索出的相关文档数和文档库中所有的相关文档数的比率，衡量的是 推荐系统的查全率。
[0117] 多样性：描述推荐系统中推荐结果能否覆盖用户不同的兴趣领域。一般通过推荐 列表中物品两两之间不相似性来计算，物品之间越不相似则多样性越好。
[0118] 每一轮的推荐实质上是作为后续推荐的约束条件，系统记录下用户的选择或行 为，再运用到下一轮推荐计算中，从而使得推荐内容越来越贴近用户兴趣。
[0119] 本实施例的意义主要有以下三方面：
[0120] (1)定义了更接近实际应用环境下的人机交互行为，具有更强的实用意义。
[0121] (2)基于误差指标的准确度，如均方根误差（RMSE)和平均绝对误差（ME)，并不适 合评价交互式推荐系统。因此，在实际应用场景中，更适合使用召回率和多样性指标来评价 本实施例所描述的基于人机交互的混合推荐系统。
[0122] (3)提出混合算法是交互式推荐系统的核心。
[0123] 在著名的MovieLens数据集实验（http://www. movielens. org/)中，本实施例的 混合算法的实验结果表现优于其中任意一种单一算法。
[0124] 尽管结合优选实施方案具体展示和介绍了本发明，但所属领域的技术人员应该明 白，在不脱离所附权利要求书所限定的本发明的精神和范围内，在形式上和细节上可以对 本发明做出各种变化，均为本发明的保护范围。
【主权项】
1. 用于推荐旅游休闲出行地的基于人机交互的混合推荐系统，其特征在于：包括： 用户界面模块，用于展现信息内容、获取用户指令、以及记录用户行为， 用户模型模块，用于根据用户历史信息及行为，对用户行为进行分析与建模， 推荐引擎模块，根据用户模型采用结合人机交互场景算法和混合推荐算法，进行推荐 结果计算， 推荐对象模型模块，结合推荐结果并根据用户兴趣维度对推荐对象进行分类，并为推 荐对象提供推荐内容。2. 根据权利要求1所述的用于推荐旅游休闲出行地的基于人机交互的混合推荐系统， 其特征在于：用户行为包括三个步骤： 步骤1 :获得N个推荐项， 步骤2 :将推荐项与个人兴趣进行比较， 步骤3 :从中选择一个最符合个人兴趣的推荐项进行浏览。3. 根据权利要求1所述的用于推荐旅游休闲出行地的基于人机交互的混合推荐系统， 其特征在于：推荐引擎模块的推荐结果计算，具体包括以下步骤： 步骤1 :接受用户请求， 步骤2 :根据特定算法将符合条件的N个建议推荐给用户， 步骤3 :记录用户选择用于进一步的推荐。4. 根据权利要求1所述的用于推荐旅游休闲出行地的基于人机交互的混合推荐系统， 其特征在于：所述特定算法包括混合推荐算法，基于已浏览项目的矩阵中的数据特性，将其 分为三个阶段：初始阶段，过渡阶段和稳定阶段。5. 根据权利要求1所述的用于推荐旅游休闲出行地的基于人机交互的混合推荐系统， 其特征在于：人机交互场景算法。人机交互算法基于人机交互场景，分为用户与系统两个角 度。 从用户角度，人机交互场景如下： 用户向系统输入请求，得到系统推荐的N个内容； 当用户决定浏览推荐内容时，无论用户浏览的内容是否基于她的兴趣清单，推荐流程 都会继续；如果用户不喜欢系统推荐的项目，则会退出； 从推荐系统角度，人机交互场景如下； 推荐系统接受用户的请求并利用混合算法推荐N个项给该用户； 如果用户浏览了其中一项，推荐系统会将该选择记录到已浏览项矩阵中，否则流程终 止； 所有用户使用推荐系统并没有特定顺序。
【专利摘要】本发明涉及互联网旅游技术领域，具体涉及一种用于推荐旅游休闲出行地的基于人机交互的混合推荐系统。包括：用户界面模块，用于展现信息内容、获取用户指令、以及记录用户行为，用户模型模块，用于根据用户历史信息及行为，对用户行为进行分析与建模，推荐引擎模块，根据用户模型采用结合人机交互场景算法和混合推荐算法，进行推荐结果计算，推荐对象模型模块，结合推荐结果并根据用户兴趣维度对推荐对象进行分类，并推荐对象提供推荐内容。本发明使用召回率和多样性作为评价指标，用来评估在人机交互场景下的推荐系统质量。
【IPC分类】G06F17/30
【公开号】CN105138574
【申请号】CN201510449722
【发明人】黄杨
【申请人】黄杨
【公开日】2015年12月9日
【申请日】2015年7月28日