[發明專利]基于客戶特征的協同過濾推薦方法和系統

無效

• 申請號: 200910080946.2
• 申請日: 2009-03-30
• 公開（公告）號: CN101853463A
• 公開（公告）日: 2010-10-06
• 發明（設計）人: 鄧芳
• 申請（專利權）人: 北京郵電大學
• 主分類號: G06Q30/00
• 分類號: G06Q30/00;G06F17/30
• 代理公司: 暫無信息
• 代理人: 暫無信息

技術領域

本發明涉及計算機網絡技術領域，尤其涉及一種基于客戶特征的協同過濾推薦方法和系統。

背景技術

隨著互聯網的普及和電子商務的發展，推薦系統尤其是個性化的推薦逐漸成為電子商務技術的一個重要研究內容，越來越多地得到研究者的關注。目前，幾乎所有大型的電子商務系統，如Amazon，CDNOW，eBay，當當網上書店等，都不同程度地使用了各種形式的推薦系統。

推薦系統就是利用統計和知識發現技術來解決與目標客戶交互時提供商品推薦問題的系統。它在電子商務系統中向客戶提供商品信息和建議，幫助客戶決定購買何種商品，模擬銷售人員向客戶推薦商品完成購買的過程。推薦系統推薦何種商品是在電子商務網站整體商品的購買情況、客戶的人數統計或者對客戶購買的歷史記錄上進行分析產生的。

早期的推薦系統提供的推薦信息是對全體用戶提供相同的信息，如商品銷售的排行榜、促銷組合等，這些推薦信息并不是針對個體用戶進行推薦，這類推薦系統在個性化推薦方面存在不足。隨著營銷理念和電子商務的發展，為適應實際商務環境中客戶要求得到一對一的服務的需要，應用于電子商務網站的推薦系統逐漸向能實時地為客戶提供符合其個人需要的推薦服務這個方向發展。

在這種背景下，協同過濾的出現為進一步提高信息服務質量提供了一個新的思路。協同過濾，其基本思想十分直觀，在日常生活中，人們往往會根據親朋好友的推薦來做出一些選擇(購物、閱讀、音樂等等)。協同過濾系統就是將這一思想運用到網絡信息服務(信息推薦)中，基于其他用戶對某一信息的評價來向某一用戶進行推薦。

隨著電子商務系統規模的進一步擴大，用戶數目和項目數據急劇增加，導致用戶評分數據的極端稀疏性，在用戶評分數據極端稀疏的情況下，傳統相似性度量的各種方法均存在各自的弊端，使得計算得到的目標用戶的最近鄰居不準確，推薦系統的推薦質量急劇下降。更重要的是這些算法只在有用戶評分記錄的前提下適用，針對沒有用戶評分的電子商務系統，無法在電子商務推薦系統中廣泛應用協同過濾技術。

發明內容

本發明為解決上述技術問題，提出了一種基于客戶特征預測的協同過濾推薦方法，首先通過計算客戶的消費行為特征值矩陣，再結合客戶的購買記錄綜合計算出客戶的最近鄰居。本方法可以有效地解決用戶評分數據極端稀疏和沒有客戶對商品的打分情況下傳統相似性度量方法存在的不足，提高推薦系統的推薦質量。

本發明提供一種基于客戶特征的協同過濾推薦方法，主要包括以下步驟：

1、獲得用戶信息并進行信息表示，用戶信息的獲取主要獲得用戶對給定信息(廣義的指，狹義的可以指商家提供的商品等)的評價。其中：評價分為顯式評價和隱式評價兩種。

顯式評價需要用戶有意識地表達自己對某一信息的認同程度，一般用整數值來表示喜歡的程度，如GroupLens、Ringo等。協同過濾系統向新用戶提供一個信息列表，要求用戶對其中全部或部分信息進行評價，系統獲得用戶的這些初始信息后，就能將用戶加入到用戶庫中，隨著用戶不斷使用協同過濾推薦系統，用戶信息不斷積累，從而為用戶提供越來越符合其個人需要的推薦。

隱式評價希望從用戶的行為中獲得用戶信息，目前已做的研究有通過分析用戶網上購物記錄、閱讀文章時間的長短、URL的連接次數等數據記錄獲取。就目前來說，隱式評價對數據分析的難度較大，準確性和有效性有待進一步提高，所以協同過濾領域的研究主要以顯式評價為主，從發展潛力上來看，隨著隱式評價數據分析、處理能力的不斷提高，運用隱式評價的推薦系統將會占越來越大的比重。

信息表示主要完成用戶信息的描述，一般使用用戶一項矩陣表示，項代表商品(或給定的信息，如：電影、書籍等)。

2、鄰居形成，鄰居形成主要完成目標用戶最近鄰居(或最相似用戶)的識別。

協同過濾在推薦系統中實現的核心就是為一個需要推薦服務的當前目標用戶尋找其最相似的“最近鄰居”集，即對一個用戶u，要產生一個根據相似度大小排列的“鄰居”集合N＝{N1，N2，……N，}，u不屬于N，從N1，到Nt，sim(u，N，)(表示用戶u與鄰居用戶的相似性大小的值)從大到小排列。

3、產生推薦，產生推薦主要解決從最近鄰居信息中獲得對目標用戶興趣度的預測或信息的推薦。

用戶興趣度的預測可以通過公式計算得到，給用戶提供最優N項(Top-N)推薦可通過兩種不同的技術實現：最頻繁項推薦和基于關聯規則的推薦。