[發明專利]一種基于用戶風險偏好的服務推薦方法

有效

• 申請號: 201410144174.5
• 申請日: 2014-04-10
• 公開（公告）號: CN103942288B
• 公開（公告）日: 2017-02-08
• 發明（設計）人: 王海艷;曲匯直;駱健;蔣宇鑫;張少波
• 申請（專利權）人: 南京郵電大學
• 主分類號: G06F17/30
• 分類號: G06F17/30
• 代理公司: 南京經緯專利商標代理有限公司32200
• 代理人: 葉連生

1.一種基于用戶風險偏好的服務推薦方法，其特征在于根據用戶對未知信息的預期不同選取不同的項目屬性進行推薦，使得推薦結果更加符合用戶的需求，該服務推薦方法主要包括基于風險偏好的屬性約簡方法和基于風險偏好的服務推薦方法兩部分；

基于風險偏好的屬性約簡方法的組成模式，包括用戶的基本信息，用戶的需求信息，服務的非功能屬性信息，用戶對服務屬性的評分信息幾部分，其中用戶的基本信息包括用戶的ID、用戶對風險的偏好信息，用戶的需求信息包括用戶的功能性需求和非功能性需求，服務的非功能屬性信息包括服務的價格，QoS屬性等信息；

基于風險偏好的服務推薦方法關鍵在于將用戶對未知信息的風險期望融入到推薦系統中，通過將用戶按照風險偏好的不同進行分類的方法提取出符合此類用戶的決策屬性，將其與用戶需求提出的偏好屬性結合，形成有效的決策屬性，進而進行相似度計算，將最佳項目推薦給用戶；主要包括的處理過程有用戶分類過程，用戶需求提取過程，用戶評分表處理過程，待推薦項目屬性約簡過程，約簡后屬性與用戶需求結合過程，相似度計算過程和最佳服務選擇過程；

基于用戶風險偏好的服務推薦方法的步驟是：先將用戶按照不同的風險偏好類型分類，用戶向服務注冊中心發送請求，服務注冊中心提取相關服務構建評分可能區間表，按照各類用戶不同的規則提取有效屬性，將約簡后的屬性進行賦權，計算單一非功能屬性的推薦度，再根據權重計算服務的推薦度，將最佳服務推薦給用戶，最終完成服務推薦。

2.根據權利要求1所述的基于用戶風險偏好的服務推薦方法，其特征在于該推薦方法中基本元素，及其定義和功能包括：

1）服務請求者，即用戶：對服務資源提出請求，具有選擇最優服務資源權限的實體；該實體包括固定的ID，實體的風險偏好類別以及實體對所需服務功能性屬性和非功能性屬性的需求；

2）服務提供者：針對服務請求者提出的資源請求，實施信息服務的提供者；該實體具備的屬性包括固定的ID，所提供的功能性屬性和非功能性屬性的類別，功能屬性需求：需求詳細信息之一，表示用戶所需要的服務的功能；

3）用戶的功能屬性需求：需求詳細信息之一，表示用戶所需要的服務的功能；

4）用戶的非功能屬性需求：服務屬性信息需求，表示用戶對所需要的服務某項或某幾項非功能屬性的需求；

5）服務屬性：服務屬性信息，列出服務具有的功能屬性和非功能屬性，包括價格、性能、可靠性、可用性、安全性和聲譽度；

6）風險偏好：是指為了實現目標，用戶在承擔風險的種類、大小方面的基本態度，風險就是一種不確定性，用戶面對這種不確定性所表現出的態度、傾向便是其風險偏好的具體體現；

7）用戶評分區間：記a＝[a^L,a^U]＝{x|a^L≤x≤a^U}，a為評分區間，a^L為區間下限，a^U為區間上限；

8）評分區間長度：l_a＝a^U-a^L表示評分區間a的長度，l_b＝b^U-b^L表示區間b的長度；

9）用戶評分區間可能度：為評分區間可能度，用以判定兩個區間數大小的概率，a、b為評分區間：a＝[a^L,a^U]，b＝[b^L,b^U]，l_a、l_b為步驟8）中所述評分區間長度；

10）風險規避型用戶評分期望預期規則：假設a＝[a^L,a^U]，b＝[b^L,b^U]是兩個評分區間屬性值，那么判定a＞b的預期規則為P(a≥b)＞1/2或P(a≥b)=P(b≥a)1/2aL<bL,]]>P為步驟9）中所述評分區間可能度；

11）風險中立型用戶評分期望預期規則：假設a＝[a^L,a^U]，b＝[b^L,b^U]是兩個評分區間屬性值，那么判定a＞b預期規則為P(a＞b)＞1/2；

12）風險偏好型用戶評分期望預期規則：假設a＝[a^L,a^U]，b＝[b^L,b^U]是兩個評分區間屬性值，那么判定a＞b的預期規則為P(a≥b)＞1/2或P(a≥b)=P(b≥a)1/2aU<bU.]]>

3.根據權利要求1所述的一種基于用戶風險偏好的服務推薦方法，其特征在于：基于用戶風險偏好的服務推薦方法的步驟如下：

第一步：服務請求者向服務注冊中心發出某一服務請求，服務注冊中心返回服務提供者可提供的這種服務的列表L{A₁，A₂...A_n}，A₁，A₂...A_n表示滿足請求的服務；

第二步：根據用戶對風險的偏好態度，對用戶進行分類;

第三步：根據用戶對于各個非功能屬性打分表構建服務各屬性評分的可能區間表;

第四步：根據用戶約束去除不滿足約束的服務；

第五步：根據用戶風險偏好的類型選擇預期規則構建辨析矩陣;

第六步:根據辨析矩陣并利用吸取法提取有效屬性;

第七步:根據用戶提出的需求非功能屬性結合提取的有效屬性形成推薦屬性；

第八步：利用協同過濾算法計算單一非功能屬性的服務推薦度;

第九步：根據有效屬性所占比例為該屬性推薦度賦權;

第十步：根據賦權的屬性計算服務推薦度，通過Top-K算法將推薦度值最大的服務推薦給用戶。