[發明專利]一種基于譜聚類的冷鏈物流配載智能推薦方法

在審

• 申請號: 201610112331.3
• 申請日: 2016-03-01
• 公開（公告）號: CN105654267A
• 公開（公告）日: 2016-06-08
• 發明（設計）人: 李翔;朱全銀;胡榮林;周泓
• 申請（專利權）人: 淮陰工學院
• 主分類號: G06Q10/08
• 分類號: G06Q10/08;G06Q50/28;G06K9/62
• 代理公司: 暫無信息
• 代理人: 暫無信息

技術領域

本發明屬于推薦技術領域，特別涉及一種基于譜聚類的冷鏈物流配載智能推薦方 法，可應用于冷鏈物流配載推薦系統。

背景技術

推薦系統通過對用戶偏好、習慣、訪問記錄、購買記錄等信息進行綜合分析，定制 的向用戶提供其可能感興趣的信息和服務，其在電子商務、在線影視、新聞廣告等領域得到 廣泛應用，如亞馬遜購物(Amazon)、淘寶網、Google廣告等。協同過濾推薦是推薦系統中應 用最早和最成功的技術之一，其基本假設是：如果用戶在過去有相同的偏好（如他們瀏覽或 購買過相同的圖書），那么他們在未來也會有相似的偏好。然而，協同過濾推薦技術在實際 應用中存在數據稀疏、用戶相似性難以準確度量等問題，以用戶觀看網絡電影為例，通常用 戶觀看電影的數量只是網站電影總數量的2%左右，而用戶對電影的評價會更少，網站收集 到的用戶評分矩陣極其稀疏，這會導致協同過濾推薦算法在計算用戶相似性時精度不高， 推薦誤差較大。針對上述問題，國內外學者對協同過濾推薦算法進行了相關改進。吳湖等在 “兩階段聯合聚類協同過濾算法”（軟件學報，2010,21(5):1042-1054）提出了一種基于兩 階段聯合聚類協同過濾算法，首先對原始矩陣進行用戶和項目雙向聚類，然后通過加權非 負矩陣分解進行評分預測，推薦精度得到一定提高。TsaiCF與HungC.在“Cluster ensemblesincollaborativefilteringrecommendation”（AppliedSoftComputing, 2012,12(4):1417-1425）提出了將融合聚類(clusterensemble)技術應用到協同過濾推 薦算法中，但該類方法存在對聚類邊緣用戶推薦精度較低的問題。趙宏霞等人在“基于用戶 和項目因子分析的混合協同推薦算法”（計算機應用,2011,31(5):1382-1386）和HuangZ 等人在“Acomparisonofcollaborative-filteringrecommendationalgorithmsfor E-commerce”（IEEEIntelligentSystems,2007,22(5):68-78）提了出先通過因子分 析、奇異值分解（SingularValueDecomposition,SVD）等方法對評分矩陣進行降維，再 采用回歸分析方法預測評分，該類方法減少了運算數據量并最大限度保留了矩陣信息，實 驗中取得了較好的效果，但該方法以犧牲評分矩陣數據為代價，在原始評分矩陣極為稀疏 的情況下，該類方法的預測誤差較大。上述對協同過濾算法的改進都建立在單個獨立的數 據空間，而在大數據環境下，大量新的數據在眾多領域（如電影、圖書、新聞、電子商務、博 客、微博、社交網絡）爆炸性增長，數據正以前所未有的速度不斷地增長和累計，要在這些新 領域應用傳統的機器學習方法，需要大量有標識的訓練數據，但是如果對每個領域都標識 出大量訓練數據會耗費大量的人力和物力。雖然不同網站的用戶并不是相同的群體，但是 他們都是全體社會成員中抽樣出來的子集，用戶對電影、圖書、新聞等內容會體現相似的興 趣分布，比如，喜歡科幻小說的人群同樣會喜歡看科幻電影和相關新聞。所以，在單個用戶 和項目之間沒有顯式對應關系的情況下，相似類別的用戶或項目也可以具有相似的潛在特 征。