[发明专利]一种项目推荐方法及系统

说明书

技术领域

本申请涉及项目推荐技术，尤其涉及一种项目推荐方法及系统。

背景技术

当用户进入电子商务网站选择图书、视频等产品时，面对的是海量的产品，仅仅依赖搜索与浏览，很难发现符合自己独特兴趣的产品。因此，进行产品的个性化推荐，能够解决用户的信息过载，为用户提供符合其兴趣的产品。

个性化推荐研究的历史根源可以追溯到认知科学、逼近论、信息抽取和预测论等领域的研究工作，同时与管理科学以及市场营销中的客户机会建模有关。但是，推荐系统作为一个独立的研究领域出现还在于1990年代中期。从那时开始，推荐系统研究问题集中解决显式的依赖用户打分结构的推荐方法。在这样的背景下，推荐问题可以规约为：为用户未见项目预测打分的问题。这种估计通常基于用户对其他项目的打分和其他信息。一旦对用户未见项目打分做出预测，我们可以向用户推荐得分高的项目。这里，所谓“项目”概指推荐系统所在的系统向用户所推荐对象，如图书、电影和旅馆等。

更为形式化地，推荐系统可以形式化地描述为：

(1)给定用户集合U，要推荐的项目集合S；

(2)构建一个用户对项目的打分函数f：U×S→R，R为一定范围内的非负整数；

(3)对任一个用户u∈U，从S中选择打分函数值最高的项目Su，即为：

∀u∈U,]]>Su=argmaxfs∈S(u,s).]]>

根据具体的推荐策略，推荐系统一般分为以下三类：

(1)基于内容的推荐系统：向用户推荐与其过去选择的项目相似的项目；

(2)协同过滤推荐系统：在基于用户的协同过滤推荐系统中，向用户推荐与其偏好相似的其他用户选择的项目；在基于项目的协同过滤推荐系统中，首先根据所有人的选择情况(打分、是否购买等，而不是项目的内容描述)，计算项目之间的相似度；进一步地，根据项目之间的相似度，向一个用户推荐的与其历史选择相近的项目。

(3)混合型推荐系统：混合上述两种推荐方式的数据或策略，向用户推荐项目的系统。

不同方法适用于不同应用领域与数据集合，例如在图书领域，图书的推荐系统一般属于基于项目的协同过滤推荐系统。

具体的，如图1所示，现有图书推荐系统的处理流程一般包括以下步骤：

步骤101：根据用户的购买历史记录形成用户-图书打分矩阵；

用户-图书打分矩阵中，行为用户，列为图书，元素为对应用户对对应图书的打分值，在实际应用中，所述元素值一般根据用户是否购买了该图书而相应设置为1或0。

步骤102：计算任意两个图书之间的余弦相关性；

步骤103：对每个图书，选择与该图书余弦相关性最高的预设M个图书作为该图书的邻居图书。

步骤104：根据用户的购买图书以及被购买图书的邻居图书确定用户的图书候选集合，并确定图书候选集合中每一图书的推荐强度，将推荐强度最高的预设N个图书作为该用户的图书推荐集合。

虽然在实际应用中，图书推荐系统是根据用户的购买历史确定用户的最终图书推荐集合，但是，所述最终图书推荐集合中包含的图书往往与用户感兴趣的图书并不匹配，因此，用户往往无法从推荐系统中获取所需的图书信息。这时，用户仍然需要在电子商务图书网站通过传统的搜索和浏览等操作，最终自主确定感兴趣的图书，进而进行购买等后续操作。对于其他的项目推荐系统，也存在与图书推荐系统类似的推荐结果不准确的问题。