[发明专利]服务推荐处理的方法和装置

说明书

技术领域

本发明实施例涉及通信领域，尤其涉及一种服务推荐处理的方法和装置。

背景技术

现有技术中，用户通常利用关键词通过搜索引擎在网上搜索自己需要的服务，而搜索引擎会针对用户输入的关键词形成服务推荐排序列表向用户推荐服务。现有形成服务推荐排序列表的方式包括采用肯德尔相关系数（Kendall Rank Correlation Coefficient，简称为KRCC）计算用户间的相似性，融合相似用户的偏好直接产生针对活动用户的服务推荐排序列表。

上述方法中，通常先利用现有服务评分数据集构造稀疏评分矩阵，然后将针对稀疏矩阵中活动用户的预测服务推荐排序列表，与按照原服务评分矩阵中的服务真实评分值生成的服务推荐排序列表进行对比，仍使用KRCC来度量服务推荐排序列表的预测准确性。KRCC越大，表示算法的服务推荐排序列表预测准确性越高。

研究表明，排序位置越靠前的搜索结果，受到的用户关注度越高，多数互联网用户仅关注搜索结果第一页的内容。因此，保证服务推荐排序列表前端服务排序位置的一致性尤为重要。但是上述方法却忽略了用户对服务排序位置的关注度。如在现有服务评分数据集中，服务s1，s2，…，s8按照真实评分值生成的服务推荐排序列表为（1，2，3，4，5，6，7，8），用户得到的预测服务推荐排序列表分别可能为R1（4，3，2，1，5，6，7，8）和R2（1，2，3，4，8，7，6，5），用户得到的两个预测服务推荐排序列表与按照服务真实评分值生成的推荐排序列表KRCC相似性相同（均为22/28）。但是从服务推荐排序列表R1和R2中能够看出，服务推荐排序列表R2中前端服务的排序与按照服务真实评分值生成的服务推荐排序列表（1，2，3，4，5，6，7，8）一致；显然服务推荐排序列表R2比R1更符合用户的期望。但是利用KRCC计算的结果却看不出这种差异，这降低了向用户推荐服务的有效性和准确性。

发明内容

为克服上述缺陷，本发明实施例提供一种服务推荐处理的方法和装置。

第一方面，本发明实施例提供一种服务推荐处理的方法，其包括：

获取用户集中各用户对待推荐服务集中各服务的评分值，所述用户集包括活动用户和历史用户，所述待推荐服务集包括多个待推荐给用户的服务；

根据所述活动用户与各历史用户共同评价过的服务的数量和评分值，获取所述活动用户的相似用户，所述相似用户是指对所述待推荐服务集中的各服务与所述活动用户具有相似排序偏好的历史用户；

根据所述活动用户和所述相似用户对所述待推荐服务集中各服务的评分值，构建各服务间的偏序关系模型矩阵；

根据所述偏序关系模型矩阵，应用贪心算法获取服务推荐排序列表；

根据所述活动用户评价过的服务的排序对所述服务推荐排序列表进行修正。

在第一方面的第一种可能的实现方式中，所述根据所述活动用户与各历史用户共同评价过的服务的数量和评分值，获取所述活动用户的相似用户，包括：

根据公式计算随机试验期望值，再根据公式sim(u,v)=2p-1计算平均精度相关系数，选取所述平均精度相关系数满足预设条件的历史用户作为所述相似用户；其中，C（i）表示在所述活动用户u和所述历史用户v各自所对应的排序列表中共同位于所述活动用户u对应的排序列表中的第i个服务前面的服务的数量，N表示所述活动用户u和所述历史用户v共同评价过的服务个数，所述排序列表中所述共同给出评分的服务按照各自对应的评分值由大到小排序。

在第一方面的第二种可能的实现方式中，所述根据所述活动用户和所述相似用户对所述待推荐服务集中各服务的评分值，构建所述活动用户各服务间的偏序关系模型矩阵，包括：

获取所述活动用户u各服务间的偏好关系值ψ(i,j)，其中，j≥i，i,j∈S；所述ψ(i,j)表示服务s_i和服务s_j间的偏好关系值；S表示待推荐服务集；

若所述活动用户u对服务s_i和所述服务s_j均有评分，则ψ(i,j)=r_u,i-r_u,j，r_u,i为所述活动用户u对服务s_i的评分值，r_u,j为所述活动用户u对服务s_j的评分值；