[发明专利]基于协同过滤的通用物品推荐方法

权利要求书

1.一种基于协同过滤的通用物品推荐方法，其特征在于，所述通用物品推荐方法包括下列步骤：

S1、业务方对推荐物品及用户的属性及特征值进行初始化定义，将用户的行为分类并设置初始搜索引擎的条件，完成初始化设定和推荐引擎APK接入后，向推荐引擎APK发起推荐请求，并将初始化的数据集发送给推荐引擎APK；

S2、推荐引擎APK首先根据业务方的初始搜索引擎，将满足搜索条件的数据，汇总形成可推荐候选集A，对可推荐候选集A通过相似度判定得到相似用户集，并根据基于用户的协同过滤思想，进行数据筛选得到可推荐结果集B；

S3、将可推荐结果集B根据物品的属性，对属性的特征值进行划分，根据用户的感兴趣物品集中各个特征值所占的比例，得到可推荐结果集B的用户中每个属性特征值所占的权重，并根据各个最显著的特征集去得到用户感知最敏感的属性，根据感知最敏感的属性的不同参考权重，将用户的感兴趣物品集进行排序，得到初步推荐结果列表C，其中，所述的步骤S3的具体过程如下：

S301、根据可推荐结果集B，对物品的属性和特征值进行划分，设物品的属性向量为：

属性S_i的特征值向量为：

S302、通过各个属性的区分度向量和候选推荐集构造属性特征矩阵；

对用户A而言，用户A的感兴趣物品集Q_A中某一物品属性S_i的特征值v_k在所占的比例为则在候选推荐集Q_T中，设该物品属性的特征值v_k所占的权重：

另，当i，k取任意可取值，则认为属性S_x的区分度最强；各个属性的区分度取：

所以，当给出Q_A后，可得属性区分度向量：

得到Q_T后，可得物品的属性特征矩阵：

S303、根据属性特征矩阵和属性区分度向量，可以得到候选推荐集Q_T的各物品推荐分数向量：

S304、根据得到的推荐分数向量对可推荐结果集B的排序，确定初步推荐结果列表C；

S4、将初步推荐结果列表C发送给业务方，业务方根据需求进行重排，最后得到推荐结果列表D。

2.根据权利要求1所述的基于协同过滤的通用物品推荐方法，其特征在于，所述步骤S2的具体过程如下：

S201、将用户的行为分为T₁～T_K共K类，并对这K类行为分别进行权重赋值w₁～w_k，根据不同的用户行为区分为正面、负面以及高、中、低六个维度，赋值向量w的取值为w＝【-2,-1,0,1,2,3】；

S202、获取用户对物品的行为操作累加值得到用户对物品的喜好度H＝∑w；

S203、通过不同用户对各个物品的喜好度H，利用欧几里得距离计算得到用户之间的相似度：

当两个用户之间的相似度sim(x,y)k时，其中k由业务方决定，即认为两者相似从而得到相似用户集，并根据基于用户的协同过滤思想，得到各个用户的可推荐结果集B。

3.根据权利要求1所述的基于协同过滤的通用物品推荐方法，其特征在于，

所述步骤S2中可推荐候选集A的人数如果不满足最低推荐人数要求，则向业务方请求扩大搜索条件。

4.根据权利要求1所述的基于协同过滤的通用物品推荐方法，其特征在于，所述用户的属性及特征值的定义的方式为【属性-值】键值对。

5.根据权利要求1所述的基于协同过滤的通用物品推荐方法，其特征在于，用户的初始属性由用户在注册时填写，推荐引擎可以根据用户填写的属性值，为初始用户进行特征划分。

6.根据权利要求2所述的基于协同过滤的通用物品推荐方法，其特征在于，

当用户对物品的喜好度H3时，则认为用户对该物品感兴趣。

7.根据权利要求1至6任一所述的基于协同过滤的通用物品推荐方法，其特征在于，

所述通用物品包括：书籍、音乐或电影，不同的通用物品的区别在于，喜好度的衡量标准以及物品的属性特征差异可根据不同的推荐场景由业务方调整参数。