[发明专利]基于协同过滤的通用物品推荐方法

说明书

本发明公开了一种基于协同过滤的通用物品推荐方法，该方法利用基于用户的协同过滤方法，通过欧几里得距离计算用户之间的相似度，得到相似用户集并进一步得出不同用户的候选推荐集；之后再通过对用户初始感兴趣物品属性的分类和特征赋值，计算出候选推荐集的推荐分数，从而得到一种适用性和鲁棒性较强的推荐结果，帮助用户更方便的获取感兴趣的内容。相比于传统的基于人口统计学和基于内容的推荐方法相比，本发明更为注重了用户之间的个体差异性，通过分析用户的历史行为数据，挖掘用户的兴趣进行推荐；因此，推荐结果因人而异，更多的考虑了用户的个人喜好，也可以针对不同的推荐场景定制不同的方法参数。

技术领域

本发明涉及信息推荐技术领域，具体涉及一种基于协同过滤的通用物品推荐方法。

背景技术

如今已经进入了一个数据爆炸的时代，随着Web 2.0的发展，Web已经变成数据分享的平台，那么，如何让人们在海量的数据中想要找到他们需要的信息将变得越来越难。

在这样的情形下，搜索引擎(Google，Bing，百度等等)成为大家快速找到目标信息的最好途径。在用户对自己需求相对明确的时候，用搜索引擎很方便的通过关键字搜索很快的找到自己需要的信息。但搜索引擎并不能完全满足用户对信息发现的需求，那是因为在很多情况下，用户其实并不明确自己的需要，或者他们的需求很难用简单的关键字来表述。又或者他们需要更加符合他们个人口味和喜好的结果，因此出现了推荐系统，与搜索引擎对应，大家也习惯称它为推荐引擎。

随着推荐引擎的出现，用户获取信息的方式从简单的目标明确的数据的搜索转换到更高级更符合人们使用习惯的信息发现。

如今，随着推荐技术的不断发展，推荐引擎已经在电子商务(E-commerce，例如Amazon，当当网)和一些基于social的社会化站点(包括音乐，电影和图书分享，例如豆瓣，Mtime等)都取得很大的成功。这也进一步的说明了，Web2.0环境下，在面对海量的数据，用户需要这种更加智能的，更加了解他们需求，口味和喜好的信息发现机制。协同过滤推荐算法是诞生最早，并且较为著名的推荐算法。主要的功能是预测和推荐。算法通过对用户历史行为数据的挖掘发现用户的偏好，基于不同的偏好对用户进行群组划分并推荐品味相似的商品。协同过滤推荐算法分为两类，分别是基于用户的协同过滤算法(user-basedcollaboratIve filtering)，和基于物品的协同过滤算法(item-based collaborativefiltering)。简单的说就是：人以类聚，物以群分。

发明内容

本发明的目的是为了解决现有技术中的上述缺陷，提供一种基于协同过滤的通用物品推荐方法。

本发明的目的可以通过采取如下技术方案达到：

一种基于协同过滤的通用物品推荐方法，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；

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。

进一步地，所述步骤S2的具体过程如下：