[发明专利]一种基于SRV函数的协同过滤推荐方法

说明书

本发明公开了一种基于SRV函数的协同过滤推荐算法，该方法包括以下步骤：根据所有用户的数据将用户的所有感知属性进行分类，具体使用K‑means聚类方法首先将用户进行分类；将所属类别的特征进行提取，取得所属类别的代表元，然后就能得到相应的蛛网图；对所加入的新用户首先进行每个代表元的距离计算，看是否是该类用户，如果是则归类，如果不是则转入下一步；对新用户进行旋转，每次旋转角度可以根据属性的多少来决定，直到找到最优的旋转角度。本发明具有效率高、精确度高的特点。

技术领域

本发明属于互联网技术领域，具体地说，涉及一种基于SRV函数的协同过滤推荐方法。

背景技术

互联网时代以电商为主的销售模式开启了新的购物模式，可以使得人们可以自由的在网上选择自己喜欢的物品，但是随之而来的是丰富的商品，各种推销广告，无论是网页弹窗还是微信的红点推荐，或者是在邮件中的推荐物品不一而足，基本上无法正常的上网聊天以及在网站选择物品，往往会多次被打断，最主要的原因是网上购物时带来的信息的过载，但是作为用户我们无法一一浏览查看信息评判优劣，作比较后购买，因为一般的消费者的消费倾向不是很明确，很容易受到其他因素的影响，但是作为电商却又不得不一次又一次的损害消费者的上网情绪和购物情绪，以至于最后出现打酱油的钱去买了醋，或者本来要买的没买成反而买了一堆无用的东西，既浪费了时间又多花了钱，反过来对于电商而言这样做只会饮鸩止渴，因为一再的伤害消费者的购买情绪势必会产生很大的不良影响，因此对双方都不好，作为消费者一方的想法是买到自己称心如意的商品，而作为电商则是要让商品流通的更快起来，因此这就必须要推荐系统介入来缓解双方的矛盾。

当前的推荐系统主要分为两大类：

第一类是基于用户的推荐系统称为协同过滤方法，其主要方法是根据用户的近距离周边或者是用户的朋友圈的购买习惯来推荐给用户商品，该方法的特点是对用户来说和朋友具有一定的购物相似度或者是由用户的朋友将商品的使用情况推荐给用户因此是非常好用的一种方法，但是随着用户范围的不断扩大，特别是微信朋友圈不断的被微商等的商户占领导致用户的满意度在逐渐的降低，特别是当用户的朋友圈中有微商时会严重伤害该用户对商品的这种信任程度，而随着九零后一代的成长逐渐的称为消费的主力军，他们是真正的数字一代，可以说没有手机就活不了的，但是同时这批人也是不同于前人是有着非常明显的个性的一代，喜欢各种稀奇古怪的东西，特别是所谓的非主流，因此无论是哪方面都喜欢有自己独特的一面不愿意随大流，因此这就是为什么我们会看到很多的大的网站的销售情况会出现一种叫做长尾现象，即在商品的销售量中除了热销的商品外，有些商品其销量虽不及热销的多，但是将这些商品的销售额加在一起却可以和热销商品一样的多，有时甚至是超过了热销的商品，因此对于长尾商品的销售推荐才是网站的重点，但是如何才能做到在现有的情况下的推荐准确呢，协同过滤的方法显然不适合，因为它忽略了每个用户的个性特点，因此需要在原有的基础上进行精细化的操作。

第二类是基于物品的推荐系统，其主要的方式是根据用户的过往搜索记录来给用户推荐相关的商品或者是不同品牌的同种商品，或者是同搜索商品相关的周边物品，其主要关注点在商品本身并不与用户的使用习惯相关联，现在绝大多数的网站采用就是这样通过后台收集用户上网浏览历史的推荐算法，当然对用户而言有的能帮助用户及时找到自己所需商品或者是价格更为合适的，或者是用户没有考虑到的周边产品，这些对于用户的实时搜索都是有用的，但是用户的这种搜索是具有随机性的，可能在这个网站搜索也可能在其他的网站搜索，因此并不能长期的固定下来，因此对于网站来说如果能抓住用户的消费习惯并且能够给用户非常好的购物体验才是长期留住用户的好的推荐系统。

基于以上的两类推荐系统我们可以看出无论是协同过滤方法还是基于物品的推荐系统都有缺点，前者是忽略了用户的个性特点在当前的用户群体尤为明显，后者则是无法长期的留出用户只是存在随机性和偶然性，因此必须重新的设计一个新的算法来对推荐系统进行改进以适应新的变化和形势，而基于SRV函数的推荐系统算法则是将两者的优点进行重新的拟合同时又消除了二者的一些缺点而设计的。

发明内容