[发明专利]基于上下文本体树计算用户偏好相似度的信息推荐方法

说明书

基于上下文本体树计算用户偏好相似度的信息推荐方法。该方法分析各种上下文类型及其具体实例对用户偏好的差异化影响，设计一种基于上下文的用户偏好提取方法；然后，利用本体对上下文进行语义表达，并构建基于本体树表达的上下文相似度计算方法，提升协同过滤推荐中寻找相似用户集的精确性；在上述用户偏好提取的基础上，将提取出的上下文引入到协同过滤推荐过程，计算上下文用户偏好之间的相似度，并设计一种基于用户上下文偏好分析的协同过滤推荐方法，解决了已有推荐方法的稀疏性、冷启动等问题。

技术领域

本发明涉及智慧商务中个性化推荐领域，具体涉及基于上下文本体树计算用户偏好相似度的信息推荐方法。特别是适用于智慧商场网上交易中用户商品评分数据稀疏，且受到复杂上下文影响的群体用户的商品推荐。通过融入上下文偏好信息的推荐技术可以准确高效地提供既符合用户内外上下文，又满足用户偏好的个性化服务。

技术背景

移动通信网络、智能信息处理等技术的发展满足了用户对互联网商品或者服务的多样化需求，使得用户可以通过移动智能终端及时获取偏好信息。然而，“爆炸”式商务大数据却使用户“迷失”在“信息洪流”中。同时，随着个性化推荐系统的不断发展以及在智慧商业领域的广泛应用，智能推荐技术应运而生，并能解决“信息泛滥”带来的系列问题，从而为用户提供了高质量的个性化服务。但是，现有信息推荐过程的技术中缺乏对上下文、用户认知和偏好间关联性进行挖掘与相关作用机制分析，而且基本都只考虑单一上下文类型，未能很好地考虑不同上下文类型对用户需求的分布式和差异化影响，导致存在推荐精确度低或者推荐覆盖率低等问题，在实际应用中很难泛化。因此，需要探索高效的个性化推荐技术来解决上述问题，实现自适应的“上下文”式个性化推荐服务的目标。

目前大多数推荐方法是指根据已有的用户—物品交互历史，利用众人或众物品的集合智慧进行推荐，因其有效性而在推荐系统中被广泛的应用。但随着用户和项目数的不断增大，以及智慧商务环境的复杂、动态特征，需要对复杂高维上下文进行定义与表达、对融入上下文的推荐方法进行改进，且引入上下文给推荐数据集带来了更加严重的数据稀疏性、冷启动等问题。因此，从用户上下文强度和偏好评分中学习主题，可以更好地匹配用户的偏好行为，且对上下文的深入挖掘可以有效地缓解协同过滤数据稀疏性问题；同时在进行个性化推荐时将用户偏好影响因素和上下文信息关联起来统一考虑，更能反映现实场景，贴合用户的真实行为，缓解协同过滤方法的冷启动问题，提高推荐的质量。

发明内容

为了克服目前已有方法在个性化推荐过程中用户评分技术过于片面，很少分析不同类型上下文中用户偏好差异的原因，且存在多维上下文语义表达不足、稀疏性、冷启动等问题，本发明提供一种综合上下文和评分信息的基于上下文本体树计算用户偏好相似度的信息推荐方法。

本发明解决其技术问题所采用的技术方案是：

基于上下文本体树计算用户偏好相似度的信息推荐方法，包括以下步骤：

步骤1，基于上下文的用户偏好提取；

输入：网络用户u_i，商品s_j，上下文集合C_k

输出：基于上下文的用户偏好

步骤11：计算某单维度上下文中一个上下文实例的平均值作为单一用户历史行为上下文数据，其中d_ij为含有上下文的用户历史行为上下文的数目。

步骤12：计算某种上下文类型C_context的影响程度ε_ijk，用于度量上下文对用户行为Q的差异化认知，N为用户行为记录数。

步骤13：计算单维度上下文用户偏好。以单维度用户历史行为上下文为数据源，通过K-Means算法计算单维度上下文用户偏好其取值区间为[a,b]。