[发明专利]一种面向农产品大数据的精准个性化推荐方法

说明书

一种面向农产品大数据的精准个性化推荐方法。首先构建基于Hadoop的大数据计算平台，然后获取消费者——农产品评分矩阵，将时间因素影响和地理位置信息影响融入消费者的相似度计算中。基于资源扩散思想设计相似度计算模型和偏好预测模型，最终得到高精确度的推荐结果。

技术领域

本发明涉及个性化推荐领域，具体涉及一种面向农产品大数据的精准个性化推荐方法。特别适用于各行业开展电子商务方面的个性化推荐。

技术背景

我国传统的农产品流通过程中，信息化水平低、条块分割、物流成本高、品牌缺乏等问题突出，农产品电商平台的出现在一定程度上解决了以上问题，因此农产品电商平台有巨大的发展潜力，广阔的应用前景。但信息不对称始终是我国农产品电商平台发展的瓶颈问题，如，优菜网、小农女、谊万家等农产品电商网站近年来先后倒闭；2015年出现的广东佛山火龙果滞销事件等都是信息不对称引起的严重后果。一方面，如何帮助消费者找到满足自身需求的农产品，成为提升消费者满意度的关键之一；另一方面，如何帮助农户、农产企业了解消费者不断变化的需求，成为提升企业竞争力的关键。个性化推荐服务的出现，成为解决这对问题的有效方法之一。发展农产品电子商务的重点即发展农产品精准信息推荐服务。目前农产品电商平台存在的不能很好得通过个性化服务来提高用户满意度，保持现有客户、挖掘出潜在客户

以个性化推荐技术为核心的推荐系统已广泛应用于电子商务、数字图书馆及新闻推荐、多媒体资源点播、电子旅游、社交网络等领域。尤其在电子商务领域，几乎所有的电子商务平台如Amazon、eBay、淘宝、天猫、京东等均不同程度的使用了各种推荐系统。个性化推荐的目标就是要把对的信息内容或商品推荐给对的用户，要能帮助用户迅速找到自己需要的信息或发掘出自己潜在的兴趣。现阶段个性化推荐方法很多，主要包括协同过滤算法，基于内容的推荐算法，以及兴起的基于用户——产品的二部图网络结构推荐算法等。协同过滤算法分析用户兴趣，在用户群中找到指定用户的相似(兴趣)用户，综合这些相似用户对某一信息的评价，形成系统对该指定用户对此信息的喜好程度预测，其相似度计算方法常采用余弦相似性以及相关相似性。基于内容的推荐是协同过滤技术的延续与发展，它不需要依据用户对项目的评价意见，而是依据用户已经选择的产品内容信息计算用户之间的相似性，进而进行相应的推荐，该方法可以克服协同过滤存在的一些问题，如：稀疏性问题等。基于二部图资源分配的推荐算法在2007年被学者提出，其将物理学知识引入个性化推荐方法中，用户和商品的相似性通过资源扩散计算。

本发明面向农产品的精准推荐需求，针对目前农产品电商平台存在的不能很好得通过个性化服务来提高用户满意度，保持现有客户、挖掘出潜在客户等问题，提出一种融入地理位置信息的协同过滤个性化推荐方法。通过该方法能够科学合理有效得分析和预测用户的偏好，具有较好的推荐准确率和多样性。

发明内容

本发明要克服现有技术的上述不足之处，提出一种面向农产品大数据的融入地理位置信息的协同过滤个性化推荐方法。

本发明所述的一种面向农产品大数据的精准个性化推荐方法，包括以下步骤：

1)搭建农产品大数据平台：采用Hadoop提供的MapReduce分布式计算框架，搭建面向农产品大数据的计算平台。MapReduce中的核心操作是Map()和Reduce()，通过Map()和Reduce()两个函数即可实现分布式计算。Map()和Reduce()两个函数的形式参数是key、value键值对，用以表示函数的输入信息。由于用户相似性计算可以分块进行，因此能够应用MapReduce这一分布式计算框架。