[发明专利]一种基于需求偏好的资源服务推荐方法及系统

说明书

本发明公开了一种基于需求偏好的资源服务推荐方法及系统，包括：从资源服务属性组合中采样正样本和负样本；采用随机森林模型对正样本和负样本进行训练，得到训练模型；对训练模型中正样本分支的所有属性进行投票，得到同属性间偏好排序；对训练模型中正、负样本分支上出现的、未出现的属性打分，得到不同属性间偏好排序；基于同属性间偏好排序和不同属性间偏好排序，进行资源服务推荐。本发明的资源服务推荐方法考虑到组合因素、负面因素，使用信息熵作为评价标准，实现更准确的资源服务需求偏好分析与推荐效果。

技术领域

本发明涉及资源服务推荐技术领域，具体涉及一种基于需求偏好的资源服务推荐方法及系统。

背景技术

基于需求偏好的资源服务分析是用来分析用户群对某类型资源服务中属性的偏好程度的一种手段，它一方面可以帮助生产商了解用户需求，制定更准确的工艺研究方向和生产方案；另一方面也可以帮助营销商制定更准确的营销卖点，达到提高销量的目的。

基于需求偏好的资源服务分析是针对某资源服务下的分析，通过分析某用户群产生行为下的资源服务及其属性的分布规律，结合平台展示的资源服务相关属性的分布规律，得到该用户群对该类型资源服务中需求偏好描述。

现有基于需求偏好的资源服务分析的方式主要为：

针对用户的购买，关注，加购等相关正向操作的数据，计算某属性具体值的占比情况，并除以该资源服务中该值占比，得到修正后该属性中用户偏好情况；并通过计算各属性占比的方差，得到修正后各属性中用户需求偏好分析结果。

现有基于需求偏好的资源服务分析的缺点为：

1、计算基础是数量的占比，忽略了单纯在数量占比取胜但在组合占比较少的属性A，很可能是该属性A与其他属性B具有很强的关联性，而用户比较偏好属性B导致的情况而产生的错误，所以应该考虑到组合因素；

2、不同属性间的在意程度只靠正面因素(购买,关注，加购)来反映，其不够全面，因为某属性比较重要的表现是用户群对该属性某些值的正面因素和负面因素的偏好具有良好的区分性，所以应该综合负面因素；

3、不同属性间在意度的描述根据方差描述，当数据的分布有“多峰”(也可以理解为非凸)时方差描述信息不确定度的能力降低，所以应该用熵来描述不确定度，这种时候可能熵增大时方差减小。

发明内容

针对上述问题中存在的不足之处，本发明提供一种基于需求偏好的资源服务推荐方法及系统。

本发明公开了一种基于需求偏好的资源服务推荐方法，包括：

从资源服务属性组合中采样正样本和负样本；

采用随机森林模型对所述正样本和负样本进行训练，得到训练模型；

对所述训练模型中正样本分支的所有属性进行投票，得到同属性间偏好排序；

对所述训练模型中正、负样本分支上出现的、未出现的属性打分，得到不同属性间偏好排序；

基于所述同属性间偏好排序和不同属性间偏好排序，进行资源服务推荐。

作为本发明的进一步改进，所述从资源服务属性组合中采样正样本和负样本，包括：

将资源服务中的连续属性值离散为离散属性值，得到所述资源服务属性组合；

将所述资源服务属性组合中用户正向操作的资源服务属性设为正样本；

将所述资源服务属性组合中用户未正向操作的资源服务属性设为负样本。

作为本发明的进一步改进，所述对所述训练模型中正样本分支的所有属性进行投票，得到同属性间偏好排序；包括：