[发明专利]基于反向最远邻（RFN）的商品推荐方法

说明书

本发明提供一种基于反向最远邻(RFN)查询的商品推荐方法，属于推荐系统领域。本发明方法通过充分分析用户与物品的特性，从而从大数据时代下的多样化商品信息中筛选出符合用户需求的产品，并进行有针对性的推荐。但是目前现存的推荐方法主要进行top‑n流行商品的推荐，然而从商家的角度分析，他们更希望的是在流行物品普及的情况下，将较有价值的商品进行更深层次的挖掘，从而推销给用户，扩大销售利润。因而本发明的出发点是挖掘小众商品中的大众商品，将空间查询策略融入到推荐领域中，同时对传统的协同过滤方法进行改进，提出了基于新标准的专家用户机制。根据商品分布的特点，利用幂律模型对海量信息进行筛选，优化了系统的执行效率，使小众商品更多的展现在大众的视野当中。本发明的推荐算法效率较高，适用于解决部分长尾问题。

1技术领域

本发明提供一种基于RFN的商品推荐方法，属于推荐系统领域。

2背景技术

在大数据时代下，由于电子商务的发展，各种应用层出不穷，导致信息过载问题变得日益严重，亟需有效的措施来解决此问题所产生的影响，因而推荐系统进入人们的视线，大量的推荐算法应运而生，其被视为解决信息过载问题的有效方式。推荐系统的种类丰富，包括社交推荐系统、移动推荐系统等，大多数推荐系统是根据用户历史记录来对用户的行为活动进行分析预测。若从生产制造商即销售商的角度出发，他们更希望的是除了销售流行产品，将更多的有价值潜力的商品推广出去，实现最大化利益。“长尾理论”也完美诠释了这一现象，只要商品的储蓄量足够多，流通渠道足够广，那些平时不被关注的商品带来的总产值甚至比流行商品带来的产值更多，这些商品的市场占有率可能比流行商品更大。因此位于长尾分布后半部分的商品蕴含着更多的价值，同时由于后半部分的头部产品有变为长尾分布靠前部分商品的趋势，这部分产品是最可能成为接下来的流行商品，因而有进一步被挖掘价值。假以时日，这些商品被商家、平台进一步推广，那么会占据更多的市场份额。。

大多数推荐系统是通过生成top-k推荐列表反馈给用户。在空间数据库领域中，近年来有很多成熟的技术手段可以运用与各领域中，进行有效地搜索查询，如最近邻居(KNN)、反向最近邻(RNN)，反向 K最近邻居(RKNN)等相关技术，然而近年来一个新兴技术出现在空间数据库领域中即反向最远临(RFN)，由于RFN兴起时间较短，对其研究的人员相对较少，但并不能忽略其可以解决最弱影响集等问题的能力。当前由于大数据的兴起，商品信息的冗余问题也日益严重，现存的推荐系统做特定化推荐时需要在信息处理过程中投入大量的精力，然而空间查询技术就可以有效的对信息进行筛选过滤。

推荐系统是互联网领域的热点问题。通过以上分析可知目前大多数的推荐系统是利用TOP-N查询方法向用户推荐前N个商品，并没有从市场的角度去考虑将有较大的价值潜力的商品推荐给用户，同时没有对原始信息进行有效的筛选，会导致推荐效率较低。

因此，目前亟待解决的问题是如何对原始商品信息进行过滤以及将有效的空间查询搜索技术应用到推荐系统中，充分发掘小众中的大众商品的价值潜力从而推荐给用户，提高位于尾部商品的销量及商品销售多样化。

3发明内容

3.1发明目的