[发明专利]一种基于不同维度特征和综合评价指数的残留物判定算法

摘要

一种基于不同维度特征和综合评价指数的残留物判定算法，步骤包括：计算基于不同维度特征的未通过筛选商品的满意度与不满意度；计算未通过筛选商品的整体满意度与整体不满意度；计算商品综合评价指数；判定残留物。本发明所提供的方法可以更合理有效地完成商品筛选，可以更具代表性更具科学性地为用户保留那些不满足但是接近部分筛选条件，同时高度符合其他筛选条件，并极有可能被用户接受的商品。

主权项

一种基于不同维度特征和综合评价指数的残留物判定算法，其特征在于，包括：步骤1：计算未通过筛选商品整体满意度pos_u与整体不满意度neg_u：${\mathrm{pos}}_u=\underset{v=0}{\overset{n-1}{\mathrm{\Σ}}}{\mathrm{\ρ}}_v\·{\mathrm{pos}}_{u,v}/\underset{v=0}{\overset{n-1}{\mathrm{\Σ}}}{\mathrm{\ρ}}_v$${\mathrm{neg}}_u=\underset{v=0}{\overset{n-1}{\mathrm{\Σ}}}{\mathrm{\ρ}}_v\·{\mathrm{neg}}_{u,v}/\underset{v=0}{\overset{n-1}{\mathrm{\Σ}}}{\mathrm{\ρ}}_v$其中，在有M个商品的N维数据集上，用户进行商品筛选的维度数量为n(n≤N)，不满足筛选条件的商品数量为m(m＜M)；不满足筛选条件的商品P_u(u∈[0,m‑1])在筛选维度D_v(v∈[0,n‑1])上的满意度为pos_u,v，不满意度为neg_u,v；维度的重要性，对应于维度权重向量ρ_v(v∈[0,n‑1])；步骤2：计算商品综合评价指数eva_u：eva_u＝α·N_+/‑(μ₁,δ₁)+β·N_p/n(μ₂,δ₂)其中，n₊表示商品p_u满足筛选条件的维度总数，n_‑(n₊+n_‑＝n)表示不满足筛选条件的维度总数，根据n₊和n_‑之差及商品整体满意度pos_u与整体不满意度neg_u之差定义商品综合评价指数,N_+/‑表示综合评价指数中满足与不满足筛选条件的维度数的差部分，与n₊‑n_‑相关；N_p/n表示综合评价指数中商品整体满意度与不满意度的差部分，与pos_u‑neg_u相关；且默认两部分重要性相同，即α＝β＝0.5；N_+/‑和N_p/n分别满足高斯分布，即：$N(x,\mathrm{\μ},\mathrm{\δ})=\frac{1}{\mathrm{\δ}\sqrt{2\mathrm{\π}}}{e}^{\frac{-{(x-\mathrm{\μ})}^2}{{2\mathrm{\δ}}^2}}$其中，μ＝Σ_ux_u/m，而对于N_+/‑，x为n₊‑n_‑；对于N_p/n，x为pos_u‑neg_u；可得到未通过筛选的所有商品的综合评价指数集合，即：EVA＝{eva_u|u∈[0,m‑1]}；步骤3：判定残留物：将所有商品的综合评价指数排序，取排名前t的商品p_u′(u′∈[0,t‑1])作为残留物的候选，其中