[发明专利]一种面向农产品大数据的精准个性化推荐方法

摘要

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。

主权项

1.一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；2)计算消费者相似性：假定有m个消费者，用集合U＝{u1,u2,…,um}表示，有n个农产品，用集合O＝{o1,o2,…,on}表示；消费者和农产品之间的关系可以用m×n的矩阵A＝{aij}表示；如果消费者i选择过农产品j，那么他们之间的关系可表示为aij＝1，如果消费者i没有选择过农产品j，他们之间的关系aij＝0；令vij表示消费者i给农产品j的评分或评价；tij表示消费者i最近一次选择农产品j的时间的归一化处理结果，则受时间序列影响的评价值v’ij可由公式(1)得到v’ij＝vij*tij    (1)该变量体现了消费者最近购买的农产品反映了其最新偏好；同时假定消费者i购买农产品j的地理位置信息经归一化处理为wij，0≤wij≤1；则用户相似性计算公式可表示为：其中Sil表示消费者i和消费者l之间的相似性，aij和alj表示消费者i和消费者l对农产品j的选择情况，wij和wlj分别表示消费者i和消费者l选择农产品j时的位置信息；M表示最高分值，将每个评分之差除以最高分值用以弱化打分尺度差异带来的影响；k(ui)和k(ul)分别表示消费者i和消费者l的度(消费者的度表示该消费者选择过多少农产品)，k(oj)表示农产品j的度(农产品的度表示该农产品被多少消费者选择过)，α表示调节参数；3)令Plj表示目标消费者l对农产品j的喜好程度，则该公式可以由如下表示：4)个性化推荐：把目标消费者没有选择过的所有商品，按照预测的喜好程度由大小进行排序，值越大说明该消费者可能喜欢的概率越大；将排名靠前的农产品推荐给消费者。