一种基于需求偏好的资源服务推荐方法及系统技术方案

本发明专利技术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。本发明专利技术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。

A Resource Service Recommendation Method and System Based on Demand Preference

The invention discloses a resource service recommendation method and system based on demand preference, which includes: sampling positive and negative samples from the combination of resource service attributes; training positive and negative samples with random forest model to obtain training model; voting all attributes of positive sample branches in training model to obtain preference ranking among the same attributes; and training model. The preference ranking among different attributes is obtained by scoring the attributes that appear or not on the branches of positive and negative samples. The resource service recommendation is based on preference ranking between the same attributes and between different attributes. The resource service recommendation method of the present invention takes into account combination factors and negative factors and uses information entropy as evaluation criterion to achieve more accurate resource service demand preference analysis and recommendation effect.

【技术实现步骤摘要】
一种基于需求偏好的资源服务推荐方法及系统
本专利技术涉及资源服务推荐
，具体涉及一种基于需求偏好的资源服务推荐方法及系统。
技术介绍
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。
技术实现思路
针对上述问题中存在的不足之处，本专利技术提供一种基于需求偏好的资源服务推荐方法及系统。本专利技术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。作为本专利技术的进一步改进，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。作为本专利技术的进一步改进，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：从所述训练模型中找出正样本分支，对所述正样本分支上的所有属性进行投票；将投票结果除以展示产品的属性组合中该属性占比，得到修正的投票结果；决策树投票结果汇总，得到同属性间偏好排序。作为本专利技术的进一步改进，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：将所述正、负样本分支的顶端属性得分设为随机森林的最大深度；随后每加一层，该层上的属性得分为上层属性得分减1；对所述正、负样本分支上未出现的属性，该属性得分为该分支上得分最低的属性得分；决策树结果汇总，得到不同属性间偏好排序。作为本专利技术的进一步改进，所述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；包括：基于所述同属性间偏好排序，所述资源服务推荐包括：按照排序结果进行资源服务推荐；基于所述不同属性间偏好排序，所述资源服务推荐包括：计算不同属性在意度权重列表；对用户在权重列表上进行投票打分，得到用户的资源服务属性偏好；与现有产品进行匹配，进行资源服务推荐。本专利技术还公开了一种基于需求偏好的资源服务推荐系统，包括：样本生成模块，用于从资源服务属性组合中采样正样本和负样本；模型训练模块，用于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；需求偏好分析模块，用于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；资源服务推荐模块，用于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。作为本专利技术的进一步改进，所述样本生成模块，用于：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。作为本专利技术的进一步改进，所述模型训练模块，用于：从所述训练模型中找出正样本分支，对所述正样本分支上的所有属性进行投票；将投票结果除以展示产品的属性组合中该属性占比，得到修正的投票结果；决策树投票结果汇总，得到同属性间偏好排序。作为本专利技术的进一步改进，所述模型训练模块，还用于：将所述正、负样本分支的顶端属性得分设为随机森林的最大深度；随后每加一层，该层上的属性得分为上层属性得分减1；对所述正、负样本分支上未出现的属性，该属性得分为该分支上得分最低的属性得分；决策树结果汇总，得到不同属性间偏好排序。作为本专利技术的进一步改进，所述资源服务推荐模块，用于：基于所述同属性间偏好排序，所述资源服务推荐包括：按照排序结果进行资源服务推荐；基于所述不同属性间偏好排序，所述资源服务推荐包括：计算不同属性在意度权重列表；对用户在权重列表上进行投票打分，得到用户的资源服务属性偏好；与现有产品进行匹配，进行资源服务推荐。与现有技术相比，本专利技术的有益效果为：本专利技术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。附图说明图1为本专利技术一种实施例公开的基于需求偏好的资源服务推荐方法的流程图；图2为本专利技术一种实施例公开的基于需求偏好的资源服务推荐系统的框架图。具体实施方式为使本专利技术实施例的目的、技术方案和优点更加清楚，下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本专利技术的一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本专利技术保护的范围。下面结合附图对本专利技术做进一步的详细描述：如图1所示，本专利技术提供一种基于需求偏好的资源服务推荐方法，包括：S1、从资源服务属性组合中采样正样本和负样本；其中：S11、将资源服务中的连续属性值离散为离散属性值，得到资源服务属性组合；S12、将资源服务属性组合中每个用户购买、关注、加购等正向操作的资源服务属性设为正样本，label＝1；S13、将资源服务属性组合中每个用户未购买、关注、加购、浏览等正向操作的资源服务属性设为负样本，label＝0。S2、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；其中：模型采用随机森林模型，其中每个基决策树的构建，从顶至底通过计算每个节点上基决策树所选属性的信息增益，找到使得当前节点信息增益最大的属性作为划分属性，得到基决策树，若干基决策树组成最终的随机森林模型。S3、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；其中：在用户喜欢的(l本文档来自技高网...

【技术保护点】
1.一种基于需求偏好的资源服务推荐方法，其特征在于，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。

【技术特征摘要】
1.一种基于需求偏好的资源服务推荐方法，其特征在于，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。2.如权利要求1所述的资源服务推荐方法，其特征在于，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。3.如权利要求1所述的资源服务推荐方法，其特征在于，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：从所述训练模型中找出正样本分支，对所述正样本分支上的所有属性进行投票；将投票结果除以展示产品的属性组合中该属性占比，得到修正的投票结果；决策树投票结果汇总，得到同属性间偏好排序。4.如权利要求1所述的资源服务推荐方法，其特征在于，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：将所述正、负样本分支的顶端属性得分设为随机森林的最大深度；随后每加一层，该层上的属性得分为上层属性得分减1；对所述正、负样本分支上未出现的属性，该属性得分为该分支上得分最低的属性得分；决策树结果汇总，得到不同属性间偏好排序。5.如权利要求1所述的资源服务推荐方法，其特征在于，所述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；包括：基于所述同属性间偏好排序，所述资源服务推荐包括：按照排序结果进行资源服务推荐；基于所述不同属性间偏好排序，所述资源服务推荐包括：计算不同属性在意度权重列表；对用户在权重列表上进行投票打分，得到用户的资源服务...

【专利技术属性】
技术研发人员：李建强，张丝雨，
申请(专利权)人：北京工业大学，
类型：发明
国别省市：北京,11