一种基于用户偏好的智能推荐系统技术方案

本发明专利技术公开了一种基于用户偏好的智能推荐系统，包括：查询分组模块、查询处理模块、用户偏好获取模块；查询分组模块，用于对用户查询请求进行分组；用户偏好获取模块用于初始化偏好信息和动态调整偏好信息；查询处理模块，用于对分组后的查询请求进行处理，根据用户偏好获取模块计算的偏好评分进行排序筛选，将排序筛选后的查询结果返回给用户。本发明专利技术可以对用户的偏好进行动态调整，能更好确定用户需求，节省用户挑选时间，随着用户偏好的改变本发明专利技术也会的偏好设置也会进行动态调整，从而减少用户设置时间，并保持推荐的准确性。本发明专利技术可以对查询后的结果进行排序并筛选，使得返回给用户的查询结果更贴近用户偏好，减少用户挑选时间。选时间。选时间。

【技术实现步骤摘要】
一种基于用户偏好的智能推荐系统


[0001]本专利技术涉及智能推荐
，尤其涉及一种基于用户偏好的智能推荐系统。

技术介绍

[0002]目前，随着网络技术的崛起，高速互联网已经得到了广泛的部署和应用，用户可以利用网络方便地进行电子购物、资料检索等。但随着信息的爆炸性增长，致使用户越来越依赖有效的信息检索和过滤技术来应对信息过载，由此引起了对智能结果推荐的研究热潮，致力于为用户提供更加智能化、定制化的建议信息。
[0003]但是，现有的在线推荐系统当中，普遍没有考虑到每个用户的个人偏好，而是向用户返回大量的无序推荐结果，信息缺乏有效的排序和过滤，致使用户需要花费大量的时间浏览，却无法快速定位到实际需要的信息。

技术实现思路

[0004]本专利技术提供一种能够基于用户偏好的智能推荐系统，以克服以上问题。
[0005]本专利技术包括：包括：查询分组模块、查询处理模块、用户偏好获取模块；
[0006]所述查询分组模块用于对用户查询请求进行分组；
[0007]所述用户偏好获取模块，用于获取用户偏好和动态调整用户偏好以为用户提供符合用户偏好的推荐结果；
[0008]偏好信息的动态调整，即根据用户对推荐结果的浏览时间以及最终选择，结合评分与历史偏好对用户的偏好信息进行动态化调整；对偏好信息进行评分，依据偏好信息的评分对店铺进行最终评分；
[0009]所述查询处理模块，用于对分组后的查询请求进行处理，根据用户偏好获取模块计算的偏好评分进行排序筛选，获得推荐结果，并将推荐结果返回给用户。
[0010]进一步地，用户偏好获取模块在进行偏好的动态调整时对每一项偏好信息进行评分，
[0011]对偏好信息进行评分基于以下处理策略：
[0012]根据各偏好属性的数值特点和实际应用场景，偏好属性类型分为：分段型、连续型和01型，
[0013]步骤a、根据偏好属性类型，分别计算每种偏好属性的评分：
[0014]A)当偏好属性的取值是连续的，且处于用户选择偏好属性的取值区间段，即判断所述偏好属性为分段型；分段型偏好的评分计算公式为：
[0015][0016]其中，H.score[i]为偏好评分，[min,max]为全部店铺在该偏好属性上的取值范
围，[min_pre,max_pre]为用户认可的取值区间段；Q为H店铺在第i项属性的实际取值；H.score[i]为第i项属性的偏好得分；
[0017]B)连续型，即该偏好所对应的属性取值是连续的；连续型偏好的得分计算公式为：
[0018][0019]其中，H
r
为店铺在该偏好属性的取值，Fm为该偏好属性的最大取值；
[0020]C)01型，当偏好所对应的属性取值是布尔型，满足要求则得1分，不满足要求则得0分，则判断所述偏好为01型；01型偏好的得分计算公式为：
[0021][0022]步骤b、计算店铺的最终评分：
[0023]Socre＝∑
i∈[1,n]w[i]×
H.score[i]ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(4)
[0024]其中，Socre为店铺的最终得分，i代表店铺的任一项偏好属性，H.score[i]为第i项偏好属性的得分，w[i]为第i项偏好得分的权重系数
[0025][0026]其中自变量x[i]为整数，初始值设为0，因此权重系数w[i]的初始值为1。
[0027]进一步地，偏好的动态调整的具体处理策略如下：
[0028]为调整第i项偏好的权重系数w[i]，在固定的时间周期内，预设店铺浏览时长阈值，统计超过时长阈值的浏览次数记为C
l
，符合用户第i项偏好要求的次数为用户发生订购的次数记为C
d
，符合用户第i项偏好要求的次数为权重调整判定因子J的公式为：
[0029][0030]其中，α是根据经验设定的比重系数，用于调节公式中各项所占比重；
[0031]对于权重系数w[i]，设定增加阈值θ和降低阈值若因子J大于增加阈值θ，说明该偏好设定符合用户实际需求，则公式中x[i]自增1，w[i]相应增大；若因子J低于降低阈值说明该偏好设定不符合用户实际需求，则公式中x[i]自减1，w[i]相应减小；所述增加阈值θ和降低阈值均根据经验设定；
[0032]对于用户自行设定的偏好，如果因子J连续在多个统计周期内均低于降低阈值若该偏好类型为01型，则建议用户删除偏好，若为偏好类型为分段或连续型则建议用户修改所述偏好；对于用户未设定的偏好，如果在连续多个统计周期内判定因子J都大于增加阈值θ，则推荐用户添加所述未设定的偏好；所述统计周期时长根据经验设定。
[0033]进一步地，关键字查询，即查询与给定关键字相近的店铺信息；地理位置查询，即查询给定位置一定距离范围内的店铺信息，所述一定距离范围根据经验设定；
[0034]查询分组模块采用以下处理策略：
[0035]步骤1、将查询请求分为两个类型：关键字查询请求、地理位置查询请求；
[0036]步骤2、根据查询请求类型，对查询请求进行处理：
[0037](A)面向关键字的查询分组：
[0038]步骤A1、预设相似度阈值，计算两个关键字请求之间的相似度，若相似度大于或等于预设值阈值，则判断这两个关键字请求相似，把相似的请求分到同一组内；任意两个关键字请求之间的相似度计算公式为：
[0039][0040]其中,q1表示两个关键字请求中，关键字数量少于另一个关键字请求中的关键字数量的关键字请求；k表示q1中的任意关键字，q1.key表示q1中的关键字，|q1.key|表示q1中的关键字个数，N(k)表示q2.key中是否存在k的近义词；
[0041]N(k)的计算公式如下：
[0042][0043]步骤A2、采用设定的打分函数f(Q)来对查询分组进行评分，f(Q)计算公式如下：
[0044][0045]其中，|Qg|表示所有请求的分组数目，Q
i
表示任意分组请求，Sim(Q
i
)表示分组Q
i
的组相似度，计算公式如下：
[0046][0047]其中，|Q
i
|表示分组Q
i
中请求数目；
[0048]步骤A3、若查询分组的评分大于阈值，则代表分组合格，将合格的查询分组发送给查询处理模块进行处理；若查询分组的评分小于阈值，则代表分组不合格，删除该分组；所述阈值根据经验设定；
[0049](B)面向地理位置的查询分组：
[0050]步骤B1、预设相似度值阈值，计算任意两个地理位置查询请求之间的相似度，系若相似度小于或等于预设值，则判断这两个地理位置查询请求相似，把相似的地理位置查询请求分到同一组内，任意两个地理位置查询请求之间的相似度的计算公式为：
[0051][0052]其中，q1.pos代表q1的位置信息，q2.pos代表q本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于用户偏好的智能推荐系统，其特征在于，包括：查询分组模块、查询处理模块、用户偏好获取模块；所述查询分组模块用于对用户查询请求进行分组；所述用户偏好获取模块，用于获取用户偏好和动态调整用户偏好以为用户提供符合用户偏好的推荐结果；偏好信息的动态调整，即根据用户对推荐结果的浏览时间以及最终选择，结合评分与历史偏好对用户的偏好信息进行动态化调整；对偏好信息进行评分，依据偏好信息的评分对店铺进行最终评分；所述查询处理模块，用于对分组后的查询请求进行处理，根据用户偏好获取模块计算的偏好评分进行排序筛选，获得推荐结果，并将推荐结果返回给用户。2.如权利要求1所述的一种基于用户偏好的智能推荐系统，其特征在于，用户偏好获取模块在进行偏好的动态调整时对每一项偏好信息进行评分，对偏好信息进行评分基于以下处理策略：根据各偏好属性的数值特点和实际应用场景，偏好属性类型分为：分段型、连续型和01型，步骤a、根据偏好属性类型，分别计算每种偏好属性的评分：A)当偏好属性的取值是连续的，且处于用户选择偏好属性的取值区间段，即判断所述偏好属性为分段型；分段型偏好的评分计算公式为：其中，H.score[i]为偏好评分，[min，max]为全部店铺在该偏好属性上的取值范围，[min_pre，max_pre]为用户认可的取值区间段；Q为H店铺在第i项属性的实际取值；H.score[i]为第i项属性的偏好得分；B)连续型，即该偏好所对应的属性取值是连续的；连续型偏好的得分计算公式为：其中，H
r
为店铺在该偏好属性的取值，F
m
为该偏好属性的最大取值；C)01型，当偏好所对应的属性取值是布尔型，满足要求则得1分，不满足要求则得0分，则判断所述偏好为01型；01型偏好的得分计算公式为：步骤b、计算店铺的最终评分：Socre＝∑
i∈[1，n]
w[i]
×
H.score[i]
ꢀꢀꢀꢀ
(4)其中，Socre为店铺的最终得分，i代表店铺的任一项偏好属性，H.score[i]为第i项偏好属性的得分，w[i]为第i项偏好得分的权重系数
其中自变量x[i]为整数，初始值设为0，因此权重系数w[i]的初始值为1。3.如权利要求2所述的一种基于用户偏好的智能推荐系统，其特征在于，偏好的动态调整的具体处理策略如下：为调整第i项偏好的权重系数w[i]，在固定的时间周期内，预设店铺浏览时长阈值，统计超过时长阈值的浏览次数记为C
l
，符合用户第i项偏好要求的次数为用户发生订购的次数记为C
d
，符合用户第i项偏好要求的次数为权重调整判定因子J的公式为：其中，α是根据经验设定的比重系数，用于调节公式中各项所占比重；对于权重系数w[i]，设定增加阈值θ和降低阈值若因子J大于增加阈值θ，说明该偏好设定符合用户实际需求，则公式中x[i]自增1，w[i]相应增大；若因子J低于降低阈值说明该偏好设定不符合用户实际需求，则公式中x[i]自减1，w[i]相应减小；所述增加阈值θ和降低阈值均根据经验设定；对于用户自行设定的偏好，如果因子J连续在多个统计周期内均低于降低阈值若该偏好类型为01型，则建议用户删除偏好，若为偏好类型为分段或连续型则建议用户修改所述偏好；对于用户未设定的偏好，如果在连续多个统计周期内判定因子J都大于增加阈值θ，则推荐用户添加所述未设定的偏好；所述统计周期时长根据经验设定。4.如权利要求1所述的一种基于用户偏好的智能推荐系统，其特征在于，关键字查询，即查询与给定关键字相近的店铺信息；地理位置查询，即查询给定位置一定距离范围内的店铺信息，所述一定距离范围根据经验设定；查询分组模块采用以下处理策略：步骤1、将查询请求分为两个类型：关键字查询请求、地理位置查询请求；步骤2、根据查询请求类型，对查询请求进行处理：(A)面向关键字的查询分组：步骤A1、预设相似度阈值，计算两个关键字请求之间的相似度，若相似度大于或等于预设值阈值，则判断这两个关键字请求相似，把相似的请求分到同一组内；任意两个关键字请求之间的相似度计算公式为：其中，q1表示两个关键字请求中，关键字数量少于另一个关键字请求中的关键字数量的关键字请求；k表示q1中的任意关键字，q1.key表示q1中的关键字，|q1.key|表示q1中的关键字个数，N(k)表示q2.key中是否存在k的近义词；N(k)...

【专利技术属性】
技术研发人员：王习特，韩玉雪，周虹宇，白梅，
申请(专利权)人：赛尔网络有限公司，
类型：发明
国别省市：