基于AHP权重和信任度模型的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AHP权重和信任度模型的推荐方法及系统，属于协同过滤技术领域。本发明专利技术通过给训练项目的分数差值进行AHP加权，以分析出对用户影响较大的弱势科目，有效提高了推荐训练项目的针对性；以及通过信任度模型进行用户的相似度计算，得到用户的相似用户，最后进行协同过滤优先级推荐，所提供的推荐方式能有效缓解协同过滤优先级推荐处理过程中的数据稀疏性问题，有效提升了协同过滤推荐的高效性和准确性。荐的高效性和准确性。荐的高效性和准确性。

【技术实现步骤摘要】
基于AHP权重和信任度模型的推荐方法及系统


[0001]本专利技术属于协同过滤
，具体涉及一种基于AHP权重和信任度模型的推荐方法及系统。

技术介绍

[0002]自互联网迈入大数据时代以来，对企业及用户的行为都产生了一系列的改变与重构。最大的改变是在业务中，所有的用户行为都被“可视化”。因大数据技术的不断发展与应用，相关的研究重点放在了如何运用大数据为高质量的经营和精准的市场营销上，从而挖掘其潜在的价值。于是乎有了“用户画像”的概念。当今世界已经完全步入了信息化的时代。互联网为人类认识世界提供了新的角度，它也是人类对客观世界的一种强大的武器。人们在享受互联网的便捷和效率的同时，也受到了互联网的不断发展、尤其是信息的不断增加所造成的信息过多、信息重复、信息虚假等问题的制约。在这种环境下，用户可以方便、准确地获取用户所需的信息，成为待解决的问题。用户对个人信息提出了更高的需求。因此，在应用推荐算法的基础上，对用户进行个性化推荐是一种必然的发展趋势。协同过滤是推荐系统领域的经典技术，但是需要大量的数据作为支撑，往往在实际场景中遇到的情况就是数据的稀疏性。在本专利技术的技术方案的实现过程中，专利技术人发现：层次分析法(Analytic Hierarchy Process,AHP)是一种系统化的、层次化的多目标综合评价方法。在评价对象的待评价属性复杂多样，结构各异，难以量化的情况下AHP层次分析法也能发挥作用。AHP权重和信任度模型可以缓解数据的稀疏性，AHP权重的设置首先给各个训练项目一个权重大小，让训练项目在整个训练系统中有个孰轻孰重。此外，在进行用户信任度的计算，一个好的信任度计算模型可以提高推荐效果。因此，有必要结合AHP权重提出一种高效且准确的推荐方案。

技术实现思路

[0003]本专利技术公开了一种基于AHP权重和信任度模型的推荐方法及系统，以实现一种用于训练项目推荐的高效的用户个性化推荐方案。
[0004]一方面，本专利技术提供了一种基于AHP权重和信任度模型的推荐方法，所述方法包括：
[0005]采用层次分析法AHP设置用户能力所涉及的各个训练项目的权重，其中，每个训练项目会映射到一项唯一的专项能力指标，且每项专项能力指标对应若干个训练项目；
[0006]基于信任度模型计算数据库中各用户之间的用户相似度，得到每个用户的相似用户；
[0007]获取目标用户设置的推荐训练项目的项目数量N，以及每项专项能力指标的目标等级，并基于目标等级与考评成绩分数的映射关系，根据专项能力指标的目标等级所对应的成绩分数得到目标用户的当前专项能力指标所对应的各个训练项目的目标成绩；
[0008]获取目标用户对各训练项目的当前成绩：若当前训练项目存在目标用户的考评成
绩，则将其作为当前训练项目的当前成绩；否则，检测目标用户的相似用户是否存在当前训练项目的考评成绩，若相似用户存在，则将其考评成绩作为当前训练项目的当前成绩，否则当前训练项目的当前成绩置零；
[0009]基于当前成绩和目标成绩得到目标用户的每个训练项目的成绩差，再将其与各训练项目的权重相乘得到每个训练项目的推荐度；
[0010]基于前N个推荐度最大的训练项目生成目标用户的训练项目推荐列表并推送给目标用户。
[0011]进一步的，在向目标用户推送训练项目推荐列表时，还向目标用户推送训练项目推荐列表中的各推荐项目的推荐训练时长；
[0012]其中，推荐项目的推荐训练时长的计算方式为：
[0013]以各推荐项目的推荐度与训练项目推荐列表的所有推荐项目的推荐度的总和的比值为当前推荐项目的差权值，基于推荐项目的差权值与所有推荐项目的训练的总时长的乘积得到当前推荐项目的推荐训练时长。
[0014]进一步的，采用层次分析法AHP设置用户能力所涉及的各个训练项目的权重时，将用户能力构成划分为四个层次，分别为：
[0015]综合能力层，指被评估用户的总体能力评价，是对各专项能力的加权综合结果；
[0016]专项能力层，指被评估用户的若干项专项能力指标，优选的，专项能力指标包括：专业能力、工作能力和技研能力；
[0017]基础能力层，指被评估用户的每项专项能力指标所包括的基础指标项，
[0018]训练项目层，指被评估用户的每项基础指标项所包括的若干个训练项目。
[0019]优选的，专业能力、工作能力和技研能力各自所对应的基础指标项具体如下：
[0020]专业能力：专业基础知识、实际操作使用；
[0021]工作能力：规划设计、组织筹划、情况处置、网系管理；
[0022]技研能力：理论研究、技术革新、课题研究。
[0023]进一步的，所述信任度模型具体为：
[0024][0025]其中，TR
u,v
表示用户u和信任用户v之间的相似度，STD
u,v
表示用户u与信任用户v之间的主观信任度，ID
v
表示信任用户v的影响度，STD
u,v
和ID
v
的具体计算公式为：
[0026][0027]其中，num表示用户u和信任用户v共同评级(均存在考评成绩)的训练项目数量，nv表示信任用户v评级(存在考评成绩)的训练项目数量，nu表示用户u的评级的项目数量，P
v
表示信任用户v的信任者数量，P
min
表示指定的信任数据集中信任用户最少的人数，P
max
表示指定的信任数据集中信任用户最多的人数，r
i
表示项目i的平均评级，r
v,i
表示信任用户v对项目i的评级，信任用户v∈V，V表示指定的信任用户集。
[0028]需要说明的是，P
v
的值，可基于主观信任度STD
u,v
进行确定，例如当STD
u,v
的值大于
指定的主观信任度阈值时，则认为当前用户即为信任用户v的一个信任者。而信任数据集中的信任用户数量的极值可以认为是一个常数，即当从目标数据集(可随推荐列表(训练项目推荐列表)的生成和训练反馈而实时更新，原始目标数据集为采集的一定时段内的用户历史行为数据)中指定了对应的信任数据集后，即可确定其中可能的信任用户数量的上下极限值；信任用户集V可以是随着推荐而实时更新的，其初始值可以是认为设定的，即在指定的信任数据集的信任用户数量的极限范围内设定初始的信任用户。同时，随着推荐列表的生成及对应的训练反馈，可将训练项目数量、训练项目的平均考评成绩和/或对训练项目的点评信息等满足指定条件的用户作为新的信任用户并加入到信任用户集V中。
[0029]进一步的，本专利技术方法还包括：在获取到目标用户的训练项目数量N及每项专项能力指标的目标等级后，首先根据用户身份类别，对每项专项能力指标所对应的训练项目进行初次筛选，筛选出与目标用户身份类别匹配的训练项目后，再确定所筛选出的各训练项目的目标成绩和当前成绩，进而实现有针对用户类别的个性化的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于AHP权重和信任度模型的推荐方法，其特征在于，包括下列步骤：采用层次分析法AHP设置用户能力所涉及的各个训练项目的权重，其中，每个训练项目会映射到一项唯一的专项能力指标，且每项专项能力指标对应若干个训练项目；基于信任度模型计算数据库中各用户之间的用户相似度，得到每个用户的相似用户；获取目标用户设置的推荐训练项目的项目数量N，以及每项专项能力指标的目标等级，并基于目标等级与考评成绩分数的映射关系，根据专项能力指标的目标等级所对应的成绩分数得到目标用户的当前专项能力指标所对应的各个训练项目的目标成绩；获取目标用户对各训练项目的当前成绩：若当前训练项目存在目标用户的考评成绩，则将其作为当前训练项目的当前成绩；否则，检测目标用户的相似用户是否存在当前训练项目的考评成绩，若相似用户存在，则将其考评成绩作为当前训练项目的当前成绩，否则当前训练项目的当前成绩置零；基于当前成绩和目标成绩得到目标用户的每个训练项目的成绩差，再将其与各训练项目的权重相乘得到每个训练项目的推荐度；基于前N个推荐度最大的训练项目生成目标用户的训练项目推荐列表并推送给目标用户。2.如权利要求1所述的方法，其特征在于，在向目标用户推送训练项目推荐列表时，还向目标用户推送训练项目推荐列表中的各推荐项目的推荐训练时长；其中，推荐项目的推荐训练时长的计算方式为：以各推荐项目的推荐度与训练项目推荐列表的所有推荐项目的推荐度的总和的比值为当前推荐项目的差权值，基于推荐项目的差权值与所有推荐项目的训练的总时长的乘积得到当前推荐项目的推荐训练时长。3.如权利要求1所述的方法，其特征在于，采用层次分析法AHP设置用户能力所涉及的各个训练项目的权重时，将用户能力构成划分为四个层次，分别为：综合能力层，指被评估用户的总体能力评价，是对各专项能力的加权综合结果；专项能力层，指被评估用户的若干项专项能力指标；基础能力层，指被评估用户的每项专项能力指标所包括的基础指标项；训练项目层，指被评估用户的每项基础指标项所包括的若干个训练项目。4.如权利要求3所述的方法，其特征在于，所述专项能力指标包括：专业能力、工作能力和技研能力；其中，专业能力包括：专业基础知识和实操作使用；工作能力包括：规划设计、组织筹划、情况处置和网系管理；技研能力包括：理论研究、技术革新和课题研究。5.如权利要求1所述的方法，其特征在于，所述信任度模型具体为：其中，TR
u,v
表示用户u和信任用户v之间的相似度，STD
u,v
表示用户u与信任用户v之间的主观信任度，ID
v
表示信任用户v的影响度，STD
u,v
和ID
v
的具体计算公式为：
其中，num表示用户u和信任用户v共同评级(均存在考评成绩)的训练项目数量，nv表示信任用户v评级(存在考评成绩)的训练项目数量，nu表示用户u的评级的项目数量，P
v
表示信任用户v的信任者数量，P
min
表示指定的信任数据集中信任用户最少的人数，P
max
表示指定的信任数据集中信任用户最多的人数，r
i
表示项目i的平均评级，r
v,i
表示信任用户v对项目i的评级，信任用户v∈V，V表示指定的信任用户集。6.如权利要求1所述的方法，其特征在于，在获取到目标用户的...

【专利技术属性】
技术研发人员：周云，李彤岩，刘吉昌，何继勇，王雯雯，罗英奇，
申请(专利权)人：成都信息工程大学，
类型：发明
国别省市：