[发明专利]一种面向目标用户的个性化产品包的提取方法

说明书

技术领域

本发明属于计算机技术领域，具体涉及广播电视产品管理中面向目标用户的个性化产品包的提取方法。

背景技术

近年来，随着NGB网络的发展以及市场化竞争的日趋激烈，广电的业务和产品发展也随之面临转型，一个重要的理念转变就是从以产品为核心转为以用户为核心，用户体验上升到了一个全新的高度，由此，产品信息模型也需调整设计，与之相适应。用户在购买产品时，很有可能多个产品一起购买，另外，当产品种类增长到一定数量时，用户主动了解到每个产品信息的意愿可能会有所下降，并且以往的产品包都是运营商或者产品提供商根据自己的经验来制定，并且制定的产品包是面向所有用户的，这体现不出用户的个性化。

发明内容

本发明的目的在于提供一种组合打包零散的产品以满足用户个性化的需求的、面向目标用户的个性化产品包的提取方法。

根据统计数据和以往经验表明，同类别的用户群中，用户的大多数兴趣点是相似的，相似的兴趣映射到对产品的评分是相近的，所以本发明力求通过找到与用户相似较高的用户群来预测用户对未使用过的产品的评分，并将所有产品的评分与事先设定阈值的比较得到用户已确定的和预测的较为偏爱的产品集合，得到面向目标用户的个性化产品包。其流程图如图1所示，具体步骤为：

（1）收集用户对产品的评分和评价信息，形成用户-产品评分矩阵；

（2）用相似度量方法，寻找与目标用户相似的用户群，得到目标用户的最近邻居集；

（3）根据最近邻居集，引入用户间的好友关系作为产品评分的权重，来预测用户对未使用过的产品的评分；

（4）跟阈值比较，将评分超过阈值的产品打包组成面向目标用户的个性化产品包。

在步骤（1）中，有些用户因为觉得评价产品麻烦，所以没有显式的对产品进行评分，本发明通过采集用户连续订购产品的次数，并转化为用户对产品的评分，来填充用户未评分留下的空白，这对方法的后面几个步骤是较为关键的，因为后续的流程很大程度上依赖于用户对产品的评分。

所以第一步先建立用户-产品配置文件，收集用户的评分、评价行为等，并进行数据清理转换等，最终形成用户-产品矩阵，如图2所示，矩阵的表示方法为：

行为用户标识，列为产品标识；

一个用户可订购多个产品，一个产品可对应多个用户。

矩阵中的元素                                               （其中1≤i≤m,1≤j≤n）为用户与产品间的关系与评价，如果用户未购买该产品或未对该产品进行评分，则元素内容为0；如果用户购买了该产品，并且对该产品进行了评分，则元素内容为用户对该产品的评分，评分的范围为{1,2,3,4,5}。

由于用户对产品的评分对第二步工作即为重要，所以本方法采取一种更新方法：

若该用户连续n次购买该产品，MIN_4<n<MAX_4，并且n次均未对该产品进行评分，则认为该用户对该产品的用户体验较好，系统更新配置文件的该项元素内容为评分4。其中，MIN_4为连续订购该产品的最小次数，MAX_4为连续订购该产品的最大次数，在这段订购次数范围内，认为该用户对产品的评价为4分。

若该用户若该用户连续n次购买该产品，MIN_5<n，并且n次均未对该产品进行评分，则认为该用户对该产品的用户体验较好，系统更新配置文件的该项元素内容为评分5。其中，MIN_5为连续订购该产品的最小次数，在这段订购次数范围内，认为该用户对产品的评价为5分。

步骤（2）通过相似度度量算法寻找与目标用户相似的用户群，由于单个用户的兴趣点受教育背景、知识领域、文化和地区差异等因素的影响，所以单个用户未必能发现自己潜在的兴趣点，但是有了相似兴趣的用户群之后，群内成员的兴趣点相互补充，很大程度上挖掘了目标用户的潜在兴趣，这对用户的个性化的产品包以及用户体验的提高是非常重要的。

其具体内容为：根据目标用户（产品包的推送对象）进行最近邻居搜索。最近邻居搜索的思想是：如果一些用户对某些产品的评分比较相似，则说明这些用户的兴趣偏好相似，找出跟目标用户相似度较大的用户群，来预测目标用户对未使用过的产品的评分。

如图2所示，要找到最近邻居就要度量用户间的相似性，相似度越高，用户就越相近，把用户i和用户j之间的相似性记为。每个用户对产品的评分可看作是一个m维向量，度量用户间相似度就可以用不同的m维向量间的相似度进行度量如图3所示。