[发明专利]基于本体分类的商品特征推荐方法

说明书

技术领域

本发明涉及一种基于本体分类的商品特征推荐方法，属于计算机应用技术。

背景技术

本体是一种知识库，对领域事物的描述，带有语义性，可以说是另一种数据库。本体的目标是捕获相关领域的知识，提供对该领域知识的共同理解，确定该领域内共同认可的词汇（术语），并从不同层次的形式化模式上给出这些词汇和词汇间相互关系的明确定义。总的来说，构造本体可以实现某种程度的知识共享和重用，以及提高系统通讯、互操作、可靠性的能力。

数据的含义就是语义。简单的说，数据就是符号。数据本身没有任何意义，只有被赋予含义的数据才能够被使用，这时候数据就转化为了信息，而数据的含义就是语义。

语义具有领域性特征，不属于任何领域的语义是不存在的。而语义异构则是指对同一事物在解释上所存在差异，也就体现为同一事物在不同领域中理解的不同。对于计算机科学来说，语义一般是指用户对于那些用来描述现实世界的计算机表示（即符号）的解释，也就是用户用来联系计算机表示和现实世界的途径。语义是对数据符号的解释，而语法则是对于这些符号之间的组织规则和结构关系的定义。对于信息集成领域来说，数据往往是通过模式（对于模式不存在或者隐含的非结构化和半结构化数据，往往需要在集成前定义出它们的模式）来组织的，数据的访问也是通过作用于模式来获得的，这时语义就是指模式元素（例如类、属性、约束等等）的含义，而语法则是模式元素的结构。

语义网是Semantic Web的中文名称。语义网就是能够根据语义进行判断的网络。简单地说，语义网是一种能理解人类语言的智能网络，它不但能够理解人类的语言，而且还可以使人与电脑之间的交流变得像人与人之间交流一样轻松。

语义网是对未来网络的一个设想，在这样的网络中，信息都被赋予了明确的含义，机器能够自动地处理和集成网上可用的信息。语义网使用XML来定义定制的标签格式以及用RDF的灵活性来表达数据，下一步需要的就是一种Ontology的网络语言（比如OWL）来描述网络文档中的术语的明确含义和它们之间的关系。

语义网的体系结构正在建设中，当前国际范围内对此体系结构的研究还没有形成一个令人满意的严密的逻辑描述与理论体系，我国学者对该体系结构也只是在国外研究的基础上做简要的介绍，还没有形成系统的阐述。

语义网的实现需要三大关键技术的支持：XML、RDF和Ontology。XML（eXtensible Marked Language，即可扩展标记语言）可以让信息提供者根据需要，自行定义标记及属性名，从而使XML文件的结构可以复杂到任意程度。它具有良好的数据存储格式和可扩展性、高度结构化以及便于网络传输等优点，再加上其特有的NS机制及XML Schema所支持的多种数据类型与校验机制，使其成为语义网的关键技术之一。目前关于语义网关键技术的讨论主要集中在RDF和Ontology身上。

目前主流的推荐技术为协同过滤（Collaborative filtering）推荐算法。它的原理很简单，就是根据用户对物品或者信息的偏好，发现物品或者内容本身的相关性，或者是发现用户的相关性，然后再基于这些关联性进行推荐。基于协同过滤的推荐可以分为三个子类：基于用户的推荐（User-based Recommendation），基于项目的推荐（Item-based Recommendation）和基于模型的推荐（Model-based Recommendation）。

（1）基于用户的协同过滤推荐

基于用户的协同过滤推荐的基本原理是，根据所有用户对物品或者信息的偏好，发现与当前用户口味和偏好相似的“邻居”用户群，在一般的应用中是采用计算“K-邻居”的算法；然后，基于这K个邻居的历史偏好信息，为当前用户进行推荐。图1给出了原理图。假设用户A喜欢物品A，物品C，用户B喜欢物品B，用户C喜欢物品A，物品C和物品D；从这些用户的历史喜好信息中，我们可以发现用户A和用户C的口味和偏好是比较类似的，同时用户C还喜欢物品D，那么我们可以推断用户A可能也喜欢物品D，因此可以将物品D推荐给用户A。

基于用户的协同过滤推荐机制和基于人口统计学的推荐机制都是计算用户的相似度，并基于“邻居”用户群计算推荐，但它们所不同的是如何计算用户的相似度，基于人口统计学的机制只考虑用户本身的特征，而基于用户的协同过滤机制可是在用户的历史偏好的数据上计算用户的相似度，它的基本假设是，喜欢类似物品的用户可能有相同或者相似的口味和偏好。

（2）基于项目的协同过滤推荐