[发明专利]一种基于SRV函数的协同过滤推荐方法

权利要求书

1.一种基于SRV函数的协同过滤推荐方法，其特征在于，将商品的推荐过程分为两个步骤，在第一个步骤中主要是将用户进行类别聚类，按照用户的不同特质进行合理的划分，在第二个步骤中对用户在购买过程中发起的浏览根据用户的特征进行识别和推荐，从而完成整个的商品的推荐过程；

包括以下步骤：

第一种情况：属性和打分不是一一对应的

Step1根据所有用户的数据将用户的所有感知属性进行分类，将用户的感知属性分为品牌、广告、外观、质量、价格、功能、快递速度、地域、风格九个感官体验，并分别根据历史数据得到具体的打分；

Step2根据第一步的打分使用K-means聚类方法将用户进行分类，并得到每一类的代表元记为K1,K2,…,Kn；

Step3针对第二步中的代表元将代表元的具体分数给出记为K1(K11,K12,K13,…K19)然后得到相应的蛛网图；

Step4对所加入的新用户记为N(N1,N2,..N9),首先运用距离公式其中对每个代表元进行距离计算，通过计算与第二步中的每个代表元的距离计算得出最小的距离值，则该用户属于该类，如果不是则转入下一步；

Step5对新用户进行旋转每次旋转角度根据属性的多少来决定，直到找到最优的旋转角度；其中

其中O为旋转矩阵，此时的距离的最小值通过迭代方法最后确定；

第二种情况：每一个属性和打分相匹配

Step1根据所有用户的数据将用户的所有感知属性进行分类，将用户的感知属性分为品牌、广告、外观、质量、价格、功能、快递速度、地域、风格九个感官体验，并分别根据历史数据得到具体的打分；

Step2根据第一步的打分使用K-means聚类方法将用户进行分类，并得到每一类的代表元记为K1,K2,…,Kn；

Step3根据对应属性和打分进行推送；

第三种情况：某个属性缺失打分

Step1根据所有用户的数据将用户的所有感知属性进行分类，将用户的感知属性分为品牌、广告、外观、质量、价格、功能、快递速度、地域、风格九个感官体验，并分别根据历史数据得到具体的打分；

Step2根据第一步的打分使用K-means聚类方法将用户进行分类，并得到每一类的代表元记为K1,K2,…,Kn；

Step3对缺失的属性进行添加；假设X＝(K1,K2,…,K(n-1))为信息完全的变量，Y为存在缺失值的变量，那么首先对K或其子集进行聚类，然后按缺失个案所属类来插补不同类的均值；

依据封闭图形间的距离，首先将每个用户的信息利用EXCEL中的蛛网图形成为封闭的图形，然后利用SRV函数构造的距离将用户进行聚类和分类，对于新用户则可以计算新用户的图形与已知类别的图形的距离，最小值即为确定的分类，如果类别出错则可以通过旋转纠错的方式进行重新分组；

说明：

①SRV函数

设β(t):D→Rⁿ是参数化的函数其定义域为D为闭区间[0,1]值域为Rⁿ

设F:Rⁿ→Rⁿ且其中||·||一般取为欧氏空间的二范数，于是SRV函数可以定义为如下形式q:D→Rⁿ，其中且满足如下条件

SRV函数的直观理解就是定义在闭区间[0,1]的可微函数且其长度为1，是L²空间的真子集；

②两个封闭图形间距离的定义

为了进行聚类分析，首先要将所有的曲线进行分类，而分类的标准是按照封闭曲线间的距离大小来给定的，因此要定义曲线间的距离，由于两条封闭的图像间存在一定的相似度，因此可以定义如下距离：

其中

离散情况下使用二者的内积来表示；

③聚类之后的用户添加

假定经过聚类后数据库中已有标准用户数量为N，他们的代表序列为v₁(t),v₂(t),…,v_N(t)，对于新添加的用户记为α(t)，先求α(t)分别于前N个标准的距离最小者即为该类，若系统提示错误或者在推荐时发生了明显的偏差则可以进行下面的旋转纠错；

④旋转纠错

如新添加的用户的商品选择与之前的代表用户严重不相符则可以进行下面的操作，

其中

其中O为旋转矩阵，此时的距离的最小值可以通过迭代方法最后确定，即可。