[发明专利]基于协同过滤的用户偏好模型构建方法

说明书

技术领域

本发明涉及协同过滤系统设备技术领域，具体为基于协同过滤的用户偏好模型构建方法。

背景技术

协同过滤简单来说是利用某兴趣相投、拥有共同经验之群体的喜好来推荐用户感兴趣的信息，个人通过合作的机制给予信息相当程度的回应（如评分）并记录下来以达到过滤的目的进而帮助别人筛选信息，回应不一定局限于特别感兴趣的，特别不感兴趣信息的纪录也相当重要。虽然协同过滤作为一推荐机制有其相当的应用，但协同过滤仍有许多的问题需要解决。整体而言，最典型的问题有：新用户问题系统开始时推荐质量较差；新项目问题质量取决于历史数据集；稀疏性问题；系统延伸性问题。为此我们设计了一款新型的基于协同过滤的用户偏好模型构建方法，解决了传统的基于协同过滤的用户偏好模型构建方法使用不便的问题。

发明内容

本发明的目的在于提供基于协同过滤的用户偏好模型构建方法，以解决现有的技术缺陷和不能达到的技术要求。

为实现上述目的，本发明提供如下技术方案：基于协同过滤的用户偏好模型构建方法，包括知识发现推荐策略数据库和用户画像，所述知识发现推荐策略数据库识别系统由查询、领域知识数据库、产品属性数据库、用户画像数据库和用户产品交易数据库共同组成的，查询系统可以直接读取知识发现推荐策略数据库内的数据，并在显示屏上显示出得出的数据，领域知识、产品属性数据库、用户画像和用户产品交易数据库将获取的数据汇总，并通过电子元件传递到知识发现推荐策略数据库内储存，产品属性数据库和用户画像数据库通过电子元件与内容过滤推荐策略数据库连接，用户画像数据库和用户产品交易数据库通过电子元件与协同过滤推荐策略数据库连接，知识发现推荐策略数据库、协同过滤推荐策略数据库和内容过滤推荐策略数据库通过电子元件与组合式推荐策略数据库连接。

优选的，所述用户画像数据库内设有基本信息、偏好、消费能力、位置信息、行为数据和出行方式，利用识别相同的信息来寻找相同的兴趣，进而为有共同兴趣爱好的群体推荐信息。

优选的，所述内容过滤推荐策略内分为内容分析器、文件学习器和过滤部件，变内容分析器：从原先的商品信息中提取有用的信息用一种适当的方式表示，文件学习器：该模块收集、泛化代表用户偏好的数据，生成用户概要信息。通常，是采用机器学习方法从用户之前喜欢和不喜欢的商品信息中推出一个表示用户喜好的模型，过滤部件：通过学习用户概要信息，匹配用户概要信息和商品信息，推荐相关的商品，结果是一个二元的连续型的相关判断。

优选的，所述组合式推荐策略数据库分为两项策略，一种是基于内容推荐策略和基于用户行为推荐策略，基于内容推荐策略先通过用户属性信息，得到属性信息后即可达到匹配商品的目的，而基于用户行为推荐策略，这种方式不需要显性属性信息，则对于新系统来说，基于内容的推荐更优。

与现有技术相比，本发明的有益效果如下：

1.与传统的基于协同过滤的用户偏好模型构建方法相比，改良后的基于协同过滤的用户偏好模型构建方法能够过滤机器难以自动内容分析的信息，还可以共用其他人的经验，避免了内容分析的不完全或不精确，并且能够基于一些复杂的，难以表述的概念进行过滤。

2.与传统的基于协同过滤的用户偏好模型构建方法相比，改良后的基于协同过滤的用户偏好模型构建方法具有推荐新信息的能力，可以发现内容上完全不相似的信息，用户对推荐信息的内容事先是预料不到的，可以发现用户潜在的但自己尚未发现的兴趣偏好，推荐个性化、自动化程度高、能够有效的利用其他相似用户的回馈信息、加快个性化学习的速度。

附图说明

图1为本发明基于协同过滤的用户偏好模型构建方法结构示意图；

图2为本发明基于协同过滤的用户偏好模型构建方法用户画像数据库内部结构示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。