[发明专利]一种车联网用户请求与服务偏好融合的推荐方法及系统

权利要求书

1.一种车联网用户请求与服务偏好融合的推荐方法，其特征在于，包括以下步骤：

接收车辆的服务请求数据集，所述车辆的服务请求数据集包括服务需求和车辆上下文信息；所述车辆上下文信息包括车辆的定位信息、行驶速度、行驶方向、剩余油量；

根据所述服务请求数据集生成推荐信息并输出展示；

根据所述服务请求数据集生成推荐信息并输出展示的方法包括在线推荐方法；

所述在线推荐方法包括以下步骤：

通过网络层接收终端层发出的车辆的服务请求数据集，所述车辆的服务请求数据集包括服务需求和车辆上下文信息；

根据所述服务请求数据集，进行服务数据提取和预处理，得到服务数据备选集；

对所述服务数据备选集执行双向谱聚类算法生成在线推荐策略并输出展示；

所述对所述服务数据备选集执行双向谱聚类算法生成在线推荐策略并输出展示的方法包括：

在所述服务数据备选集中获取各服务的矩阵S＝{s_i,j}_mn，其中s_i,j为用户i对服务j；

对所述各服务的矩阵进行归一化处理，最终得到了归一化矩阵W；

基于归一化矩阵W构造如下对角矩阵：

对于给定的特征矩阵W，计算

其中，A₁和A₂是归一化矩阵W的对角矩阵，W_n为拉普拉斯矩阵；

对于给定的特征矩阵W_n，计算W的前k个不为1的奇异值对应的左右奇异向量L_t＝(l₁,l₂,…,l_q+1)和R_t＝(r₁,r₂,…r_q+1)，其中，L_t左奇异向量表征对行维度的聚类结果，R_t右奇异向量表征对列维度的聚类效果，生成降维后的特征向量空间M：

使用一维K-means算法对M进行聚类；最佳左右奇异向量的某个子集被选择，数据将被投影到奇异向量的最佳子集并进行聚类，得出用户和服务对应的类别；

选取目标服务的最近邻居集；对于不同聚类集中的服务，根据相似度计算为其选取最为相似的服务；

通过u对N(x)中所有项目的评分得到用户u对目标服务x的预测评分P_u,x，N(x)为目标服务x的最近邻居集合，计算公式如下：

其中，P_u,x为预测评分，Sim(x,y)表示目标服务x与最近邻居y的相似度，R_u,y表示用户u对服务y的评分，分别表示对服务x和y的平均评分；

计算出目标用户u所有未评分服务的预测评分，将未评分服务按照预测评分从大到小排序，选取其中评分最高的前N个服务，作为推荐策略发布到路侧单元，通过路侧单元的通信发送推荐服务信息至车辆。

2.根据权利要求1所述的车联网用户请求与服务偏好融合的推荐方法，其特征在于，所述进行服务数据提取和预处理包括以下步骤：

根据所述车辆上下文信息计算出车辆的最大行驶里程；

基于所述车辆的最大行驶里程获取在最大行驶里程内的服务数据集。

3.根据权利要求1所述的车联网用户请求与服务偏好融合的推荐方法，其特征在于，根据相似度计算为其选取最为相似的服务的方法包括：通过欧几里德距离公式计算服务之间的相似度，选取与该服务相似性最高的前k个作为最近邻居集；

其中，Sim(x,y)为服务x和y的相似度，x_i和y_i分别为两个服务的坐标，n表示的是维度；距离越小，两个服务越相似，相似度越大，服务越符合用户偏好需求。