[发明专利]一种多约束条件下的个性化信息推荐方法及信息推荐系统

说明书

本发明提供了一种多约束条件下的个性化信息推荐方法及信息推荐系统，该方法及系统在指明多个物品必须被选定的条件下，实现向客户快速推荐相关联物品的功能；如果用户或物品信息不足，可以使用聚类方法解决数据稀疏问题，使用统计方法推荐相关物品；如果用户或物品信息充足，可以使用关联规则方法并结合统计方法实现相关联物品的推荐。本发明通过约束条件的使用和聚类算法的使用，对数据集合进行数据补全和数据压缩，解决数据稀疏“冷启动”问题，在此基础上，结合基于物品的推荐算法和关联数据挖掘算法解决因信息不足导致的推荐结果不准确的问题；通过对算法的并行化运算过程的改造，解决数据计算量大的技术问题。

技术领域

本发明属于用户信息推荐技术领域，具体涉及一种多约束条件下的个性化信息推荐方法及信息推荐系统。

背景技术

个性化推荐根据用户兴趣和行为特点，向用户推荐所需的信息或商品，帮助用户在海量信息中快速发现真正所需的商品，提高用户黏性，促进信息点击和商品销售。目前应用比较普遍的个性化推荐算法有以下几种：

1.基于人口统计学的推荐(同类人喜欢什么就推荐什么)

基于人口统计学的推荐机制是一种最易于实现的推荐方法，它只是简单的根据系统用户的基本信息发现用户的相关程度，然后将相似用户喜爱的其他物品推荐给当前用户。

这个方法的缺点和问题在于，这种基于用户的基本信息对用户进行分类的方法过于粗糙，尤其是对品味要求较高的领域，比如图书，电影和音乐等领域，无法得到很好的推荐效果。另外一个局限是，这个方法可能涉及到一些与信息发现问题本身无关却比较敏感的信息，比如用户的年龄等，这些用户信息不是很好获取。

2.基于内容的推荐(用户喜欢什么，就推荐相同类型的)

基于内容的推荐的核心思想是根据推荐物品或内容的元数据，发现物品或者内容的相关性，然后基于用户以往的喜好记录，推荐给用户相似的物品。

这个方法的缺点和问题在于，抽取的特征既要保证准确性又要具有一定的实际意义，否则很难保证推荐结果的相关性。

3.基于关联规则的推荐(用户喜欢A，A和B有紧密联系，就推荐B)

基于关联规则的推荐系统的首要目标是挖掘出关联规则，也就是那些同时被很多用户购买的物品集合，这些集合内的物品可以相互进行推荐。目前关联规则挖掘算法主要从Apriori和FP-Growth两个算法发展演变而来。

这个方法的缺点和问题在于，计算量较大，由于采用用户数据，不可避免的存在冷启动和稀疏性问题，存在热门项目容易被过度推荐的问题。

4.基于协同过滤的推荐

协同过滤是基于一个“物以类聚，人以群分”的假设，喜欢相同物品的用户更有可能具有相同的兴趣。协同过滤被视为利用集体智慧的典范，不需要对项目进行特殊处理，而是通过用户建立物品与物品之间的联系。

目前，协同过滤推荐系统被分化为两种类型：基于用户(User-based)的推荐和基于物品(Item-based)的推荐。

4.1.基于用户的推荐

参考图1所示，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(评分)，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最近邻的算法；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。

但是，这种推荐系统的缺点在于：在一般的网络系统中，用户的增长速度都远远大于物品的增长速度，因此其计算量的增长巨大，系统性能容易成为瓶颈。因此在业界中单纯的使用基于用户的协同过滤系统较少。

4.2.基于物品的推荐