本發(fā)明具體涉及一種基于用戶興趣的個(gè)性化推薦方法。

背景技術(shù)：

隨著經(jīng)濟(jì)技術(shù)的發(fā)展和人們生活水平的提高，消費(fèi)者對(duì)于更高品質(zhì)的生活的追求也越來越明顯。

中國作為一個(gè)餐飲大國，菜品的種類和樣式隨著經(jīng)濟(jì)的發(fā)展不斷增加和豐富，各式各樣的餐廳、飯店等餐飲服務(wù)場所越來越多，同時(shí)隨著互聯(lián)網(wǎng)經(jīng)濟(jì)和網(wǎng)上消費(fèi)的發(fā)展，海量的在線餐飲服務(wù)平臺(tái)也如雨后春筍般出現(xiàn)。然而，伴隨著各種不同的餐飲服務(wù)平臺(tái)的出現(xiàn)，越來越多的用戶在就餐時(shí)，對(duì)于菜品的選擇則花費(fèi)了更多的時(shí)間和精力。

推薦系統(tǒng)在電子商務(wù)領(lǐng)域有廣泛的應(yīng)用，也有針對(duì)美食和餐廳的推薦系統(tǒng)，但還沒有真正意義上針對(duì)菜品的推薦系統(tǒng)，能夠?yàn)橛脩裟炒尉筒吞峁┎似返耐扑]。而且，現(xiàn)在推薦系統(tǒng)普遍采用協(xié)同過濾算法，該算法是一種基于“人以群分”理念的算法，即興趣偏好相同的人對(duì)商品的偏好也是相似的。因此，協(xié)同過濾推薦最重要的是找到和目標(biāo)用戶興趣相似的最近鄰居，根據(jù)最近鄰居對(duì)推薦對(duì)象的評(píng)分來預(yù)測(cè)目標(biāo)用戶對(duì)未評(píng)分的推薦對(duì)象的評(píng)分，選擇預(yù)測(cè)評(píng)分最高的的若干個(gè)推薦對(duì)象作為推薦結(jié)果反饋給用戶。

但協(xié)同過濾推薦算法存在冷啟動(dòng)、數(shù)據(jù)稀疏和系統(tǒng)可擴(kuò)展性等問題：傳統(tǒng)協(xié)同過濾算法中存在的問題在菜品推薦時(shí)尤為突出，新用戶就餐時(shí)常常需要推薦，但此時(shí)新用戶還沒有產(chǎn)生就餐記錄；用戶點(diǎn)菜數(shù)相對(duì)較少，導(dǎo)致用戶菜品矩陣稀疏；餐廳中用戶數(shù)量和菜品數(shù)會(huì)隨著時(shí)間逐漸增加，推薦系統(tǒng)中的數(shù)據(jù)量會(huì)因此驟增，傳統(tǒng)算法的應(yīng)對(duì)能力也會(huì)因此下降。此外，即使傳統(tǒng)算法能處理海量的數(shù)據(jù)，但是由于基于用戶的協(xié)同過濾中“最近鄰搜索”過程隨著用戶數(shù)量的增加，計(jì)算量也會(huì)線性增長，如何實(shí)時(shí)的為上千萬的用戶提供推薦，并且能夠應(yīng)對(duì)新用戶的注冊(cè)和新商品的添加則是現(xiàn)在大多數(shù)推薦系統(tǒng)都面臨的嚴(yán)重問題；最后，現(xiàn)在大多的協(xié)同過濾推薦系統(tǒng)都需要用戶顯示輸入評(píng)分信息才能為其提供服務(wù)，雖然在獲取信息方面有用戶的積極參與可以提高信息的準(zhǔn)確度，但是給用戶使用系統(tǒng)也帶來了不便。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明的目的在于提供一種計(jì)算效率高、菜品推薦準(zhǔn)確率高、菜品推薦效果好的基于用戶興趣的個(gè)性化推薦方法。

本發(fā)明提供的這種基于用戶興趣的個(gè)性化推薦方法，包括如下步驟：

對(duì)菜品進(jìn)行分類的步驟；

獲取每個(gè)用戶在每個(gè)餐廳的就餐數(shù)據(jù)，并依據(jù)用戶的就餐數(shù)據(jù)將用戶在每個(gè)餐廳進(jìn)行專家用戶類別劃分；

依據(jù)每個(gè)用戶的興趣，為每個(gè)用戶進(jìn)行興趣建模的步驟；

當(dāng)用戶在某餐廳發(fā)起菜品推薦請(qǐng)求時(shí)，選取當(dāng)前餐廳中對(duì)用戶興趣具有權(quán)威的候選專家用戶，并獲取該候選專家用戶的初步推薦菜品的步驟；

計(jì)算用戶與候選專家的相似度的步驟；

依據(jù)用戶與候選專家的相似度，進(jìn)行最終的菜品推薦的步驟。

所述的對(duì)菜品進(jìn)行分類為按照層次進(jìn)行分類，具體分為兩類：第一層分類為按照烹飪方法、主食、飲品和外國菜進(jìn)行分類，第二層分類為依據(jù)食材進(jìn)行分類。

所述的將用戶在每個(gè)餐廳進(jìn)行專家用戶類別劃分，具體為采用如下步驟進(jìn)行分類：

1.依據(jù)獲取的每個(gè)用戶在每個(gè)餐廳的就餐數(shù)據(jù)，將餐廳中所有的數(shù)據(jù)劃分為n個(gè)用戶菜品矩陣，所述n為預(yù)定義的菜品種類個(gè)數(shù)，用戶菜品矩陣中的每一項(xiàng)對(duì)應(yīng)用戶對(duì)某種菜品的品嘗次數(shù)；

2.利用HITS模型計(jì)算每個(gè)用戶在不同類別的專家權(quán)威度。

所述的利用HITS模型計(jì)算每個(gè)用戶在不同類別的專家權(quán)威度，具體為采用如下步驟進(jìn)行計(jì)算：

1)設(shè)置初始權(quán)威值和樞紐值為用戶點(diǎn)菜次數(shù)；

2)采用如下公式計(jì)算某一類別中某菜品的權(quán)威值：

式中d_c.a表示類別c中菜品d的權(quán)威值；u_c.h表示用戶對(duì)類別c的樞紐值，且

3)用A_n和H_n分別表示餐廳中第n輪的權(quán)威值和樞紐值，M表示用戶菜品矩陣，并通過下述兩個(gè)公式的迭代計(jì)算得到最終每個(gè)用戶和菜品的相應(yīng)得分：

A_n＝M^T·M·A_n-1

H_n＝M·M^T·H_n-1

4)選取擁有較高樞紐分?jǐn)?shù)的用戶作為某類型的專家用戶。

所述的為每個(gè)用戶進(jìn)行興趣建模，具體為采用用戶就餐數(shù)據(jù)中的菜品信息構(gòu)建種類權(quán)重樹對(duì)用戶興趣進(jìn)行建模。

所述的利用種類權(quán)重樹對(duì)用戶興趣進(jìn)行建模，具體為采用如下步驟進(jìn)行建模：

A.利用用戶就餐數(shù)據(jù)中的點(diǎn)菜記錄映射到一個(gè)偏好權(quán)重樹，所述偏好權(quán)重樹中的節(jié)點(diǎn)權(quán)重值TF表示用戶對(duì)該類菜品的原始偏好；

B.計(jì)算菜品的逆向文件頻率IDF；

C.將步驟A得到的節(jié)點(diǎn)權(quán)重值和步驟B得到的逆向文件頻率相乘得到用戶種類權(quán)重樹的每個(gè)節(jié)點(diǎn)的權(quán)重值，具體為采用如下算式進(jìn)行計(jì)算：

式中第一部分是用戶u點(diǎn)菜記錄中種類c'的TF值，第二部分表示該種類的IDF值；|{u.d_i:d_i.c＝c'}|表示用戶對(duì)種類c’的品嘗次數(shù)，|u.D|表示用戶點(diǎn)的所有菜品的總數(shù)，{u_j.c′:u_j∈U}表示餐廳所有用戶u中點(diǎn)過種類c’菜品的用戶總和。

所述的選取當(dāng)前餐廳中對(duì)用戶興趣具有權(quán)威的候選專家用戶，并獲取該候選專家用戶的推薦菜品，具體為采用興趣感知算法進(jìn)行計(jì)算和獲取當(dāng)前餐廳中對(duì)用戶興趣具有權(quán)威的候選專家用戶，并獲取該候選專家用戶的初步推薦菜品。

所述的興趣感知算法進(jìn)行計(jì)算和獲取當(dāng)前餐廳中對(duì)用戶興趣具有權(quán)威的候選專家用戶，并獲取該候選專家用戶的初步推薦菜品，具體包括如下步驟：

a.當(dāng)用戶在T時(shí)刻在餐廳R發(fā)出菜品推薦請(qǐng)求，且要求請(qǐng)求推薦的菜品為K種，則系統(tǒng)計(jì)算將產(chǎn)生2K種推薦菜品；

b.專家的選擇從用戶興趣對(duì)應(yīng)的種類權(quán)重樹的底層開始進(jìn)行：若底層的菜品推薦結(jié)果的數(shù)量不能滿足要求，就移動(dòng)到種類權(quán)重樹的上一層繼續(xù)進(jìn)行推薦；

c.在某一層進(jìn)行菜品選擇推薦時(shí)，首先選擇擁有最小權(quán)重值的結(jié)點(diǎn)或種類，然后使用公式|u.w_c/w_min|計(jì)算k值，從而確定種類c中需要選擇本地專家的個(gè)數(shù)，并將排名前k位的用戶作為候選專家集合e；

d.將候選專家集合e中每個(gè)專家的點(diǎn)菜記錄加入到候選菜品集合D中，同時(shí)將候選專家集合e加入到專家集合E中，直至菜品數(shù)量達(dá)到要求或者專家數(shù)目達(dá)到餐廳R中的用戶總數(shù)，從而得到初步的菜品推薦結(jié)果。

所述的計(jì)算用戶與候選專家的相似度，具體為采用如下步驟進(jìn)行計(jì)算：

Ⅰ.利用如下公式計(jì)算用戶興趣對(duì)應(yīng)的種類權(quán)重樹的同一層次間的相似度，重疊結(jié)點(diǎn)c中的最小偏好權(quán)重用于表示用戶間的共同興趣；

Ⅱ.采用如下公式計(jì)算每層的熵，所述每層的熵用于表示用戶偏好的多樣性：

式中P(c)為用戶點(diǎn)種類為c的菜品的可能性；

Ⅲ.利用如下公式計(jì)算兩個(gè)用戶興趣對(duì)應(yīng)的種類權(quán)重樹間的相似度：

式中β用來平衡不同層次的權(quán)重。

所述的依據(jù)用戶與候選專家的相似度進(jìn)行最終的菜品推薦，具體為采用協(xié)同過濾算法計(jì)算最終的菜品推薦。

所述的采用協(xié)同過濾算法計(jì)算最終的菜品推薦，具體為采用如下步驟進(jìn)行計(jì)算：

ⅰ.采用如下公式計(jì)算用戶的遺忘函數(shù)F(t)：

式中e為自然對(duì)數(shù)，a、b、c、t₀、t均為變量，其中t表示用戶請(qǐng)求時(shí)間T距離用戶最近一次對(duì)菜品評(píng)分的時(shí)間差，單位為天；

ⅱ.選取a＝20，b＝0.42，c＝0.0225，t₀＝0.00255；

ⅲ.采用如下算式計(jì)算得到考慮了時(shí)間遺忘因子的用戶菜品偏好預(yù)測(cè)值：

式中o(u',d)為用戶u’點(diǎn)菜品d的次數(shù)，sim(u,u')為用戶的相似度，F(xiàn)(t)為步驟ⅱ得到的遺忘函數(shù)。

本發(fā)明提供的這種基于用戶興趣的個(gè)性化推薦方法，結(jié)合用戶的興趣偏好分布，所處餐廳的專家用戶意見和用戶用餐的時(shí)間，為用戶推薦滿足其個(gè)性化需求的菜品，提高了菜品推薦的效率和準(zhǔn)確率，同時(shí)精確的實(shí)時(shí)推薦結(jié)果可轉(zhuǎn)化為消費(fèi)行為，提高用戶滿意度和商家效益；而且，興趣感知選擇算法通過選擇每種類別的專家用戶減輕相似性計(jì)算的運(yùn)算量，從而實(shí)現(xiàn)對(duì)用戶菜品的實(shí)時(shí)推薦，通過菜品分類的方法有效解決了菜品多別名，新用戶冷啟動(dòng)和系統(tǒng)的可擴(kuò)展性問題；通過引入時(shí)間因子，改進(jìn)興趣感知算法和菜品偏好預(yù)測(cè)效果，進(jìn)一步提高推薦的準(zhǔn)確率。

附圖說明

圖1為本發(fā)明方法的系統(tǒng)結(jié)構(gòu)圖。

圖2為本發(fā)明的用戶菜品種類權(quán)重樹示意圖。

圖3為本發(fā)明的興趣感知選擇算法的流程示意圖。

具體實(shí)施方式

如圖1所示為本發(fā)明方法的系統(tǒng)結(jié)構(gòu)圖：本發(fā)明提供的這種基于用戶興趣的個(gè)性化推薦方法，包括如下步驟：

對(duì)菜品進(jìn)行分類的步驟；具體分為兩類：第一層分類為按照烹飪方法、主食、飲品和外國菜進(jìn)行分類，第二層分類為依據(jù)食材進(jìn)行分類

獲取每個(gè)用戶在每個(gè)餐廳的就餐數(shù)據(jù)，并依據(jù)用戶的就餐數(shù)據(jù)將用戶在每個(gè)餐廳進(jìn)行專家用戶類別劃分；具體為采用如下步驟進(jìn)行分類：

1.依據(jù)獲取的每個(gè)用戶在每個(gè)餐廳的就餐數(shù)據(jù)，將餐廳中所有的數(shù)據(jù)劃分為n個(gè)用戶菜品矩陣，所述n為預(yù)定義的菜品種類個(gè)數(shù)，用戶菜品矩陣中的每一項(xiàng)對(duì)應(yīng)用戶對(duì)某種菜品的品嘗次數(shù)；

2.利用HITS模型計(jì)算每個(gè)用戶在不同類別的專家權(quán)威度：

1)設(shè)置初始權(quán)威值和樞紐值為用戶點(diǎn)菜次數(shù)；

2)采用如下公式計(jì)算某一類別中某菜品的權(quán)威值：

式中d_c.a表示類別c中菜品d的權(quán)威值；u_c.h表示用戶對(duì)類別c的樞紐值，且

3)用A_n和H_n分別表示餐廳中第n輪的權(quán)威值和樞紐值，M表示用戶菜品矩陣，并通過下述兩個(gè)公式的迭代計(jì)算得到最終每個(gè)用戶和菜品的相應(yīng)得分：

A_n＝M^T·M·A_n-1

H_n＝M·M^T·H_n-1

4)選取擁有較高樞紐分?jǐn)?shù)的用戶作為某類型的專家用戶；

上述的獲取每個(gè)用戶在每個(gè)餐廳的就餐數(shù)據(jù)，并依據(jù)用戶的就餐數(shù)據(jù)將用戶在每個(gè)餐廳進(jìn)行專家用戶類別劃分的步驟，為在離線狀態(tài)下進(jìn)行，并且用于在線推薦時(shí)使用，從而能夠有效減少在線部分的計(jì)算量，保證系統(tǒng)的可擴(kuò)展性和快速響應(yīng)的特性；

依據(jù)每個(gè)用戶的興趣，為每個(gè)用戶進(jìn)行興趣建模的步驟；具體為采用用戶就餐數(shù)據(jù)中的菜品信息構(gòu)建種類權(quán)重樹(示意圖如2所示)對(duì)用戶興趣進(jìn)行建模：

A.利用用戶就餐數(shù)據(jù)中的點(diǎn)菜記錄映射到一個(gè)偏好權(quán)重樹，所述偏好權(quán)重樹中的節(jié)點(diǎn)權(quán)重值TF表示用戶對(duì)該類菜品的原始偏好；

B.計(jì)算菜品的逆向文件頻率IDF；

C.將步驟A得到的節(jié)點(diǎn)權(quán)重值和步驟B得到的逆向文件頻率相乘得到用戶種類權(quán)重樹的每個(gè)節(jié)點(diǎn)的權(quán)重值，具體為采用如下算式進(jìn)行計(jì)算：

式中第一部分是用戶u點(diǎn)菜記錄中種類c'的TF值，第二部分表示該種類的IDF值；|{u.d_i:d_i.c＝c'}|表示用戶對(duì)種類c’的品嘗次數(shù)，|u.D|表示用戶點(diǎn)的所有菜品的總數(shù)，{u_j.c′:u_j∈U}表示餐廳所有用戶u中點(diǎn)過種類c’菜品的用戶總和；

當(dāng)用戶在某餐廳發(fā)起菜品推薦請(qǐng)求時(shí)，選取當(dāng)前餐廳中對(duì)用戶興趣具有權(quán)威的候選專家用戶，并獲取該候選專家用戶的初步推薦菜品的步驟；具體為采用興趣感知算法(如圖3所示)進(jìn)行計(jì)算和獲取當(dāng)前餐廳中對(duì)用戶興趣具有權(quán)威的候選專家用戶，并獲取該候選專家用戶的初步推薦菜品：

a.當(dāng)用戶在T時(shí)刻在餐廳R發(fā)出菜品推薦請(qǐng)求，且要求請(qǐng)求推薦的菜品為K種，則系統(tǒng)計(jì)算將產(chǎn)生2K種推薦菜品；

b.專家的選擇從用戶興趣對(duì)應(yīng)的種類權(quán)重樹的底層開始進(jìn)行：若底層的菜品推薦結(jié)果的數(shù)量不能滿足要求，就移動(dòng)到種類權(quán)重樹的上一層繼續(xù)進(jìn)行推薦；

c.在某一層進(jìn)行菜品選擇推薦時(shí)，首先選擇擁有最小權(quán)重值的結(jié)點(diǎn)或種類，然后使用公式|u.w_c/w_min|計(jì)算k值，從而確定種類c中需要選擇本地專家的個(gè)數(shù)，并將排名前k位的用戶作為候選專家集合e；

d.將候選專家集合e中每個(gè)專家的點(diǎn)菜記錄加入到候選菜品集合D中，同時(shí)將候選專家集合e加入到專家集合E中，直至菜品數(shù)量達(dá)到要求或者專家數(shù)目達(dá)到餐廳R中的用戶總數(shù)，從而得到初步的菜品推薦結(jié)果；

計(jì)算用戶與候選專家的相似度的步驟；具體為采用如下步驟進(jìn)行計(jì)算：

Ⅰ.利用如下公式計(jì)算用戶興趣對(duì)應(yīng)的種類權(quán)重樹的同一層次間的相似度，重疊結(jié)點(diǎn)c中的最小偏好權(quán)重用于表示用戶間的共同興趣；

Ⅱ.采用如下公式計(jì)算每層的熵，所述每層的熵用于表示用戶偏好的多樣性：

式中P(c)為用戶點(diǎn)種類為c的菜品的可能性；

Ⅲ.利用如下公式計(jì)算兩個(gè)用戶興趣對(duì)應(yīng)的種類權(quán)重樹間的相似度：

式中β用來平衡不同層次的權(quán)重；

依據(jù)用戶與候選專家的相似度，進(jìn)行最終的菜品推薦的步驟：具體為采用協(xié)同過濾算法計(jì)算最終的菜品推薦：

ⅰ.采用如下公式計(jì)算用戶的遺忘函數(shù)F(t)：

式中e為自然對(duì)數(shù)，a、b、c、t₀、t均為變量，其中t表示用戶請(qǐng)求時(shí)間T距離用戶最近一次對(duì)菜品評(píng)分的時(shí)間差，單位為天；

ⅱ.選取a＝20，b＝0.42，c＝0.0225，t₀＝0.00255；

ⅲ.采用如下算式計(jì)算得到考慮了時(shí)間遺忘因子的用戶菜品偏好預(yù)測(cè)值：

式中o(u',d)為用戶u’點(diǎn)菜品d的次數(shù)，sim(u,u')為用戶的相似度，F(xiàn)(t)為步驟ⅱ得到的遺忘函數(shù)。