用于推薦旅游休閑出行地的基于人機(jī)交互的混合推薦系統(tǒng)的制作方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及互聯(lián)網(wǎng)旅游技術(shù)領(lǐng)域，具體涉及一種用于推薦旅游休閑出行地的基于 人機(jī)交互的混合推薦系統(tǒng)。
【背景技術(shù)】
[0002] 推薦系統(tǒng)（Recommender systems)被用來向用戶提供產(chǎn)品、信息、服務(wù)等相關(guān)建 議，如今已被廣泛應(yīng)用于電影、音樂、書籍等各項商業(yè)領(lǐng)域。推薦算法是整個推薦系統(tǒng)的核 心。
[0003] 推薦算法主要有三種類型：基于內(nèi)存的，基于模型的，和混合式算法?；趦?nèi)存的 算法，通常使用相似性度量標(biāo)準(zhǔn)來計算兩個用戶或兩個物品之間的距離，而后把距離最近 個體作為推薦項；基于模型算法則是將用戶、內(nèi)容、或其它相關(guān)信息進(jìn)行統(tǒng)計分析，來創(chuàng)建 一個數(shù)據(jù)模型用以計算出推薦項；而混合算法則是結(jié)合兩種或兩種以上類型的推薦算法， 從而獲得比其中任何一種更為優(yōu)秀的表現(xiàn)。
[0004] 現(xiàn)有的推薦系統(tǒng)大多數(shù)通過假設(shè)某種特定類型的用戶行為作為前提給出推薦 結(jié)果，這些假設(shè)行為包括：瀏覽、評分和序列獨立性行為（The Sequence-Independent Manner)。具體來說：瀏覽行為是指用戶瀏覽了哪些內(nèi)容項；評分行為是指用戶為哪些內(nèi)容 項進(jìn)行了評分。序列獨立性行為是指推薦項是無序的并且無關(guān)聯(lián)性的，相互獨立的。但是 這類推薦系統(tǒng)很少考慮到實際應(yīng)用環(huán)境中人機(jī)交互場景所帶來的影響。

【發(fā)明內(nèi)容】

[0005] 解決上述技術(shù)問題，本發(fā)明提供了一種用于推薦旅游休閑出行地的基于人機(jī)交 互的混合推薦系統(tǒng)，通過使用召回率和多樣性指標(biāo)作為評價標(biāo)準(zhǔn)，采用混合算法，提高推薦 效率。
[0006] 為了達(dá)到上述目的，本發(fā)明所采用的技術(shù)方案是，一種用于推薦旅游休閑出行地 的基于人機(jī)交互的混合推薦系統(tǒng)，包括：
[0007] 用戶界面模塊，用于展現(xiàn)信息內(nèi)容、獲取用戶指令、以及記錄用戶行為，
[0008] 用戶模型模塊，用于根據(jù)用戶歷史信息及行為，對用戶行為進(jìn)行分析與建模，
[0009] 推薦引擎模塊，根據(jù)用戶模型采用結(jié)合人機(jī)交互場景算法和混合推薦算法，進(jìn)行 推薦結(jié)果計算，
[0010] 推薦對象模型模塊，結(jié)合推薦結(jié)果并根據(jù)用戶興趣維度對推薦對象進(jìn)行分類，并 推薦對象提供推薦內(nèi)容。
[0011] 進(jìn)一步的，用戶模型模塊，用于根據(jù)用戶歷史信息及行為，對用戶行為進(jìn)行分析與 建模，用戶行為包括三個步驟：
[0012] 步驟1 :獲得N個推薦項，
[0013] 步驟2 :將推薦項與個人興趣進(jìn)行比較，
[0014] 步驟3 :從中選擇一個最符合個人興趣的推薦項進(jìn)行瀏覽。
[0015] 推薦引擎模塊，根據(jù)用戶模型采用結(jié)合人機(jī)交互場景算法和混合推薦算法，進(jìn)行 推薦結(jié)果計算，具體包括以下步驟：
[0016] 步驟1 :接受用戶請求，
[0017] 步驟2 :根據(jù)特定算法將符合條件的N個建議推薦給用戶，
[0018] 步驟3 :記錄用戶選擇用于進(jìn)一步的推薦。
[0019] 進(jìn)一步的，所述特定算法包括混合推薦算法，基于已瀏覽項目的矩陣中的數(shù)據(jù)特 性，可以將其分為三個階段：初始階段，過渡階段和穩(wěn)定階段。初始階段的三個特性為：已 瀏覽項目的矩陣為空（null);登錄用戶的已瀏覽項目為空；任何用戶瀏覽的項目數(shù)量不會 多于TR。該階段主要使用隨機(jī)算法。
[0020] 在過度階段，已瀏覽項目的矩陣有兩種特征：已瀏覽項目的矩陣不為空；已瀏覽 項的數(shù)量〉TR>0,但被推薦項數(shù)量不足以啟動kNN算法。該階段中kNN算法被用于推薦少數(shù) 項，而大多數(shù)項則由隨機(jī)算法推薦。
[0021] 在穩(wěn)定階段，被瀏覽項數(shù)量超過TR并足以啟動kNN算法。該階段主要由kNN算法 推薦，而為了增加多樣性，隨機(jī)算法同時也會被用于推薦少數(shù)項。
[0022] 進(jìn)一步的，人機(jī)交互場景算法人機(jī)交互算法基于人機(jī)交互場景，分為用戶與系統(tǒng) 兩個角度。
[0023] 從用戶角度，人機(jī)交互場景如下：
[0024] 用戶向系統(tǒng)輸入請求，得到系統(tǒng)推薦的N個內(nèi)容；
[0025] 當(dāng)用戶決定瀏覽推薦內(nèi)容時，無論用戶瀏覽的內(nèi)容是否基于她的興趣清單，推薦 流程都會繼續(xù)；如果用戶不喜歡系統(tǒng)推薦的項目，則會退出。
[0026] 從推薦系統(tǒng)角度，人機(jī)交互場景如下：
[0027] 推薦系統(tǒng)接受用戶的請求并利用混合算法推薦N個項給該用戶；
[0028] 如果用戶瀏覽了其中一項，推薦系統(tǒng)會將該選擇記錄到已瀏覽項矩陣中，否則流 程終止。
[0029] 所有用戶使用推薦系統(tǒng)并沒有特定順序。
[0030] 本發(fā)明通過采用上述技術(shù)方案，與現(xiàn)有技術(shù)相比，具有如下優(yōu)點：
[0031] 1、定義了"人機(jī)交互"(User_Recommender Interaction)流程，它包含推薦系統(tǒng)與 用戶兩類。
[0032] 2、建立了一個具有增量學(xué)習(xí)功能的基于人機(jī)交互的混合推薦系統(tǒng)。系統(tǒng)初始階 段，在不存在任何人機(jī)交互記錄的情況下，系統(tǒng)將通過隨機(jī)算法進(jìn)行推薦；在過渡階段，即 人機(jī)交互數(shù)據(jù)還非常稀疏時，系統(tǒng)則通過隨機(jī)算法與KNN算法相混合的方式進(jìn)行推薦；在 穩(wěn)定階段，即采集到的數(shù)據(jù)超過既定閾值后，則主要依靠 KNN算法進(jìn)行推薦。
[0033] 3、使用召回率和多樣性作為評價指標(biāo)，用來評估在人機(jī)交互場景下的推薦系統(tǒng)質(zhì) 量。
【附圖說明】
[0034] 圖1是本發(fā)明的實施例的結(jié)構(gòu)示意圖。
[0035] 圖2是本發(fā)明的實施例的用戶行為流程圖。
[0036] 圖3是本發(fā)明的實施例的推薦引擎模塊的流程圖。
[0037] 圖4描述了用戶ul_u4與推薦系統(tǒng)互動的場景示意圖。
【具體實施方式】
[0038] 現(xiàn)結(jié)合附圖和【具體實施方式】對本發(fā)明進(jìn)一步說明。
[0039] 作為一個具體的實施例，如圖1所示，本發(fā)明的一種用于推薦旅游休閑出行地的 基于人機(jī)交互的混合推薦系統(tǒng)，包括：
[0040] 用戶界面模塊，用于展現(xiàn)信息內(nèi)容、獲取用戶指令、以及記錄用戶行為，
[0041] 用戶模型模塊，用于根據(jù)用戶歷史信息及行為，對用戶行為進(jìn)行分析與建模，
[0042] 推薦引擎模塊，根據(jù)用戶模型采用結(jié)合人機(jī)交互場景算法和混合推薦算法，進(jìn)行 推薦結(jié)果計算，
[0043] 推薦對象模型模塊，結(jié)合推薦結(jié)果并根據(jù)用戶興趣維度對推薦對象進(jìn)行分類，并 推薦對象提供推薦內(nèi)容。
[0044] 本實施例的設(shè)計理念如下：
[0045] (1)混合算法是為了均衡互動召回率和多樣性而設(shè)計的。
[0046] (2)人機(jī)交互模型是基于混合算法構(gòu)建的。
[0047] (3)可以設(shè)定參數(shù)來對算法進(jìn)行調(diào)優(yōu)。
[0048] 二、人機(jī)交互場景
[0049] 本實施例中所闡述的人機(jī)交互場景是指登錄用戶與推薦系統(tǒng)之間一系列互動動 作。用最簡單的例子表示，即用戶登錄系統(tǒng)后，系統(tǒng)會返回一個或多個推薦項給用戶，用戶 選擇其中一個項或直接關(guān)閉系統(tǒng)后，本輪交互結(jié)束。人機(jī)交互行為主要分為用戶行為和推 薦系統(tǒng)行為兩部分。
[0050] 1、用戶行為流程，
[0051] 參考圖2所示，本實施例中用戶可以根據(jù)他們的反饋被分為兩種主要類型：如果 用戶對推薦項只進(jìn)行瀏覽，被稱為瀏覽用戶；如果用戶對推薦項進(jìn)行評分，則稱之為評分用 戶。本實施例中只使用瀏覽用戶作為例子。
[0052] 用戶操作流程設(shè)定為三個步驟：
[0053] (1)獲得系統(tǒng)的N個推薦項
[00