一種在線(xiàn)系統(tǒng)中用戶(hù)定制推薦系統(tǒng)的方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明屬于數(shù)據(jù)挖掘及網(wǎng)絡(luò)應(yīng)用技術(shù)領(lǐng)域，提出一種在線(xiàn)系統(tǒng)中用戶(hù)定制推薦系 統(tǒng)的方法。
【背景技術(shù)】
[0002] 隨著互聯(lián)網(wǎng)經(jīng)濟(jì)的日益繁榮，使得我們身處于一個(gè)信息爆炸的時(shí)代，如何從海量 信息中篩選出自己感興趣的信息已經(jīng)成為了一件非常困難的事情。但是隨著大數(shù)據(jù)的思想 落地，推薦系統(tǒng)憑借其能夠在用戶(hù)沒(méi)有明確目標(biāo)的情況下幫助他們發(fā)現(xiàn)感興趣的內(nèi)容，為 用戶(hù)推薦符合其興趣愛(ài)好的信息、產(chǎn)品的特點(diǎn)，漸漸收到了業(yè)界的熱捧，因此各種互聯(lián)網(wǎng) 行業(yè)紛紛引進(jìn)了推薦技術(shù)，如電子商務(wù)、電影和視頻網(wǎng)站、在線(xiàn)音樂(lè)、社交網(wǎng)絡(luò)等，這給互聯(lián) 網(wǎng)經(jīng)濟(jì)帶來(lái)了無(wú)法估量的效益。
[0003]相比于搜索引擎和分類(lèi)目錄，推薦系統(tǒng)可以根據(jù)不同用戶(hù)的要求提供個(gè)性化推薦 服務(wù)。當(dāng)前，大部分推薦系統(tǒng)設(shè)計(jì)的推薦算法往往單一的追求具有較高準(zhǔn)確性或者較好的 多樣性，例如，傳統(tǒng)的協(xié)同過(guò)濾算法有著很高的推薦準(zhǔn)確性，而近年來(lái)信息物理方面提出的 基于二部圖網(wǎng)絡(luò)結(jié)構(gòu)的熱傳導(dǎo)算法有著較好的推薦結(jié)果多樣性。雖然有些推薦系統(tǒng)設(shè)計(jì)了 準(zhǔn)確性和多樣性兼?zhèn)涞幕旌纤惴?，如將物質(zhì)擴(kuò)散方法和熱傳導(dǎo)方法進(jìn)行結(jié)合構(gòu)建混合推薦 算法，以此來(lái)保證推薦結(jié)果同時(shí)具有準(zhǔn)確性和多樣性。但是，現(xiàn)有的推薦系統(tǒng)都不同程度地 存在以下的缺點(diǎn)：
[0004] 1.絕大多數(shù)推薦系統(tǒng)中推薦引擎是固定不變的，系統(tǒng)設(shè)計(jì)時(shí)只采用單一的推薦算 法（如準(zhǔn)確性算法或多樣性算法），但是每種特定的算法只適合某個(gè)或者某類(lèi)別的用戶(hù)，并 不能滿(mǎn)足所有用戶(hù)的偏好。例如，對(duì)于采用準(zhǔn)確性推薦算法的推薦系統(tǒng)，其推薦結(jié)果往往并 不符合注重推薦多樣性用戶(hù)的需求；同樣對(duì)于使用多樣性推薦算法的推薦系統(tǒng)，其推薦結(jié) 果必然不能滿(mǎn)足注重推薦準(zhǔn)確性用戶(hù)的要求。因此，推薦系統(tǒng)所采用的推薦算法應(yīng)該在推 薦結(jié)果中兼顧不同用戶(hù)的偏好。
[0005] 2.目前，有一些系統(tǒng)采取混合推薦算法來(lái)保證推薦結(jié)果能夠兼具準(zhǔn)確性和多樣 性，但是由于混合策略中參數(shù)是固定的，存在推薦結(jié)果準(zhǔn)確率低、個(gè)性化程度不高等缺陷。 針對(duì)該問(wèn)題，少數(shù)推薦系統(tǒng)采用自適應(yīng)策略來(lái)改善混合推薦算法的推薦性能，例如通過(guò)機(jī) 器學(xué)習(xí)的方式分析用戶(hù)行為并挖掘用戶(hù)的興趣來(lái)動(dòng)態(tài)調(diào)節(jié)算法參數(shù)，但這些算法往往需經(jīng) 過(guò)長(zhǎng)期的學(xué)習(xí)時(shí)間，導(dǎo)致周期過(guò)長(zhǎng)且推薦結(jié)果準(zhǔn)確率不一定高，不能滿(mǎn)足用戶(hù)想迅速得到 符合其興趣的推薦結(jié)果的要求，因此用戶(hù)對(duì)系統(tǒng)的體驗(yàn)度不高，無(wú)法幫助電子商務(wù)網(wǎng)站有 效地吸引和挽留用戶(hù)。

【發(fā)明內(nèi)容】

[0006] 有鑒于此，本發(fā)明的目的在于提供一種在線(xiàn)系統(tǒng)中用戶(hù)定制推薦系統(tǒng)的方法，該 方法針對(duì)以往推薦系統(tǒng)中推薦算法固定不變，無(wú)法構(gòu)建出符合不同用戶(hù)需求的個(gè)性化推薦 系統(tǒng)的問(wèn)題，采用用戶(hù)自主定制個(gè)性化推薦引擎的方式，實(shí)現(xiàn)了系統(tǒng)可以根據(jù)用戶(hù)不同偏 好自適應(yīng)配置推薦算法，進(jìn)行個(gè)性化推薦的目的，同時(shí)保證了推薦結(jié)果具有較好的推薦多 樣性和較高的推薦準(zhǔn)確度，有效地縮短了系統(tǒng)學(xué)習(xí)用戶(hù)行為的周期。
[0007] 為達(dá)到上述目的，本發(fā)明提供如下技術(shù)方案：
[0008] -種在線(xiàn)系統(tǒng)中用戶(hù)定制推薦系統(tǒng)的方法，包括以下步驟：步驟一：用戶(hù)在在線(xiàn) 系統(tǒng)中啟動(dòng)推薦引擎配置；步驟二：用戶(hù)根據(jù)自身的需求和偏好，在系統(tǒng)設(shè)計(jì)的推薦引擎 配置頁(yè)面中自主設(shè)定推薦引擎參數(shù)；步驟三：保存所配置的推薦引擎并應(yīng)用于推薦系統(tǒng)。
[0009] 在步驟一中，根據(jù)用戶(hù)的不同身份，啟動(dòng)推薦引擎設(shè)置的方法也不盡相同。具體 為：新用戶(hù)在注冊(cè)過(guò)程中啟動(dòng)推薦引擎配置；老用戶(hù)在登錄系統(tǒng)后根據(jù)自身需求，在需要 重新定制個(gè)性化推薦引擎的時(shí)候，自主啟動(dòng)推薦引擎配置。
[0010] 在步驟二中，所述推薦引擎配置頁(yè)面具有以下功能：
[0011] 1)推薦引擎頁(yè)面提供兩類(lèi)不同的推薦算法（準(zhǔn)確性算法和多樣性算法），用戶(hù)可 以依據(jù)自己的需求和偏好在配置頁(yè)面中設(shè)置推薦引擎參數(shù)，進(jìn)而確定兩類(lèi)算法的權(quán)重以此 來(lái)構(gòu)建個(gè)性化混合推薦算法；
[0012] 2)系統(tǒng)還可以給用戶(hù)提供推薦引擎參數(shù)的建議值。系統(tǒng)根據(jù)用戶(hù)的歷史行為數(shù) 據(jù)（新用戶(hù)采用注冊(cè)信息），利用相似度公式來(lái)計(jì)算最能反映用戶(hù)當(dāng)前興趣偏好的推薦引 擎參數(shù)建議值，并將該值作為推薦引擎參數(shù)的默認(rèn)選擇進(jìn)行推薦，若用戶(hù)對(duì)系統(tǒng)給予的默 認(rèn)設(shè)置不滿(mǎn)意，則可依據(jù)自身偏好修改推薦引擎參數(shù)，自主定制個(gè)性化推薦引擎。
[0013] 在步驟三中，將步驟二中定制好的推薦引擎參數(shù)值應(yīng)用于推薦系統(tǒng)中。首先從推 薦引擎庫(kù)中選定合適的準(zhǔn)確性算法和多樣性算法，再者根據(jù)用戶(hù)在推薦引擎配置頁(yè)面里設(shè) 置推薦引擎參數(shù)，確定混合算法中準(zhǔn)確性算法和多樣性算法各自的權(quán)重，并依據(jù)混合策略 將兩類(lèi)算法加權(quán)組合為混合推薦算法，最后通過(guò)運(yùn)行混合推薦算法得到最終的推薦結(jié)果。
[0014] 本發(fā)明的有益效果在于：
[0015] 1)本發(fā)明基于用戶(hù)的個(gè)性化偏好來(lái)定制推薦引擎，給予用戶(hù)自主選擇的權(quán)利，相 比以往推薦系統(tǒng)中用戶(hù)無(wú)法參與算法選擇的缺點(diǎn)，本發(fā)明提供了算法的靈活性，真正實(shí)現(xiàn) 了為每個(gè)用戶(hù)構(gòu)建個(gè)性化算法的目的。
[0016] 2)本發(fā)明提供了一種通過(guò)推薦引擎參數(shù)配置，用戶(hù)自主構(gòu)建個(gè)性化推薦系統(tǒng)的方 法。與現(xiàn)有推薦系統(tǒng)通過(guò)數(shù)據(jù)分析學(xué)習(xí)用戶(hù)行為來(lái)改變算法可調(diào)參數(shù)的方法不同，本發(fā)明 采用用戶(hù)和推薦系統(tǒng)直接交互的方式來(lái)改變推薦引擎參數(shù)，有效地縮短了系統(tǒng)學(xué)習(xí)用戶(hù)行 為的周期，達(dá)到了快速收集高質(zhì)量的用戶(hù)反饋，完善推薦質(zhì)量的目的。
【附圖說(shuō)明】
[0017] 為了使本發(fā)明的目的、技術(shù)方案和有益效果更加清楚，本發(fā)明提供如下附圖進(jìn)行 說(shuō)明：
[0018]圖1為本發(fā)明一種在線(xiàn)系統(tǒng)中用戶(hù)定制推薦系統(tǒng)的方法流程圖；
[0019] 圖2為本發(fā)明應(yīng)用于無(wú)推薦引擎參數(shù)建議值的推薦系統(tǒng)執(zhí)行流程圖；
[0020] 圖3為本發(fā)明應(yīng)用于有系統(tǒng)提供推薦引擎參數(shù)建議值的推薦系統(tǒng)執(zhí)行流程圖；
[0021] 圖4為本發(fā)明無(wú)推薦引擎參數(shù)建議值的推薦引擎配置頁(yè)面示意圖；
[0022] 圖5為本發(fā)明中系統(tǒng)提供推薦引擎參數(shù)建議值的推薦引擎配置頁(yè)面示意圖。
【具體實(shí)施方式】
[0023] 下面將結(jié)合附圖，對(duì)本發(fā)明的優(yōu)選實(shí)施例進(jìn)行詳細(xì)的描述。
[0024]圖1為本發(fā)明一種在線(xiàn)系統(tǒng)中用戶(hù)定制推薦系統(tǒng)的方法流程圖，包括的主要步驟 如下：?jiǎn)?dòng)推薦引擎設(shè)置、設(shè)定推薦引擎參數(shù)、保存推薦引擎設(shè)置、應(yīng)用于推薦系統(tǒng)。
[0025] 圖2為本發(fā)明公開(kāi)的一種用戶(hù)定制推薦引擎的方法應(yīng)用到推薦系統(tǒng)的執(zhí)行流程 圖，包括的主要步驟為：?jiǎn)?dòng)推薦引擎配置、顯示推薦引擎配置頁(yè)面、用戶(hù)自主定制推薦引 擎、系統(tǒng)后臺(tái)算法選擇、個(gè)性化推薦引擎的形成。具體而言：
[0026] 步驟2. 1，在線(xiàn)系統(tǒng)啟動(dòng)推薦引擎配置：對(duì)新用戶(hù)而言，在其填寫(xiě)注冊(cè)信息的同 時(shí)，通過(guò)點(diǎn)擊設(shè)置在注冊(cè)框里的推薦引擎配置按鈕來(lái)顯示推薦引擎配置頁(yè)面，進(jìn)而定制個(gè) 性化推薦引擎；而對(duì)于老用戶(hù)而言，在登錄系統(tǒng)后根據(jù)自身的需求來(lái)選擇啟動(dòng)個(gè)性化推薦 引擎的時(shí)機(jī)，即在需重新定制個(gè)性化推薦引擎的時(shí)候，才啟動(dòng)推薦引擎配置頁(yè)面；
[0027]步驟2. 2,在線(xiàn)系統(tǒng)實(shí)時(shí)地顯示在推薦引擎配置頁(yè)面（參見(jiàn)圖4)，其主要包括在線(xiàn) 系統(tǒng)提供給用戶(hù)的兩類(lèi)不同推薦算法，即準(zhǔn)確性推薦算法和多樣性推薦算法，以及能夠自 由調(diào)節(jié)兩類(lèi)算法在混合算法中所占比例的滑動(dòng)條，通過(guò)上述設(shè)置以便實(shí)現(xiàn)用戶(hù)自主設(shè)置推 薦引擎參數(shù)的目的；
[0028] 步驟2. 3,用戶(hù)自主定制推薦引擎參數(shù)。在推薦引擎配置頁(yè)面，用戶(hù)以拖動(dòng)滑動(dòng)條 的方式來(lái)設(shè)置推薦引擎參數(shù)λ，用來(lái)確定混合推薦算法中準(zhǔn)確性算法和多樣性算法所占權(quán) 重，其中推薦引擎參數(shù)λ是一個(gè)可調(diào)參數(shù)，其取值范圍為[0，1]。當(dāng)滑動(dòng)條拖動(dòng)到最左端 時(shí)，λ=〇,此時(shí)混合算法為標(biāo)準(zhǔn)的準(zhǔn)確性算法；當(dāng)滑動(dòng)條處于最右端時(shí)，λ= 1，此時(shí)混合 算法是標(biāo)準(zhǔn)的多樣性算法；而當(dāng)滑動(dòng)條處于中間某個(gè)位置時(shí)，對(duì)應(yīng)的λe(〇，1)，此時(shí)混合 算法為準(zhǔn)確性算法和多樣性算法的加權(quán)算法，即當(dāng)滑動(dòng)條處于中間某個(gè)位置λ，即說(shuō)明混