合算法中準確性算法所占的權(quán)重為λ，多樣性算法的權(quán)重為1-λ;
[0029] 步驟2. 4,在線系統(tǒng)從推薦引擎庫中選定混合算法所要使用的準確性算法和多樣 性算法，其中準確性算法主要有基于用戶的協(xié)同過濾算法、基于物品的協(xié)同過濾算法和基 于物質(zhì)擴散的推薦算法等，而多樣性算法主要是基于熱傳導的推薦算法、二次排序法等。例 如選定物質(zhì)擴散算法（準確性）和熱傳導算法（多樣性），物質(zhì)擴散算法會根據(jù)用戶和物品 的二分圖通過物質(zhì)擴散公式計算物品的資源轉(zhuǎn)移矩陣，將最終資源比較大的物品作為推薦 結(jié)果，而熱傳導算法根據(jù)用戶-對象的二分圖構(gòu)建初始熱量矩陣，在熱量擴散公式下計算 各個對象的最終熱量，將擁有高熱量的對象作為算法的推薦結(jié)果；
[0030] 步驟2. 5,在線系統(tǒng)根據(jù)用戶設(shè)定的推薦引擎參數(shù)，利用混合策略以加權(quán)的方式組 合成所構(gòu)建的混合推薦引擎。如本發(fā)明的優(yōu)選實施方案中，首先利用用戶設(shè)定的推薦引擎 參數(shù)來確定兩種算法各自的權(quán)重，然后采用線性加權(quán)法來構(gòu)建混合推薦算法，最后對混合 推薦算法生成的推薦列表按降序方式排序，將前m(經(jīng)驗值，具體基于系統(tǒng)的需求設(shè)置，通 ?？梢栽O(shè)置為10~1〇〇)個推薦對象作為最終推薦列表。
[0031] 其中，線性加權(quán)法計算混合算法的推薦結(jié)果具體實現(xiàn)方式為：
[0032] 用戶設(shè)置推薦引擎參數(shù)，即確定準確度算法和多樣性算法各自的權(quán)重，利用線性 加權(quán)法來構(gòu)建混合推薦算法。如果準確度算法X得到的推薦結(jié)果為xa，多樣性算法Y得到 的推薦結(jié)果是ya，而用戶定制的推薦引擎參數(shù)為λ，則對應(yīng)的準確性算法的權(quán)重為λ，多樣 性算法的權(quán)重為1-λ，通過線性加權(quán)法所構(gòu)建混合推薦算法Ζ的推薦結(jié)果za，其計算公式 為：
[0034] 其中，za是混合算法Z最終的推薦結(jié)果。
[0035] 圖3為在系統(tǒng)提供推薦引擎參數(shù)建議值情況下的執(zhí)行流程圖，主要包括啟動推薦 引擎設(shè)置、系統(tǒng)計算推薦引擎參數(shù)建議值、顯示推薦引擎配置頁面、用戶自主定制推薦引擎 參數(shù)、系統(tǒng)選擇合適算法和形成混合推薦算法階段。具體步驟如下所示：
[0036] 步驟3. 1，啟動推薦引擎配置階段，其所述內(nèi)容和步驟2. 1 -樣；
[0037] 步驟3. 2,系統(tǒng)計算引擎參數(shù)建議值，為用戶自主定制推薦引擎參數(shù)提供參考，針 對老用戶，利用用戶的行為相似度計算用戶的興趣相似度，針對新用戶則利用注冊信息相 似度計算用戶的興趣相似度，然后根據(jù)相似度公式計算出和當前登錄用戶最相似的用戶集 合，得到這個集合中用戶所選擇的推薦引擎參數(shù)，求出用戶集合中推薦引擎參數(shù)的平均值， 以此值作為當前用戶定制推薦引擎的建議值。
[0038] 其中相似度的計算過程為：給定用戶u和V，令N(u)表示用戶u曾經(jīng)有過行為（操 作、評估）的商品集合，令N(v)為用戶v曾經(jīng)有過行為（操作、評估）的商品集合，相似度 計算可以采用余弦相似度計算公式：
[0040] 其中，wuv是用戶u和用戶ν的相似度；
[0041] 步驟3. 3,顯示帶有建議值的推薦引擎配置頁面，如圖5所示。區(qū)別于步驟2. 2所示 頁面（圖4)，該頁面在除了具有在線系統(tǒng)提供的準確性算法和多樣性算法，以及滑動條外， 以用戶可見方式在滑動條中增加了步驟3. 2中系統(tǒng)計算得到了參考建議值，以便為用戶定 制算法引擎參數(shù)提供參考；
[0042] 步驟3. 4,用戶判斷是否需要對在線系統(tǒng)所提供的建議值作出修改，如果需要修 改，則進入步驟3. 5,如果不需要修改，則直接進入步驟3. 6 ;
[0043] 步驟3. 5,用戶在系統(tǒng)提供推薦引擎參數(shù)建議值的基礎(chǔ)上，自主定制適合自己偏好 的推薦引擎參數(shù)，其具體操作和步驟2. 3所述一樣；
[0044] 步驟3. 6,在線系統(tǒng)從推薦引擎庫中選擇合適的準確性推薦算法和多樣性推薦算 法，其具體操作和步驟2. 4所述一樣；
[0045] 步驟3. 7,在線系統(tǒng)根據(jù)用戶所設(shè)的推薦引擎參數(shù)值，利用混合策略以加權(quán)的方式 組合成混合推薦算法，其具體操作和步驟2. 5所述一樣。
[0046] 在本實施例中，除了上述提到的技術(shù)方案外，還包括以下替代方案：1)啟動推薦 引擎配置，可在登錄階段實現(xiàn)，也可在用戶對現(xiàn)有系統(tǒng)推薦結(jié)果不滿意時再啟動；2)推薦 引擎配置頁面使用其他形式定制推薦引擎參數(shù)，如使用具有步長的一系列按鈕；3)在計算 相似用戶集合時，使用其他相似度計算公式，如Person相似度、Jaccard相似度；4)混合策 略不只可以使用線性加權(quán)法，還可以某種推薦策略為框架，混合另外的推薦策略，如基于協(xié) 同推薦的框架內(nèi)混合基于網(wǎng)絡(luò)結(jié)構(gòu)的推薦。5)只要是推薦結(jié)果具有準確性或者多樣性的算 法均可加入推薦引擎庫。
[0047] 最后說明的是，以上優(yōu)選實施例僅用以說明本發(fā)明的技術(shù)方案而非限制，盡管通 過上述優(yōu)選實施例已經(jīng)對本發(fā)明進行了詳細的描述，但本領(lǐng)域技術(shù)人員應(yīng)當理解，可以在 形式上和細節(jié)上對其作出各種各樣的改變，而不偏離本發(fā)明權(quán)利要求書所限定的范圍。
【主權(quán)項】
1. 一種在線系統(tǒng)中用戶定制推薦系統(tǒng)的方法，其特征在于：包括以下步驟： 步驟一：用戶在在線系統(tǒng)中啟動推薦引擎配置； 步驟二：用戶根據(jù)自身的需求和偏好，在系統(tǒng)設(shè)計的推薦引擎配置頁面中自主設(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)。2. 根據(jù)權(quán)利要求1所述的一種在線系統(tǒng)中用戶定制推薦系統(tǒng)的方法，其特征在于：在 步驟一中，根據(jù)用戶的不同身份，啟動推薦引擎設(shè)置的方法也不同，具體為：新用戶在注冊 過程中啟動推薦引擎配置；老用戶在登錄系統(tǒng)后根據(jù)自身需求，在需要重新定制個性化推 薦引擎的時候，自主啟動推薦引擎配置。3. 根據(jù)權(quán)利要求1所述的一種在線系統(tǒng)中用戶定制推薦系統(tǒng)的方法，其特征在于：在 步驟二中，所述推薦引擎配置頁面具有以下功能： 1) 推薦引擎頁面提供兩類不同的推薦算法（準確性算法和多樣性算法），用戶可以依 據(jù)自己的需求和偏好在配置頁面中設(shè)置推薦引擎參數(shù)，進而確定兩類算法的權(quán)重以此來構(gòu) 建個性化混合推薦算法； 2) 系統(tǒng)還可以給用戶提供推薦引擎參數(shù)的建議值；系統(tǒng)根據(jù)用戶的歷史行為數(shù)據(jù)（新 用戶采用注冊信息），利用相似度公式來計算最能反映用戶當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)的默認選擇進行推薦，若用戶對系統(tǒng)給予的默認設(shè)置 不滿意，則可依據(jù)自身偏好修改推薦引擎參數(shù)，自主定制個性化推薦引擎。4. 根據(jù)權(quán)利要求1所述的一種在線系統(tǒng)中用戶定制推薦系統(tǒng)的方法，其特征在于：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，首先從推薦引擎庫中 選定合適的準確性算法和多樣性算法，再者根據(jù)用戶在推薦引擎配置頁面里設(shè)置推薦引擎 參數(shù)，確定混合算法中準確性算法和多樣性算法各自的權(quán)重，并依據(jù)混合策略將兩類算法 加權(quán)組合為混合推薦算法，最后通過運行混合推薦算法得到最終的推薦結(jié)果。
【專利摘要】本發(fā)明提出一種在線系統(tǒng)中用戶定制推薦系統(tǒng)的方法，屬于數(shù)據(jù)挖掘及網(wǎng)絡(luò)應(yīng)用技術(shù)領(lǐng)域。本方法針對以往推薦系統(tǒng)中算法固定不變，無法構(gòu)建出符合每個用戶需求的個性化推薦系統(tǒng)等問題，采用用戶自主定制個性化推薦引擎的方式，實現(xiàn)了系統(tǒng)算法對用戶的自適應(yīng)策略，同時保證了推薦結(jié)果具有較好的推薦多樣性和較高的推薦準確度，有效地縮短了系統(tǒng)學習用戶行為的周期。該方法包括以下步驟：步驟一：用戶根據(jù)自身的需要，在在線系統(tǒng)中啟動推薦引擎設(shè)置；步驟二：通過系統(tǒng)設(shè)計的推薦引擎配置頁面，用戶自主設(shè)定推薦引擎參數(shù)，來定制符合自己偏好的個性化推薦算法；步驟三：保存所配置的推薦引擎并應(yīng)用于推薦系統(tǒng)，系統(tǒng)根據(jù)用戶所設(shè)的推薦引擎參數(shù)，利用混合策略以加權(quán)的方式組合成混合推薦算法來計算推薦列表。
【IPC分類】G06F17/30
【公開號】CN105404678
【申請?zhí)枴緾N201510827825
【發(fā)明人】尚明生, 李健, 史曉雨
【申請人】中國科學院重慶綠色智能技術(shù)研究院
【公開日】2016年3月16日
【申請日】2015年11月24日