[发明专利]一种基于商品属性熵值的个性化推荐方法

说明书

技术领域

本发明属于推荐算法领域，尤其是推荐算法的个性化推荐领域，用于所有能够产生推荐结果的推荐算法，是一种推荐结果优化技术。 

背景技术

个性化推荐是根据用户的兴趣特点和购买行为，向用户推荐用户感兴趣的信息和商品。随着电子商务规模的不断扩大，商品个数和种类快速增长，顾客需要花费大量的时间才能找到自己想买的商品。这种浏览大量无关的信息和商品过程无疑会使淹没在信息过载问题中的消费者不断流失。为了解决这些问题，个性化推荐系统应运而生。个性化推荐系统是建立在海量数据挖掘基础上的一种高级商务智能平台，以帮助电子商务网站为其顾客购物提供完全个性化的决策支持和信息服务。 

以往常用的简单推荐系统包括推荐评分最高的电影，卖的最好的商品等，这些推荐方法也取得了一些效果，但是已经很难满足当今社会日益提高的个性化服务要求。为了使推荐更符合特定的用户，必须充分挖掘购买记录，用户信息等可用元素，对不同的用户进行个性化的推荐，推荐出最符合目标用户的商品或服务。 

推荐系统的背景领域包括认知科学，估算理论，信息技术，预测理论等，另外也从管理科学和市场营销学等相关领域借鉴知识。推荐系统作为一个独立的研究领域出现是源于90年代中期对依据评分数据进行推荐的研究。在最常见的推荐系统中，推荐问题就是对用户还没有看过的物品进行评分预测，这种预测一般基于这个用户对其他商品的历史评分以及其他一些信息。有了对商品的预测评分，我们就可以将预测评分较高的商品推荐给用户。 

推荐系统一般根据推荐方法的不同被分为三类：内容推荐，协同过滤推荐和混合推荐。 

内容推荐的主要思想是根据用户的以往购买过的商品，寻找相似的商品推荐给用户。例如在推荐电影时，系统分析用户打分高的那些电影，找出这些电影的特点，包括演员、导演、类型、主题等，然后更具分析结果推荐包含用户偏好的特点的电影给用户。内容推荐思想来源于信息科学，借助于信息科学对于文档分析和分类的研究，内容推荐在对包含文字内容的商品(例如网页，新闻等)进行推荐时表现良好。另外，通过问卷调查等显示方法和记录用户浏览购买行为的隐式方法分析出的用户特征很大程度上提高了传统借助信息科学领域方法建立的推荐系统的推荐效果。 

协同过滤的主要思想是根据用户以往的购买记录，发掘爱好相似的用户，将相似用户购买的商品推荐给目标用户。不同于内容推荐，协同过滤的重点在于相似用户的寻找，根据目标用户和其他用户的历史评分记录，找出用目标用户相似的用户。基于具有相似历史记录的用户在之后的兴趣也会相似的假设，将目标用户的相似用户购买的或评分高商品推荐给目标用户。例如两个用户对他们共同看过的电影的评分类似，那么他们就很可能具有相似偏好，那么其中一个用户评分高的一部电影也就极有可能另一个用户喜欢的。相似度的计算方法主要包括皮尔逊相似度和空间向量相似度。 

混合方法结合内容过滤和协同过滤，构建一个统一的模型进行推荐。由于内容过滤和协同过滤都有不足，因此混合方法试图将两种方法融合起来，扬长补短，建立统一的模型进行推荐。融合的方法主要有以下几种：1、分别计算，再结合分析。这种方法可以简单的取两种方法的平均，也可以分析内容推荐和协同过滤在这个场景下分别所占的权重，加权得出推荐，还可以根据实际情况选择更适合的推荐方法作为结果。2、将内容过滤的要素结合至协同过滤中，例如使用用户特征而不是用户评分来进行协同过滤。3、将协同过滤的思想应用在内容推荐中，例如使用潜在语义模型来分析用户的特征。4、建立一个统一的模型，例如结合内容过滤和协同过滤的所有要素建立一个概率模型，通过对历史数据的学习得出概率模型中各个参数的值，然后进行推荐。