[发明专利]一种面向目标用户的个性化产品包的提取方法

权利要求书

1. 一种面向目标用户的个性化产品包的提取方法，其特征在于，具体步骤为：

（1）收集用户对产品的评分和评价信息，形成用户-产品评分矩阵；

（2）用相似度度量算法，寻找与目标用户相似的用户群，得到目标用户的最近邻居集；

（3）根据最近邻居集，引入用户间的好友关系作为产品评分的权重，来预测用户对未使用过的产品的评分；

（4）跟阈值比较，将评分超过阈值的产品打包组成面向目标用户的个性化产品包。

2. 根据权利要求1所述提取方法，其特征在于在步骤（1）中：

首先，建立用户-产品配置文件，收集用户的评分、评价行为，并进行数据清理转换，最终形成用户-产品矩阵；该矩阵的表示方法为：

行为用户标识，列为产品标识；

一个用户可订购多个产品，一个产品可对应多个用户；

矩阵中的元素                                               为用户与产品间的关系与评价，1≤i≤m,1≤j≤n；如果用户未购买该产品或未对该产品进行评分，则元素内容为0；如果用户购买了该产品，并且对该产品进行了评分，则元素内容为用户对该产品的评分，评分的范围为{1,2,3,4,5}；

然后，对产品的评分进行更新，更新的方法为： 

若该用户连续n次购买该产品，MIN_4<n<MAX_4，并且n次均未对该产品进行评分，则认为该用户对该产品的用户体验较好，系统更新配置文件的该项元素内容为评分4；其中，MIN_4为连续订购该产品的最小次数，MAX_4为连续订购该产品的最大次数，在这段订购次数范围内，认为该用户对产品的评价为4分；

若该用户若该用户连续n次购买该产品，MIN_5<n，并且n次均未对该产品进行评分，则认为该用户对该产品的用户体验较好，系统更新配置文件的该项元素内容为评分5；其中，MIN_5为连续订购该产品的最小次数，在这段订购次数范围内，认为该用户对产品的评价为5分。

3. 根据权利要求2所述提取方法，其特征在于在步骤（2）中：

所述通过相似度度量算法寻找与目标用户相似的用户群，具体步骤为：根据目标用户即产品包的推送对象进行最近邻居搜索，所谓最近邻居搜索是：如果一些用户对某些产品的评分比较相似，则说明这些用户的兴趣偏好相似，找出跟目标用户相似度较大的用户群，来预测目标用户对未使用过的产品的评分；

设用户i和用户j之间的相似性记为，每个用户对产品的评分看作是一个m维向量，度量用户间相似度就用不同的m维向量间的相似度进行度量，其算式为：

其中，为用户i和用户j共同评分的产品集合，表示用户i对产品c的评分，和分别表示用户i和用户j的平均评分，为用户j对产品c的评分；通过相似度度量算法得到用户的最近邻居集合。

4. 根据权利要求3所述提取方法，其特征在于在步骤（3）中：

所述引入用户间的好友关系作为产品评分的权重，来预测用户对未使用过的产品的评分，是从步骤（2）产生的K个最近邻居，产生面向目标用户的个性化产品包，方法如下：设用户u的最近邻居集合用N_u表示，则用户u对未使用过的产品的预测评分P_u,i通过用户u对最近邻居集合N_u中项的评分得到：

其中，为权重，当用户n和用户u为好友关系时，则设为1，当用户n和用户u为非好友关系时，设为0到1之间的某个数；表示用户u和用户n之间的相似性，表示用户n对产品i的评分，和分别表示用户u和用户n对产品的平均评分，通过上述方法预测用户对所有未评分的产品的评分。

5. 根据权利要求4所述提取方法，其特征在于在步骤（4）中：

比较目标用户预测的和已有的对所有产品的评分与事先设定的阈值进行比较，超过阈值的表明是用户较为偏爱的产品，打包组合这些产品即可得到面向目标用户的个性化产品包；所述阈值设定为评分4或者为，为目标用户的平均评分。