[发明专利]一种基于改进协同过滤算法的服务推荐模型

说明书

本发明涉及一种基于改进协同过滤算法的服务推荐模型。主要包括基于用户的协同过滤进行服务推荐、引入巴氏系数(Bhattacharyya Coefficient)及Jaccard系数进而提高推荐服务准确率两部分。通过发现用户最近邻，根据用户的兴趣，挖掘数据，并通过数学函数对目标计算，再通过评分矩阵，依据矩阵产生分数罗列推荐列表，在此基础上，本技术基于传统协同过滤算法进行改进，并融合巴氏系数和Jaccard系数，从而进行精准服务推荐。本发明形成一种新的User‑Based Model，并提高传统协同过滤算法的精确度，属于数据挖掘与深度学习的交叉领域。个性化推荐的出现是为了解决信息过载的问题，通过研究不同用户的兴趣，主动为用户推荐最需要的资源，从而更好地解决互联网信息日益庞大与用户需求之间的矛盾。

技术领域

本发明涉及一种基于改进协同过滤算法的服务推荐模型，主要通过发现用户最近邻，根据用户的兴趣，挖掘数据，并通过数学函数对目标计算，再通过评分矩阵，依据矩阵产生分数罗列推荐列表，对目标用户产生精确推荐，属于数据挖掘与深度学习的交叉领域。

背景技术

随着电子商务规模的扩大，商品种类和数量愈发庞大，用户在网上众多推荐服务中想获得最适合用户的服务，需消耗大量时间，根本原因是服务推荐算法与用户的真实需求不符。本发明则提供一种能更精确推荐服务的模型。

传统基于用户-项目数据集进行推荐的算法存在诸多问题。Ahn等人提出了 PIP(Proximity-Impact-Popularity)相似性度量，提出在余弦相似度在用户共同评分项目较少的情况下，容易影响推荐的准确性，相似度计算比实际偏差大。随后更多的缺陷不断地暴露，在用户数据少的时候，User-Based推荐难以产生说服力，并且具有地时效性不会轻易改变，用户数据多的时候，User-Based 计算矩阵的代价会非常大。而Item-Based推荐会随着用户的行为改变而立即改变，虽然具有了实时性，但在数据少的时候计算量反而相当庞大，且没有办法在不离线更新物品相似度表的情况下将新商品推荐给用户。同时最主要缺点是用户评分对系统的影响很大，不管用户之间评分差异如何，都具有很高相似性。且算法如果不考虑评分的绝对值，会直接导致用户区分困难。在User-Item矩阵评分数据稀疏时难以对用户的兴趣进行判断，使得精确性偏低。

发明内容

为克服上述现有技术中存在的缺陷，本发明提供一种基于改进协同过滤算法的服务推荐模型，用于进行精准的个性服务推荐。本技术首先对传统协同过滤算法进行改进，再融合巴氏系数和Jaccard系数，形成一种新的User-based Model，从而进行精准服务推荐，本发明提高了传统协同过滤算法的精确度。

为实现本发明的上述目的所提出的服务推荐模型，具体解决方案包括两个部分：

第一部分：基于用户关系的协同过滤(User-Based Collaborative Filtering)推荐模型。根据提取的用户-服务的关系表中的信息，用K-MEANS 聚类算法对数据处理，根据近邻的偏好向目标用户推送服务。

第二部分：引入巴氏系数(Bhattacharyya Coefficient)和Jaccard系数对模型进行改进。巴氏系数利用用户间所有的推荐评分信息，克服了仅用共同推荐评分的限制。Jaccard系数用于增加相似性度量中共同推荐项所占的比重，将推荐服务进行关联，计算共同推荐项的用户相似度，进而预测目标用户对目标服务的评分，为用户进行推荐，减少了传统User-Item矩阵评分数据稀疏时难以对用户兴趣特征进行特征判断的问题，提高推荐服务的准确度。

附图说明

图1是本发明的系统结构图；

图2是本发明的用户-服务信息处理流程图；

图3是本发明的服务推送流程图；

具体实施方式

下面结合附图对发明的具体实施作进一步的详细阐明。