[发明专利]一种基于LFM模型的线上服务推荐方法

说明书

本发明公开了一种基于LFM模型的线上服务推荐方法，包括：构建线上电商化服务目录；对基于LFM模型的线上服务推荐算法求解并分析结果。本发明通过构建合适的服务目录，并对综合能源线上服务的推荐方法进行分析，不需要了解更多的专业知识，只需要知道用户对项目的评分情况就可以完成对用户的推荐工作。通过综合能源线上服务目录的制定以及隐语义模型的构建，可有效地对综合能源服务公司做出服务推荐建议，提升提供能源服务的针对性。

技术领域

本发明属于综合能源系统线上服务推荐优化领域，具体来说，涉及一种基于LFM模型的线上服务推荐方法。

背景技术

近年来，随着中国经济的飞速发展和互联网普及率的不断提升，人们的生活方式也发生了巨大的变化。从以前的获取信息只能通过书本、报纸、期刊等纸质书刊，转变到现今的通过手机、ipad、电脑等电子产品就可以获取到互联网上的各种信息。根据中国互联网络信息中心发布的第41次《中国互联网络发展状况统计报告》，截至2017年12月，我国网民规模已达7.72亿，这一数字表明了互联网在我国已经进入了全面普及的状态。互联网在给人们带来便利的同时，也导致了各种网络数据的急剧增长，人们也逐渐从一个信息匮乏的时代进入到一个信息超载的时代。使得人们需要花费大量的时间去查找自己所需的信息，造成了信息的利用率极低，这就是所谓的信息过载。目前，在解决“信息过载”问题方面，主要有两种解决方法，一种是信息检索技术，另一种是信息过滤技术。

个性化推荐系统主要是根据用户的兴趣特点和用户在系统中的行为数据来挖掘用户的兴趣偏好，从而推荐与用户兴趣偏好相似的物品或信息。与搜索引擎最明显的区别是：个性化推荐系统无需用户提供明确的需求就能完成对用户的推荐任务。目前，个性化推荐系统已经被广泛地应用到不同的商业场景并为企业带来了巨大利益。例如，在电子商务领域，淘宝网每年双十一活动当天有8％～12％的销售额都是来自于个性化推荐系统。在短视频领域，字节跳动公司旗下的抖音产品能在短短一年时间内吸引用户数量超过10亿，这些都是得益于个性化推荐系统的发展。因此，在信息过载的时代，对个性化推荐系统的研究，不仅仅能为用户节约大量查询信息的时间，同时，也能为企业带来巨大的商业利益。

在对个性化推荐系统的研究中，其中，最为重要的就是对个性化推荐算法的研究。目前，个性化推荐算法主要包括基于协同过滤(Collaborative Filtering)的推荐算法、基于内容(Content-based)的推荐算法和混合推荐算法。其中令人最满意的和应用最广泛的仍是协同过滤推荐算法，协同过滤推荐算法又可以分为基于邻域的协同过滤算法和基于模型的协同过滤算法。随着机器学习和深度学习的兴起，基于模型的协同过滤算法也越来越受到更多学者的关注，有不少学者也希望将机器学习模型和深度学习模型应用到协同过滤推荐算法中来获取更好的推荐效果。其中，较为知名的有受限玻尔兹曼机模型(RestrictedBoltzmann Machine,RBM)和隐语义模型(Latent Factor Model,LFM)。但这两个模型在协同过滤推荐算法的应用中也存在着稀疏性、冷启动、推荐准确度不高等问题。

发明内容

本发明的目的是提供一种基于LFM模型的线上服务推荐方法。该方法针对大电网与现代互联网技术逐渐融合发展，线上服务发展需求不断提升的现状，通过提出一套综合能源用户线上服务目录，并分析综合能源服务的推荐方法，建立基于LFM模型的一种综合能源公司线上服务推荐方法。

本发明的目的通过以下技术方案实现：

一种基于LFM模型的线上服务推荐方法，包括以下步骤：

(1)构建线上电商化服务目录；

(2)对基于LFM模型的服务推荐算法求解并分析结果。具体包括：