[发明专利]基于多目标属性的最近邻搜索的服务推荐方法

权利要求书

1.基于多目标属性的最近邻搜索的服务推荐方法，其特征在于，包括如下步骤：

步骤S1、提取目标用户的特征及共享需求，提取商家提供服务的共享特征；

步骤S2、进行多目标属性的最近邻搜索，找到合适的服务响应；具体为：通过计算目标用户的特征及共享需求与各个商家提供服务的共享特征的多属性之间的相似性，搜索目标用户的最近邻商家，然后由最近邻商家的评分数据向目标用户产生共享服务推荐；

所述步骤S2具体包括如下步骤：

步骤S21、构建多个以目标用户的特征为区分的子矩阵；

步骤S22、对子矩阵里进行目标用户兴趣度的测量；

步骤S23、将有特征相似度高的目标用户和商家共享服务聚类；

步骤S24、再在步骤S23中特征相似度高的目标用户基础上，构建多个以目标用户的共享需求为区分的分矩阵；

步骤S25、对分矩阵里进行目标用户兴趣度的测量；

步骤S26、将有共享需求相似度高的目标用户和商家共享服务聚类。

2.根据权利要求1所述的基于多目标属性的最近邻搜索的服务推荐方法，其特征在于，所述步骤S23中

对商家共享服务聚类为：按共享服务所属类别来进行聚类；

对目标用户聚类为：构建目标用户特征函数Pi＝(V₁，V₂，…，V_m)，其中i代表第i个目标用户，Vm为第m类产品平均购买金额。

3.根据权利要求1所述的基于多目标属性的最近邻搜索的服务推荐方法，其特征在于，所述步骤S23的具体方式为：将相似度高的目标用户、商家共享服务进行项目评分预测，对项目评分预测结果按由大到小排列，给定一个评分阈值，构成相似目标用户的推荐项目，成为最后推荐结果。

4.根据权利要求1所述的基于多目标属性的最近邻搜索的服务推荐方法，其特征在于，所述步骤S2中多目标属性的最近邻搜索的数学模型具体为：

步骤SA、定义数学模型：

n个决策变量参数、k个目标函数和m个约束条件，最优化目标为：

Maximize y＝f(x)＝(f₁(x)，f₂(x)，…，f_k(x))

e(x)＝(e₁(x)，e₂(x)，…，e_m(x))≤0

其中 x＝(x₁，x₂，…，x_n)

Y＝(y₁，y₂，…，y_k)

其中，x表示以目标用户的特征及共享需求为区分的决策向量，y表示以兴趣度进行评分的目标用户推荐的目标向量，X表示决策向量x形成的决策空间，Y表示目标向量y形成的目标空间，约束条件e(x)≤0确定决策向量x的可行的取值范围，约束条件即评分阈值；

步骤SB、获得可行解集：

可行解集X_f定义为满足约束条件e(x)的决策向量x的集合，即

X_f＝{x∈X|e(x)≤0}

X_f的可行区域所对应的目标空间的表达式为：

即表示可行解集X_f中的所有x，经满足约束条件e(x)的优化函数，映射形成目标空间中的一个子空间，该子空间的决策向量均属于可行解集。