[发明专利]基于用户画像与聚类算法的相似用户分析方法及系统

说明书

本发明提出了一种基于用户画像与聚类算法的相似用户分析方法及系统，将用户画像相似度较高的用户聚类为多个簇，降低相似用户检索过程所产生的时间复杂度，由RV‑UP‑MSC方法，按照用户画像被归类为多个簇，并且每个簇的中心点将簇内所有用户的画像特征整合，以虚拟用户的形式进行表示，目标用户在检索过程中，仅需对每个簇所对应的中心点进行用户画像相似度比对，判断出与自己的兴趣爱好可能相似的簇。

技术领域

本发明属于大数据分析领域，尤其涉及一种基于用户画像与聚类算法的相似用户分析方法。

背景技术

本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。

相似用户的分析方法在许多服务类应用中具有广泛的应用。其目的在于通过分析用户的某一类或者某几类特征，进而根据特征的相似度寻找出与目标用户特征相似度较高的近邻用户，从而进一步地为目标用户提供与近邻用户相关的推荐候选项。其中，推荐候选项一般是实际存在于现实世界的对象(如商品、地点等)，在某些特殊情况下也可能是一种行为(如当前道路的交通情况下推荐采取的措施，向左转或者直行)。

协同过滤方法是衡量用户相似度的常用方法，该方法以用户-对象的评分矩阵为准，通常采用Pearson相关系数对目标用户与其它用户的相似度进行衡量，然而Pearson相关系数在用户之间的共同评分项较少的情况下也会得出相对较高的相似度值，因此在数据稀疏的情况下可靠性较差。因此，通常采用Jaccard相似度作为置信因子修正Pearson相关系数所得出的相似度值，Jaccard相似度以并交比的形式衡量用户之间的轨迹相似度，能够很好的规避用户共同交互项较少的情况下相似度计算所产生的误差，但对于未留下任何评分以及记录的新用户，其相似度的计算相对来说较为困难，在Pearson相关系数或Jaccard相似度无法计算的情况下，目标用户无法通过喜好特征相似度寻找与自己兴趣爱好相近的近邻用户。

基于协同过滤的相似用户分析方法对各类相似度函数进行整合与修正，从而以多角度准确计算用户之间的相似度，但是协同过滤本身的检索代价过高，对于相似用户的商品推荐，如果想要完全找到与自己最为相似的虚拟用户，则需要对整个用户表进行遍历，过程复杂且繁琐，需要花费大量的时间，大大降低了挖掘相应相似特征对象的效率。

发明内容

为克服上述现有技术的不足，本发明提供了一种基于用户画像与聚类算法的相似用户分析方法及系统，实现挖掘出相同用户兴趣爱好的相近用户，其目的在于将整个用户的历史商品信息按照兴趣爱好相似度聚类为多个簇，簇的中心点为簇内用户的整体喜好特征，目标用户仅仅通过与聚类过程生成的聚类中心点进行相似度比较，判断中心点所代表的簇是否与自己拥有相同的兴趣爱好特征，并对目标用户未接触过但是所倾向的目标商品进行挖掘。

为实现上述目的，本发明的一个或多个实施例提供了如下技术方案：

一种基于用户画像与聚类算法的相似用户分析方法，包括如下步骤：

采集用户对于商品的历史行为信息数据；所述历史行为信息数据包括用户-商品评分矩阵、商品信息、用户浏览商品记录以及商品的访问频率；

基于用户历史行为信息数据对用户画像相似度的度量函数进行构建；

基于用户画像相似度的度量函数对用户画像进行聚类操作，将用户的历史行为信息数据划分为多个聚类簇，将每个簇内具备所有用户画像特征的虚拟用户作为每个聚类簇的中心点；

保存生成的聚类簇以及聚类中心点，当目标用户进行相似用户的检索时，先进行用户画像相似度的比对，再找出最为相似的虚拟用户以及对应的簇；

寻找与虚拟用户最为相似的前n个用户，作为目标用户的候选近邻用户。

根据一些实施例，本公开的第二方案提供了一种基于用户画像与聚类算法的相似用户分析系统，包括：