一种基于汽车领域标签的个性化推荐方法与流程

1.本发明涉及个性化推荐技术领域，尤其涉及一种基于汽车领域标签的个性化推荐方法。


背景技术：

2.随着科技的进步,推荐系统领域的相关需求日益复杂，完成的任务也更加困难，所满足的效果也有日益提高。其中，基于汽车领域标签的推荐方法便是其中的代表，汽车领域标签是针对汽车设计和生产制造中的加工工艺、零部件型号、车型名称、任务类型，部门类型等维度专业术语的抽象表示，它包含了汽车设计和生产制造以及试验加工等汽车领域的专有名词集合。传统的基于标签的推荐算法仅仅只对用户是否选择过项目进行判断,而未关注用户对行为信息的研究，造成标签信息无法有效而合理的应用。
3.目前，对于基于汽车领域标签的个性化推荐方法研究较少，并且在实际生产实践中，由于专业知识的复杂性，汽车领域人员无法及时获取所需专业知识，由此，本文提出来一种应用汽车领域标签进行个性化推荐的方法。


技术实现要素：

4.为解决上述技术问题，本发明提供一种基于汽车领域标签的个性化推荐方法，该方法基于汽车领域的知识分类、任务、部门、零部件以及车型等五大维度标签，同时结合热门推荐以及基于用户的协同过滤算法，为汽车领域专业人员推荐感兴趣的知识，对于汽车领域个性化推荐具有借鉴意义。
5.本发明的目的通过以下的技术方案来实现：
6.一种基于汽车领域标签的个性化推荐方法，包括：
7.a、根据业务制定汽车领域的维度信息作为汽车领域标签；
8.b、对标签进行统计，选择其中部分标签作为用户的行为标签；
9.c、根据用户的行为记录，并结合时间权重衰减函数，统计用户对知识的点击、下载和收藏量，将统计量根据相关权重累加求和，得到用户对知识的行为统计分数；
10.d、判断用户是否存在标签，存在，查找标签下的知识，否则，采用用户冷启动问题解决，对用户知识行为结果求和，得到知识的得分；
11.e、将统计加权后的知识，按照时间和权重结果进行倒序排序，并与近一段时间内该用户行为记录作差集；
12.f、选择近一段时间内用户行为记录，并依据步骤c进行统计计算，得到知识的统计得分，根据得分进行倒序排序前若干条知识；
13.g、根据用户与知识的行为得分，及用户间行为的相关性，采用基于用户的协同过滤算法为用户进行推荐前若干条知识；
14.h、将推荐的若干条结果加入推荐结果集中，将基于标签的推荐结果与协同过滤的推荐结果取交集，然后将交集结果与热门推荐的若干条结果按照时间进行倒序排序，并从
剩余的标签推荐结果和协同过滤推荐结果中，分别选择前若干条数据追加到推荐结果集中。
15.与现有技术相比，本发明的一个或多个实施例可以具有如下优点：
16.本发明根据汽车领域中的知识分类、部门、零部件、任务和车型等业务维度，建立汽车领域标签体系，结合汽车领域标签、热门数据和基于用户的协同过滤算法进行个性化推荐，解决用户冷启动问题，更好地发现用户感兴趣的内容。
附图说明
17.图1是基于汽车领域标签的个性化推荐方法流程图；
18.图2是时间衰减函数示意图。
具体实施方式
19.为使本发明的目的、技术方案和优点更加清楚，下面将结合实施例及附图对本发明作进一步详细的描述。
20.如图1所示，为基于汽车领域标签的个性化推荐方法流程，包括以下步骤：
21.步骤10根据业务制定汽车领域的知识分类、部门、任务、零部件和成型等五大维度，将五大维度信息作为标签，建立一套汽车领域标签。
22.步骤20用户可自定义选择标签作为用户的自定义标签；同时可从数据库中获取用户近一段时间内(根据当前系统中用户的行为情况)的行为信息，依据用户对知识的点击、下载、收藏等行为对每条用户行为记录赋予不同的权重。随后，根据用户行为记录的时间，对每条用户记录的权重施加时间衰减，使得距离当前越近的行为具有更高的权重。
23.对于每条行为记录来说，各维度所有的知识标签都具有相同的权重，因此，对所有行为中的各维度所有标签分别进行统计求和，得到各维度中每个标签的权重之和。最后，分别对各维度中的标签进行倒序排序，对于每个维度选择前若干个标签。
24.步骤30根据用户的行为记录，可统计用户对知识的点击、下载和收藏量，而随着时间的推移，行为记录中知识的点击、下载和收藏等行为的权重将逐渐减少，即时间越久远，则行为的权重越小，结合时间衰减将每条行为记录中的权重分数分别累加求和，得到知识的各行为统计量。
25.步骤40若用户存在标签，则查找标签下的知识，根据知识的点击、下载和收藏量进行统计加权，计算知识的得分。若用户无标签时，使用用户冷启动问题的解决方法。
26.步骤50统计加权后的知识，按照时间和权重结果进行倒序排序，并与近一段时间(如一星期，根据具体情况而定)内的该用户行为记录作差集，目的是去除用户近一段时间内有行为的知识，选择前若干条结果。
27.步骤60选择最近一段时间(如一天)内的用户行为记录，依据步骤30进行用户对知识的行为统计，计算知识的统计得分，根据得分进行倒序排序，选择前若干条知识。
28.步骤70根据步骤30中得出的用户与知识的行为得分，同时由于部门内的用户间行为具有很强的相关性，因此使用基于用户的协同过滤算法为用户进行推荐，选择前若干条知识。
29.步骤80将热门推荐的若干条结果加入推荐结果集中；将基于标签的推荐结果与协
同过滤的推荐结果取交集，保证知识符合用户的兴趣，然后将交集结果与热门推荐的若干条结果按照时间进行倒排排序，保证推荐结果的新颖性，多样性；随后，从剩余的标签推荐结果和协同过滤推荐结果中，分别选择前若干条数据追加到推荐结果集中。
30.上述步骤20中，时间衰减函数如式(1)所示：
31.n(t)＝n0e-αt
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1)
32.其中α》0称为指数衰减常数。
33.其中n(t)为n在t时刻的数值，n0＝n(0)为n在0时刻的初始数值，也是当t≥0的最大值，t代表天数。
34.假设某条知识的初始热度为n0，那么随着时间的推移其热度按照指数形式的下降，计算公式就是式(1)。
35.假设n_0＝1，那么该知识的热度随时间变化如下图2所示。
36.上述步骤40中用户冷启动问题是指当前用户为新用户，无法根据用户标签进行推荐的情况，其解决方法为：可查找部门中所有用户行为中的知识，进行统计加权；若知识量仍然很少，可获取部门内的其它知识进行填充。
37.上述步骤70中使用基于用户的协同过滤算法进行用户的相关性推荐，其原理是：
38.1.找到兴趣相似的用户集合
39.要找到兴趣相似的用户群体，首先我们得先定义指标来度量用户与用户之间的相似度。常用的有杰卡德公式和余弦相似度，计算用户之间的相似度。
40.假设n(a)，n(b)分别为用户喜欢的物品集合。
41.那么根据杰卡德公式计算用户之间的相似度，如式(2)：
[0042][0043]
而另外一种余弦相似度的计算方法(如式(3))为：
[0044][0045]
示例：假设a-e表示5个用户，a-f表示6样物品，用户喜欢的物品明细如表1：
[0046]
表1
[0047]
aa,b,dbc,dca,b,eda,c,feb,e,f
[0048]
1.1建立物品-用户信息表
[0049]
需要先将上面的数据进转换,转换成物品-用户明细，如表2:
[0050]
表2
[0051]
aa,c,dba,ccb,dda,b
ec,efd,e
[0052]
1.2建立用户相似度矩阵
[0053]
然后对于喜欢同一物品的位置加1，例如用户c，e喜欢同一物品，那么在矩阵中对应的位置标记为1。如表3所示：
[0054]
表3
[0055][0056][0057]
1.3计算用户相似度
[0058]
根据余弦相似度，得到完整的相似度如表4所示：
[0059]
表4
[0060] abcdea00.250.50.20b0.25000.250c0.5000.20.2d0.20.250.200.2e000.20.20
[0061]
2.针对目标用户，进行物品推荐
[0062]
根据用户-物品相似度矩阵进行推荐，假设用户s存在k个相似度较高的用户，标记为t(s,k)，并且将t中的所有物品提取出来，并且去除用户s已喜欢的物品。然后对于每个候选物品i，定义用户s对候选物品i的感兴趣程度，如式(4)所示：
[0063]
p(s,i)＝∑
v∈t(s,k)∩n(i)wsv
×rvi
ꢀꢀꢀꢀꢀꢀꢀ
(4)
[0064]
其中r_vi表示用户群体t中的用户v对物品i的喜欢程度，默认为1。若用户给予具体的评分数据，可以更准确地描述用户对物品的喜欢程度。
[0065]
虽然本发明所揭露的实施方式如上，但所述的内容只是为了便于理解本发明而采用的实施方式，并非用以限定本发明。任何本发明所属技术领域内的技术人员，在不脱离本发明所揭露的精神和范围的前提下，可以在实施的形式上及细节上作任何的修改与变化，但本发明的专利保护范围，仍须以所附的权利要求书所界定的范围为准。