本發(fā)明屬于基于內(nèi)容的推薦領域，尤其涉及一種基于內(nèi)容的新車型評分預測方法。

背景技術(shù)：

汽車4s店銷售業(yè)務是4s店的主要業(yè)務之一。采取科學的預測方法，建立數(shù)學模型，以新車型配置參數(shù)為基礎，給出新車型相關(guān)的評分預測和關(guān)注度預測，可使企業(yè)管理者掌握和了解新車型潛在的市場需求，獲得潛在的收益，最大化各個細分市場的收益。

現(xiàn)有的推薦系統(tǒng)大致可分為2類：協(xié)同過濾推薦以及基于內(nèi)容的推薦。協(xié)同過濾的推薦，需要龐大的用戶評分矩陣，同時在本汽車推薦系統(tǒng)中，由于新車型無評分信息、關(guān)注度信息，存在冷啟動問題和評分矩陣稀疏問題，故無法用于對新車型的評分預測。

而基于內(nèi)容的推薦方法，通過抽取物品的屬性特征，以物品屬性為基礎求得相似度進而展開相應的計算。不需要巨大的用戶群體和評分記錄，僅需新車型錄入時輸入的配置信息，以新車型內(nèi)容，即新車型配置信息為基礎，通過相應計算求出預測評分結(jié)果，預測結(jié)果不受用戶和評分影響，只與車型配置信息有關(guān)。

現(xiàn)有的與評分預測推薦相關(guān)的方法和系統(tǒng)包括：

1)中國專利cn106326390a公開了一種基于協(xié)同過濾的推薦方法，該方法中通過計算項目間相似度構(gòu)建項目相似度矩陣，并根據(jù)相似度矩陣獲得各項目的最近鄰居集合，再根據(jù)最近鄰居集合計算用戶對項目的預測評分。

此方法存在的問題是：需要構(gòu)建龐大的項目相似度矩陣、最近鄰居集合來求得用戶對項目的預測評分，計算復雜，且無法解決冷啟動問題，即對新項目的出現(xiàn)無法立即生成評分預測進行推薦。

2)中國專利cn105430505a提供了一種基于組合策略的iptv節(jié)目推薦方法，該方法提出通過用戶評分數(shù)據(jù)庫，使用基于內(nèi)容的推薦方法進行推薦，解決冷啟動問題。

此方法存在的問題是：推薦結(jié)果為最相似的前n個節(jié)目，未繼續(xù)通過加權(quán)計算等方式求得預測評分等更直觀的推薦結(jié)果。

3)中國專利cn104866490a公開了一種視頻智能推薦方法，該方法中提出通過數(shù)據(jù)預處理生成影視信息，結(jié)合使用基于內(nèi)容和基于協(xié)同的推薦方法，生成針對用戶的最佳個性化推薦列表，具有較好的推薦效果。

此方法存在的問題是：結(jié)合使用基于內(nèi)容和基于協(xié)同的推薦方法雖然提高了推薦效果，但同時也增加了響應時間，向量構(gòu)建的公式復雜也給代碼精煉帶來了難度。

通過以上例舉可以看出，現(xiàn)有對物品評分的預測與推薦方法，公式復雜、計算時間開銷大、需要大量用戶評分記錄，且存在冷啟動等問題。

技術(shù)實現(xiàn)要素：

本發(fā)明所要解決的技術(shù)問題是提供一種基于內(nèi)容的新車型評分預測方法，該方法計算簡單、代碼精煉、分塊預測評分增加了預測準確度，有較好的研究意義與應用價值。

為解決上述技術(shù)問題，本發(fā)明采用的技術(shù)方案是：

一種基于內(nèi)容的新車型評分預測方法，包括以下步驟：

步驟1：收集汽車各車型配置信息，包括基本信息和評分信息；

步驟2：錄入新車型配置信息，包括質(zhì)量參數(shù)和舒適性參數(shù)；

步驟3：將新車型配置信息，依次與數(shù)據(jù)庫中已知車型配置信息進行比較，轉(zhuǎn)化為0-1向量表；

即設新車型配置信息為n1，數(shù)據(jù)庫中已知車型配置信息為sk(k＝1,2,…,n)；創(chuàng)建向量將n1，s1向量化為0-1向量表，第一列表示車型配置特征，第二列表示n1所包含配置特征，第三列表示s1所包含配置特征，0表示無此配置特征，1表示有此配置特征；

對轉(zhuǎn)化后的n1、s1進行余弦法計算：

步驟4：遍歷新車型與數(shù)據(jù)庫中其他車型配置信息，向量化并求得新車型與數(shù)據(jù)庫中所有已知車型的質(zhì)量相似度和舒適性相似度，得到質(zhì)量相似度列表和舒適性相似度列表；

步驟5：根據(jù)質(zhì)量相似度列表，取出前k個相似度較高車型的質(zhì)量評分、關(guān)注度及對應的質(zhì)量相似度；根據(jù)舒適性相似度列表，取前k個相似度較高車型的舒適性評分、關(guān)注度及對應的舒適性相似度；

步驟6：根據(jù)步驟5求得的數(shù)據(jù)，求出新車型的預測質(zhì)量評分，即：

質(zhì)量評分：r1＝a×m；

其中，a＝(a1,a2,a3,..,ak)為步驟5質(zhì)量相似度列表前k個車型的質(zhì)量評分；m＝(m1,m2,m3...,mk)為步驟5質(zhì)量相似度列表前k個車型的質(zhì)量相似度。

進一步的，所述車型配置信息的基本信息包括質(zhì)量參數(shù)、舒適性參數(shù)，評分信息包括質(zhì)量評分、舒適性評分和關(guān)注度評分。

進一步的，還包括預測舒適性評分，即：

舒適性評分：r2＝b×n；

其中b＝(b1,b2,b3,..,bk)為步驟5舒適性相似度列表前k個車型的舒適性評分；n＝(n1,n2,n3,..,nk)為步驟5舒適性相似度列表前k個車型的舒適性相似度。

進一步的，還包括預測關(guān)注度，即：

關(guān)注度：h1＝p×m，h2＝q×n，

其中，p＝(p1,p2,p3,..,pk)為步驟5質(zhì)量相似度列表前k個車型的關(guān)注度；q＝(q1,q2,q3,..,qk)為步驟5舒適性相似度列表前k個車型的關(guān)注度，二者合成新車型預測關(guān)注度h。

與現(xiàn)有技術(shù)相比，本發(fā)明的有益效果是：1)具有響應時間短、編碼簡單、代碼精煉的優(yōu)勢；2)有效解決冷啟動問題，新車型可立即得到評分預測；3)無需大量用戶群體和評分記錄；4)向量構(gòu)建所占空間小，計算簡單，無復雜公式計算；5)車型配置信息分為質(zhì)量參數(shù)和舒適性參數(shù)，通過計算相應的質(zhì)量相似度和舒適性相似度，得到對應的質(zhì)量評分預測、舒適性評分預測，增加了評分預測準確度。

附圖說明

圖1為本發(fā)明方法的流程示意圖。

圖2為部分車型配置信息圖。

圖3為部分車型關(guān)注度、質(zhì)量評分和舒適性評分圖。

圖4為例子中新車型n1與已知車型s1比較后的0-1向量表。

圖5為質(zhì)量相似度排序后的列表。

圖6為舒適性相似度排序后的列表。

具體實施方式

下面結(jié)合附圖和具體實施方式對本發(fā)明作進一步的說明。如圖1所示，基于內(nèi)容的新車評分預測方法包含以下步驟：

步驟一：收集汽車各車型配置信息的基本信息和評分信息(圖2為部分配置信息，圖3為部分關(guān)注度、質(zhì)量評分和舒適性評分)。其中車型配置信息包括質(zhì)量參數(shù)(變速箱、發(fā)動機等)、舒適性參數(shù)(車身結(jié)構(gòu)，座椅類型等)，評分信息包括質(zhì)量評分、舒適性評分和關(guān)注度。

步驟二：錄入新車型配置信息(質(zhì)量參數(shù)和舒適性參數(shù))。

步驟三：將新車型配置信息，依次與數(shù)據(jù)庫中已知車型配置信息進行比較，轉(zhuǎn)化為0-1向量表。設新車型配置信息為n1，數(shù)據(jù)庫中已知車型配置信息為sk(k＝1,2,…,n)，以新車型與數(shù)據(jù)庫中第一個車型比較為例，設n1＝{a1,a2,a3,a4,a5,a6,a7,a8}，s1＝{a1,a2,a4,a5,a7,b1,b2}，其中ak，bk均表示車型配置特征。

創(chuàng)建向量空間如圖4所示，將n1，s1向量化為0-1向量表；第一列表示車型配置特征，第二列表示n1所包含配置特征，第三列表示s1所包含配置特征，0表示無此配置特征，1表示有此配置特征。此例中n1轉(zhuǎn)化為{1,1,1,1,1,1,1,1,0,0}，s1轉(zhuǎn)化為{1,1,0,1,1,0,1,0,1,1}。本發(fā)明方法有效減小了0-1向量表長度，減小了計算復雜度。

對轉(zhuǎn)化后的n1、s1進行余弦法計算：該式在本例中n＝10，將相應0-1值帶入計算，求得對應的n1與s1的質(zhì)量相似度和舒適性相似度。

遍歷新車型與數(shù)據(jù)庫中其他車型配置信息，向量化并求得新車型與數(shù)據(jù)庫中所有已知車型的質(zhì)量相似度和舒適性相似度，得到質(zhì)量相似度列表和舒適性相似度列表，分別由高到低進行排序；

步驟四：根據(jù)質(zhì)量相似度排序后的列表，取出前k個相似度較高車型的質(zhì)量評分、關(guān)注度及對應的質(zhì)量相似度，如圖5所示。同理，根據(jù)舒適性相似度排序后的列表，取前k個相似度較高車型的舒適性評分、關(guān)注度及對應的舒適性相似度，如圖6所示。

步驟五：根據(jù)步驟四求得的數(shù)據(jù)，分別求出新車型的預測質(zhì)量評分、預測舒適性評分和預測關(guān)注度，具體計算公式如表1所示。

表1評分預測結(jié)果計算公式

步驟五具體計算過程為：

質(zhì)量評分：r1＝a×m

其中，a＝(a1,a2,a3,..,ak)為步驟四質(zhì)量相似度排序后的列表前k個車型的質(zhì)量評分，m＝(m1,m2,m3...,mk)為步驟四質(zhì)量相似度排序后的列表前k個車型的質(zhì)量相似度。

預測舒適性評分：r2＝b×n

其中，b＝(b1,b2,b3,..,bk)表示步驟四舒適性相似度排序后列表前k個車型的舒適性評分，n＝(n1,n2,n3,..,nk)表示步驟四舒適性相似度排序后列表前k個車型的舒適性相似度。

預測關(guān)注度：h1＝p×m，h2＝q×n，

其中，p＝(p1,p2,p3,..,pk)為步驟四質(zhì)量相似度排序后列表前k個車型的關(guān)注度，q＝(q1,q2,q3,..,qk)為步驟四舒適性相似度排序后列表前k個車型的關(guān)注度，二者合成新車型預測關(guān)注度h。