一種基于智能終端情景的群體輔助推薦方法及系統(tǒng)的制作方法
【技術領域】
[0001] 本發(fā)明屬于計算機推薦系統(tǒng)技術領域，更具體地，涉及一種基于智能終端情景的 群體輔助推薦方法及系統(tǒng)。
【背景技術】
[0002] 隨著信息技術的迅速發(fā)展和信息內(nèi)容的日益增長，當前網(wǎng)絡與智能移動終端被人 們廣泛頻繁使用，"信息過載"問題愈來愈嚴重，人們對信息的選擇越來越困難。推薦系統(tǒng)可 以在信息過載的情況下，幫助用戶進行信息過濾，使其能夠快速地找到符合個人需求的信 息，是緩解"信息過載"的重要手段之一。
[0003] 傳統(tǒng)的推薦系統(tǒng)通過建立用戶與項目（被推薦對象）之間的二元關系，利用已有 的選擇過程和相似性挖掘每個用戶潛在的感興趣對象，進行個性化推薦；其主要包括協(xié)同 過濾推薦、基于內(nèi)容的推薦和混合推薦，需要對推薦項目的分類、特征信息和用戶的關系、 興趣愛好信息進行管理、維護等，因此需要占用較大的存儲空間，并且沒有考慮用戶的情景 需求。
[0004] 為此，近幾年，一些相關專家提出基于情景感知的推薦思路?；谇榫暗耐扑]考慮 了用戶的空間、時間等場景信息，使得推薦項目更"接近"用戶的需求。但由于基于情景的 推薦系統(tǒng)僅考慮了用戶的情景需求，而沒有改進被推薦項目的信息管理，用戶對這些推薦 系統(tǒng)的滿意度仍然比較低。
[0005] 此外，上述推薦系統(tǒng)的大部分項目信息來自于項目所有者或利益受益者，即已有 推薦系統(tǒng)基本都是從項目和服務的提供者的角度來進行推薦，這種信息的不對稱性導致推 薦的內(nèi)容不夠客觀、更新滯后，這是用戶對當前推薦內(nèi)容滿意度不高的主要因素。
【發(fā)明內(nèi)容】
[0006] 針對現(xiàn)有技術的以上缺陷或改進需求，本發(fā)明提供了一種基于智能終端情景的群 體輔助推薦方法及系統(tǒng)，其目的在于消除信息的不對稱性，提升用戶的滿意度，由此解決現(xiàn) 有的推薦系統(tǒng)存在的管理復雜、滿意度低等技術問題。
[0007] 為實現(xiàn)上述目的，按照本發(fā)明的一個方面，提供了一種基于智能終端情景的群體 輔助推薦方法，其特征在于，包括如下步驟：
[0008] (1)服務請求移動終端獲取請求用戶的請求信息和情景信息，將其發(fā)送至服務 器；
[0009] (2)服務器接收并存儲請求用戶的請求信息和情景信息，并將請求用戶的請求信 息轉發(fā)至各項目推薦移動終端；
[0010] (3)各項目推薦移動終端獲取推薦用戶的推薦信息，并將其發(fā)送至服務器；其中， 推薦用戶的推薦信息為推薦用戶根據(jù)請求用戶的請求信息推薦的項目以及推薦用戶對其 推薦的項目的評分；
[0011] (4)服務器存儲推薦用戶的推薦信息，結合請求用戶的情景信息，計算推薦用戶推 薦的項目的最終評分，并將推薦用戶推薦的項目及項目的最終評分返回至服務請求移動終 端；
[0012] 其中，第j個項目Cj的最終評分W (l-β )S· Qj, β為加權系數(shù)，
為&的基于用戶推薦的得分，
為&的基于情景的得分，
為推薦用戶對(^的歸一化的平均評分，α 為項目質(zhì)量與推薦人數(shù)相關系數(shù)，Y.,為推薦C ,的推薦用戶數(shù)，η為推薦用戶總數(shù)，
為推薦用戶對C,的平均評分，妄max為推薦用戶對推薦的項目的最高平均 評分，Irain為推薦用戶對推薦的項目的最低平均評分，T1(k)為第i個推薦用戶U 1在本次推 薦時的可信度，k為當前的推薦次數(shù)，RljS U 3寸C j的評分，當U i未推薦C j時，R lj= 0, tag 為Cj的情景信息集合c 中的一項情景，ctx為請求用戶的情景信息集合a中的一項情景， max(sim(tag, ctx|ctx e a))為tag與a中的各項情景的相似度的最大值，|c」為Cj中情 景項的個數(shù)。
[0013] 優(yōu)選地，上述方法還包括如下步驟（5):服務器根據(jù)推薦用戶的推薦信息，重新計 算推薦用戶的可信度，對推薦用戶的可信度進行更新；
[0014] 其中，第i個推薦用戶1^在下次推薦時的可信度
為1^完成本次推薦的評價，I i = {C j I R1 j > 0, I < j < m}為U1本次推薦的項目的集合，m為所有推薦用戶本次推薦的項目數(shù)，11 i 為1^推薦的項目數(shù)，V為推薦用戶對其推薦的項目的評分上限。
[0015] 按照本發(fā)明的另一方面，提供了一種基于智能終端情景的群體輔助推薦系統(tǒng)，其 特征在于，包括移動終端和服務器；其中，所述移動終端包括服務請求移動終端和多個項目 推薦移動終端，所述服務器中設有數(shù)據(jù)庫、項目評分計算模塊；
[0016] 所述服務請求移動終端用于獲取請求用戶的請求信息和情景信息，并將其發(fā)送至 所述服務器；所述服務器用于在收到請求用戶的請求信息和情景信息后，將其存儲在所述 數(shù)據(jù)庫中，并將請求用戶的請求信息發(fā)送至所述多個項目推薦移動終端；所述多個項目推 薦移動終端用于獲取推薦用戶的推薦信息，并將其發(fā)送至所述服務器，其中，推薦用戶的推 薦信息為推薦用戶根據(jù)請求用戶的請求信息推薦的項目以及推薦用戶對其推薦的項目的 評分；所述服務器還用于接收推薦用戶的推薦信息并將其存儲在所述數(shù)據(jù)庫中，利用所述 項目評分計算模塊結合請求用戶的情景信息計算推薦用戶推薦的項目的最終評分，并將計 算結果發(fā)送至所述服務請求移動終端；
[0017] 其中，第j個項目Cj的最終評分W (l-β )S· Qj, β為加權系數(shù)，
為&的基于用戶推薦的得分，
為&的基于情景的得分，
為推薦用戶對(^的歸一化的平均評分，α 為項目質(zhì)量與推薦人數(shù)相關系數(shù)，Y.,為推薦C ,的推薦用戶數(shù)，η為推薦用戶總數(shù)，
為推薦用戶對C,的平均評分，瓦_為推薦用戶對推薦的項目的最高平均 評分，靈_?為推薦用戶對推薦的項目的最低平均評分，T10"為第i個推薦用戶U 1在本次推 薦時的可信度，k為當前的推薦次數(shù)，RljS U 3寸C j的評分，當U i未推薦C j時，R lj= 0, tag 為Cj的情景信息集合c 中的一項情景，ctx為請求用戶的情景信息集合a中的一項情景， max(sim(tag, ctx|ctx e a))為tag與a中的各項情景的相似度的最大值，|c」為Cj中情 景項的個數(shù)。
[0018] 優(yōu)選地，所述服務器中還設有可信度計算模塊，所述服務器還用于利用所述可信 度計算模塊根據(jù)推薦用戶的推薦信息重新計算推薦用戶的可信度，對推薦用戶的可信度進 行更新；
[0019] 其中，第i個推薦用戶1^在下次推薦時的可信度
為U1完成本次推薦的評價，I i = {C j I R1 j > 0, I < j < m}為U1本次推薦的項目的集合，m為所有推薦用戶本次推薦的項目數(shù)，11 i 為1^推薦的項目數(shù)，V為推薦用戶對其推薦的項目的評分上限。
[0020] 按照本發(fā)明的另一方面，提供了一種群體輔助推薦方法，其特征在于，包括如下步 驟：
[0021] (1)獲取請求用戶的請求信息和情景信息；
[0022] (2)獲取推薦用戶的推薦信息；其中，推薦用戶的推薦信息為推薦用戶根據(jù)請求 用戶的請求信息推薦的項目以及推薦用戶對