一种在线系统中用户定制推荐系统的方法
【技术领域】
[0001] 本发明属于数据挖掘及网络应用技术领域，提出一种在线系统中用户定制推荐系 统的方法。
【背景技术】
[0002] 随着互联网经济的日益繁荣，使得我们身处于一个信息爆炸的时代，如何从海量 信息中筛选出自己感兴趣的信息已经成为了一件非常困难的事情。但是随着大数据的思想 落地，推荐系统凭借其能够在用户没有明确目标的情况下帮助他们发现感兴趣的内容，为 用户推荐符合其兴趣爱好的信息、产品的特点，渐渐收到了业界的热捧，因此各种互联网 行业纷纷引进了推荐技术，如电子商务、电影和视频网站、在线音乐、社交网络等，这给互联 网经济带来了无法估量的效益。
[0003]相比于搜索引擎和分类目录，推荐系统可以根据不同用户的要求提供个性化推荐 服务。当前，大部分推荐系统设计的推荐算法往往单一的追求具有较高准确性或者较好的 多样性，例如，传统的协同过滤算法有着很高的推荐准确性，而近年来信息物理方面提出的 基于二部图网络结构的热传导算法有着较好的推荐结果多样性。虽然有些推荐系统设计了 准确性和多样性兼备的混合算法，如将物质扩散方法和热传导方法进行结合构建混合推荐 算法，以此来保证推荐结果同时具有准确性和多样性。但是，现有的推荐系统都不同程度地 存在以下的缺点：
[0004] 1.绝大多数推荐系统中推荐引擎是固定不变的，系统设计时只采用单一的推荐算 法（如准确性算法或多样性算法），但是每种特定的算法只适合某个或者某类别的用户，并 不能满足所有用户的偏好。例如，对于采用准确性推荐算法的推荐系统，其推荐结果往往并 不符合注重推荐多样性用户的需求；同样对于使用多样性推荐算法的推荐系统，其推荐结 果必然不能满足注重推荐准确性用户的要求。因此，推荐系统所采用的推荐算法应该在推 荐结果中兼顾不同用户的偏好。
[0005] 2.目前，有一些系统采取混合推荐算法来保证推荐结果能够兼具准确性和多样 性，但是由于混合策略中参数是固定的，存在推荐结果准确率低、个性化程度不高等缺陷。 针对该问题，少数推荐系统采用自适应策略来改善混合推荐算法的推荐性能，例如通过机 器学习的方式分析用户行为并挖掘用户的兴趣来动态调节算法参数，但这些算法往往需经 过长期的学习时间，导致周期过长且推荐结果准确率不一定高，不能满足用户想迅速得到 符合其兴趣的推荐结果的要求，因此用户对系统的体验度不高，无法帮助电子商务网站有 效地吸引和挽留用户。
【发明内容】
[0006] 有鉴于此，本发明的目的在于提供一种在线系统中用户定制推荐系统的方法，该 方法针对以往推荐系统中推荐算法固定不变，无法构建出符合不同用户需求的个性化推荐 系统的问题，采用用户自主定制个性化推荐引擎的方式，实现了系统可以根据用户不同偏 好自适应配置推荐算法，进行个性化推荐的目的，同时保证了推荐结果具有较好的推荐多 样性和较高的推荐准确度，有效地缩短了系统学习用户行为的周期。
[0007] 为达到上述目的，本发明提供如下技术方案：
[0008] -种在线系统中用户定制推荐系统的方法，包括以下步骤：步骤一：用户在在线 系统中启动推荐引擎配置；步骤二：用户根据自身的需求和偏好，在系统设计的推荐引擎 配置页面中自主设定推荐引擎参数；步骤三：保存所配置的推荐引擎并应用于推荐系统。
[0009] 在步骤一中，根据用户的不同身份，启动推荐引擎设置的方法也不尽相同。具体 为：新用户在注册过程中启动推荐引擎配置；老用户在登录系统后根据自身需求，在需要 重新定制个性化推荐引擎的时候，自主启动推荐引擎配置。
[0010] 在步骤二中，所述推荐引擎配置页面具有以下功能：
[0011] 1)推荐引擎页面提供两类不同的推荐算法（准确性算法和多样性算法），用户可 以依据自己的需求和偏好在配置页面中设置推荐引擎参数，进而确定两类算法的权重以此 来构建个性化混合推荐算法；
[0012] 2)系统还可以给用户提供推荐引擎参数的建议值。系统根据用户的历史行为数 据（新用户采用注册信息），利用相似度公式来计算最能反映用户当前兴趣偏好的推荐引 擎参数建议值，并将该值作为推荐引擎参数的默认选择进行推荐，若用户对系统给予的默 认设置不满意，则可依据自身偏好修改推荐引擎参数，自主定制个性化推荐引擎。
[0013] 在步骤三中，将步骤二中定制好的推荐引擎参数值应用于推荐系统中。首先从推 荐引擎库中选定合适的准确性算法和多样性算法，再者根据用户在推荐引擎配置页面里设 置推荐引擎参数，确定混合算法中准确性算法和多样性算法各自的权重，并依据混合策略 将两类算法加权组合为混合推荐算法，最后通过运行混合推荐算法得到最终的推荐结果。
[0014] 本发明的有益效果在于：
[0015] 1)本发明基于用户的个性化偏好来定制推荐引擎，给予用户自主选择的权利，相 比以往推荐系统中用户无法参与算法选择的缺点，本发明提供了算法的灵活性，真正实现 了为每个用户构建个性化算法的目的。
[0016] 2)本发明提供了一种通过推荐引擎参数配置，用户自主构建个性化推荐系统的方 法。与现有推荐系统通过数据分析学习用户行为来改变算法可调参数的方法不同，本发明 采用用户和推荐系统直接交互的方式来改变推荐引擎参数，有效地缩短了系统学习用户行 为的周期，达到了快速收集高质量的用户反馈，完善推荐质量的目的。
【附图说明】
[0017] 为了使本发明的目的、技术方案和有益效果更加清楚，本发明提供如下附图进行 说明：
[0018]图1为本发明一种在线系统中用户定制推荐系统的方法流程图；
[0019] 图2为本发明应用于无推荐引擎参数建议值的推荐系统执行流程图；
[0020] 图3为本发明应用于有系统提供推荐引擎参数建议值的推荐系统执行流程图；
[0021] 图4为本发明无推荐引擎参数建议值的推荐引擎配置页面示意图；
[0022] 图5为本发明中系统提供推荐引擎参数建议值的推荐引擎配置页面示意图。
【具体实施方式】
[0023] 下面将结合附图，对本发明的优选实施例进行详细的描述。
[0024]图1为本发明一种在线系统中用户定制推荐系统的方法流程图，包括的主要步骤 如下：启动推荐引擎设置、设定推荐引擎参数、保存推荐引擎设置、应用于推荐系统。
[0025] 图2为本发明公开的一种用户定制推荐引擎的方法应用到推荐系统的执行流程 图，包括的主要步骤为：启动推荐引擎配置、显示推荐引擎配置页面、用户自主定制推荐引 擎、系统后台算法选择、个性化推荐引擎的形成。具体而言：
[0026] 步骤2. 1，在线系统启动推荐引擎配置：对新用户而言，在其填写注册信息的同 时，通过点击设置在注册框里的推荐引擎配置按钮来显示推荐引擎配置页面，进而定制个 性化推荐引擎；而对于老用户而言，在登录系统后根据自身的需求来选择启动个性化推荐 引擎的时机，即在需重新定制个性化推荐引擎的时候，才启动推荐引擎配置页面；
[0027]步骤2. 2,在线系统实时地显示在推荐引擎配置页面（参见图4)，其主要包括在线 系统提供给用户的两类不同推荐算法，即准确性推荐算法和多样性推荐算法，以及能够自 由调节两类算法在混合算法中所占比例的滑动条，通过上述设置以便实现用户自主设置推 荐引擎参数的目的；
[0028] 步骤2. 3,用户自主定制推荐引擎参数。在推荐引擎配置页面，用户以拖动滑动条 的方式来设置推荐引擎参数λ，用来确定混合推荐算法中准确性算法和多样性算法所占权 重，其中推荐引擎参数λ是一个可调参数，其取值范围为[0，1]。当滑动条拖动到最左端 时，λ=〇,此时混合算法为标准的准确性算法；当滑动条处于最右端时，λ= 1，此时混合 算法是标准的多样性算法；而当滑动条处于中间某个位置时，对应的λe(〇，1)，此时混合 算法为准确性算法和多样性算法的加权算法，即当滑动条处于中间某个位置λ，即说明混