1.本发明涉及信息技术领域，具体提供一种特定办事事项推荐方法。
背景技术：
2.当前很多特定app都发布了在线办事功能，但几乎绝大多数办事 app仅提供用户搜索功能，以及当前点击次数最多的办事事项推荐，不能根据当前用户办事事项，智能生成事项推荐列表，使用户所办事项与推荐事项产生相应的关联。
技术实现要素：
3.本发明是针对上述现有技术的不足，提供一种实用性强的特定办事事项推荐方法。
4.本发明解决其技术问题所采用的技术方案是：
5.一种特定办事事项推荐方法，设置一个事项推荐标准，每周计算一次初始推荐度，并随着时间降低事项的热度，用户在办事时，给用户根据当前办事事项以及用户事项初始热度、搜索热度、办事热度、好差评热度、周期内某个时间点的热度、事项热度、事项上下级、事项关联度、事项类别关联度、事项与人的标签的关联度和事项推荐度，计算实时的推荐度，并根据实时推荐度进行排序后，给用户进行展示。
6.进一步的，所述事项初始热度h
i
，事项均有原始热度，配置每个或每一类事项的权重，乘积后使实际的初始热度不同，公式为：
7.h
i
＝w
i
h
o
8.其中：
9.h
i
为初始热度；
10.w
i
为每个事项的热度权重；
11.h
o
为原始热度，是固定值。
12.进一步的，所述搜索热度h
s
与用户通过关键词进行搜索,并展示出该事项的次数相关,搜索并展示出该事项的次数越多,对应的搜索热度越高。对应计算公式为：
13.h
s
＝w
s
×
s
14.其中：
15.h
s
为搜索热度；
16.w
s
为搜索权重；
17.s用户搜索并展示出该事项的次数。
18.进一步的，所述办事热度h
b
与用户成功办理成功事项的次数相关，对应计算公式为：
19.h
b
＝w
b
×
b
20.其中：
21.h
b
为某个事项的办事热度；
22.w
b
为对应该事项的办事权重；
23.b为用户成功办理该事项的次数；
24.所述好差评热度h
e
，实际好差评的评分之和乘以好差评权重w
e
的乘积，对应计算公式为：
[0025][0026]
其中：
[0027]
h
e
为好差评热度；
[0028]
w
e
为好差评权重；
[0029]
i为好差评次数；
[0030]
e
i
为每次好差评的得分。
[0031]
进一步的，周期内某个时间点的热度ht，衰减热度根据牛顿冷却定律的时间衰减函数得来，牛顿冷却定律时间衰减函数为：
[0032][0033]
其中：
[0034]
t
t
为物体在未来某个时间点t的热度；
[0035]
h为周围物体的热度；
[0036]
t
t0
为当前物体的热度，当前时间为t0；
[0037]
e为自然常数；
[0038]
k为热度衰减系数，在实际运用中，可根据实际情况自由取值；
[0039]
未来某个时间点的热度会在一个周期内，随时间的推移而下降，对应公式为：
[0040]
h
t
＝h
i
+(h0‑
h
i
)
×
e
‑
k
×
δt
[0041]
其中：
[0042]
h
t
为未来某个时间点的热度；
[0043]
h
i
为初始热度；
[0044]
h0为当前热度；
[0045]
e为自然常数；
[0046]
k为热度衰减系数；
[0047]
△
t为未来某个时间与当前时间的时间差。
[0048]
进一步的，事项上下级s
m
用于描述事项有直接的前后置关系；
[0049]
事项关联度r
m
用于描述两个事项之间是否存在关系，用公式表示为：
[0050][0051]
r
m
为事项关联度；
[0052]
w
ka
为关键词k在事项a中的权重；
[0053]
w
kb
为关键词k在事项b中的权重。
[0054]
进一步的，事项类别关联度c
m
，每个事项都有自己的分类，定义一个判断函数j，用于描述两个事项的类别是否相同，如果两个事项的类别相同，则判断函数j的值为1，如果两个事项的类别不同，则判断函数j的值为0；事项类别m
c
等于1加上判断函数与0.1之积的和；公式为：
[0055]
c
m
＝1+(j
×
0.1)
[0056]
c
m
为事项类别关联度；
[0057]
j为两个事项的类别是否相同的判断结果。
[0058]
进一步的，事项与人的标签的关联度r
mp
，事项有个人事项与集体事项两种标签，人也有个人与集体两种标签。事项与人的标签关联度通过数学方式描述当前登录的用户偏向于个人或集体的哪种标签，为该用户用所办理的标签为个人或集体的事项总数与1之和，除以该用户办理的所有事项总数与1之和的商(使r
mp
≠0)；公式表示为：
[0059][0060]
其中：
[0061]
r
mp
为事项与人的标签关联度；
[0062]
s
mp
为某个用户所办理个人或集体事项的数量；
[0063]
s
a
为用户办理过的所有事项的数量。
[0064]
进一步的，事项推荐度cl为根据用户当前查看或者办理的事项，为用户推荐相关联的事项的依据；
[0065]
事项推荐度cl等于事项所属与人的标签的关联度与事项关联度与事项热度三项的乘积，乘以1与事项上下级函数之和，再乘以事项类别关联度函数的值；
[0066]
公式为：
[0067]
cl＝(r
mp
×
r
m
×
h
m
)
×
(1+s
m
)
×
c
m
[0068]
cl为事项推荐度；
[0069]
r
mp
为事项与人的标签的关联度；
[0070]
r
m
为事项关联度；
[0071]
h
m
为事项热度；
[0072]
s
m
为事项上下级判断结果；
[0073]
c
m
为事项类别关联度。
[0074]
本发明的一种特定办事事项推荐方法和现有技术相比，具有以下突出的有益效果：
[0075]
通过本发明的应用，可以使用户在办理事项时，给用户以适当的事项推荐，使用户能够更加精准快速的找到想要办理的事项，或者提前了解与当前所办理事项相关联的事项的办事指南，提前准备材料，为下次提高办事效率做准备。
具体实施方式
[0076]
为了使本技术领域的人员更好的理解本发明的方案，下面结合具体的实施方式对本发明作进一步的详细说明。显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例都属于本发明保护的范围。
[0077]
下面给出一个最佳实施例：
[0078]
本实施例中的一种特定办事事项推荐方法，设置一个事项推荐标准，每周计算一次初始推荐度，并随着时间降低事项的热度，用户在办事时，给用户根据当前办事事项以及用户事项初始热度、搜索热度、办事热度、好差评热度、周期内某个时间点的热度、事项热度、事项上下级、事项关联度、事项类别关联度、事项与人的标签的关联度和事项推荐度，计算实时的推荐度，并根据实时推荐度进行排序后，给用户进行展示。
[0079]
事项初始热度h
i
：
[0080]
事项均有原始热度，配置每个或每一类事项的权重，乘积后使实际的初始热度不同，公式为：
[0081]
h
i
＝w
i
h
o
[0082]
其中：
[0083]
h
i
为初始热度；
[0084]
w
i
为每个事项的热度权重；
[0085]
h
o
为原始热度，是固定值。
[0086]
搜索热度h
s
：
[0087]
搜索热度与用户通过关键词进行搜索，并展示出该事项的次数相关，搜索并展示出该事项的次数越多，对应的搜索热度值越高。对应计算公式为：
[0088]
h
s
＝w
s
×
s
[0089]
其中：
[0090]
h
s
为搜索热度；
[0091]
w
s
为搜索权重；
[0092]
s用户搜索并展示出该事项的次数。
[0093]
办事热度h
b
：
[0094]
办事热度与用户成功办理成功对应事项的次数相关，成功办理成功对应事项的次数越多，那么该事项的办事热度即越高。对应计算公式为：
[0095]
h
b
＝w
b
×
b
[0096]
其中：
[0097]
h
b
为某个事项的办事热度；
[0098]
w
b
为对应该事项的办事权重；
[0099]
b为用户成功办理该事项的次数；
[0100]
好差评热度h
e
：
[0101]
好差评热度h
e
，实际好差评的评分之和乘以好差评权重w
e
的乘积，对应计算公式为：
[0102][0103]
其中：
[0104]
h
e
为好差评热度；
[0105]
w
e
为好差评权重；
[0106]
i为好差评次数；
[0107]
e
i
为每次好差评的得分。
[0108]
一个周期内某时间点的热度h
t
：
[0109]
衰减热度是随着时间的推移，办事事项的热度会逐步降低，最低不低于初始热度。衰减热度根据牛顿冷却定律的时间衰减函数得来。牛顿冷却定律的时间衰减函数：
[0110][0111]
其中：
[0112]
t
t
为物体在未来某个时间点t的热度；
[0113]
h为周围物体的热度；
[0114]
t
t0
为当前物体的热度，当前时间为t0；
[0115]
e为自然常数；
[0116]
k为热度衰减系数，在实际运用中，可根据实际情况自由取值。
[0117]
未来某个时间点的热度会在一个周期内，随着时间的推移而逐渐下降，对应公式为：
[0118]
h
t
＝h
i
+(h0‑
h
i
)
×
e
‑
k
×
δt
[0119]
其中：
[0120]
h
t
为未来某个时间点的热度；
[0121]
h
i
为初始热度；
[0122]
h0为当前热度；
[0123]
e为自然常数
[0124]
k为热度衰减系数
[0125]
△
t为未来某个时间与当前时间的时间差
[0126]
在本系统中，热度衰减系数k定义为0.2，为了使热度不至于快速衰减，时间差以天为单位。
[0127]
事项热度h
m
：
[0128]
事项热度与以上初始热度、搜索热度、办事热度、好差评热度以及衰减热度相关，用数学公式表示当前热度为：
[0129]
h
m
＝h
i
+(h
t
+h
i
+h
s
+h
b
+h
e
)
×
e
‑
kδt
[0130]
其中：
[0131]
h
m
为事项热度；
[0132]
h
i
为事项初始热度；
[0133]
h
t
为事项在某个时间点的热度；
[0134]
h
s
为搜索热度；
[0135]
h
b
为办事热度；
[0136]
h
e
为好差评热度。
[0137]
在本系统中，衰减周期定义为一周，即0≤
△
t≤7，一个衰减周期完成后，马上开始新的衰减周期。
[0138]
事项上下级s
m
：
[0139]
事项上下级用于描述事项a与事项b有直接的前后置关系，比如，要办理事项b，必须先办理事项a，此时，事项b是事项a的下级事项，事项a是事项b的上级事项。当两个事项属于上下级事项时，对应的事项上下级等于1，当不属于上下级事项时，对应事项的上下级等于0。
[0140]
事项关联度r
m
：
[0141]
事项关联度用于描述两个事项之间是否存在关系，用数学方式将关系是否紧密表示出来。通过语义拆分，可以将一个事项拆分为若干关键词，将事项a与事项b拆分出来相同关键词的权重两两求积，之后再求和，得出两个事项的关联度。用公式表示为：
[0142][0143]
其中：
[0144]
r
m
为事项关联度；
[0145]
w
ka
为关键词k在事项a中的权重；
[0146]
w
kb
为关键词k在事项b中的权重。
[0147]
事项类别关联度c
m
：
[0148]
每个事项都有自己的分类，定义一个判断函数j，用于描述两个事项的类别是否相同。如果两个事项的类别相同，则判断函数j的值为1，如果两个事项的类别不同，则判断函数j的值为0。事项类别关联度m
c
等于1加上判断函数与0.1之积的和(后续公式中，c
m
作为一个因数，这里的j乘以0.1是为了尽可能降低该因数对整体推荐度的影响，使其他事项有机会展现。公式中加上1，是为了防止当两个事项不关联时，导致c
m
等于0)。用数学公式表示为：
[0149]
c
m
＝1+(j
×
0.1)
[0150]
其中：
[0151]
c
m
为事项类别关联度；
[0152]
j为两个事项的类别是否相同的判断结果。
[0153]
事项与人的标签的关联度r
mp
：
[0154]
事项有个人事项与集体事项两种标签，人也有个人与集体两种标签。事项与人的标签关联度通过数学方式描述当前登录的用户偏向于个人或集体的哪种标签，为该用户用所办理的标签为个人或集体的事项总数与1之和，除以该用户办理的所有事项总数与1之和的商(使 r
mp
≠0)。公式表示为：
[0155][0156]
其中：
[0157]
r
mp
为事项与人的标签关联度；
[0158]
s
mp
为某个用户所办理个人或集体事项的数量；
[0159]
s
a
为用户办理过的所有事项的数量。
[0160]
事项推荐度cl：
[0161]
事项推荐度是根据用户当前查看或者办理的事项，为用户推荐相关联的事项的依据。
[0162]
事项推荐度等于事项所属与人的标签的关联度与事项关联度与事项热度三项的乘积，乘以1与事项上下级函数之和，再乘以事项类别函数的值。公式为：
[0163]
cl＝(r
mp
×
r
m
×
h
m
)
×
(1+s
m
)
×
c
m
[0164]
其中：
[0165]
cl为事项推荐度；
[0166]
r
mp
为事项与人的标签的关联度；
[0167]
r
m
为事项关联度；
[0168]
h
m
为事项热度；
[0169]
s
m
为事项上下级判断结果；
[0170]
c
m
为事项类别关联度。
[0171]
上述具体的实施方式仅是本发明具体的个案，本发明的专利保护范围包括但不限于上述具体的实施方式，任何符合本发明的一种特定办事事项推荐方法权利要求书的且任何所述技术领域普通技术人员对其做出的适当变化或者替换，皆应落入本发明的专利保护范围。
[0172]
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。