本發(fā)明屬于計算機應用技術領域，涉及一種基于用戶的協(xié)同過濾推薦算法，具體涉及一種基于位置的易貨電子交易商品推薦方法。

背景技術：
協(xié)同過濾推薦（collaborativefilteringrecommendation）技術誕生于1992年，由Goldberg等研究人員提出并應用于Tapestry系統(tǒng)。作為協(xié)同過濾推薦系統(tǒng)的雛形，該系統(tǒng)展示了一種新的推薦思想，但存在很多技術上的不足。隨后出現(xiàn)了基于評分的自動協(xié)同過濾推薦系統(tǒng)，例如推薦新聞和電影的GroupLens。這種自動化的協(xié)同過濾系統(tǒng)通過計算用戶之間的相似性，而不需要再關注其信息內容便能了解用戶的興趣，同時還能夠發(fā)現(xiàn)其隱藏興趣，因此受到了越來越多研究者的關注，在推薦領域中得到了越來越廣泛的應用。目前的協(xié)同過濾推薦算法主要分為兩類：基于用戶的協(xié)同過濾推薦算法和基于項目的協(xié)同過濾推薦算法。前者是最早出現(xiàn)的協(xié)同過濾算法，也是迄今為止使用最多的協(xié)同過濾算法，它以用戶-項目評分矩陣中的行數(shù)據(jù)（用戶數(shù)據(jù)）計算用戶之間的相似性，而后者以用戶-項目評分矩陣中的列數(shù)據(jù)（項目數(shù)據(jù)）計算項目之間的相似性。兩種協(xié)同過濾算法都是將用戶評分矩陣作為其推薦的數(shù)據(jù)基礎，通過計算相似性，從而得到推薦結果。目前，大多數(shù)協(xié)同過濾的改進算法都是在這兩種協(xié)同過濾算法的基礎上，特別是基于用戶（user-based）的協(xié)同過濾基礎上產生的。在傳統(tǒng)電子商務交易中，為了讓顧客在短時間內找到自己感興趣的商品，需要借助于個性化推薦系統(tǒng)。但是若將已有的推薦算法直接應用到現(xiàn)代易貨交易平臺上，很難取得同樣的推薦效果。因為現(xiàn)代易貨主要是以物易物的交易，為了獲得滿意的推薦效果，需要結合現(xiàn)代易貨的自身特點進行更多的考慮。

技術實現(xiàn)要素：
本發(fā)明的目的是針對現(xiàn)有技術的不足，提供了一種基于位置的易貨電子交易商品推薦方法。本發(fā)明方法的具體步驟是：步驟(1).基于易貨環(huán)境因素的分析首先根據(jù)兩個用戶與目標用戶的地理位置距離遠近，尋找一個與目標用戶的地理位置距離較近的用戶；若兩個用戶與目標用戶的地理位置距離均在目標用戶的考慮范圍內，則根據(jù)用戶提供的待交易商品的價值量匹配程度進行選擇所要交易的用戶；所述的兩個用戶的地理位置可根據(jù)用戶的IP地址進行定位。所述的待交易商品的價值量匹配程度為兩個用戶用來交換的貨物的價值量差別。步驟(2).基于環(huán)境因素的范圍參考2-1.以目標用戶的地理位置為圓心，按不同距離為半徑劃分為不同的同心圓，例如每增加10公里（具體數(shù)值視情況而定）為一個新的范圍，這個范圍的權重比隨著距離的增加而減少。2-2.為每一個范圍創(chuàng)建一個組，這個組里存有這個范圍內所有用戶的數(shù)據(jù)，包括用戶的地理位置，各個用戶提供的待交易商品的價值量。2-3.將每個組里各個用戶提供的待交易商品的價值量與目標用戶的商品進行匹配，該目標用戶商品的商品權值隨著匹配值差別的增大而減小。2-4.將某個組里各個用戶提供的待交易商品的商品權值計算出來，再乘以該目標用戶的權重比，累加后再乘以該組的權重比即得到該組的權值。2-5.比較所有組的權值大小，權值最大的組所代表的范圍即為參考范圍。具體的計算方法可由如下公式表示：i表示第i個組，j表示第i個組內所有與目標用戶相匹配的待交易商品數(shù)量，Ii表示第i個組的權值，wi表示第i個組的權重比，aj表示各個待交易商品所對應用戶的權重比，bj表示各個商品的權各個待交易商品的權值。步驟(3).篩選用戶評價信息在參考范圍內的所有用戶的待交易商品信息與目標用戶的商品信息進行比較，得到相似度最高的用戶；步驟(4).基于參考改進的協(xié)同過濾算法過程4-1.構建用戶—項目評價矩陣假定此時參考范圍內的用戶數(shù)量為M，待交易商品數(shù)量為N。對評價系統(tǒng)中保存的數(shù)據(jù)進行整理，得出M個用戶分別對N個待交易商品的評價信息。此時可以通過一個M*N的矩陣來表示，在矩陣中的元素rij表示的是第i個用戶對第j個待交易商品的喜愛程度。矩陣表示參見附圖3。4-2.計算相似性為了找到目標項的最近鄰項目，必須計算項目之間的相似度。這是基于用戶的協(xié)同過濾推薦算法的關鍵部分，可以通過修正的余弦相似度方法來計算，該方法同時將用戶i與用戶j的評價項目集合考慮在內，可表示如下：Iij表示Ii表示第i個組用戶j的項目權值，ric表示用戶i對項目c的評分，與分別表示用戶i和用戶j對項目的平均評分。4-3.獲得最近鄰居通過修正的余弦相似度方法找出目標用戶的最近鄰居后，可以整理得到目標用戶對項目的評價集，然后將項目進行降序排列，最后得到的位于前列的數(shù)據(jù)就是用戶能夠直觀感受到的推薦系統(tǒng)的最終結果。本發(fā)明的有益效果：本發(fā)明首先尋找一個距離更近的交易對象，將降低商品運輸?shù)某杀?，縮短交易花費的時間；通過確定參考范圍，不需要與整個系統(tǒng)中的所有用戶進行相似度計算，只需在參考范圍與目標用戶進行相似度計算，從而大大降低了工作量，提高了查找推薦效率。本發(fā)明方法具有簡單快速、方便可靠的優(yōu)點。附圖說明圖1為本發(fā)明的系統(tǒng)流程圖；圖2為本發(fā)明中參考范圍的示意圖；圖3為用戶評價的矩陣圖。具體實施方式下面結合附圖對本發(fā)明做進一步的分析。如圖1所示，本發(fā)明方法具體步驟是：步驟(1).基于易貨環(huán)境因素的分析首先根據(jù)兩個用戶與目標用戶的地理位置距離遠近，尋找一個與目標用戶的地理位置距離較近的用戶；若兩個用戶與目標用戶的地理位置距離均在目標用戶的考慮范圍內，則根據(jù)用戶提供的待交易商品的價值量匹配程度進行選擇所要交易的用戶；所述的兩個用戶的地理位置可根據(jù)用戶的IP地址進行定位。所述的待交易商品的價值量匹配程度為兩個用戶用來交換的貨物的價值量差別。步驟(2).基于環(huán)境因素的范圍參考2-1.以目標用戶的地理位置為圓心，按不同距離為半徑劃分為不同的同心圓，例如每增加10公里（具體數(shù)值視情況而定）為一個新的范圍，這個范圍的權重比隨著距離的增加而減少。2-2.為每一個范圍創(chuàng)建一個組，這個組里存有這個范圍內所有用戶的數(shù)據(jù)，包括用戶的地理位置，各個用戶提供的待交易商品的價值量。2-3.將每個組里各個用戶提供的待交易商品的價值量與目標用戶的商品進行匹配，該目標用戶商品的商品權值隨著匹配值差別的增大而減小。2-4.將某個組里各個用戶提供的待交易商品的商品權值計算出來，再乘以該目標用戶的權重比，累加后再乘以該組的權重比即得到該組的權值。2-5.比較所有組的權值大小，權值最大的組所代表的范圍即為參考范圍。具體的計算方法可由如下公式表示：i表示第i個組，j表示第i個組內所有與目標用戶相匹配的待交易商品數(shù)量，Ii表示第i個組的權值，wi表示第i個組的權重比，aj表示各個待交易商品所對應用戶的權重比，bj表示各個商品的權各個待交易商品的權值。如圖2所示，五角星塊表征目標用戶的商品，它周圍根據(jù)距離分布用戶的其他商品，方塊為價值量匹配的商品，三角形為價值量不匹配的商品，以目標用戶為中心，不同距離為半徑，劃分三個同心圓，分別表示不同的范圍第1組、第2組、第3組，從中選出最佳的范圍第2組作為參考范圍。在這個參考范圍內，能夠得到最多的匹配商品，過大或者過小的范圍都不合適。步驟(3).篩選用戶評價信息在參考范圍內的所有用戶的待交易商品信息與目標用戶的商品信息進行比較，得到相似度最高的用戶；步驟(4).基于參考改進的協(xié)同過濾算法過程4-1.構建用戶—項目評價矩陣如圖3所示，假定此時參考范圍內的用戶數(shù)量為M，待交易商品數(shù)量為N。對評價系統(tǒng)中保存的數(shù)據(jù)進行整理，得出M個用戶分別對N個待交易商品的評價信息。此時可以通過一個M*N的矩陣來表示，在矩陣中的元素rij表示的是第i個用戶對第j個待交易商品的喜愛程度。矩陣表示參見附圖3。4-2.計算相似性為了找到目標項的最近鄰項目，必須計算項目之間的相似度。這是基于用戶的協(xié)同過濾推薦算法的關鍵部分，可以通過修正的余弦相似度方法來計算，該方法同時將用戶i與用戶j的評價項目集合考慮在內，可表示如下：Iij表示Ii表示第i個組用戶j的項目權值，ric表示用戶i對項目c的評分，與分別表示用戶i和用戶j對項目的平均評分。4-3.獲得最近鄰居通過修正的余弦相似度方法找出目標用戶的最近鄰居后，可以整理得到目標用戶對項目的評價集，然后將項目進行降序排列，最后得到的位于前列的數(shù)據(jù)就是用戶能夠直觀感受到的推薦系統(tǒng)的最終結果。