本發(fā)明涉及信息
技術領域：
，具體涉及一種面向化妝品的多角度混合推薦方法。
背景技術：
：隨著互聯(lián)網(wǎng)技術的發(fā)展，人們正處于一個信息爆炸的時代，面對現(xiàn)階段海量的信息數(shù)據(jù)，需要一定的規(guī)則為用戶篩選、過濾海量數(shù)據(jù)并將用戶最感興趣的信息呈現(xiàn)在用戶面前，節(jié)省了用戶篩選信息的時間，同時增加了用戶體驗。搜索引擎的出現(xiàn)在一定程度上解決了信息篩選的問題，但是無法為用戶主動提供信息，在此背景下，推薦系統(tǒng)的任務就是解決上述問題，將用戶和信息主動聯(lián)系在一起，幫助用戶發(fā)現(xiàn)對自己有價值的信息的同時，讓信息能夠主動展現(xiàn)在對其感興趣的人群中。在化妝品行業(yè)中，化妝品的種類和效果紛繁復雜，用戶可能對于自己適用的產(chǎn)品以及時下流行的化妝潮流不甚了解，因此利用推薦系統(tǒng)可以為用戶免去這種不必要的困擾。當前對推薦系統(tǒng)的研究和實現(xiàn)更多地出現(xiàn)在電商平臺中，然而此類推薦系統(tǒng)并非專門針對化妝品，更多是基于用戶的搜索、購買等歷史行為記錄做出相應的推薦，不具備個性化特點，也沒有較好的結合化妝品領域的特征。比如，對于廣大女性朋友來說，化妝品是日常生活必不可少的一部分，然而很多人即使經(jīng)常使用化妝品也并不懂得如何辨別一款化妝品是否適合自己的皮膚，同時不清楚自己的選擇是否符合時下的潮流趨勢。技術實現(xiàn)要素：為了克服目前推薦系統(tǒng)無法針對化妝品特性、用戶皮膚屬性、化妝品熱度以及用戶所處的環(huán)境特征等要素進行個性化推薦的的不足，本發(fā)明提供了一種面向化妝品的多角度混合推薦方法，具體地說，是一種對化妝品使用者多維信息建模，將多種推薦算法混合，利用用戶對化妝品的評分、化妝品標簽、用戶皮膚屬性以及皮膚屬性與化妝品標簽之間的映射關系，來實現(xiàn)結合用戶喜好、用戶皮膚特性和時下流行產(chǎn)品為用戶個性化推薦化妝品為目的的系統(tǒng)，以提高用戶在化妝品選擇上的用戶體驗。本發(fā)明解決其技術問題所采用的技術方案是：一種面向化妝品的多角度混合推薦方法，所述推薦方法包括以下步驟：1)收集用戶數(shù)據(jù)，包括用戶的ip地址并由此推導出用戶的地理位置，當前季節(jié)，用戶對化妝品的評分信息；2)根據(jù)用戶數(shù)據(jù)，建立用戶的皮膚屬性模型；3)對需要進行相似度計算的矩陣進行奇異值分解的預處理；4)從用戶-評分矩陣中獲取用戶未評分化妝品的集合s；5)結合用戶對已評分化妝品的評分結果及其他用戶的評分，所有化妝品本身具有的標簽信息，用戶本身的皮膚屬性，以及皮膚屬性對應化妝品標簽的映射關系，分別利用基于化妝品相似度的協(xié)同過濾推薦算法，基于化妝品內容的推薦算法和基于用戶皮膚屬性特征的推薦算法獲得用戶對未評分化妝品的估價值v1、v2和v3，對應權重分別為w1、w2和w3，以及化妝品熱度作為化妝品的估價值v4，對應權重為w4，最終通過加權和作為化妝品最終的估價值6)對未評分化妝品集合s中的化妝品按照估價值從高到低排序作為推薦結果，將推薦結果依次呈現(xiàn)給用戶。進一步，所述步驟2)中，所述皮膚屬性模型中，用戶-皮膚屬性矩陣u中的每個行向量表示一個用戶，向量的每個分量為對應s1,s2,s3,.....,sn用戶皮膚屬性的分值，滿分為100分，分數(shù)越高，表示該用戶與這個皮膚屬性越契合，具體屬性包括：干性、油性、中性、敏感性混合性、毛孔粗大、痘痘、膚色暗沉、膚色不均、膚色黝黑、色斑、皺紋松弛、黑眼圈/眼袋/脂肪粒/眼紋、紅血絲、黑頭粉刺和粗糙緊繃。再進一步，所述步驟2)中，建立皮膚屬性模型的過程如下：2.1)初始化先設立注冊問卷，通過用戶在注冊時填寫的結果將所有用戶做第一次區(qū)分；找到相互之間具有相似特征的用戶，根據(jù)這些用戶所選擇的內容建立用戶關注模型；設置問卷值對應屬性值的映射表，映射表將一個用戶的問卷的結果轉換為該用戶的模型屬性數(shù)據(jù)；由下列公式可根據(jù)用戶填寫的問卷，來計算出某一個用戶的初始模型屬性數(shù)據(jù)：其中，ua表示某用戶a對應的用戶-皮膚屬性矩陣u中的行向量；i為問卷題號；n為問卷題數(shù)；xi表示用戶在第i個問題對應的分值向量；采用化妝品標簽對應用戶皮膚屬性表的映射表，記錄每一個化妝品的某一個屬性對應于用戶的皮膚屬性的影響值；化妝品標簽對應用戶模型屬性數(shù)值表的部分數(shù)據(jù)，表示為矩陣q，即標簽-用戶模型屬性矩陣，每個行向量表示一個標簽所對應的各個用戶模型屬性值；物品標簽對應的是每一個化妝品擁有的標簽，同一種類化妝品會有多個標簽，不同種類化妝品可能會有同一個標簽，但是對皮膚屬性矩陣影響不相同，每一個化妝品都會有一個屬性和一個或者多個標簽，分數(shù)矩陣即為化妝品標簽對應所有皮膚屬性的影響，某款化妝品r的標簽-用戶模型屬性矩陣qr為標簽-用戶模型屬性矩陣q的子矩陣；2.2)用戶行為調整用戶收藏、展示或評價某件化妝品時，會對用戶的各項用戶行為進行分析，從而對用戶模型的數(shù)據(jù)進行微調。所述步驟2.2)中，用戶行為調整的過程如下：2.2.1用戶收藏某一化妝品當用戶對于某一個化妝品表現(xiàn)出興趣之后，會進行收藏，系統(tǒng)根據(jù)收藏的化妝品對用戶模型數(shù)據(jù)進行調整，具體步驟為：2.2.1.1先對qr進行計算，得到均值向量其中k為該化妝品所擁有的標簽數(shù),qr(i,:)為該化妝品第i個標簽對所有皮膚屬性的影響值向量；2.2.1.2對與ua進行結合，得到新的皮膚屬性值向量：其中，為該化妝品r對第i個皮膚屬性的影響值，ua(i)為用戶a的第i個皮膚屬性原始值,比例系數(shù)l＝1；2.2.1.3對ua′進行調整，使用戶的屬性矩陣值的總和不變，調整后的結果為ua″：其中λ為用戶a的皮膚屬性值向量ua各分量的總和，ε為的向量各分量值的總和，ua′(i)是ua′中第i個分量，ua″(i)是ua″中第i個分量；2.2.2用戶展示了某一個化妝品用戶將某一個化妝品展示在個人主頁之中，根據(jù)展示的化妝品對用戶模型數(shù)據(jù)進行調整，調整過程與2.1.1，比例系數(shù)為l＝2；2.2.3用戶a對化妝品進行評分用戶對使用過的產(chǎn)品進行一個評分，評分采用的是5分制；根據(jù)用戶對于化妝品的評分對用戶模型數(shù)據(jù)進行調整；調整過程與步驟2.1.1，比例系數(shù)為l＝v-3，其中v為用戶對于化妝品r的評分；2.2.4定位氣候調整每一個用戶登錄時會檢查ip，給用戶進行定位，若與歷史定位不同，則提示用戶是否更換定位，然后根據(jù)定位和當前季節(jié)來進行調整；每個季節(jié)的每個地區(qū)對應用戶皮膚屬性s的分值表現(xiàn)值矩陣r中，r中的某個行向量表示某季節(jié)的某地區(qū)中各個皮膚屬性的分值；調整過程為：2.2.4.1將rt與ua進行結合，得到新的皮膚屬性值向量ua′：其中，rt(i)為該季節(jié)時該地區(qū)下第個皮膚屬性的分值，ua(i)為用戶a的第個皮膚屬性原始值；2.2.4.2對ua進行調整，使用戶的屬性矩陣值的總和不變，調整后的結果為u″a：其中λ為用戶a的皮膚屬性值向量ua各分量的總和，ε為向量rt各分量值的總和，u′a(i)是u′a中第i個分量，u″a(i)是u″a中第i個分量。所述步驟3)中，奇異值分解過程如下：3.1)計算矩陣總能量e：e＝∑iw(i，i)23.2)初始化r＝1；3.3)計算前r累計能量e′：3.4)判斷e′和e之間是否滿足e′≥0.9e，若不滿足，則r＝r+1，跳轉到步驟3.3)；否則退出并返回r的值。所述步驟5)中，結合用戶對已評分化妝品的評分結果及其他用戶的評分，利用基于化妝品相似度的協(xié)同過濾推薦算法獲得用戶對未評分化妝品的估價值v1，對應權重為w1；結合用戶對已評分化妝品的評分結果及其他用戶的評分，以及所有化妝品本身具有的標簽信息，利用基于化妝品內容的推薦算法獲得用戶對未評分化妝品的估價值v2，對應權重為w2；結合用戶對已評分化妝品的評分結果及其他用戶的評分，所有化妝品本身具有的標簽信息，用戶本身的皮膚屬性，以及皮膚屬性對應化妝品標簽的映射關系，利用基于用戶皮膚屬性特征的推薦算法獲得用戶對未評分化妝品的估價值v3，對應權重為w3；利用k-means算法獲得的化妝品熱度作為化妝品的估價值v4，對應權重為w4，最終通過加權和作為化妝品最終的估價值本發(fā)明的有益效果主要表現(xiàn)在：個性化推薦，提高用戶在化妝品選擇上的用戶體驗。附圖說明圖1是用戶-皮膚屬性實例。圖2是用戶-評分矩陣。圖3是物品-標簽矩陣。圖4是用戶-皮膚屬性矩陣。圖5是皮膚屬性-標簽映射矩陣。圖6是系統(tǒng)流程圖。圖7是系統(tǒng)組成圖。具體實施方式下面結合附圖對本發(fā)明作進一步描述。參照圖1～圖7，一種面向化妝品的多角度混合推薦方法，包括以下步驟：1)收集用戶數(shù)據(jù)，包括用戶的ip地址并由此推導出用戶的地理位置，當前季節(jié)，用戶對化妝品的評分信息；2)根據(jù)用戶數(shù)據(jù)，建立用戶的皮膚屬性模型；例如，圖1所示矩陣為本發(fā)明用戶模型數(shù)據(jù)一個簡易的示范，其中a、b為具體用戶；ua,ub矩陣分別是a、b用戶的在用戶矩陣u下的皮膚屬性值向量；s1,s2,s3,.....,sn等為用戶的皮膚特性，具體屬性包括：干性(干燥)、油性(油膩)、中性、敏感性(敏感脆弱)、混合性、毛孔粗大、痘痘(痘印)、膚色暗沉、膚色不均、膚色黝黑、色斑、皺紋松弛、黑眼圈/眼袋/脂肪粒/眼紋、紅血絲、黑頭粉刺、粗糙緊繃等。圖1矩陣中的數(shù)值表示該用戶對應具體皮膚屬性的得分，滿分為100分，分數(shù)越高，表示該用戶與這個皮膚屬性越契合。例如圖1所示的陣中，用戶a對應皮膚屬性s1得分為20分，可以理解成該用戶與屬性s1不是很契合，而對應皮膚屬性s7為80分，意味著，用戶a對于s7非常符合，從而導致了系統(tǒng)推薦與s7相關的化妝品會遠優(yōu)于推薦與s1相關的化妝品。2.1模型初始化在本發(fā)明中進行用戶數(shù)據(jù)初始化的方法就是先設立注冊問卷，通過用戶在注冊時填寫的結果將所有用戶做第一次區(qū)分，所以采集到的數(shù)據(jù)與目標用戶相關性更強，利用這樣采集到的用戶行為數(shù)據(jù)計算用戶間相似度更加準確。通過上述方法可以找到很多相互之間具有相似特征的用戶，根據(jù)這些用戶所選擇的內容可以建立用戶關注模型。假設下表是系統(tǒng)模擬的一個用戶集群，在這個集群里有a,b,c,d,e幾個用戶，用戶間選項如下表：abcde問題1acaac問題2bdcbd問題3acdac………………上表為該集群中所有用戶注冊時填寫的問卷表。其中:a對于三個問題的答案分別為a，b，a；b對于三個問題的答案分別為c,d,c,以此類推。本發(fā)明設置了一張問卷值對應屬性值的映射表，這張表可以將一個用戶的問卷的結果轉換為該用戶的模型屬性數(shù)據(jù)。例如，下表截選了問卷選項對應用戶模型屬性數(shù)值表的部分數(shù)據(jù)。其中，問卷選項對應的是用戶填寫的結果，1a即用戶問卷第一題答案選擇了a。a、b、c、d等為用戶的皮膚特性；后面的分數(shù)矩陣即為a選項對應所有皮膚屬性的影響。由下列公式可根據(jù)用戶填寫的問卷，來計算出每一個用戶的初始模型屬性數(shù)據(jù)：其中，ua表示用戶的模型矩陣；i為問卷題號；n為問卷題數(shù)，在本系統(tǒng)中，n＝4，即為4道題目；xi表示用戶在第i個問題對應增加的矩陣，例如對應上表，當i＝1，選項為a的時候，xi＝(25,25,75,0,25,0,0)。2.2模型數(shù)據(jù)調整由于通過問卷得到的初始用戶模型屬性矩陣不夠精確，只能夠作為一個用戶模型的基礎，所以為了使得用戶的數(shù)據(jù)模型更加精確，提高推薦算法的準確性，系統(tǒng)會根據(jù)一些依據(jù)對用戶模型的數(shù)據(jù)進行微調。在本發(fā)明中，有一張化妝品標簽對應用戶皮膚屬性表的映射表，作用是記錄了每一個化妝品的某一個屬性對應于用戶的皮膚屬性的影響值。其中，化妝品標簽對應的是每一個化妝品對應的標簽，同一種類化妝品會有多個標簽，不同種類化妝品可能會有同一個標簽，但是對皮膚屬性矩陣影響不相同，每一個化妝品都會有一個屬性和一個或者多個標簽；s1,s2,s3等為用戶的皮膚特性；分數(shù)矩陣即為化妝品標簽對應所有皮膚屬性的影響。例如，口紅r同時含有口紅—滋潤、口紅—裝扮這兩個標簽，則系統(tǒng)對應口紅r的屬性矩陣qr為：2.2.1用戶行為調整在用戶訪問系統(tǒng)的時候，會產(chǎn)生大量數(shù)據(jù)流，系統(tǒng)會對用戶的各項用戶行為進行分析，從而對用戶模型的數(shù)據(jù)進行微調。用戶收藏某一化妝品，獲取該化妝品的均值向量：其中k為口紅所擁有的標簽數(shù)，此口紅r對應的k＝2；qr(i,:)為該口紅r第i個標簽對所有皮膚屬性的影響值向量。對與ua進行結合，得到新的皮膚屬性值向量ua′：其中，為該口紅r對第i個皮膚屬性的影響值，ua(i)為用戶a的第i個皮膚屬性原始值,l為比例系數(shù)。對ua′進行調整，使用戶的屬性矩陣值的總和不變，調整后的結果為ua″：其中λ為用戶a的皮膚屬性值向量ua各分量的總和，ε為向量各分量值的總和，ua′(i)是ua′中第i個分量，ua″(i)是ua″中第i個分量。用戶a展示了某一個化妝品用戶可以將某一個化妝品展示在個人主頁之中，供其他用戶參考，系統(tǒng)根據(jù)展示的化妝品對用戶模型數(shù)據(jù)進行調整。調整算法僅需將收藏化妝品調整算法中的比例系數(shù)l設為2。用戶a對化妝品進行評分用戶如果將一個產(chǎn)品加入收藏之后，系統(tǒng)會在一段時間后自動詢問用戶是否有使用此產(chǎn)品，若是則會要求用戶對產(chǎn)品進行一個評分，評分采用的是5分制。系統(tǒng)根據(jù)用戶對于化妝品的評分對用戶模型數(shù)據(jù)進行調整，此時的調整算法僅需將比例系數(shù)l設為v-3，其中v為用戶對于化妝品r的具體評分。2.2.2定位氣候調整本發(fā)明還對于用戶進行定位分析，結合當前時間以及該地區(qū)長期的氣候情況進行分析，例如內蒙地區(qū)干燥、海。南地區(qū)日曬程度強等，此數(shù)據(jù)每隔一段時間進行更新。用戶登錄時會檢查ip，給用戶進行定位，若與歷史定位不同，則提示用戶是否更換定位，然后根據(jù)定位和當前季節(jié)來進行調整。每個季節(jié)的每個地區(qū)對應用戶皮膚屬性s的分值表現(xiàn)值矩陣r中，r中的某個行向量表示某季節(jié)的某地區(qū)中各個皮膚屬性的分值。與用戶行為調整類似，調整步驟為：1)將rt與ua進行結合，得到新的皮膚屬性值向量u′a：其中，rt(i)為該季節(jié)時該地區(qū)下第i個皮膚屬性的分值，ua(i)為用戶a的第i個皮膚屬性原始值。2)對ua進行調整，使用戶的屬性矩陣值的總和不變，調整后的結果為u″a：其中λ為用戶a的皮膚屬性值向量ua各分量的總和，ε為向量rt各分量值的總和，u′a(i)是u′a中第i個分量，u″a(i)是u″a中第i個分量。步驟3、在實際應用過程中，絕大多數(shù)的有用信息集中在小部分的數(shù)據(jù)中，其余的信息以噪聲和無關量的形式出現(xiàn)，通過矩陣的分解可以使數(shù)據(jù)簡化，同時去除和算法關注的信息本身有害或者無關的噪聲。常見的矩陣分解技術就是svd，對于某個原始數(shù)據(jù)矩陣data，利用svd可以分解成為三個矩陣u、w和v。原始矩陣data為m×n大小時，u為m×m大小，w為m×n大小，v為n×n大小，滿足：其中，w只有對角元素，其他元素均為0，這些對角元素稱為奇異值，這些對角元素按照從大到小排列。在工程中可以觀察到，在某個奇異值數(shù)量(r個)之后，剩余的奇異值都為0(或是數(shù)量級很小的數(shù)值)，意味著數(shù)據(jù)集中僅有r個重要特征，剩余特征都是噪聲或冗余特征，所以本發(fā)明對data進行一個近似計算：只保留u的前m行n列，w的前r行r列以及v的前r行n列。需要保留的奇異值數(shù)量的確定方法，可以是保證其能夠保留矩陣中90％的能量信息，其中，矩陣總能量e可以通過求所有奇異值的平方和獲得，然后通過各種啟發(fā)式方法確定需要保留的奇異值數(shù)量，一種策略是不斷按照從大到小的次序對奇異值平方進行累加直到達到總值的90％，另一種策略是先估計可能需要的數(shù)量，然后在這基礎上進行調整。在本發(fā)明中，利用第一種策略來獲取需要保留的奇異值數(shù)量r，步驟為：3.1)計算矩陣總能量e：e＝∑iw(i，i)23.2)初始化r＝13.3)計算前r累計能量e′:3.4)判斷e′和e之間是否滿足e′≥0.9e，若不滿足，則r＝r+1，跳轉到步驟3)；否則退出并返回r的值。步驟4、基于化妝品相似度的協(xié)同過濾算法通過將用戶和其他用戶的對化妝品的評價數(shù)據(jù)進行對比來實現(xiàn)推薦的，評分數(shù)據(jù)的形式如圖1所示的矩陣形式給出。用戶對化妝品的評分在1-5范圍內，0表示用戶未對化妝品進行評分。由此可以計算和比較兩個化妝品之間的相似度。相似度是用來衡量兩個化妝品的相似程度，在算法中需要對其進行定量，本發(fā)明中規(guī)定：0表示相似度最小，1表示相似度最大，相似度值應該介于0到1之間。本發(fā)明中利用用戶對化妝品的評分情況來計算相似度，也就是說，在基于化妝品的協(xié)同過濾算法中，并不在意化妝品的屬性，其效果是共享相似用戶之間的數(shù)據(jù)。對某用戶來說，基于化妝品的協(xié)同過濾算法步驟為：1)通過用戶-評分矩陣，獲取所有該用戶未評分的化妝品集合items＝{ii}；2)對用戶-評分矩陣進行奇異值分解：并利用公式：將化妝品評分信息轉換到低維空間中；3)每個在集合items中的化妝品ii，獲得除了ii本身以外所有items中的化妝品ij，(j≠i)以及該用戶對ij的評分vj，利用轉換后的化妝品評分信息數(shù)據(jù)計算ii和ij之間的相似度最終獲得用戶對ii的推薦估價值:這個估價值的取值范圍為[0，5]，需要對其進行歸一化處理v/5，保證估價值在[0，1]范圍內。計算相似度的方法使用皮爾遜相關系數(shù)(pearsoncorrelation)，相對于歐氏距離來說，它的優(yōu)勢是弱化不同用戶由于評分心理不同導致的對化妝品評分量級不同的影響，比如a用戶對所有的化妝品評分為3，而b用戶對所有化妝品的評分為4，皮爾遜相關系數(shù)就認為這兩個向量是相等的，計算兩個變量x和y的皮爾遜相關系數(shù)的方法為：其中cov函數(shù)計算兩個變量之間的協(xié)方差，σx計算x的標準差，在利用向量a和向量b的計算過程中，得到的是協(xié)方差矩陣c，相關性系數(shù)為：而得到的值在[-1,1]范圍，-1表示最大負相關，1表示最大正相關，同樣需要進行歸一化處理：similarity＝0.5corrcoef+0.5步驟5、基于化妝品內容的推薦算法是根據(jù)用戶過去喜歡過的化妝品，為用戶推薦和其過去喜歡的化妝品相似的的化妝品。算法的步驟大致為：1)為每個化妝品構建化妝品屬性資料(itemprofile)；2)為每個用戶構建用戶喜好資料(userprofile)；3)計算用戶喜好資料與化妝品屬性資料的相似度；在這里，除了之前用到的圖1所示的矩陣之外，還需要一個用來反映每個化妝品標簽的矩陣，用來表示化妝品屬性。在化妝品-標簽矩陣中，0表示該化妝品不存在該標簽，1表示化妝品存在該標簽。每個化妝品的itemprofile可以直接通過圖2所示的物品-標簽矩陣得到，也就是物品-標簽矩陣中對應該化妝品的行向量，而用戶的userprofile則需要圖1的用戶-評分矩陣和圖3的化妝品-標簽矩陣結合計算。對某個用戶u來說，令其userprofile表示為向量p，向量p的每個分量pi對應用戶u對標簽i的喜愛程度，利用了用戶u對所有已評分化妝品的評分平均值avg、所有在化妝品-標簽矩陣中包含標簽i且在用戶-評分矩陣中已評分的化妝品集合h所包含的元素個數(shù)為m，由此得到itemprofile和userprofile之間相似度的計算同樣使用皮爾遜相關性系數(shù)，并且歸一化到[0,1]的范圍作為化妝品的估價值。步驟6、基于用戶皮膚屬性特征的推薦算法除了圖2和圖3所示的矩陣數(shù)據(jù)之外，還需要圖4所示的用戶-皮膚屬性矩陣，以及圖5所示的皮膚屬性-標簽的映射矩陣。用戶-皮膚屬性矩陣和皮膚屬性-標簽映射矩陣中的權重取值范圍都為0到1，且行向量的所有分量和為1?；谟脩羝つw屬性特征的推薦算法根據(jù)用戶目前已知的皮膚屬性，以及通過數(shù)據(jù)挖掘和分析得到的皮膚屬性特征與使用的化妝品標簽映射關系，推導出適合用戶皮膚特征的化妝品，并且在用戶使用過程中，根據(jù)歷史行為，逐步調整相應的皮膚屬性值，適應用戶的皮膚特征隨時間而產(chǎn)生的變化?；谟脩羝つw屬性特征的推薦算法步驟為：1)獲取用戶皮膚屬性；2)初始化一個新的標簽向量z，其維度數(shù)與標簽數(shù)相等且每個維度上的分量值為0；3)對每個皮膚屬性向量x，將其每個分量通過皮膚屬性-標簽矩陣映射得到對應標簽的權重4)在分量zj加上其中n為zj的維度數(shù)；5)重復步驟3和步驟4，直到x的所有分量都已計算完畢；6)得到的向量z為將z的各個分量作為對應的化妝品的估價值。步驟7、利用k-means算法獲取每個化妝品的熱度，算法步驟如下：1)確定需要的最熱化妝品數(shù)k，獲取一定時間段t內所有評分大于3的化妝品集合m；2)以化妝品標簽作為維度，按照是否包含標簽作為劃分依據(jù)；3)隨機初始化k個種子點；4)對m中所有化妝品，以其標簽信息為坐標，計算到這k個種子點的距離，最近的那個種子點所在的點群作為其所在的點群；5)然后將種子點移動到其所在“點群”的中心，也就是“點群”中所有點坐標的平均值；6)重復步驟4)和步驟5)直到種子點沒有移動；7)計算化妝品i與這k個種子點的距離，獲取其中的最小值d；8)利用1/(1+d)作為化妝品i的熱度估價值。點之間距離的計算利用曼哈頓距離(manhattandistance):dist(x,y)＝∑|xi-yi|k的確定可以根據(jù)經(jīng)驗獲得。步驟8、在以上算法的基礎上，本實施例對其進行組合，混合的依據(jù)是對每個算法的結果，也就是每個化妝品的估價值，進行加權融合，這個權重可以是對所有用戶都統(tǒng)一的，也可以是每個用戶單獨擁有自己的權重，在本發(fā)明中，使用的固定的權重值。以上的三個推算算法和化妝品熱度的估價值可以表示為化妝品估價值向量vi，其中每種算法對每個化妝品的估價值的取值范圍都為[0，1]，每種算法擁有單獨的權重wi且滿足利用基于化妝品相似度的協(xié)同過濾算法、基于化妝品內容的推薦算法、基于用戶皮膚屬性特征的推薦算法三種推薦算法和化妝品熱度算法，將以上每種算法的估價值向量融合而成作為最終的估價值向量向用戶推薦時，按照估價值向量的分量值按照從大到小排序后將對應的化妝品依次呈現(xiàn)給用戶。這些權重可以通過市場調研人工設置和調整。參照圖6和圖7，一種面向化妝品的多角度混合推薦系統(tǒng)，包括：用戶數(shù)據(jù)建模子系統(tǒng)，用于對用戶數(shù)據(jù)進行建模；推薦算法子系統(tǒng)，用于計算用戶的推薦結果；app子系統(tǒng)，用于采集用戶的位置信息、歷史行為和季節(jié)信息，同時呈現(xiàn)推薦結果；web子系統(tǒng)，用于以網(wǎng)頁的形式采集用戶位置信息、歷史行為和季節(jié)信息，同時呈現(xiàn)推薦結果。參照圖6，各個子系統(tǒng)之間的協(xié)作流程為：1)由app子系統(tǒng)和web子系統(tǒng)收集用戶數(shù)據(jù)，包括用戶的ip地址并由此推導出用戶的地理位置，當前季節(jié)，用戶對化妝品的評分信息，將這些數(shù)據(jù)傳遞給用戶數(shù)據(jù)建模子系統(tǒng)；2)用戶數(shù)據(jù)建模子系統(tǒng)根據(jù)app子系統(tǒng)和web子系統(tǒng)提供的數(shù)據(jù)，建立用戶的皮膚屬性模型，并傳遞給推薦算法子系統(tǒng)；3)對需要進行相似度計算的矩陣進行奇異值分解的預處理；4)從用戶-評分矩陣中獲取用戶未評分化妝品的集合s；5)推薦算法子系統(tǒng)結合用戶皮膚屬性，化妝品流行度，化妝品標簽以及皮膚屬性對應標簽的映射關系，給出化妝品估價值；6)對位評分化妝品集合中的化妝品按照估價值從高到低排序，并反饋給app子系統(tǒng)和web子系統(tǒng)；7)由app子系統(tǒng)和web子系統(tǒng)將推薦結果呈現(xiàn)給用戶。當前第1頁12