本發(fā)明包括人工智能、數(shù)據(jù)挖掘技術(shù)領(lǐng)域知識，具體涉及基于云計算的智慧感知推薦方法。適用于各類已開展電子商務(wù)活動，并追求高質(zhì)量個性化服務(wù)的企業(yè)。
技術(shù)背景
近年來，隨著互聯(lián)網(wǎng)和移動互聯(lián)網(wǎng)的迅猛發(fā)展，中國網(wǎng)民數(shù)量以及參與網(wǎng)上購物的用戶數(shù)量、頻次都在不斷增長，越來越多的電子商務(wù)網(wǎng)站也在不斷涌現(xiàn)。尤其在移動互聯(lián)網(wǎng)的時代發(fā)展大趨勢下，人的購物習(xí)慣從傳統(tǒng)pc端轉(zhuǎn)向了移動端，移動購物的體驗己超過pc端的體驗，其所占的交易總額比例不斷攀升已超過60％。在電子商務(wù)規(guī)模日趨擴大的同時，商品類別和數(shù)量也變得越來越繁雜。一方面，面對大量的商品信息用戶很難便捷準確地挑選商品，所以經(jīng)常會顯得束手無策甚至迷失在海量商品信息空間中從而陷入選擇恐懼、無法順利滿足自己的購物需求。另一方面，大量的商品和用戶信息成為網(wǎng)絡(luò)中的“暗信息”，而這些“暗信息”蘊含的大量寶貴的商業(yè)增值價值賣家卻無法充分利用，商品賣家也無法與買家建立良性的溝通聯(lián)系進而更有效推銷自己的商品。
為了解決這些問題，個性化推薦技術(shù)應(yīng)運而生。個性化推薦技術(shù)的出現(xiàn)在一定程度上解決了信息多樣化與用戶需求專一化之間的矛盾。特別是以個性化推薦技術(shù)為核心的推薦系統(tǒng)已廣泛應(yīng)用于電子商務(wù)、數(shù)字圖書館及新聞推薦、多媒體資源點播、電子旅游、社交網(wǎng)絡(luò)等領(lǐng)域。尤其在電子商務(wù)領(lǐng)域，幾乎所有的電子商務(wù)平臺如amazon、ebay、淘寶、天貓、京東等均不同程度的使用了各種推薦系統(tǒng)。個性化推薦系統(tǒng)的核心是其采用的個性化推薦策略即包含的一系列推薦方法，個性化推薦方法在很大程度上決定了推薦系統(tǒng)的優(yōu)劣諸如推薦效率的高低、推薦質(zhì)量的好壞。
因此，本發(fā)明研究個性化推薦服務(wù)的效果問題，從智慧感知入手，基于hadoop架構(gòu)，提出基于云計算的智慧感知推薦系統(tǒng)。通過hadoop架構(gòu)實現(xiàn)分布式計算，在用戶相似性計算前先對用戶進行有效聚類，而后采用改進的相似性計算方法計算用戶相似度值，最后預(yù)測目標用戶的評分，給出推薦結(jié)果。通過該方法科學(xué)合理的提高個性化推薦結(jié)果的精確性和多樣性。
技術(shù)實現(xiàn)要素：
本發(fā)明要克服現(xiàn)有個性化推薦方法存在的推薦精確性差、多樣性低、計算效率不高的缺點，提出基于云計算的智慧感知推薦方法。構(gòu)建hadoop實現(xiàn)云計算，并采用改進的pso和k-means相結(jié)合的混合聚類方法進行用戶聚類，而后進行簇內(nèi)相似性計算，并預(yù)測用戶偏好。本方法能支持電商企業(yè)更好得開展個性化服務(wù)。
本發(fā)明提出的基于云計算的智慧感知推薦方法，包括以下步驟：
步驟1.基于hadoop的分布式計算平臺構(gòu)建：采用mapreduce分布式計算框架，搭建云計算平臺。通過核心操作map()和reduce()，將數(shù)據(jù)計算分布進行，最后匯總。其中map()和reduce()兩個函數(shù)的形式參數(shù)為key、value鍵值對，用以表示函數(shù)的輸入信息。
步驟2.基于改進pso的k-means用戶聚類操作：由于聚類算法k-means對初始值敏感即對初始聚類中心敏感，聚類結(jié)果受初始值的影響較大。本發(fā)明引入粒子群算法pso克服k-means聚類這一問題，優(yōu)化聚類結(jié)果。對任意用戶數(shù)據(jù)集進行聚類，假設(shè)有m個用戶，選擇pso的適應(yīng)度函數(shù)為聚類算法的目標函數(shù)f(xi)，公式如下：
其中k為初始設(shè)定的聚類簇的個數(shù)，ci表示聚類簇，ci表示第i個聚類簇的中心，i＝{1,…,k}，xj表示聚類簇ci中的第j個數(shù)據(jù)對象，j為數(shù)據(jù)對象的下標，f(xi)反映了聚類劃分的質(zhì)量，值越小代表ci內(nèi)部各個元素的相似度越高。
步驟3.經(jīng)過用戶聚類后，形成k個用戶簇，進行相似性計算。
其中sim(l,w)表示用戶l和用戶w的相似度，αy表示商品y的用戶偏好度。偏好度的計算方式為在一個時間段內(nèi)，用戶購買某種商品的頻次除以其購買的所有商品的頻次，得到的比率。引入用戶偏好度是因為用戶選擇某些喜愛的商品時，對該類型的商品打分時往往整體會偏高。il,w為用戶l和用戶w共同購買的商品集合。rly表示用戶l對商品y的評分，
步驟4.最后預(yù)測目標用戶對未選擇過的商品的評分
其中rln表示目標用戶l對其為選擇過的商品n的預(yù)測評分，sim(l,v)表示用戶l和用戶v的相似度，m’表示和用戶l在同一個用戶簇中的用戶數(shù)量。rvn表示用戶v對商品n的評分。
本發(fā)明基于hadoop架構(gòu)，提升計算效率。采用改進的聚類算法，在計算用戶相似度前對用戶進行聚類，在相似度計算過程中引入用戶偏好度，提升商品推薦的精確性和多樣性。
本發(fā)明的有益效果在于：
本發(fā)明有效地克服了傳統(tǒng)個性化推薦方法的缺點，縮小了用戶相似性計算范圍，考慮了用戶偏好度，提高了推薦精確性和多樣性，同時基于云計算的架構(gòu)又提升了計算效率，具有良好的應(yīng)用價值。
附圖說明
圖1是本發(fā)明方法的流程圖。
具體實施方式
下面結(jié)合附圖說明和具體實施方式對本發(fā)明做進一步詳細說明。
本發(fā)明提出的基于云計算的智慧感知推薦方法，包括以下步驟：
步驟1.基于hadoop的分布式計算平臺構(gòu)建：采用mapreduce分布式計算框架，搭建云計算平臺。通過核心操作map()和reduce()，將數(shù)據(jù)計算分布進行，最后匯總。其中map()和reduce()兩個函數(shù)的形式參數(shù)為key、value鍵值對，用以表示函數(shù)的輸入信息。
步驟2.基于改進pso的k-means用戶聚類操作：由于聚類算法k-means對初始值敏感即對初始聚類中心敏感，聚類結(jié)果受初始值的影響較大。本發(fā)明引入粒子群算法pso克服k-means聚類這一問題，優(yōu)化聚類結(jié)果。對任意用戶數(shù)據(jù)集進行聚類，假設(shè)有m個用戶，選擇pso的適應(yīng)度函數(shù)為聚類算法的目標函數(shù)f(xi)，公式如下：
其中k為初始設(shè)定的聚類簇的個數(shù)，ci表示聚類簇，ci表示第i個聚類簇的中心，i＝{1,…,k}，xj表示聚類簇ci中的第j個數(shù)據(jù)對象，j為數(shù)據(jù)對象的下標，f(xi)反映了聚類劃分的質(zhì)量，值越小代表ci內(nèi)部各個元素的相似度越高。
步驟3.經(jīng)過用戶聚類后，形成k個用戶簇，進行相似性計算。
其中sim(l,w)表示用戶l和用戶w的相似度，αy表示商品y的用戶偏好度。偏好度的計算方式為在一個時間段內(nèi)，用戶購買某種商品的頻次除以其購買的所有商品的頻次，得到的比率。引入用戶偏好度是因為用戶選擇某些喜愛的商品時，對該類型的商品打分時往往整體會偏高。il,w為用戶l和用戶w共同購買的商品集合。rly表示用戶l對商品y的評分，
步驟4.最后預(yù)測目標用戶對未選擇過的商品的評分
其中rln表示目標用戶l對其為選擇過的商品n的預(yù)測評分，sim(l,v)表示用戶l和用戶v的相似度，m’表示和用戶l在同一個用戶簇中的用戶數(shù)量。rvn表示用戶v對商品n的評分。