基于正反屬性知識庫的個性化推薦方法和系統(tǒng)的制作方法
【技術領域】
[0001] 本發(fā)明涉及推薦技術領域，特別是涉及一種基于正反屬性知識庫的個性化推薦方 法和系統(tǒng)。
【背景技術】
[0002] 隨著電子商務規(guī)模的不斷擴大，商品個數和種類快速增長，用戶需要花費大量的 時間才能找到自己想買的商品。瀏覽大量無關信息和產品的過程無疑會使消費者不斷流 失。為了解決這些問題，個性化推薦技術應運而生。個性化推薦技術是建立在海量數據挖掘 基礎上的一種高級商務智能平臺，以幫助電子商務網站為其顧客購物提供完全個性化的決 策支持和?目息服務。
[0003] 但是現有個性化推薦系統(tǒng)在用戶購買商品的歷史數據的分析基礎上進行推薦時， 可能出現錯誤推薦。譬如，推薦系統(tǒng)發(fā)現Α用戶和Β用戶的以往興趣特點和購買行為都很類 似，最近A用戶購買了衛(wèi)生巾，結果推薦系統(tǒng)就把衛(wèi)生巾推薦給了B用戶，這個推薦是否準 確?A用戶和B用戶之所以在過去的時間內興趣特點和購買行為都很類似，是因為A用戶和B 用戶是親姐弟，但A用戶是女性，最近來月經初潮了，所以開始第一次買衛(wèi)生巾，但B用戶是 男性，把衛(wèi)生巾推薦給B用戶，顯然是錯誤的推薦?？梢?，現有推薦技術得到的推薦結果常常 與用戶想買的商品不吻合，導致錯誤的推薦，進而降低用戶對推薦結果的采納率，降低推薦 系統(tǒng)對用戶的價值。

【發(fā)明內容】

[0004] 基于上述情況，本發(fā)明提出了一種個性化推薦方法和系統(tǒng)，提高對用戶進行推薦 的準確率，進而提高用戶對推薦結果的采納率，提升推薦系統(tǒng)對用戶的價值。
[0005] 為了實現上述目的，本發(fā)明技術方案的實施例為：
[0006] -種個性化推薦方法，包括以下步驟：
[0007] 獲取當前推薦系統(tǒng)向用戶推薦的推薦結果序列；
[0008]在所述推薦結果序列中獲取預設方向的預設推薦個數個推薦結果作為初次推薦 結果序列，所述預設推薦個數小于或等于所述推薦結果序列中的推薦結果總數；
[0009]根據所述用戶的身份信息在正反屬性知識庫預先存儲的用戶正反屬性表中查詢 是否存儲所述用戶的屬性和相反屬性；
[0010]當查詢結果為是時，分別將所述初次推薦結果序列中的各個推薦結果與所述用戶 的屬性進行匹配，且分別將所述初次推薦結果序列中的各個推薦結果與所述用戶的相反屬 性進行匹配；
[0011] 刪除所述初次推薦結果序列中與所述用戶的屬性的匹配結果不符合預設第一條 件且與所述用戶的相反屬性的匹配結果符合預設第二條件的推薦結果；
[0012] 根據所述初次推薦結果序列剩余的推薦結果得到最終推薦結果序列；
[0013] 輸出所述最終推薦結果序列。
[0014] 一種個性化推薦系統(tǒng)，包括：
[0015] 推薦結果序列獲取模塊，用于獲取當前推薦系統(tǒng)向用戶推薦的推薦結果序列；
[0016] 初次推薦結果序列獲取模塊，用于在所述推薦結果序列中獲取預設方向的預設推 薦個數個推薦結果作為初次推薦結果序列，所述預設推薦個數小于或等于所述推薦結果序 列中的推薦結果總數；
[0017] 屬性查詢模塊，用于根據所述用戶的身份信息在正反屬性知識庫預先存儲的用戶 正反屬性表中查詢是否存儲所述用戶的屬性和相反屬性；
[0018] 結果匹配模塊，用于當查詢結果為是時，分別將所述初次推薦結果序列中的各個 推薦結果與所述用戶的屬性進行匹配，且分別將所述初次推薦結果序列中的各個推薦結果 與所述用戶的相反屬性進行匹配；
[0019] 結果刪除模塊，用于刪除所述初次推薦結果序列中與所述用戶的屬性的匹配結果 不符合預設第一條件且與所述用戶的相反屬性的匹配結果符合預設第二條件的推薦結果；
[0020] 最終推薦結果序列獲取模塊，用于根據所述初次推薦結果序列剩余的推薦結果得 到最終推薦結果序列；
[0021] 序列輸出模塊，用于輸出所述最終推薦結果序列。
[0022]與現有技術相比，本發(fā)明的有益效果為:本發(fā)明個性化推薦方法和系統(tǒng)，基于正反 屬性知識庫，通過將當前推薦系統(tǒng)向用戶推薦的預設個數個推薦結果與預先存儲在正反屬 性知識庫中的用戶的屬性和相反屬性進行匹配，根據匹配結果獲取最終推薦結果序列，提 高對用戶進行推薦的準確率，滿足用戶的個性化推薦需要，提高用戶對推薦結果的采納率， 提升推薦系統(tǒng)對用戶的價值，適合應用。
【附圖說明】
[0023] 圖1為本發(fā)明一個實施例中個性化推薦方法流程示意圖；
[0024] 圖2為基于圖1所示方法一個具體示例中個性化推薦方法流程圖；
[0025] 圖3為本發(fā)明一個實施例中個性化推薦系統(tǒng)結構示意圖。
【具體實施方式】
[0026] 為使本發(fā)明的目的、技術方案及優(yōu)點更加清楚明白，以下結合附圖及實施例，對本 發(fā)明進行進一步的詳細說明。應當理解，此處所描述的【具體實施方式】僅僅用以解釋本發(fā)明， 并不限定本發(fā)明的保護范圍。
[0027] -個實施例中個性化推薦方法，如圖1所示，包括以下步驟：
[0028] 步驟S101:獲取當前推薦系統(tǒng)向用戶推薦的推薦結果序列；
[0029] 其中，當前推薦系統(tǒng)可以是現有的各種推薦系統(tǒng)，也可以是新開發(fā)的推薦系統(tǒng);推 薦系統(tǒng)向用戶推薦的推薦結果可以是各種類型的推薦結果，譬如，商品的推薦、衣服的推 薦、圖書的推薦、視頻的推薦、圖片的推薦、論文的推薦或好友的推薦等；
[0030] 步驟S102:在所述推薦結果序列中獲取預設方向的預設推薦個數個推薦結果作為 初次推薦結果序列，所述預設推薦個數小于或等于所述推薦結果序列中的推薦結果總數；
[0031] 例如推薦系統(tǒng)向一個用戶推薦的推薦結果數記為p，將這p個推薦結果中的前η個 推薦結果作為η個第一推薦結果，得到初次推薦結果序列，其中，ρ可以是自然數，推薦系統(tǒng) 會向用戶推薦至少一個推薦結果，選取推薦系統(tǒng)向一個用戶推薦的所有推薦結果中的全部 或部分作為第一推薦結果；
[0032]步驟S103:根據所述用戶的身份信息在正反屬性知識庫預先存儲的用戶正反屬性 表中查詢是否存儲所述用戶的屬性和相反屬性；
[0033]例如從正反屬性知識庫中的用戶正反屬性表中檢索該個用戶的屬性和相反屬性， 通過用戶的身份信息對用戶正反屬性表進行檢索，當檢索到相應用戶的身份信息時，則取 出該用戶的身份信息對應的用戶的屬性和相反屬性;可以事先采集用戶的屬性和相反屬性 存儲在正反屬性知識庫中；
[0034] 步驟S104:當查詢結果為是時，分別將所述初次推薦結果序列中的各個推薦結果 與所述用戶的屬性進行匹配，且分別將所述初次推薦結果序列中的各個推薦結果與所述用 戶的相反屬性進行匹配；
[0035] -個推薦結果與正反屬性知識庫中該個用戶的屬性的匹配度，本質上是該個推薦 結果與用戶屬性的符合程度;從一個推薦結果與該個用戶的屬性的匹配度的大小，可以看 出該個推薦結果與該個用戶的屬性的吻合度，一個推薦結果與該個用戶的屬性的匹配度越 大，則表明該個推薦結果與該個用戶的屬性的吻合度越高；
[0036] -個推薦結果與正反屬性知識庫中該個用戶的相反屬性的匹配度，本質上是該個 推薦結果與用戶屬性的矛盾程度;從一個推薦結果與該個用戶的相反屬性的匹配度的大 小，可以看出該個推薦結果與該個用戶的屬性的矛盾程度，一個推薦結果與該個用戶的相 反屬性的匹配度越大，則表明該個推薦結果與該個用戶的屬性的矛盾程度越高；
[0037] 步驟S105:刪除所述初次推薦結果序列中與所述用戶的屬性的匹配結果不符合預 設第一條件且與所述用戶的相反屬性的匹配結果符合預設第二條件的推薦結果；
[0038] 例如預設第一條件為一個推薦結果與該個用戶的屬性的匹配度大于或等于第一 預設值(可以根據實際需要設置第一預設值，例如第一預設值為1)，不符合第一預設條件 即：一個推薦結果與該個用戶的屬性的匹配度小于第一預設值，預設第二條件為一個推薦 結果與該個用戶的相反屬性的匹配度大于第二預設值(可以根據實際需要設置第二預設 值，例如第二預設值為2)，符合第二預設條件即：一個推薦結果與該個用戶的相反屬性的匹 配度大于第二預設值。當一個推薦結果與該個用戶的屬性的匹配度小于第一預設值且與該 個用戶的相反屬性的匹配度大于第二預設值時，表示該個推薦結果與該個用戶的屬性是有 矛盾的，刪除該個推薦結果；
[0039] 當一個推薦結果與該個用戶的相反屬性的匹配度大于第二預設值但與該個用戶 的屬性的匹配度大于第一預設值時，則該個推薦結果既含有該個用戶的相反屬性又含有用 戶的屬性，則說明該個推薦結果既適用于與該個用戶屬性相反的用戶，也適用于該個用戶， 所以不應刪除；當一個推薦結果與該個用戶的相反屬性的匹配度小于第二預設值且與該個 用戶的屬性的匹配度小于第一預設值時，則該個推薦結果既不含有該個用戶的相反屬性也 不含有用戶的屬性，則說明該個推薦結果中沒有明確指出是否適用于相應屬性的該個用 戶，也就是說該個推薦結果可能不適用于該個用戶，但可能適用于該個用戶，所以不應刪 除；當一個推薦結果與該個用戶的相反屬性的匹配度小于第二預設值且與該個用戶的屬性 的匹配度大于第一預設值時，則該個推薦結果不含有該個用戶的相反屬性，但含有用戶