一种基于位置的个性化美食推荐方法技术

本发明专利技术公开了一种基于位置的个性化美食推荐方法。计算用户和商家之间的距离相似度；计算用户ui和用户uj的相似度；根据用户ui和用户uj的相似度计算目标用户对餐厅的预测偏好指数；计算项目i和项目j的相似度；根据项目i和项目j的相似度，计算基于项目t对用户u的推荐偏好指数；根据用户和商家之间的距离相似度、目标用户对餐厅的预测偏好指数和基于项目t对用户u的推荐偏好指数给出推荐结果。本发明专利技术的有益效果是结合用户当前所处位置、用户对商家评分以及用户和商家的属性，为之推荐满足用户需求的个性化的餐厅，提高美食推荐的效率和准确度。同时，精确的推荐结果可转化为消费行为，提高用户满意度和商家效益。

【技术实现步骤摘要】

本专利技术属于电子商务
，涉及。
技术介绍
协同过滤算法是一种基于"人以群分"理念的算法，即兴趣偏好相同的人对商品的 偏好也是相似的，也就是说，如果某一类型的用户有相同的兴趣偏好，则该类用户对商品对 象的评分也会相近.因此，协同过滤推荐最重要的是要找到和目标用户兴趣偏好相似的最 近邻居，根据最近邻居对推荐对象的评分来预测目标用户对未评分的推荐对象的评分，选 择预测评分最高的若干个推荐对象作为推荐结果反馈给用户，目前主要有两类协同过滤推 荐算法：基于用户的协同过滤推荐算法和基于项目的协同过滤推荐算法.基于用户的协同 过滤推荐算法基于这样一个假设，即如果用户对一些项目的评分比较相似，则他们对其他 项目的评分也比较相似.。算法根据目标用户的最近邻居（最相似的若干用户）对某个项 目的评分逼近目标用户对该项目的评分.基于项目的协同过滤推荐算法认为，用户对不同 项目的评分存在相似性，当需要估计用户对某个项目的评分时，可以用户对该项目的若干 相似项目的评分进行估计。虽然协同过滤算法已经得到了广泛的应用，但是随着互联网的 发展，提供的服务种类越来越丰富，站点的用户数量也在不停的增长，另外用户的个性化需 求可能也在发生着变化，这都给现有的协同过滤提出了新的挑战。1.可扩展性与实时性的 平衡：在线推荐系统一般需要为用户提供实时的个性化推荐服务，如今比较大的网络站点， 如Amazon，提供的商品数量有上百万，而用户更是以千万来计算的，传统的基于项目，基于 用户的协同过滤中"最近邻搜索"过程随着用户数量的增加，计算量也会线性增长，如何实 时的为上千万的用户提供推荐，并且能够应对新用户的注册和新商品的添加则是现在大多 推荐系统都面临的严重的问题。2.推荐精度与推荐多样性的平衡：数据稀疏性是协同过滤 算法面临的典型问题，但是协同过滤算法的计算方式又决定了精度与数据稀疏性有必然的 联系，因此提高推荐系统的精度是学者和电商必须解决的问题。而多样性则有助于商家发 掘用户的潜在需求，提高电商的利润，但很多学者已经证明多样性和精确性之间是成反比 例关系的，因此如何很好地平衡推荐的精度和推荐的多样性，以达到双赢的局面，是在商业 界广泛应用的协同过滤算法需要考虑的。3.智能自动化的推荐：现在大多的协同过滤推荐 系统都需要用户显示输入评分信息才能为其提供服务，虽然在获取信息方面有用户的积极 参与可以提高信息的准确度，但是给用户使用系统也带来了不便，另外用户的参与程度也 参差不齐，获取信息的全面性也大打折扣。目前也有许多研宄采用Web挖掘技术来隐式获 取用户行为信息，取得了一定的效果。因此对如何全面正确地收集用户的行为信息，为用户 提供一个完全自动化、智能化的推荐也需要进一步的研宄。针对此问题，本文结合协同过滤 算法，提出了。用户无需自己去海量的餐馆去寻找自 己喜欢的餐厅，在使用美食订餐软件的时候，软件自动获取用户的位置信息。并根据用户 注册的时候填写的用户年龄、职业、性别等信息，就可以给给用户推荐出多个商家供用户选 择。并且随着用户使用此模型的次数越来越多，推荐系统系统对用户越了解，推荐的结果会 越来越准确。同时此模型解决了传统协同过滤的如冷启动、矩阵稀疏等问题。
技术实现思路
本专利技术的目的在于提供。主要解决了传统协 同过滤算法没有考虑移动端的可以随时获取用户位置的特性， 本专利技术所采用的技术方案是按照以下步骤进行： 步骤1 :计算用户和商家之间的距离相似度； 步骤2 :计算用户Ui和用户u j的相似度； 步骤3 :根据用户Ui和用户的相似度计算目标用户对餐厅的预测偏好指数； 步骤4 :计算项目i和项目j的相似度； 步骤5 :根据项目i和项目j的相似度，计算基于项目t对用户U的推荐偏好指数； 步骤6 :根据用户和商家之间的距离相似度、目标用户对餐厅的预测偏好指数和 基于项目t对用户u的推荐偏好指数给出推荐结果。 本专利技术的有益效果是结合用户当前所处位置、用户对商家评分以及用户和商家的 属性，为之推荐满足用户需求的个性化的餐厅，提高美食推荐的效率和准确度。同时，精确 的推荐结果可转化为消费行为，提高用户满意度和商家效益。【附图说明】 图1是本专利技术方法步骤流程示意图； 图2是职业树示意图； 图3是项目类别示意图。【具体实施方式】 下面结合【具体实施方式】对本专利技术进行详细说明。 本专利技术基于位置的个性化美食推荐方法的结构如图1所示。推荐系统一般由三部 分组成，即输入功能模块、推荐引擎模块与输出功能模块。本推荐方法主要的输入信息包括 用户注册的时候个人信息和用户启动软件获取到的用户位置。推荐引擎模块是本推荐方法 的核心，结合了基于用户和基于项目的混合推荐方法。输出模块主要是推荐的TopN商家。 具体的推荐流程如下：用户启动软件的时候会获取用户的位置经炜度传到后端，后端会根 据用户经炜度选取离用户最近的N个商家或离用户在k千米内的商家进行推荐。推荐模块 部分，基于用户推荐，根据用户对商家的评分计算目标用户与其他用户的相似度，然后根据 用户的属性计算目标用户和其他用户的属性相似度，用一定的系数组合两个相似度，得出 目标用户的邻近用户。根据邻近用户计算用户未评分的商家的预测评分，最后基于用户的 TopN推荐商家。基于商户推荐，根据用户对商家的评分计算商户与其他商户的相似度，然 后根据商户的属性计算商户和其他商户的属性相似度，用一定的系数组合两个相似度，得 出商户的邻近商户。根据邻近商户计算用户未评分的商家的预测评分，最后得出基于用户 的TopN推荐商家。用一定的系数组合基于用户的推荐和基于项目的推荐以及用户商户的 位置的推荐，综合三个推荐，将得出的结果推荐给用户。 步骤I :计算用户和商家之间的距离相似度WW%c?：atMmCT ll:h 计算两点的距离，原理如下：假如U (xt，yt)，S (xu，yu)是用户U和商家S的位置，其 中 X 表不讳度，y 表不经度。设 a = cos (xt_xu)、b = cos (yt_yu)，Cxtu= cos (X t) · cos (Xu)， R代表地球半径。那么当前用户和商家的距离如下公式：【主权项】1. ，其特征在于：按照以下步骤进行： 步骤1:计算用户和商家之间的距离相似度； 步骤2 :计算用户Ui和用户h的相似度； 步骤3 :根据用户Ui和用户h的相似度计算目标用户对餐厅的预测偏好指数； 步骤4 :计算项目i和项目j的相似度； 步骤5 :根据项目i和项目j的相似度，计算基于项目t对用户u的推荐偏好指数； 步骤6 :根据用户和商家之间的距离相似度、目标用户对餐厅的预测偏好指数和基于 项目t对用户u的推荐偏好指数给出推荐结果。【专利摘要】本专利技术公开了。计算用户和商家之间的距离相似度；计算用户ui和用户uj的相似度；根据用户ui和用户uj的相似度计算目标用户对餐厅的预测偏好指数；计算项目i和项目j的相似度；根据项目i和项目j的相似度，计算基于项目t对用户u的推荐偏好指数；根据用户和商家之间的距离相似度、目标用户对餐厅的预测偏好指数和基于项目t对用户u的推荐偏好指数给出推荐结果。本专利技术的有益效果是结合用户当前所处位置、用户对商家评分以及用户和商家的属性，为之推荐满足用户需求的个本文档来自技高网...

【技术保护点】
一种基于位置的个性化美食推荐方法，其特征在于：按照以下步骤进行：步骤1：计算用户和商家之间的距离相似度；步骤2：计算用户ui和用户uj的相似度；步骤3：根据用户ui和用户uj的相似度计算目标用户对餐厅的预测偏好指数；步骤4：计算项目i和项目j的相似度；步骤5：根据项目i和项目j的相似度，计算基于项目t对用户u的推荐偏好指数；步骤6：根据用户和商家之间的距离相似度、目标用户对餐厅的预测偏好指数和基于项目t对用户u的推荐偏好指数给出推荐结果。

【技术特征摘要】

【专利技术属性】
技术研发人员：胡为，陈浩，李中坤，
申请(专利权)人：湖南大学，
类型：发明
国别省市：湖南;43