本發(fā)明涉及對(duì)社交引薦方法進(jìn)行改進(jìn)以提高其效率的推薦系統(tǒng)研究領(lǐng)域，具體地說(shuō)是通過(guò)在目標(biāo)用戶(hù)的好友中，尋找心理特征上（指性格）更愿意向別人推薦商品的人作為引薦人，來(lái)提高商品到達(dá)目標(biāo)用戶(hù)的可能性，從而提高社交引薦的效率。

背景技術(shù)：
在有關(guān)社會(huì)化推薦的研究中，研究者往往集中于如何利用用戶(hù)的社會(huì)關(guān)系為推薦結(jié)果提供解釋?zhuān)ㄈ缟唐穖出現(xiàn)在系統(tǒng)推薦列表中，會(huì)附加說(shuō)明m是某些好友喜歡的），以增加用戶(hù)的信任度。現(xiàn)階段，有些研究人員開(kāi)始研究系統(tǒng)直接推薦與利用好友推薦這兩種方式間的差異。大量研究表明，與系統(tǒng)推薦的商品相比，用戶(hù)更偏愛(ài)來(lái)自好友的推薦。也就是說(shuō)，即使是同一個(gè)商品，來(lái)源渠道不同，分別是系統(tǒng)推薦和好友引薦的，用戶(hù)對(duì)后者的好感顯著高于前者。因此，一些系統(tǒng)額外增加了這種好友引薦的推薦方式，以獲得更高的商品接受率。然而，目前這種好友引薦的方式效率還很低，主要原因在于忽略了好友自身（以下統(tǒng)稱(chēng)引薦人）的引薦意愿，即選取的引薦人并不是很愿意把相關(guān)商品傳遞給社交網(wǎng)絡(luò)，導(dǎo)致引薦方式下的效率要遠(yuǎn)低于系統(tǒng)直接推薦的方式。另一方面，根據(jù)心理學(xué)研究領(lǐng)域有關(guān)性格會(huì)影響行為的理論，目前很多推薦系統(tǒng)中已將性格因素納入其中，有效提高了推薦性能。因此或許可以采用類(lèi)似的方式來(lái)緩解因引薦人不愿意推薦而導(dǎo)致的社交引薦效率低下這一問(wèn)題。

技術(shù)實(shí)現(xiàn)要素：
本發(fā)明的目的是針對(duì)現(xiàn)有技術(shù)中忽略了引薦人引薦意愿的技術(shù)缺陷而提供的一種基于用戶(hù)性格提高社交引薦效率的方法，該方法通過(guò)在目標(biāo)用戶(hù)的所有好友中尋找性格上更愿意參與商品傳遞的引薦人，通知這些引薦人把相關(guān)商品推薦給目標(biāo)用戶(hù)，以更少的傳遞損失來(lái)提高社交引薦的效率。一種基于用戶(hù)性格提高社交引薦效率的方法，該方法包括以下步驟：a、確定要推薦給目標(biāo)用戶(hù)的k個(gè)商品，具體包括：ⅰ）找到目標(biāo)用戶(hù)沒(méi)有消費(fèi)行為的商品集合A；ⅱ）對(duì)于商品集合A中的每個(gè)商品，用基于用戶(hù)的協(xié)同過(guò)濾算法，預(yù)測(cè)出目標(biāo)用戶(hù)對(duì)該商品的喜好得分；ⅲ）將商品集合A中的所有商品按預(yù)測(cè)喜好得分從大到小排序，選取得分最高的k個(gè)商品，即為待推薦給目標(biāo)用戶(hù)的商品；b、對(duì)于每一個(gè)待推薦的商品m，分別計(jì)算目標(biāo)用戶(hù)各好友基于性格和商品喜好的綜合引薦得分，選取得分最高的作為商品m相應(yīng)的引薦人，具體包括：?。幕凇按笪迦烁瘛蹦Ｐ停╞ig-fivemodel）的用戶(hù)性格數(shù)據(jù)庫(kù)中，查找目標(biāo)用戶(hù)各好友在“宜人性”（相關(guān)英文文獻(xiàn)中為agreeableness）這一性格維度的得分s_p；ⅱ）根據(jù)用戶(hù)-商品評(píng)分?jǐn)?shù)據(jù)庫(kù)，獲取每個(gè)好友對(duì)商品m的喜好評(píng)分s_r（實(shí)際的或預(yù)測(cè)的）；ⅲ）根據(jù)步驟?。┖廷ⅲ?jì)算每個(gè)好友的綜合引薦得分：綜合引薦得分；ⅳ）將各好友按照綜合引薦得分從大到小排序，排在第一個(gè)的作為商品m相應(yīng)的引薦人；c、通知各引薦人將相應(yīng)的商品引薦給目標(biāo)用戶(hù)，具體包括：?。┌l(fā)送消息給引薦人，消息內(nèi)容包括要引薦的相關(guān)商品及對(duì)應(yīng)的目標(biāo)用戶(hù)；ⅱ）由引薦人決定是否進(jìn)行引薦。所述步驟b的ⅱ）具體包括：①、若用戶(hù)-商品評(píng)分?jǐn)?shù)據(jù)庫(kù)中有該好友對(duì)商品m的評(píng)分記錄，則該評(píng)分記錄即為好友對(duì)商品m的喜好評(píng)分s_r，否則進(jìn)行步驟②計(jì)算；②、用基于用戶(hù)的協(xié)同過(guò)濾算法計(jì)算出該好友對(duì)商品m的預(yù)測(cè)評(píng)分作為s_r。與背景技術(shù)相比，本發(fā)明有以下優(yōu)點(diǎn)：本發(fā)明在進(jìn)行社交引薦時(shí)，主要從引薦人的角度出發(fā)，綜合考慮了引薦人的性格特征和對(duì)商品的喜好情況。之所以考慮性格特征，主要是基于之前所做的相關(guān)用戶(hù)實(shí)驗(yàn)。實(shí)驗(yàn)發(fā)現(xiàn)“宜人性”性格維度（基于“大五人格”模型）得分越高的用戶(hù)，越愿意向他人推薦商品。根據(jù)心理學(xué)領(lǐng)域已有的研究成果，“宜人性”維度得分越高，表示用戶(hù)越喜歡與人合作，為人坦白，樂(lè)于助人；反之則代表越自私自利，喜歡懷疑他人。因此實(shí)驗(yàn)發(fā)現(xiàn)與已有的研究成果相吻合，可以考慮用性格特征來(lái)篩選出合適的引薦人，減少因引薦人不愿意引薦而造成的傳遞損失。本發(fā)明考慮了引薦人自身對(duì)待引薦商品的喜好情況。通常用戶(hù)更愿意推薦自己覺(jué)得質(zhì)量好的商品。因此考慮引薦人自身的喜好能進(jìn)一步提高引薦意愿，從而提高社交引薦的效率。此外，推薦給目標(biāo)用戶(hù)的商品是用基于用戶(hù)的協(xié)同過(guò)濾算法選取出來(lái)的，符合目標(biāo)用戶(hù)的喜好，推薦的是目標(biāo)用戶(hù)最可能感興趣的商品，也利于目標(biāo)用戶(hù)接受，推薦更有效。對(duì)于沒(méi)有好友的目標(biāo)用戶(hù)，將不采取社交引薦方法，可以采用直接推薦或權(quán)威專(zhuān)家推薦的方式。附圖說(shuō)明圖1為本發(fā)明的流程示意圖。圖2為本發(fā)明實(shí)施例中的好友性格特征及商品喜好示意圖。具體實(shí)施方式參閱圖1，本發(fā)明適用于所有商品的社交引薦中。首先用相關(guān)算法確定要推薦給目標(biāo)用戶(hù)的k個(gè)商品，然后對(duì)于要推薦的每個(gè)商品，根據(jù)綜合引薦得分，在目標(biāo)用戶(hù)的好友中選取最合適的引薦人，最后通知各引薦人將相應(yīng)的商品推薦給目標(biāo)用戶(hù)，其具體步驟如下：（1）：找到目標(biāo)用戶(hù)沒(méi)有消費(fèi)行為的商品集合A，對(duì)于A中的每個(gè)商品，用基于用戶(hù)的協(xié)同過(guò)濾算法，預(yù)測(cè)出目標(biāo)用戶(hù)對(duì)該商品的喜好得分，選出得分最高的k個(gè)，作為待推薦給目標(biāo)用戶(hù)的商品；（2）：從步驟（1）中的k個(gè)待推薦的商品中每次選取一個(gè)商品m；（3）：獲取目標(biāo)用戶(hù)的所有好友集合F；（4）：判斷好友數(shù)|F|是否大于0，若|F|>0，則轉(zhuǎn)入步驟(5)，否則轉(zhuǎn)入結(jié)束；（5）：i.根據(jù)用戶(hù)-商品評(píng)分?jǐn)?shù)據(jù)庫(kù)，獲取每個(gè)好友對(duì)商品m的喜好評(píng)分s_r（實(shí)際的或預(yù)測(cè)的），ii.從基于“大五人格”模型的用戶(hù)性格數(shù)據(jù)庫(kù)中，查找每個(gè)好友在性格維度“宜人性”的得分s_p；（6）：通過(guò)以下公式，計(jì)算每個(gè)好友對(duì)商品m的綜合引薦得分：然后將所有好友按得分從高到低排序；（7）：選取綜合引薦得分最高的好友作為商品m對(duì)應(yīng)的引薦人；（8）：通知該引薦人將商品m推薦給目標(biāo)用戶(hù)；（9）：判斷是否完成了對(duì)所有商品（已選出的k個(gè)）的引薦工作，“是”則轉(zhuǎn)入結(jié)束，“否”則轉(zhuǎn)入步驟（2）。實(shí)施例通過(guò)以下電影推薦的實(shí)施例來(lái)更好地理解本發(fā)明。假設(shè)現(xiàn)在要用社交引薦的方式（即通過(guò)好友）向某目標(biāo)用戶(hù)推薦電影，其具體步驟如下：（1）通過(guò)基于用戶(hù)的協(xié)同過(guò)濾算法，在目標(biāo)用戶(hù)未看過(guò)的電影集中選出要推薦的k（此處為2）部電影分別為《泰囧》、《科學(xué)怪狗》；（2）選擇其中一部電影（如《泰囧》）作為待引薦電影；（3）獲取目標(biāo)用戶(hù)在該系統(tǒng)中的所有好友集合F={f1,f2,f3}；（4）由于好友數(shù)|F|>0，轉(zhuǎn)入步驟（5）；（5）獲取各好友在性格維度“宜人性”的得分s_p及對(duì)該電影的喜好評(píng)分s_r（實(shí)際的或預(yù)測(cè)的），見(jiàn)圖2；（6）通過(guò)公式計(jì)算各好友對(duì)該電影的綜合引薦得分：s（f1，《泰囧》）=1.597；s（f2，《泰囧》）=1.766；s（f3，《泰囧》）=1.771；各好友按得分從高到低排序?yàn)閒3,f2,f1（7）綜合引薦得分最高的好友f3即電影《泰囧》對(duì)應(yīng)的引薦人；（8）發(fā)消息通知f3將電影《泰囧》推薦給該目標(biāo)用戶(hù)；（9）通過(guò)判斷，還未完成對(duì)這k部電影的引薦工作，需轉(zhuǎn)入步驟（2），用類(lèi)似的方法向目標(biāo)用戶(hù)引薦電影《科學(xué)怪狗》。