推荐方法的数据模型探析

定义1 用户i对O2O服务j的评价数据模型是一个多元组，其中，Rni，j是用户i对服务j的评价次数，是i对j的第k次使用评价。O2O服务通常集中在生活服务领域，用户可能会在一段时期内使用同一服务多次，对该项服务进行多次评价。另外，由于O2O服务的质量会随着管理人员或业务人员的流动而存在随时间变动的可能性，因此，用户的服务评价距离当前时间越近，越能反映O2O服务的真实质量，用户的评价越高，使用次数越多，越能反映用户对该项服务的偏好程度，所以需要对用户的服务评价时间、评价次数、评价分值进行综合考虑。

定义2 O2O服务的用户加权评价是用户在多次使用同一O2O服务，多次评价后，对其多次评价的加权处理值，以反映用户对该项服务的整体满意程度，同时反映该项服务的近期质量变化情况。采用公式6-1进行计算。

其中，表示用户ui对O2O服务j的加权评价值，表示用户ui对服务j的第k次评价，Ts表示当前系统时间，Tth表示设定的时间阀值。当用户最近的评价Ti1小于时间阀值Tth时，表示用户的所有评价都已过了有效期，则将用户加权评价值设定为default缺省值。否则，便对用户ui处于时间阀值内的服务评价进行加权计算。Tth时间阀值的设置，可以根据服务行业不同而不同。比如，快递行业的人员流动较大，Tth可以设置得较小，而游乐场所，因为投资较大，其服务相对较为稳定，Tth可以设置得较大些。根据公式6-1，如果用户对服务的评价离当前系统时间越近，权重会越大，因而更加能反映出O2O服务近期质量的变化情况。

在得到用户对服务的加权评价值后，我们便可以进一步得到整个用户服务加权评价矩阵，如图6-3所示。

图6-3　用户服务加权评价矩阵

用户服务加权评价矩阵与传统的服务评价矩阵区别在于其用户对O2O服务的评价采用的是加权处理后的评价值。而目前的推荐方法使用的服务评价矩阵，只对用户的服务评价采样一次，且不考虑服务的评价时间，显然是不符合O2O服务的特征属性的。

定义3 O2O服务提供商的数据模型是一个二元组Sp=（At，Rt）。其中，At是O2O服务提供商的属性特征向量，包含商家的运营历史时间Ht、商家的客流量Cf、商家的服务性质Ty等信息，采用多元组的形式表示At=（Ht，Cf，…，Ty）。而Rt则是指O2O服务提供商的加权服务评价矩阵，具体描述见定义4。(www.xing528.com)

定义4 O2O服务提供商的加权服务评价矩阵Rti是指服务提供商i的加权服务评价矩阵，仅包括服务提供商i所提供的服务的用户评价，其形式如图6-4所示。

图6-4　商家i的服务加权评价矩阵

其中，代表商家i的加权服务评价矩阵。如商家i提供了3项服务，总共有4个用户使用过该3项服务，则其服务评价矩阵为代表用户p对服务t的加权评价值，按照公式6-1进行计算，与等价。因为每个商家提供的服务都有自己独立的用户评价，因此，商家的服务评价矩阵可以采用图6-5的形式进行扩展。

图6-5　商家提供服务的加权评价矩阵扩展

我们假设商家i提供了3项服务，分别为用户服务加权评价矩阵的S9、S22、S27，总共有4个用户使用过该3项服务，分别为用户U5、U17、U21、U28，则其服务评价矩阵为，如图6-5的左部所示。那么我们可以将矩阵进行扩展，将其扩展成图6-5右部所示的m×n矩阵，其空余部分采用0元素进行填充。因此，矩阵等价于所有商家的服务加权评价扩展矩阵之和。如公式6-2所示。