本發明提供了一種基于矩陣分解算法的偏好發掘方法，包括如下步驟：通過社交網絡收集與偏好發掘相關的數據；由偏好發掘服務器接收移動終端發送的身份信息以及地理位置信息，基于地理位置信息將移動終端分成多個組，向多個移動終端組中的每個移動終端組中的多個移動終端發送偏好發掘相關信息傳輸尋呼消息；由移動終端接收偏好發掘相關信息傳輸尋呼消息，在接收到偏好發掘相關信息傳輸尋呼消息之后，隨機生成隨機退回時間；在隨機退回時間之后，向偏好發掘服務器發送數據傳輸接入請求；接收數據傳輸確認消息，由偏好發掘服務器基于與偏好發掘相關的數據，發現隱藏在數據中關聯用戶與物品之間的偏好關系，并基于偏好關系來生成推薦信息。

技術領域

本發明涉及大數據應用技術領域，特別涉及一種基于矩陣分解算法的偏好發掘方法及裝置。

背景技術

大數據（big data），指無法在一定時間范圍內用常規軟件工具進行捕捉、管理和處理的數據集合，是需要新處理模式才能具有更強的決策力、洞察發現力和流程優化能力的海量、高增長率和多樣化的信息資產。

存在很多有關偏好挖掘的現有技術。現有技術CN104766215B公開了一種綜合性、多維度的貨主選擇量化方法，適用于會員從多個維度對貨主進行客觀、綜合的評估量化。該發明充分考慮貨主準時裝卸貨、承運業務次數、遭平臺會員投訴次數、貨款支付及信息發布的及時率、一次報價成單率等多個影響選擇度量指標，基于組合最小二乘法和ELECTRE-II法的多屬性決策模型的指標權重劃分方法定量確定各指標權重，通過精確的大數據挖掘分析和模型算法較好地處理了以物流服務為交易對象的電子商務平臺合理評定貨主可信度問題，使平臺會員能夠判斷待選貨主的綜合情況并做出符合自己需求的選擇。

現有技術CN104281718B公開了一種根據用戶群體行為計算資訊相似度并對用戶進行數據挖掘智能推薦的解決方法，通過收集用戶行為數據并進行權重處理，把用戶進行區間劃分，通過大量的矩陣計算獲取任意資訊之間的相似度，結合歷史最近的點擊資訊列表，從相關資訊庫中選取和其歷史偏好相似度高、時效性好的資訊實時推薦，同時對離線、緩存資訊進行分析，如此即可快速推薦相似的和相關度極高的資訊給用戶。

現有技術CN104699693B獲取用戶的項目評分數據集，項目評分數據集包括用戶對項目的評分；獲得用戶-項目評分數據集中每個節點與一待推薦用戶節點的第一相關性權重Wi，第一相關性權重為同一類項目中的相關性權重；計算用戶-項目評分數據集中每個節點與待推薦用戶節點的第二相關性權重We，第二相關性權重為不同類項目間的相關性權重；根據We和Wi，得出每個節點的推薦度；根據推薦度確定待推薦項目。從二分圖的特點出發，先用隨機游走模型計算Wi，將用戶隱式分類；其次為避免反復計算節點間的相關性，直接計算待推薦用戶與鄰近用戶的相關性作為We，充分挖掘了用戶的潛在偏好項目節點，提高了推薦質量。

公開于該背景技術部分的信息僅僅旨在增加對本發明的總體背景的理解，而不應當被視為承認或以任何形式暗示該信息構成已為本領域一般技術人員所公知的現有技術。

發明內容

本發明的目的在于提供一種基于矩陣分解算法的偏好發掘方法及裝置，從而克服現有技術的缺點。

本發明提供了一種基于矩陣分解算法的偏好發掘方法，基于矩陣分解算法的偏好發掘方法包括如下步驟：

由移動終端通過社交網絡收集與偏好發掘相關的數據；

由偏好發掘服務器接收移動終端發送的身份信息以及地理位置信息；

由偏好發掘服務器基于地理位置信息將移動終端分成多個組；

由偏好發掘服務器向多個移動終端組中的每個移動終端組中的多個移動終端發送偏好發掘相關信息傳輸尋呼消息；

由移動終端接收偏好發掘相關信息傳輸尋呼消息，其中，每個移動終端組中的多個移動終端接收的偏好發掘相關信息傳輸尋呼消息中包括相同的組身份標志；