本發(fā)明所提供的一種面向物品集顯式反饋的推薦方法、終端及存儲介質(zhì)，其中，所述方法包括：獲取用戶對物品集的集中評分，并將所述集中評分映射到對所述物品集中單一物品的單一評分；根據(jù)所述單一評分和用戶之間的相似度，確定各用戶對所有物品和/或所有物品集的評分；將評分較高的指定數(shù)量個物品或物品集推薦給用戶。本發(fā)明通過對物品集中的單一物品進行評分映射，進而得到用戶對未評分物品和/或未評分物品集的預測評分，進而為用戶推薦評分值高的物品和/或物品集，以滿足多元化推薦模式。

技術(shù)領(lǐng)域

本發(fā)明涉及計算機技術(shù)領(lǐng)域，尤其涉及的是一種面向物品集顯式反饋的推薦方法、終端及存儲介質(zhì)。

背景技術(shù)

在很多商業(yè)互聯(lián)網(wǎng)平臺上，如淘寶、猜你喜歡、網(wǎng)易云音樂、每日歌曲推薦、豆瓣等平臺，皆會對用戶進行物品推薦。推薦的方式以淘寶為例進行舉例，一般系統(tǒng)會根據(jù)之前用戶對所購買物品的顯示反饋數(shù)據(jù)，來預測用戶對其它物品的評分，并把預測評分高的物品推薦給用戶。

但是，上述方式僅是針對單一物品的推薦，而用戶在購買物品時一般是集中購物，且越來越多的商家推出物品相關(guān)的套餐進行捆綁營銷。因而，通過單一物品進行物品推薦顯然不滿足多元化的物品推薦模式。

因此，現(xiàn)有技術(shù)存在缺陷，有待改進與發(fā)展。

發(fā)明內(nèi)容

本發(fā)明要解決的技術(shù)問題在于，針對現(xiàn)有技術(shù)的上述缺陷，提供一種面向物品集顯式反饋的推薦方法、終端及存儲介質(zhì)，旨在解決現(xiàn)有技術(shù)中的不能實現(xiàn)對物品集的推薦，不能滿足多元化物品營銷模式的問題。

本發(fā)明解決技術(shù)問題所采用的技術(shù)方案如下：

一種面向物品集顯式反饋的推薦方法，其中，包括：

獲取用戶對物品集的集中評分，并將所述集中評分映射到對所述物品集中單一物品的單一評分；

根據(jù)所述單一評分和用戶之間的相似度，確定各用戶對所有物品和/或所有物品集的評分；

將評分較高的指定數(shù)量個物品或物品集推薦給用戶。

進一步地，所述獲取用戶對物品集的集中評分，并將所述集中評分映射到對所述物品集中單一物品的單一評分，具體包括：

根據(jù)所述集中評分，對所述物品集中的單一物品進行評分設(shè)定；

根據(jù)所述單一物品當前所在物品集的集中評分、全局平均分和用戶的評分偏差，確定進行評分設(shè)定的單一物品對應的單一評分。

進一步地，所述根據(jù)所述集中評分，對所述物品集中的單一物品進行評分設(shè)定，具體包括：

當所述集中評分不小于第一閾值，對所述物品集中所有物品進行評分映射；

當所述集中評分不小于第二閾值且小于所述第一閾值時，對所述物品集中所有單個物品的全局平均分較高的指定數(shù)量個單一物品進行評分映射；

當所述集中評分不小于第三閾值且小于所述第二閾值時，對所述物品集中所有單個物品的全局平均分較低的指定數(shù)量個單一物品進行評分映射。

進一步地，所述根據(jù)所述集中評分，對所述物品集中的單一物品進行評分設(shè)定，還包括：

當所述集中評分不小于第四閾值時，對所述物品集中所有物品進行評分映射；

當所述集中評分不小于第五閾值且小于所述第四閾值時，對所述物品集中全局平均分最大、居中及最小的單一物品進行評分映射。

進一步地，所述根據(jù)所述單一物品當前所在物品集的集中評分、全局平均分和用戶的評分偏差，確定進行評分設(shè)定的單一物品對應的單一評分，具體包括：

根據(jù)所述用戶對每一物品集的集中評分、用戶平均評分和評分次數(shù)，確定所述用戶的評分偏差；