本章研究所提算法的推荐过程是在传统的协同过滤中添加情景特征到相似用户群的计算中。第一，需要对评论数据进行情景标注，评分包括－1，0，1。第二，计算商品以及用户的情景特征向量，并作标准化处理。第三，找出每个用户的相似群体，首先计算用户之间的情景相似度；其次利用商品评分计算用户之间的相似度；最后综合两个相似度评分，找出相似用户群体的Top N。第四，Top N群体购买的商品形成一个商品集，剔除用户购买过的商品，依据评分计算出的相似度与依据情景计算出的相似度相结合，为用户做出推荐。

图10-1　推荐系统流程图

1）基于产品评分的用户相似度计算

Cu和Cv分别表示用户u和v购买商品的评分向量，表示用余弦相似性计算所得的用于u和v的相似性，值越大说明两个用户越相似。

2）基于用户情景特征的相似度计算

Au和Av分别表示用户u和v的对商品的情景特征的关注度向量，表示用余弦相似性计算所得的用于u和v的相似性，值越大说明两个用户越相似。(www.daowen.com)

对于所得到的相似度和用如下公式进行计算，得到的结果作为用户v与用户u之间的相似性得分。最后将得分按从小到大进行排列，选取前k个用户作为用户u的最近邻用户集U。

3）计算用户u对商品a的偏好值

rv，a表示用户v对商品a的评分，Au表示用户u的情景关注度向量，Ba表示商品a的情景特征向量。

4）评价指标

参考以往的评价标准，本章用准确率和召回率来评估个性化推荐方法的优劣。

Pre代表准确率，Re代表召回率。ST代表消费者购买的项目集合，SR代表推荐系统向顾客推荐项目集合。