在线约会对象推荐模型

限制选择集的尺寸,往往会得到更好的结果.针对于网络约会而言,给予用户少量且多样的约会对象推荐,有利于网恋成功率的提高.首先根据采集的用户信息进行分类,包括表面信息:照片、姓名、身高、体重、年龄、月收入、住址、是否接受异地恋、ELO评分、择偶标准;深度信息:学历、性格;多样性信息:爱好;然后构建K均值聚类模型和协同过滤模型相结合的在线约会对象推荐模型,考虑到推荐对象多样性,所以先利用K均值聚类模型将所有用户分类并判断待匹配用户所属类别,然后,考虑推荐对象深度,所以运用协同过滤模型分别计算不同信息特征下,待匹配用户与其他用户之间的相似度,将三种特征相似度赋权重为0.2,、0.4、0.4,得到最后的总相似度.最后根据不同用户特征信息不同,得到不同的选择集尺寸,根据多次模拟得到临界相似度,具体原则为:小于临界相似度的排除,在待匹配用户所属类别中选择5个,其他类别中各选1个.通过此种方法便可得到最优的约会对象集.