CN107767238A - 一种基于电力交易用户最优特征子集的售电套餐推荐方法 - Google Patents

Abstract

针对电力市场用户群庞大，交易过程中售电套餐选择困难的问题，本发明提出一种基于电力交易用户最优特征子集的售电套餐推荐方法。首先，定义了电力交易用户最优特征子集，并设计基于加权递增项目覆盖率最优子集的发现算法，合理地从海量交易用户中筛选出最优用户特征子集。然后，提出一种基于属性相关的售电套餐相似性计算方法，通过聚类和确定套餐属性权重的方式计算套餐相似度，得到套餐项目的最近邻。最后，基于最优特征子集和套餐属性实现了售电套餐的精准推荐。

Description

一种基于电力交易用户最优特征子集的售电套餐推荐方法

技术领域

本发明涉及电力市场信息技术领域，一种基于电力交易用户最优特征子集的售电套餐推 荐方法。

背景技术

我国关于进一步深化电力体制改革的若干意见表明了国家对售电市场改革的高度关注。 售电是电力消费的核心环节，电力作为一种商品具有天然的用户粘性，可以衍生和嫁接众多 用户增值服务，并将被不断发觉与创新，价值空间巨大。其中售电套餐是竞争性售电中互联 网思维下的服务及运营模式的创新，也是竞争性电力市场的必然产物。售电公司以套餐作为 载体，向用户提供售电服务，竞争力强的售电套餐对于售电公司获得市场竞争力具有举足轻 重的作用，所以考虑用户使用行为与市场竞争形势的售电套餐管理工作将是售电公司参与市 场竞争的焦点。而售电套餐产品的数量、种类和内容纷繁复杂，也给用户带来了套餐匹配与 选择相关的困扰。在新型电力市场背景下，售电的方式在转变，想要去挖掘更多的用户，有 效的套餐推荐将是必然选择。

协同过滤是迄今为止应用最成功的个性化推荐技术。协同过滤推荐算法主要利用用户的 历史行为信息为用户建模进而做出推荐的一类算法。目前该领域的协同过滤推荐算法主要是 基于用户的协同过滤推荐算法和基于项目的协同过滤算法。协同过滤算法具有适用面广，可 以对难以分析的产品进行推荐、利于挖掘用户新的偏好和潜在需求等优势。但在使用协同过 滤算法进行推荐的过程中依然有如下问题：没有考虑冷门项目极易淹没在热门项目中的问题， 忽略了冷门项目对于推荐的贡献率；没有考虑项目的属性特征，无法保障推荐结果的精确度； 忽略了庞大用户群对推荐效率的影响。

售电套餐推荐方法的研究是推进电力服务产品智能化水平的重要手段，增强了个性化推 荐方法在电力行业匹配与应用，丰富了电力服务产品的分析维度。对于消费者而言，有助于 消费者发现自身的需求点，获得更需要的、更适合的售电套餐。对于电改后的售电公司及发 电企业而言，有助于更好更深地挖掘用户需求，快速便捷定位套餐的目标用户，实现套餐及 相关业务产品科学准确的营销推广，扩大套餐用户群，增加营业收入。为此，个性化、智能 化的售电套餐推荐显得尤其重要和必要。

发明内容

本发明的目的是克服了现有技术的协同过滤算法存在的不足，提供一种科学合理，适用 性强，效果佳，能够实现售电套餐精准推荐的基于电力交易用户最优特征子集的售电套餐推 荐方法。

本发明的目的是由以下技术方案来实现的：一种基于电力交易用户最优特征子集的售电 套餐推荐方法，其特征是，它包括以下步骤：

1)基于加权递增项目覆盖率的最优特征子集发现算法，从海量电力交易用户中筛选出最 优用户子集，达到项目覆盖率和评分准确度

(a)定义加权递增项目覆盖率和电力交易用户特征子集，尽可能表示全体用户在电力套 餐交易过程中的兴趣偏好：

(b)根据电力用户与售电套餐的评分矩阵，将没有出现在矩阵中的电力交易用户与售电 套餐从电力交易用户集合和售电套餐集合中去除，使用增加权重的递增售电套餐项目覆盖率 公式依次选出最大覆盖率的电力交易用户u，如此循环往复；

(c)利用步骤(b)直至找到k个电力交易用户构成初始电力交易用户最优特征子集， 再通过控制评分误差阈值调整k的大小得到电力交易用户最优特征子集，

其中电力交易用户最优特征子集的判定条件为：使子集评分误差Err(U')最小化；使项目 覆盖率最大化，子集评分误差Err(U')

avg(P_j,U')是售电套餐项目p_j在电力交易用户子集U'中的平均得分，avg(P_j,U)是售电套 餐项目p_j在全体用户U中的平均得分，可以看出，Err(U')越小，电力交易用户子集U'越能够 代表全体电力交易用户的兴趣偏好，

增加权重的递增售电套餐项目覆盖率ICov_U′(u)

P代表售电套餐项目集合，p_j∈P_u表示售电套餐项目P_j属于用户u所评分的套餐项目， 表示售电套餐项目P_j不属于用户u所评分的套餐项目，

其中，权重ω_j

S_j表示一共有S_j个电力交易用户选择过售电套餐项目P_j，U表示全体电力交易用户，可 以看出，售电套餐项目被选择的次数越多，权重ω_j越小，所以为出现次数少的售电套餐冷门 项目给予了较高的权重，从而降低售电套餐冷门项目被热门项目覆盖的可能；

2)基于属性相关的售电套餐相似性计算方法，通过聚类和确定套餐属性权重的方式计算 套餐相似度，得到套餐项目最近邻

(d)根据售电套餐项目集合，构建售电套餐项目属性矩阵A＝(a_ij)_n×m，属性值a_ij用数值表 示，若不能，则用二元变量(0,1)表示；

(e)根据单个套餐的所有属性值对售电套餐进行聚类，并利用层次分析法确定售电套餐的 每个属性权重；

(f)在目标聚类簇中根据属性相似度公式计算得到两个售电套餐项目的综合相似度，从而 得到售电套餐的相似度矩阵；

售电套餐属性特征综合的相似性计算

其中，ω_k是第k个属性特征权值，a_ik表示套餐i的第k个属性上的值，ω_k/1+|a_ik-a_jk|表示 套餐i和套餐j在第k个属性上的相似性；

3)根据售电套餐相似度矩阵和用户套餐评分集合，生成用户u对目标项目i的初始预测 评分；

4)根据初始预测评分找到目标用户u在电力交易用户最优特征子集中的最近邻，得到目 标用户u未评分的售电套餐项目的最终预测评分；

5)将售电套餐项目按照最终预测得分从高到低排列，选出前N个作为目标用户的售电 套餐推荐集合，推荐给用户。

本发明的一种基于电力交易用户最优特征子集的售电套餐推荐方法，以加权递增售电套 餐项目覆盖率处理冷门售电套餐项目容易淹没在热门项目中的问题；以给出电力交易用户最 优特征子集的概念，正确地反映全体用户的在套餐交易过程中的兴趣偏好，并设计一种基于 加权递增项目覆盖率的最优特征子集发现算法，根据加权递增售电套餐项目覆盖率合理地从 海量电力交易用户中筛选出最优用户子集，达到较高的项目覆盖率和评分准确度；提出一种 基于属性相关的售电套餐相似性计算方法，通过聚类和确定套餐属性权重的方式计算套餐相 似度得到套餐项目的最近邻；最后，基于最优特征子集和套餐属性实现了售电套餐的精准推 荐。其所具有的有益效果体现在：在套餐推荐过程中考虑了售电套餐项目的属性特征，保障 了推荐结果的精确度，并把聚类应用到其中，缩小了套餐的搜索范围；考虑了庞大用户群对 推荐效率的影响，定义了电力交易用户最优特征子集和加权递增售电套餐项目覆盖率，正确 地反映全体用户的在套餐交易过程中的兴趣偏好并解决了冷门售电套餐项目曝光率低的问 题，同时避免了推荐过程中产生的流行偏置问题，也缩小了用户的搜索范围，保证的了推荐 过程中的效率问题；科学合理，适应性强，效果佳。

附图说明

图1为一种基于电力交易用户最优子集的售电套餐推荐方法流程图；

图2为基于加权递增项目覆盖率的最优特征子集发现算法流程图；

图3为基于属性相关的售电套餐相似性计算方法流程图；

图4为不同比例测试集上MAE值示意图；

图5为Top-K推荐准去率结果比较示意图。

具体实施方式

下面结合附图对本发明的一种基于电力交易用户最优子集的售电套餐推荐方法作详细描 述。

参照图1，一种基于电力交易用户最优子集的售电套餐推荐方法，包括如下步骤：

(1)所述基于加权递增项目覆盖率的最优特征子集发现算法，从海量电力交易用户中筛 选出最优用户子集，达到较高的项目覆盖率和评分准确度的步骤是：

1)定义加权递增售电套餐项目覆盖率。

定义电力交易用户集合

U＝{U_i} 0≤i＜|U| (5)

和售电套餐项目集合

P＝{p_j} 0≤j＜|P| (6)

电力交易用户与售电套餐项目之间的互动信息用评分矩阵R表示

R＝{R_ij}_|U|×|P| r_ij≥0 (7)

r_ij＝0说明电力交易用户u_i对售电套餐项目p_j没有进行评分，即u_i的行为并没有覆盖售电 套餐项目p_j，对于电力交易用户子集U'，定义其售电套餐项目覆盖集为

电力交易用户子集U'的售电套餐项目覆盖率表示为

对于大小都为k的电力交易用户子集，售电套餐的项目覆盖率具有单调递增性，即

0≤Cov(U₁)≤Cov(U₁∪U₂)≤1 (10)

定义电力交易用户子集U₁加入用户子集U'后的递增售电套餐项目覆盖率为

ICov_U′(U₁)＝Cov(U₁∪U′)-Cov(U′) (11)

由于无法确定两个电力交易用户子集的售电餐项目覆盖集是否为空交集，因此Cov(U₁)>Cov(U₂)时，ICov_U'(U₁)>ICov_U'(U₂)不一定成立。

令U₁＝{u}，即每次选择一个电力交易用户用户u加入U'，都有

由于P_u和P_U'中相同的售电套餐项目会相互抵消，于是有

其中f()为

上式中，p_j＝1表示p_j存在，p_j＝0表示p_j不存在，由于电力交易用户对售电套餐项目的选 择有长尾性，用户更愿意选择热门售电套餐项目，而忽略了少数人购买的冷门售电套餐，因 此冷门的售电套餐项目总是被热门项目覆盖，为了解决该问题，定义增加权重的递增售电套 餐项目覆盖率为

其中，权重ω_j为

其中，S_j表示一共有S_j个电力交易用户选择过售电套餐项目P_j，可以看出，售电套餐项 目被选择的次数越多，权重ω_j越小，所以为出现次数少的售电套餐冷门项目给予了较高的权 重，从而提高售电套餐冷门项目被热门项目覆盖的可能。

2)电力交易用户最优特征子集的定义。

由于希望电力交易用户最优特征子集能尽可能表示全体用户在售电套餐交易中的兴趣偏 好，因此用子集评分误差Err(U')表示电力交易用户子集和全体电力交易用户之间的兴趣特征 偏差，即

其中，avg(P_j,U')是售电套餐项目p_j在电力交易用户子集U'中的平均得分。可以看出， Err(U')越小，电力交易用户子集U'越能够代表全体电力交易用户的兴趣偏好。但是，如果此 时Cov(U')较小，则说明该电力交易用户子集U'不能充分覆盖全体售电套餐项目，此时的用户 子集不具有代表全体用户的能力。

所以，电力交易用户最优特征子集(Power Trading Users of Optimal FeatureSubset，POFS) 作为电力交易用户集合U的一个子集，应同时满足如下要求：使Err(U')最小化；使Cov(POFS) 最大化。

3)根据电力用户与售电套餐的评分矩阵R，横向代表电力交易用户u，纵向代表售电套 餐j，数据r_ij为用户u对每个售电套餐j的星级评分。将没有出现在R中的电力交易用户从电 力交易用户集合U中去除，同时将没有出现在R中的售电套餐从售电套餐集合P中去除。

4)创建一个空的电力交易用户子集U'＝Φ，同时创建候选电力交易用户集合U_c＝U。

5)对于U_c中的任一电力交易用户，使用增加权重的递增售电套餐项目覆盖率公式对其 进行增加权重的递增售电套餐项目覆盖率计算，将获得最大覆盖率的电力交易用户u添加到 U'中，同时将u从U_c中删除。

6)重复步骤3，直到k个电力交易用户，作为初始用户子集U'。根据式(17)计算初始用户子集U'和全体电力交易用户U之间的兴趣特征偏差Err(U')。设置子集评分误差阈值α来控制较小的评分误差，若Err(U')<α，输出U'；否则，调整k的大小，直至U'满足Err(U')<α。

U'就是所求的电力交易用户最优特征子集POFS。

(2)属性是针对项目本身特性的，对于推荐来说稳定性更高，更能比较真实的反映用户 与项目之间的关系以及项目与项目之间的关系，根据套餐本身属性进行相似性计算，能够解 决用户首次购买套餐无评分数据导致无法推荐的冷启动问题。所述基于属性相关的售电套餐 相似性计算方法通过聚类和确定套餐属性权重的方式计算套餐相似度，得到套餐项目最近邻 的步骤是：

1)根据售电套餐项目集合P，构建n×m阶售电套餐项目属性矩阵A＝(a_ij)_n×m，a_ij表示售 电套餐项目i的第j个属性。

2)属性值a_ij用相应数值来表示，若不能用数值表示，则用二元变量(0,1)表示，若售电 套餐项目i包含第j个属性，则a_ij＝1，不包含a_ij＝0。以部分数据为例，如下所示：

表1套餐属性矩阵

3)把矩阵A中的每个售电套餐项目当做一个向量，如并把 其作为空间中的顶点进行套餐项目聚类，找到目标项目所在的簇。

4)利用层次分析法迭代确定矩阵A中每个售电套餐属性的权重值ω。

把套餐属性进行两两比较，得到表示相对关系的判断矩阵A：

求解行列式|A-λE|＝0的最大特征根λ_max，将λ_max带入齐次线性方程组(A-λE)ω＝0，解出λ_max对应的特征向量ω＝(ω₁，ω₂，...，ω₉)^T就是各个套餐的属性权重值。

5)在目标聚类簇中加权计算得到两个售电套餐项目的综合相似度，从而得到售电套餐的 相似度矩阵W。套餐i和套餐j在第k个属性上的相似性可表示为：ω_k/1+|a_ik-a_jk|，售电套餐 项目i、j之间相似性即为它们属性特征综合的相似性，计算公式为

售电套餐的相似度矩阵W为

其中矩阵数值为两个套餐之间的相似性。

其中，ω_k是第k个属性特征权值。

(3)根据售电套餐相似度矩阵和用户套餐评分集合，生成用户u对目标项目i的初始预 测评分的步骤是：

1)根据售电套餐相似度矩阵W，得到套餐项目i的最近邻居集合KNN(i)。

2)在基于项目的协同过滤算法进行改进，结合用户套餐评分集合R，通过以asim(i,j)为 权重加权平均最近邻居集KNN(i)对目标售电套餐项目的评分，生成用户u对目标项目i的初 始预测评分，表示为

表示用户i对售电套餐项目的平均评分，r_uj表示用户u对售电套餐项目j的评分。

(4)根据初始预测评分找到目标用户u在电力交易用户最优特征子集中的最近邻，得到 目标用户u未评分的售电套餐项目的最终预测评分的步骤是：

1)计算目标用户u和POFS中的每个特征用户v的相似度，并从POFS中选出和u相似度最高的k个用户当做最近邻集合U_N。电力交易用户u和v的相似度表示为

其中，I_uv表示用户u、v共同评分过的项目集，表示用户u对已评价售电套餐项目的 平均评分。

2)对于目标用户u未评分的售电套餐项目p，u的最终预测得分由U_N对p的加权平均分 得到，用户u对项目i的预测评分公式为

表示用户u对售电套餐项目的平均评分，r_vi表示用户v对售电套餐项目i的评分。

为验证采用本发明提供的基于电力交易用户最优特征子集的售电套餐推荐方法能够提高 售电套餐推荐的准确度，发明人分别采用本发明提供的方法和现有技术中推荐精度较高的基 于用户的协同过滤算法(UCF)、局部性的基于用户的协同过滤算法(LUCF)、基于模型的推 荐算法(SVD)和局部性的基于模型的推荐算法(LSVD)进行对比，对美国淘电网的售电套 餐数据集进行处理，数据集包括6080个电力交易用户，2646个邮政编码，2093个售电套餐 项目，有1106307个星级评分，星级评分范围是1到5的整数，稀疏度90.56％。

发明人计算了采用本发明提供的推荐方法以及对比方法的售电套餐推荐的绝对平均误差 (MAE)，以及本发明方法和其他对比方法的套餐推荐准确性Top-K值的比较。图4给出了 在不同测试集比例的绝对平均误差，图5给出了套餐Top-K推荐结果的比较。从图4可以看 出，采用本发明套餐推荐方法的平均误差要小于其他方法的误差。从图5可以看出，采用本 发明套餐推荐方法的推荐准确率要高于其他方法的准确率。以上证明了本发明提出方法的可 行性与准确性。

Claims (1)

1.一种基于电力交易用户最优特征子集的售电套餐推荐方法，其特征是，它包括以下步骤：

1)基于加权递增项目覆盖率的最优特征子集发现算法，从海量电力交易用户中筛选出最优用户子集，达到项目覆盖率和评分准确度

(a)定义加权递增项目覆盖率和电力交易用户特征子集，尽可能表示全体用户在电力套餐交易过程中的兴趣偏好：

(b)根据电力用户与售电套餐的评分矩阵，将没有出现在矩阵中的电力交易用户与售电套餐从电力交易用户集合和售电套餐集合中去除，使用增加权重的递增售电套餐项目覆盖率公式依次选出最大覆盖率的电力交易用户u，如此循环往复；

(c)利用步骤(b)直至找到k个电力交易用户构成初始电力交易用户最优特征子集，再通过控制评分误差阈值调整k的大小得到电力交易用户最优特征子集，

其中电力交易用户最优特征子集的判定条件为：使子集评分误差Err(U')最小化；使项目覆盖率最大化，子集评分误差Err(U')

<mrow> <mi>E</mi> <mi>r</mi> <mi>r</mi> <mrow> <mo>(</mo> <msup> <mi>U</mi> <mo>&amp;prime;</mo> </msup> <mo>)</mo> </mrow> <mo>=</mo> <munder> <mo>&amp;Sigma;</mo> <mrow> <msub> <mi>p</mi> <mi>j</mi> </msub> <mo>&amp;Element;</mo> <mi>P</mi> </mrow> </munder> <mfrac> <mrow> <mo>|</mo> <mi>a</mi> <mi>v</mi> <mi>g</mi> <mrow> <mo>(</mo> <msub> <mi>p</mi> <mi>j</mi> </msub> <mo>,</mo> <msup> <mi>U</mi> <mo>&amp;prime;</mo> </msup> <mo>)</mo> </mrow> <mo>-</mo> <mi>a</mi> <mi>v</mi> <mi>g</mi> <mrow> <mo>(</mo> <msub> <mi>p</mi> <mi>j</mi> </msub> <mo>,</mo> <mi>U</mi> <mo>)</mo> </mrow> <mo>|</mo> </mrow> <mrow> <mi>a</mi> <mi>v</mi> <mi>g</mi> <mrow> <mo>(</mo> <msub> <mi>p</mi> <mi>j</mi> </msub> <mo>,</mo> <mi>U</mi> <mo>)</mo> </mrow> </mrow> </mfrac> <mo>&amp;times;</mo> <mn>100</mn> <mi>%</mi> </mrow>

avg(P_j,U')是售电套餐项目p_j在电力交易用户子集U'中的平均得分，avg(P_j,U)是售电套餐项目p_j在全体用户U中的平均得分，可以看出，Err(U')越小，电力交易用户子集U'越能够代表全体电力交易用户的兴趣偏好，

增加权重的递增售电套餐项目覆盖率ICov_U′(u)

<mrow> <msub> <mi>ICov</mi> <msup> <mi>U</mi> <mo>&amp;prime;</mo> </msup> </msub> <mrow> <mo>(</mo> <mi>u</mi> <mo>)</mo> </mrow> <mo>=</mo> <mfrac> <mrow> <munder> <mo>&amp;Sigma;</mo> <mrow> <msub> <mi>p</mi> <mi>j</mi> </msub> <mo>&amp;Element;</mo> <mi>P</mi> </mrow> </munder> <msub> <mi>&amp;omega;</mi> <mi>j</mi> </msub> <mo>&amp;times;</mo> <mi>f</mi> <mrow> <mo>(</mo> <msub> <mi>p</mi> <mi>j</mi> </msub> <mo>&amp;Element;</mo> <msub> <mi>P</mi> <mi>u</mi> </msub> <mo>,</mo> <msub> <mi>p</mi> <mi>j</mi> </msub> <mo>&amp;NotElement;</mo> <msub> <mi>P</mi> <mi>u</mi> </msub> <mo>)</mo> </mrow> </mrow> <mrow> <mo>|</mo> <mi>P</mi> <mo>|</mo> </mrow> </mfrac> <mo>&amp;times;</mo> <mn>100</mn> <mi>%</mi> </mrow>

P代表售电套餐项目集合，p_j∈P_u表示售电套餐项目P_j属于用户u所评分的套餐项目，

表示售电套餐项目P_j不属于用户u所评分的套餐项目，

其中，权重ω_j

<mrow> <msub> <mi>&amp;omega;</mi> <mi>j</mi> </msub> <mo>=</mo> <mn>1</mn> <mo>-</mo> <mfrac> <mrow> <mi>lg</mi> <mrow> <mo>(</mo> <msub> <mi>S</mi> <mi>j</mi> </msub> <mo>)</mo> </mrow> </mrow> <mrow> <mi>lg</mi> <mrow> <mo>(</mo> <mo>|</mo> <mi>U</mi> <mo>|</mo> <mo>)</mo> </mrow> </mrow> </mfrac> </mrow>

S_j表示一共有S_j个电力交易用户选择过售电套餐项目P_j，U表示全体电力交易用户，可以看出，售电套餐项目被选择的次数越多，权重ω_j越小，所以为出现次数少的售电套餐冷门项目给予了较高的权重，从而降低售电套餐冷门项目被热门项目覆盖的可能；

2)基于属性相关的售电套餐相似性计算方法，通过聚类和确定套餐属性权重的方式计算套餐相似度，得到套餐项目最近邻

(d)根据售电套餐项目集合，构建售电套餐项目属性矩阵A＝(a_ij)_n×m，属性值a_ij用数值表示，若不能，则用二元变量(0,1)表示；

(e)根据单个套餐的所有属性值对售电套餐进行聚类，并利用层次分析法确定售电套餐的每个属性权重；

(f)在目标聚类簇中根据属性相似度公式计算得到两个售电套餐项目的综合相似度，从而得到售电套餐的相似度矩阵；

售电套餐属性特征综合的相似性asim(i,j)

<mfenced open = "" close = ""> <mtable> <mtr> <mtd> <mrow> <mi>a</mi> <mi>s</mi> <mi>i</mi> <mi>m</mi> <mrow> <mo>(</mo> <mi>i</mi> <mo>,</mo> <mi>j</mi> <mo>)</mo> </mrow> <mo>=</mo> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>k</mi> <mi>=</mi> <mn>1</mn> </mrow> <mi>t</mi> </munderover> <mfrac> <msub> <mi>&amp;omega;</mi> <mi>k</mi> </msub> <mrow> <mn>1</mn> <mo>+</mo> <mo>|</mo> <msub> <mi>a</mi> <mrow> <mi>i</mi> <mi>k</mi> </mrow> </msub> <mo>-</mo> <msub> <mi>a</mi> <mrow> <mi>j</mi> <mi>k</mi> </mrow> </msub> <mo>|</mo> </mrow> </mfrac> </mrow> </mtd> <mtd> <mrow> <mn>0</mn> <mo>&amp;le;</mo> <msub> <mi>&amp;omega;</mi> <mi>k</mi> </msub> <mo>&amp;le;</mo> <mn>1</mn> </mrow> </mtd> </mtr> </mtable> </mfenced>

其中，ω_k是第k个属性特征权值，a_ik表示套餐i的第k个属性上的值，ω_k/1+|a_ik-a_jk|表示套餐i和套餐j在第k个属性上的相似性；

3)根据售电套餐相似度矩阵和用户套餐评分集合，生成用户u对目标项目i的初始预测评分；

4)根据初始预测评分找到目标用户u在电力交易用户最优特征子集中的最近邻，得到目标用户u未评分的售电套餐项目的最终预测评分；

5)将售电套餐项目按照最终预测得分从高到低排列，选出前N个作为目标用户的售电套餐推荐集合，推荐给用户。