[發明專利]一種個性化推薦方法及系統

有效

• 申請號: 201110365030.9
• 申請日: 2011-11-17
• 公開（公告）號: CN103116588B
• 公開（公告）日: 2017-07-04
• 發明（設計）人: 劉懷軍;劉玉璇
• 申請（專利權）人: 深圳市世紀光速信息技術有限公司
• 主分類號: G06F17/30
• 分類號: G06F17/30
• 代理公司: 北京華沛德權律師事務所11302
• 代理人: 劉杰

1.一種個性化推薦方法，其特征在于，所述方法包括下述步驟：

分別提取用戶數據和推薦內容的特征詞，所述特征詞用于表征其所處數據的領域；

根據提取出的特征詞，通過在預設的領域分類體系中分別針對用戶數據和推薦內容為每個級別生成相應的分類模型，獲取用戶數據和推薦內容歸屬于每個類別的分類概率；

根據相應的分類概率生成用戶興趣標簽樹和推薦內容標簽樹，計算所述用戶興趣標簽樹和所述推薦內容標簽樹的相關性，當所述相關性大于第一預設閾值時，為用戶推薦相應的推薦內容。

2.如權利要求1所述的方法，其特征在于，在所述分別提取用戶數據和推薦內容的特征詞的步驟之前，所述方法包括下述步驟：

建立多級的領域分類體系。

3.如權利要求1所述的方法，其特征在于，所述分別提取用戶數據和推薦內容的特征詞的步驟包括：

度量用戶數據和推薦內容中詞匯的特征強度；將特征強度大于第二預設閾值的詞匯分別提取為用戶數據和推薦內容的特征詞。

4.如權利要求1所述的方法，其特征在于，所述獲取用戶數據和推薦內容歸屬于每個類別的分類概率的步驟包括：

在所述領域分類體系的每個級別中，通過每個特征詞為每個類別生成一個投票值；

分別針對用戶數據和推薦內容，將每個類別的投票值進行累加，生成該類別的累計投票值；

歸一化所述累計投票值，分別生成用戶數據和推薦內容歸屬于該類別的分類概率。

5.如權利要求1所述的方法，其特征在于，所述計算所述用戶興趣標簽樹和所述推薦內容標簽樹的相關性的步驟包括：

根據相應的分類概率生成用戶興趣標簽樹和推薦內容標簽樹；

將分類概率由標簽樹的頂部標簽沿標簽樹的頂部至底部方向到當前標簽逐層連乘，得到所述當前標簽的權重，其中，所述當前標簽為標簽樹的任一標簽；

在所述用戶興趣標簽樹和所述推薦內容標簽樹具備公共節點的最底層，分別提取相應的標簽及權重，生成用戶興趣特征向量和推薦內容特征向量；

計算所述用戶興趣特征向量和所述推薦內容特征向量的相關性。

6.如權利要求5所述的方法，其特征在于，在所述計算所述用戶興趣特征向量和所述推薦內容特征向量的相關性的步驟中，通過余弦夾角來進行相關性計算。

7.一種個性化推薦系統，其特征在于，所述系統包括：

特征詞提取模塊，用于分別提取用戶數據和推薦內容的特征詞；

分類概率獲取模塊，用于根據提取出的特征詞，通過在預設的領域分類體系中分別針對用戶數據和推薦內容為每個級別生成相應的分類模型，獲取用戶數據和推薦內容歸屬于每個類別的分類概率；

推薦模塊，用于根據相應的分類概率生成用戶興趣標簽樹和推薦內容標簽樹，計算所述用戶興趣標簽樹和所述推薦內容標簽樹的相關性，當所述相關性大于第一預設閾值時，為用戶推薦相應的推薦內容。

8.如權利要求7所述的系統，其特征在于，所述系統還包括：

分類體系建立模塊，用于建立多級的領域分類體系。

9.如權利要求7所述的系統，其特征在于，所述特征詞提取模塊包括：

特征強度度量單元，用于度量用戶數據和推薦內容中詞匯的特征強度；

提取單元，用于將特征強度大于第二預設閾值的詞匯分別提取為用戶數據和推薦內容的特征詞。

10.如權利要求7所述的系統，其特征在于，所述分類概率獲取模塊包括：

投票值生成單元，用于在所述領域分類體系的每個級別中，通過每個特征詞為每個類別生成一個投票值；

投票值累加單元，用于分別針對用戶數據和推薦內容，將每個類別的投票值進行累加，生成該類別的累計投票值；

投票值歸一化單元，用于歸一化所述累計投票值，分別生成用戶數據和推薦內容歸屬于該類別的分類概率。

11.如權利要求7所述的系統，其特征在于，所述推薦模塊包括：

標簽樹生成單元，用于根據相應的分類概率生成用戶興趣標簽樹和推薦內容標簽樹；

標簽權重獲取單元，用于將分類概率由標簽樹的頂部標簽沿標簽樹的頂部至底部方向到當前標簽逐層連乘，得到所述當前標簽的權重，其中所述當前標簽為標簽樹的任一標簽；

特征向量生成單元，用于在所述用戶興趣標簽樹和所述推薦內容標簽樹具備公共節點的最底層，分別提取相應的標簽及權重，生成用戶興趣特征向量和推薦內容特征向量；

相關性計算單元，用于計算所述用戶興趣特征向量和所述推薦內容特征向量的相關性；

推薦單元，用于當所述相關性大于第一預設閾值時，為用戶推薦相應的推薦內容。