[發(fā)明專利]一種個性化推薦方法及系統(tǒng)

有效

• 申請?zhí)枺?/td>: 201110365030.9
• 申請日: 2011-11-17
• 公開（公告）號: CN103116588B
• 公開（公告）日: 2017-07-04
• 發(fā)明（設(shè)計）人: 劉懷軍;劉玉璇
• 申請（專利權(quán)）人: 深圳市世紀光速信息技術(shù)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(quán)律師事務(wù)所11302
• 代理人: 劉杰

技術(shù)領(lǐng)域

本發(fā)明屬于互聯(lián)網(wǎng)技術(shù)領(lǐng)域，尤其涉及一種個性化推薦方法及系統(tǒng)。

背景技術(shù)

隨著互聯(lián)網(wǎng)搜索引擎技術(shù)的迅猛發(fā)展以及社會性網(wǎng)絡(luò)服務(wù)(social networking service，SNS)的迅速普及，個性化推薦已成為了人們網(wǎng)絡(luò)生活中不可或缺的網(wǎng)絡(luò)服務(wù)之一，也成為了互聯(lián)網(wǎng)產(chǎn)品未來發(fā)展的一個重點。

現(xiàn)有的個性化推薦方案如下：1、用戶根據(jù)自身興趣自行設(shè)定喜好的興趣標簽，系統(tǒng)根據(jù)推薦內(nèi)容與用戶興趣標簽的匹配程度為用戶進行個性化推薦。例如，在新浪微博中，用戶自行設(shè)定自己的興趣標簽，系統(tǒng)根據(jù)推薦微博與用戶興趣標簽的匹配程度，為用戶進行微博的個性化推薦；2、用戶根據(jù)自身興趣，在已經(jīng)設(shè)定好的分類中選擇感興趣的類別標簽，系統(tǒng)根據(jù)推薦內(nèi)容與用戶類別標簽的匹配程度為用戶進行個性化推薦。例如，在百度知道中，用戶自行選擇自己擅長領(lǐng)域的類別標簽，系統(tǒng)根據(jù)待解答問題與用戶類別標簽的匹配程度，為用戶進行待解答問題的個性化推薦。

然而，由于用戶自行選擇標簽的時間及精力有限，或者鑒于個人隱私不愿意去配置相應(yīng)的標簽，導(dǎo)致標簽描述不準確且覆蓋率低，使得現(xiàn)有技術(shù)無法將標簽與推薦內(nèi)容進行精確匹配。

發(fā)明內(nèi)容

本發(fā)明實施例提供一種個性化推薦方法，旨在解決現(xiàn)有的個性化推薦必須由用戶自行設(shè)定標簽，導(dǎo)致推薦內(nèi)容與標簽匹配的準確度和覆蓋率均不高的問題。

本發(fā)明實施例是這樣實現(xiàn)的，一種個性化推薦方法，所述方法包括下述步驟：

分別提取用戶數(shù)據(jù)和推薦內(nèi)容的特征詞，所述特征詞用于表征其所處數(shù)據(jù)的領(lǐng)域；

根據(jù)提取出的特征詞，通過在預(yù)設(shè)的領(lǐng)域分類體系中分別針對用戶數(shù)據(jù)和推薦內(nèi)容為每個級別生成相應(yīng)的分類模型，獲取用戶數(shù)據(jù)和推薦內(nèi)容歸屬于每個類別的分類概率；

根據(jù)相應(yīng)的分類概率生成用戶興趣標簽樹和推薦內(nèi)容標簽樹，計算所述用戶興趣標簽樹和所述推薦內(nèi)容標簽樹的相關(guān)性，當(dāng)所述相關(guān)性大于第一預(yù)設(shè)閾值時，為用戶推薦相應(yīng)的推薦內(nèi)容。

本發(fā)明實施例的另一目的在于提供一種個性化推薦系統(tǒng)，所述系統(tǒng)包括：

特征詞提取模塊，用于分別提取用戶數(shù)據(jù)和推薦內(nèi)容的特征詞；

分類概率獲取模塊，用于根據(jù)提取出的特征詞，通過在預(yù)設(shè)的領(lǐng)域分類體系中分別針對用戶數(shù)據(jù)和推薦內(nèi)容為每個級別生成相應(yīng)的分類模型，獲取用戶數(shù)據(jù)和推薦內(nèi)容歸屬于每個類別的分類概率；

推薦模塊，用于根據(jù)相應(yīng)的分類概率生成用戶興趣標簽樹和推薦內(nèi)容標簽樹，計算所述用戶興趣標簽樹和所述推薦內(nèi)容標簽樹的相關(guān)性，當(dāng)所述相關(guān)性大于第一預(yù)設(shè)閾值時，為用戶推薦相應(yīng)的推薦內(nèi)容。

在本發(fā)明實施例中，基于從用戶數(shù)據(jù)和推薦內(nèi)容中提取出的特征詞，對領(lǐng)域分類體系的每一級均生成不同的分類模型，來分別對用戶數(shù)據(jù)及推薦內(nèi)容進行自動分類，從而生成相應(yīng)的標簽樹，以進一步通過相關(guān)性匹配來實現(xiàn)對用戶的個性化推薦，提高了標簽描述的準確性和覆蓋率，也由此提高了用戶數(shù)據(jù)與推薦內(nèi)容匹配的精確性。

附圖說明

圖1是本發(fā)明第一實施例提供的個性化推薦方法的實現(xiàn)流程圖；

圖2A是詞匯“JUMPSQ”的類間分布和類先驗分布的對比情況圖；

圖2B是詞匯“招股”的類間分布和類先驗分布的對比情況圖；

圖2C是詞匯“始端”的類間分布和類先驗分布的對比情況圖；

圖3是本發(fā)明實施例提供的領(lǐng)域分類體系示例圖；

圖4是本發(fā)明第二實施例提供的個性化推薦方法自動分類的具體實現(xiàn)流程圖；

圖5是本發(fā)明第三實施例提供的個性化推薦方法相關(guān)性計算的具體實現(xiàn)流程圖；

圖6A是本發(fā)明實現(xiàn)示例提供的用戶興趣標簽樹示例圖；

圖6B是本發(fā)明實現(xiàn)示例提供的推薦內(nèi)容標簽樹示例圖；

圖7是本發(fā)明第四實施例提供的個性化推薦系統(tǒng)的結(jié)構(gòu)圖。

具體實施方式

為了使本發(fā)明的目的、技術(shù)方案及優(yōu)點更加清楚明白，以下結(jié)合附圖及實施例，對本發(fā)明進行進一步詳細說明。應(yīng)當(dāng)理解，此處所描述的具體實施例僅僅用以解釋本發(fā)明，并不用于限定本發(fā)明。

在本發(fā)明實施例中，基于從用戶數(shù)據(jù)和推薦內(nèi)容中提取出的特征詞，并根據(jù)改進的貝葉斯(Bayes)分類算法來分別對用戶數(shù)據(jù)及推薦內(nèi)容進行自動分類，從而生成相應(yīng)的標簽樹，以進一步通過相關(guān)性匹配來實現(xiàn)對用戶的個性化推薦，提高了標簽描述的準確性和覆蓋率，也由此提高了用戶數(shù)據(jù)與推薦內(nèi)容匹配的精確性。

圖1示出了本發(fā)明第一實施例提供的個性化推薦方法的實現(xiàn)流程，詳述如下：