[發(fā)明專利]一種電子圖書推薦的方法及系統(tǒng)

有效

• 申請(qǐng)?zhí)枺?/td>: 201110430910.X
• 申請(qǐng)日: 2011-12-20
• 公開（公告）號(hào): CN103176982A
• 公開（公告）日: 2013-06-26
• 發(fā)明（設(shè)計(jì)）人: 戴和忠;邱一豐;田原;沈治;斯凌;李玉巍
• 申請(qǐng)（專利權(quán)）人: 中國移動(dòng)通信集團(tuán)浙江有限公司
• 主分類號(hào): G06F17/30
• 分類號(hào): G06F17/30
• 代理公司: 北京銀龍知識(shí)產(chǎn)權(quán)代理有限公司 11243
• 代理人: 黃燦;姜精斌

技術(shù)領(lǐng)域

本發(fā)明涉及文本數(shù)據(jù)分析技術(shù)領(lǐng)域，具體設(shè)計(jì)一種基于用戶社會(huì)網(wǎng)絡(luò)特性的電子圖書推薦方法及系統(tǒng)。

背景技術(shù)

現(xiàn)有技術(shù)中向用戶推薦電子圖書的方法有多種，以下進(jìn)行簡單說明：

第一種方法是基于用戶以往的閱讀歷史數(shù)據(jù)，推斷用戶的閱讀偏好，再根據(jù)推斷出的閱讀偏好向用戶推薦對(duì)應(yīng)的電子圖書。但在該種方法中，對(duì)于用戶閱讀偏好的推斷存在一定不足，主要是：由于閱讀平臺(tái)所提供的圖書的類別分布不均，且原創(chuàng)類圖書較多，通常主要集中在言情、穿越、玄幻等類別；同時(shí)由于手機(jī)閱讀用戶的主要用戶群是學(xué)生、外來務(wù)工人員和都市白領(lǐng)，而這一大部分用戶訪問圖書通常集中在言情穿越玄幻等熱門分類上，造成系統(tǒng)在對(duì)用戶偏好進(jìn)行判定時(shí)大部分用戶的偏好被判定為熱門分類。上述這種情況對(duì)于圖書推薦造成很多障礙，例如根據(jù)系統(tǒng)判斷，許多高端商務(wù)人士可能被判定為言情或穿越類的閱讀偏好，對(duì)其進(jìn)行相應(yīng)的圖書推薦容易引起反感和用戶體驗(yàn)下降。

第二種方法：由于僅根據(jù)歷史數(shù)據(jù)推斷用戶的偏好會(huì)造成上述問題，因此，現(xiàn)有技術(shù)中出現(xiàn)了基于用戶身份類型來推斷用戶的閱讀偏好，進(jìn)而進(jìn)行相應(yīng)的圖書推薦的方法。但該方法存在如下不足：現(xiàn)有系統(tǒng)主要通過注冊(cè)用戶的年齡、性別、職業(yè)特點(diǎn)、產(chǎn)品品牌和手機(jī)類型對(duì)用戶身份進(jìn)行逆推，而這些基礎(chǔ)數(shù)據(jù)信息在用戶注冊(cè)時(shí)由于隱私考慮和技術(shù)等種種原因?qū)е聰?shù)據(jù)存在諸多不準(zhǔn)確的情況，從而導(dǎo)致用戶身份類別判定的準(zhǔn)確率非常低，進(jìn)而造成對(duì)于用戶偏好的推斷存在很大的誤差，影響了圖書推薦的效果。

可以看出，現(xiàn)有技術(shù)中電子圖書推薦系統(tǒng)主要是基于用戶偏好來進(jìn)行相應(yīng)的圖書推薦，具體是根據(jù)用戶訪問的歷史數(shù)據(jù)信息或用戶身份類型確定用戶偏好。但對(duì)于訪問閱讀平臺(tái)系統(tǒng)較少的用戶，可能沒有足夠的歷史數(shù)據(jù)信息；以及當(dāng)前系統(tǒng)由于種種限制對(duì)于用戶身份的判定缺乏可靠的基礎(chǔ)，用戶類別判定的準(zhǔn)確率較低。因而對(duì)于用戶偏好的推斷存在很大的誤差。

發(fā)明內(nèi)容

本發(fā)明所要解決的技術(shù)問題是提供一種電子圖書推薦的方法及系統(tǒng)，基于用戶在社交行為中的信息分析用戶的閱讀偏好，進(jìn)而實(shí)現(xiàn)電子圖書的推薦。

為解決上述技術(shù)問題，本發(fā)明提供方案如下：

一種電子圖書推薦的方法，包括：

獲得待分析用戶的關(guān)鍵詞詞頻列表以及關(guān)聯(lián)用戶的關(guān)鍵詞詞頻列表，所述關(guān)鍵詞詞頻列表包括有關(guān)鍵詞及其對(duì)應(yīng)的詞頻，所述關(guān)鍵詞及其對(duì)應(yīng)的詞頻是根據(jù)用戶對(duì)不同網(wǎng)站的訪問頻率，從該用戶在不同網(wǎng)站上發(fā)布的文本數(shù)據(jù)中分析得到的，所述關(guān)聯(lián)用戶是與所述待分析用戶之間存在預(yù)定關(guān)聯(lián)關(guān)系的用戶；

基于待分析用戶與關(guān)聯(lián)用戶之間的關(guān)聯(lián)程度，確定關(guān)聯(lián)用戶的權(quán)重，并根據(jù)所述權(quán)重對(duì)多個(gè)關(guān)聯(lián)用戶的關(guān)鍵詞詞頻列表進(jìn)行合并，得到合并后的關(guān)鍵詞詞頻列表；

對(duì)所述待分析用戶的關(guān)鍵詞詞頻列表和所述合并后的關(guān)鍵詞詞頻列表進(jìn)行匯總，得到所述待分析用戶的標(biāo)簽詞頻列表；

根據(jù)所述標(biāo)簽詞頻列表中的關(guān)鍵詞匹配電子圖書庫中的圖書，確定待推薦電子書，并向所述待分析用戶推薦。

優(yōu)選地，上述方法中，進(jìn)一步按照以下方式，獲得對(duì)應(yīng)用戶的關(guān)鍵詞詞頻列表：

提取用戶在預(yù)先選擇出的每個(gè)網(wǎng)站上發(fā)布的文本數(shù)據(jù)，基于用戶在該網(wǎng)站上的文本數(shù)據(jù)，分析得到用戶在該網(wǎng)站的關(guān)鍵詞及其對(duì)應(yīng)的詞頻，其中所述關(guān)鍵詞為所述文本數(shù)據(jù)中滿足預(yù)設(shè)條件的詞；

基于所述用戶對(duì)不同網(wǎng)站的訪問頻率，對(duì)用戶在不同網(wǎng)站上的關(guān)鍵詞的詞頻進(jìn)行加權(quán)求和，獲得用戶的關(guān)鍵詞的詞頻，進(jìn)而生成該用戶的關(guān)鍵詞詞頻列表，其中訪問頻率較高的網(wǎng)站上的關(guān)鍵詞在所述加權(quán)求和時(shí)具有較高的權(quán)重。

優(yōu)選地，上述方法中，所述基于用戶在該網(wǎng)站上的文本數(shù)據(jù)，分析得到用戶在該網(wǎng)站的關(guān)鍵詞及其對(duì)應(yīng)的詞頻，包括：

將每份所述文本數(shù)據(jù)轉(zhuǎn)換為向量空間模型中的一個(gè)向量，所述向量中的每個(gè)分量表示為對(duì)應(yīng)的詞在所述文本數(shù)據(jù)中的權(quán)值；

統(tǒng)計(jì)在所述文本數(shù)據(jù)中各個(gè)詞的出現(xiàn)頻率，得到各個(gè)詞的詞頻；

選取所述權(quán)值大于預(yù)設(shè)第一門限以及所述詞頻大于預(yù)設(shè)第二門限的詞，作為所述用戶在該網(wǎng)站上的關(guān)鍵詞，以及統(tǒng)計(jì)該關(guān)鍵詞在該網(wǎng)站的所有文本數(shù)據(jù)中的詞頻之和，得到所述用戶在該網(wǎng)站上的該關(guān)鍵詞的詞頻。

優(yōu)選地，上述方法中，

所述基于待分析用戶與關(guān)聯(lián)用戶之間的關(guān)聯(lián)程度，確定關(guān)聯(lián)用戶的權(quán)重，并根據(jù)所述權(quán)重對(duì)多個(gè)關(guān)聯(lián)用戶的關(guān)鍵詞詞頻列表進(jìn)行合并，包括：

對(duì)所述多個(gè)關(guān)聯(lián)用戶的關(guān)鍵詞詞頻列表中的關(guān)鍵詞求并集，得到合并后的關(guān)鍵詞詞頻列表中的關(guān)鍵詞；以及，