[發(fā)明專利]數(shù)據(jù)推薦方法及系統(tǒng)

無效

• 申請?zhí)枺?/td>: 201210525924.4
• 申請日: 2012-12-07
• 公開（公告）號: CN103870972A
• 公開（公告）日: 2014-06-18
• 發(fā)明（設(shè)計）人: 王文廣;陳運文
• 申請（專利權(quán)）人: 盛樂信息技術(shù)（上海）有限公司
• 主分類號: G06Q30/02
• 分類號: G06Q30/02
• 代理公司: 上海思微知識產(chǎn)權(quán)代理事務(wù)所(普通合伙) 31237
• 代理人: 菅秀君

技術(shù)領(lǐng)域

本發(fā)明涉及一種數(shù)據(jù)推薦方法及系統(tǒng)。

背景技術(shù)

在當(dāng)今互聯(lián)網(wǎng)中，海量數(shù)據(jù)已經(jīng)不是新聞。據(jù)悉，人類有史以來的所有印刷信息是200PB(1PB=1024TB=1048576GB)，而目前單個大型網(wǎng)站的信息處理，也已經(jīng)進(jìn)入PB時代，并將往EB(1EB=1024PB)時代前行。如此浩瀚的信息，如果沒有一個合適的獲取信息的途徑和方法，則不僅會使得人們在信息面前束手無策，甚至?xí)斐扇藗兊膲阂指校怪蔀橐粋€負(fù)擔(dān)。人類為了解決信息獲取的便捷和舒適，不斷在進(jìn)行著探索。互聯(lián)網(wǎng)上信息獲取方式逐漸由原始階段分門別類按圖索驥的門戶時代，過渡到通過搜索為各類信息進(jìn)行網(wǎng)狀關(guān)聯(lián)篩選的搜索引擎時代，進(jìn)而進(jìn)入大規(guī)模數(shù)據(jù)分析和挖掘的推薦系統(tǒng)時代。

推薦系統(tǒng)就是根據(jù)對用戶和對內(nèi)容的理解為用戶推薦其可能感興趣的內(nèi)容，這種推薦方案是從人類社會交往中抽象出來的，在人類的社會交往中，一個常見的場景是，小莉買了一件衣服，穿著很舒服很得體很漂亮，有一天，她遇到了她的好朋友小敏，小莉就可能對小敏說“我知道有一家店，店家很好，價格合理，質(zhì)量一流，他家賣的連衣裙很適合你”。小莉的行為便是一個典型的推薦行為。如果小莉是一個推薦系統(tǒng)，那么她要給小敏推薦，則需要有如下幾個條件：

1)小敏需要成為推薦系統(tǒng)“小莉”的用戶，以讓小敏有機(jī)會向小莉推薦，就如同上面這個例子，小莉和小敏是朋友關(guān)系，他們碰上了就會進(jìn)行交流；

2)小敏需要在“小莉”的系統(tǒng)上留下一些行為和資料，以讓小莉可以理解小敏，在上面這個例子中，小莉和小敏是好朋友，小莉很了解小敏，知道小敏喜歡穿連衣裙，并且知道她的品味；

3)推薦系統(tǒng)“小莉”需要對內(nèi)容進(jìn)行理解，以便給用戶推薦內(nèi)容，如上例，小莉去某個店買過衣服，知道這個店不錯，并且有適合小敏的連衣裙。

因此，為了使得推薦系統(tǒng)的效果更好，需要更好的理解用戶的行為。傳統(tǒng)的做法是記錄用戶在網(wǎng)站上的各種點擊、購買、瀏覽、觀看等用戶正反饋的行為。并用這些正反饋行為，以及用戶資料，為用戶建立模型，以便理解用戶喜歡什么，關(guān)注什么。這樣如果推薦系統(tǒng)中出現(xiàn)了合適的內(nèi)容時，則會把這些內(nèi)容推薦給用戶。這種推薦系統(tǒng)中，當(dāng)用戶行為足夠豐富，推薦系統(tǒng)所理解的內(nèi)容也足夠豐富的話，其效果會表現(xiàn)的很好。比如，小莉和小敏兩人是閨蜜，互相之間無話不說，而小莉恰好又是逛街狂人，基本上一天一大逛，兩天一小逛。這樣小莉給小敏推薦的連衣裙，就會深得小敏的喜歡；反過來如果哪天小敏想買衣服，也一定會征詢小莉的意見。

然而，當(dāng)今互聯(lián)網(wǎng)的一個推薦系統(tǒng)的用戶會成萬上億，這其中大部分的用戶在系統(tǒng)上的歷史行為會很稀疏。當(dāng)行為稀疏，不能很好的理解用戶時，就無法為其推薦合適的內(nèi)容，現(xiàn)有的推薦系統(tǒng)中常見的問題如下：

1)由于用戶行為的稀疏導(dǎo)致無法理解用戶喜歡哪些數(shù)據(jù)，無法推薦給用戶他所喜歡的數(shù)據(jù)；

2)由于用戶行為過少，只了解該用戶小部分的喜好，為其推薦的內(nèi)容就會局限在一個很小的范圍向用戶，導(dǎo)致推薦給該用戶的數(shù)據(jù)與推薦給其他用戶的數(shù)據(jù)太過近似或者雷同；

3)會向用戶推薦超出理解范圍內(nèi)的數(shù)據(jù)，通常只會隨機(jī)或按照熱點向用戶進(jìn)行推薦，導(dǎo)致推薦給用戶的是大量其不感興趣的內(nèi)容，造成用戶對推薦系統(tǒng)產(chǎn)生負(fù)面情緒；

4)由于對用戶喜好的理解的敏感度較低，無法及時捕獲到用戶興趣的變化，導(dǎo)致推薦給用戶的是其過去喜歡而現(xiàn)在已經(jīng)不喜歡了的數(shù)據(jù)，造成過擬合問題。

發(fā)明內(nèi)容

本發(fā)明的目的在于提供一種數(shù)據(jù)推薦方法及系統(tǒng)，能夠解決采用單向絕對興趣建模的過擬合問題和用戶數(shù)據(jù)稀疏性的問題，增強(qiáng)用戶對推薦系統(tǒng)的粘性和系統(tǒng)的魯棒性。

為解決上述問題，本發(fā)明提供一種數(shù)據(jù)推薦方法，包括：

從用戶對數(shù)據(jù)的歷史行為中獲取正反饋數(shù)據(jù)和負(fù)反饋數(shù)據(jù)；

根據(jù)每個數(shù)據(jù)的特點和預(yù)設(shè)的數(shù)據(jù)特征生成該數(shù)據(jù)相對于每個數(shù)據(jù)特征的特征值；

將正反饋數(shù)據(jù)和負(fù)反饋數(shù)據(jù)隨機(jī)結(jié)對，根據(jù)正反饋數(shù)據(jù)和負(fù)反饋數(shù)據(jù)的特征值和結(jié)對后的正反饋數(shù)據(jù)和負(fù)反饋數(shù)據(jù)獲取該用戶對每個數(shù)據(jù)特征的興趣權(quán)值；

根據(jù)每個數(shù)據(jù)的特征值和用戶對每個數(shù)據(jù)特征的興趣權(quán)值獲取該用戶對該數(shù)據(jù)的興趣值；

將所述興趣值從大到小排序，并獲取前K個興趣值最高的數(shù)據(jù)推薦給該用戶，K為正整數(shù)。