[發(fā)明專(zhuān)利]信息推薦方法和信息推薦系統(tǒng)

有效

• 申請(qǐng)?zhí)枺?/td>: 201410746660.4
• 申請(qǐng)日: 2014-12-08
• 公開(kāi)（公告）號(hào): CN104391982B
• 公開(kāi)（公告）日: 2018-07-20
• 發(fā)明（設(shè)計(jì)）人: 黃通文;張俊林
• 申請(qǐng)（專(zhuān)利權(quán)）人: 暢捷通信息技術(shù)股份有限公司
• 主分類(lèi)號(hào): G06F17/30
• 分類(lèi)號(hào): G06F17/30
• 代理公司: 北京友聯(lián)知識(shí)產(chǎn)權(quán)代理事務(wù)所(普通合伙) 11343
• 代理人: 尚志峰;汪海屏

1.一種信息推薦方法，其特征在于，包括：

根據(jù)服務(wù)器的行為日志數(shù)據(jù)庫(kù)中的行為日志，生成鄰接矩陣；

將所述鄰接矩陣轉(zhuǎn)化為超鏈接矩陣；

根據(jù)所述超鏈接矩陣，為所述服務(wù)器的預(yù)設(shè)PageRank模型訓(xùn)練器選取初始參數(shù)；

根據(jù)所述初始參數(shù)，通過(guò)所述預(yù)設(shè)PageRank模型訓(xùn)練器計(jì)算PageRank向量，并記錄迭代次數(shù)；

按照從高到低的方式輸出迭代后的所述PageRank向量；其中，

所述預(yù)設(shè)PageRank模型訓(xùn)練器的計(jì)算公式為：

其中，PR(A)為被推薦的用戶(hù)A的所述PageRank向量，n為推薦所述用戶(hù)A的所有用戶(hù)的總數(shù)，N為涉及到推薦行為的總?cè)藬?shù)，T_i是推薦所述用戶(hù)A的任一用戶(hù)，C(T_i)表示所述任一用戶(hù)T_i推薦其他用戶(hù)的總次數(shù)，PR(T_i)為所述任一用戶(hù)T_i的所述PageRank向量，i＝1，2，...，n；

所述根據(jù)服務(wù)器的行為日志數(shù)據(jù)庫(kù)中的行為日志，生成鄰接矩陣，具體包括：

從所述行為日志數(shù)據(jù)庫(kù)中的所述行為日志中提取所有推薦信息，以所述服務(wù)器的每個(gè)用戶(hù)為節(jié)點(diǎn)，以推薦業(yè)務(wù)的使用者為起點(diǎn)，并以被推薦的用戶(hù)為終點(diǎn)建立邊，以推薦的次數(shù)為所述邊的權(quán)值，建立一個(gè)有向加權(quán)圖；

將所述有向加權(quán)圖存儲(chǔ)在所述鄰接矩陣中。

2.根據(jù)權(quán)利要求1所述的信息推薦方法，其特征在于，所述將所述鄰接矩陣轉(zhuǎn)化為超鏈接矩陣，具體包括：

將所述有向加權(quán)圖轉(zhuǎn)化為所述超鏈接矩陣，其中，進(jìn)行轉(zhuǎn)化的計(jì)算公式為：

其中，H(i，j)為所述超鏈接矩陣，i為所述任一用戶(hù)，colSum(i)為所述鄰接矩陣中的所述任一用戶(hù)推薦所述其他用戶(hù)的總次數(shù)，n為涉及到所述推薦行為的總?cè)藬?shù)。

3.根據(jù)權(quán)利要求1或2所述的信息推薦方法，其特征在于，在所述通過(guò)所述預(yù)設(shè)PageRank模型訓(xùn)練器計(jì)算PageRank向量，并記錄迭代次數(shù)之后，包括：

判斷所述迭代次數(shù)是否超過(guò)預(yù)定迭代次數(shù)閾值，并判斷所述PageRank向量與原所述PageRank向量是否超出預(yù)定迭代精度；

當(dāng)判斷結(jié)果都為是時(shí)，繼續(xù)通過(guò)所述預(yù)設(shè)PageRank模型訓(xùn)練器進(jìn)行迭代操作，否則，按照從高到低的方式輸出迭代后的所述PageRank向量。

4.根據(jù)權(quán)利要求3所述的信息推薦方法，其特征在于，所述初始參數(shù)包括迭代向量、隨機(jī)跳轉(zhuǎn)因子、所述預(yù)定迭代精度和所述預(yù)定迭代次數(shù)閾值。

5.一種信息推薦系統(tǒng)，其特征在于，包括：

信息預(yù)處理單元，根據(jù)服務(wù)器的行為日志數(shù)據(jù)庫(kù)中的行為日志，生成鄰接矩陣；

矩陣轉(zhuǎn)化單元，將所述鄰接矩陣轉(zhuǎn)化為超鏈接矩陣；

參數(shù)選取單元，根據(jù)所述超鏈接矩陣，為所述服務(wù)器的預(yù)設(shè)PageRank模型訓(xùn)練器選取初始參數(shù)；

訓(xùn)練單元，根據(jù)所述初始參數(shù)，通過(guò)所述預(yù)設(shè)PageRank模型訓(xùn)練器計(jì)算PageRank向量，并記錄迭代次數(shù)；

推薦單元，按照從高到低的方式輸出迭代后的所述PageRank向量；其中，

所述預(yù)設(shè)PageRank模型訓(xùn)練器的計(jì)算公式為：

其中，PR(A)為被推薦的用戶(hù)A的所述PageRank向量，n為推薦所述用戶(hù)A的所有用戶(hù)的總數(shù)，N為涉及到推薦行為的總?cè)藬?shù)，T_i是推薦所述用戶(hù)A的任一用戶(hù)，C(T_i)表示所述任一用戶(hù)T_i推薦其他用戶(hù)的總次數(shù)，PR(T_i)為所述任一用戶(hù)T_i的所述PageRank向量，i＝1，2，...，n；

所述信息預(yù)處理單元包括：

有向加權(quán)圖建立單元，從所述行為日志數(shù)據(jù)庫(kù)中的所述行為日志中提取所有推薦信息，以所述服務(wù)器的每個(gè)用戶(hù)為節(jié)點(diǎn)，以推薦業(yè)務(wù)的使用者為起點(diǎn)，并以被推薦的用戶(hù)為終點(diǎn)建立邊，以推薦的次數(shù)為所述邊的權(quán)值，建立一個(gè)有向加權(quán)圖；

存儲(chǔ)單元，將所述有向加權(quán)圖存儲(chǔ)在所述鄰接矩陣中。