[發(fā)明專利]信息推薦方法

在審

• 申請(qǐng)?zhí)枺?/td>: 201610151106.0
• 申請(qǐng)日: 2016-03-16
• 公開(kāi)（公告）號(hào): CN107203530A
• 公開(kāi)（公告）日: 2017-09-26
• 發(fā)明（設(shè)計(jì)）人: 王連松
• 申請(qǐng)（專利權(quán)）人: 北大方正集團(tuán)有限公司;北京北大方正電子有限公司
• 主分類號(hào): G06F17/30
• 分類號(hào): G06F17/30
• 代理公司: 北京路浩知識(shí)產(chǎn)權(quán)代理有限公司11002
• 代理人: 李相雨

技術(shù)領(lǐng)域

本發(fā)明涉及大數(shù)據(jù)及推薦算法技術(shù)領(lǐng)域，尤其涉及一種信息推薦方法。

背景技術(shù)

隨著互聯(lián)網(wǎng)技術(shù)的飛速發(fā)展，用戶的行為越來(lái)越多樣化，也蘊(yùn)含了越來(lái)越重要的信息，因而越來(lái)越值得深入挖掘。個(gè)性化推薦技術(shù)通過(guò)研究不同用戶的興趣，主動(dòng)為用戶推薦最需要的資源，從而更好地解決互聯(lián)網(wǎng)信息日益龐大與用戶需求之間的矛盾。目前，推薦技術(shù)被廣泛應(yīng)用到電子商務(wù)、數(shù)字圖書(shū)館、新聞網(wǎng)站等系統(tǒng)中。因此，各種適用于推薦系統(tǒng)的技術(shù)應(yīng)運(yùn)而生，如協(xié)同過(guò)濾技術(shù)(CF)、樸素貝葉斯、聚類分析技術(shù)、關(guān)聯(lián)規(guī)則技術(shù)、神經(jīng)網(wǎng)絡(luò)技術(shù)和圖模型技術(shù)等。

基于用戶的協(xié)同過(guò)濾算法通過(guò)計(jì)算用戶對(duì)項(xiàng)目評(píng)分之間的相似性，搜索目標(biāo)用戶的最近鄰，然后根據(jù)最近鄰的評(píng)分向目標(biāo)用戶產(chǎn)生推薦?；谟脩舻膮f(xié)同過(guò)濾推薦算法優(yōu)勢(shì)很明顯，首先得到的推薦結(jié)果是比較精確的，其次所有用戶都會(huì)從近鄰的反饋評(píng)價(jià)中得到一定的信息，具有角色一致性。但同時(shí)該算法也存在著一些不足之處，主要體現(xiàn)在：在用戶模型的建立過(guò)程中產(chǎn)生的用戶對(duì)項(xiàng)目的評(píng)分矩陣是非常稀疏的，一些新項(xiàng)目加入會(huì)造成冷啟動(dòng)問(wèn)題，在處理一些特殊用戶方面也存在著一定的問(wèn)題，因?yàn)樘厥馊巳翰荒軓淖罱徶械玫胶芏嗟耐扑]信息。

基于項(xiàng)目的協(xié)同過(guò)濾是根據(jù)用戶對(duì)相似項(xiàng)目的評(píng)分?jǐn)?shù)據(jù)預(yù)測(cè)目標(biāo)項(xiàng)目的評(píng)分，它是建立在如下假設(shè)基礎(chǔ)上的：如果大部分用戶對(duì)某些項(xiàng)目的打分比較相近，則當(dāng)前用戶對(duì)這些項(xiàng)的打分也會(huì)比較接近。基于項(xiàng)目的協(xié)同過(guò)濾算法主要對(duì)目標(biāo)用戶所評(píng)價(jià)的一組項(xiàng)目進(jìn)行研 究，并計(jì)算這些項(xiàng)目與目標(biāo)項(xiàng)目之間的相似性，按照大小相似對(duì)項(xiàng)目進(jìn)行排序，選擇前K個(gè)項(xiàng)目作為輸出?；陧?xiàng)目的協(xié)同過(guò)濾推薦算法能得到較高的準(zhǔn)確率，算法的效率也是較高的，能夠充分挖掘大量的項(xiàng)目之間的相關(guān)性，得到較多的信息。然而算法仍面臨著評(píng)分矩陣稀疏、矩陣的冷啟動(dòng)等問(wèn)題。

綜上，現(xiàn)有的個(gè)性化算法仍然存在很多不足之處，例如不能完全適應(yīng)所有場(chǎng)景，計(jì)算過(guò)程復(fù)雜、計(jì)算時(shí)間長(zhǎng)以及計(jì)算成本高等。

發(fā)明內(nèi)容

為解決上述技術(shù)問(wèn)題，本發(fā)明提出了一種信息推薦方法，包括：

根據(jù)預(yù)設(shè)時(shí)間內(nèi)當(dāng)前網(wǎng)站的用戶操作歷史記錄，確定目標(biāo)用戶的推薦備選信息；

其中，所述當(dāng)前網(wǎng)站的用戶操作歷史記錄包括所述目標(biāo)用戶的操作歷史記錄；

對(duì)所述推薦備選信息依據(jù)預(yù)設(shè)指標(biāo)進(jìn)行排序；

根據(jù)排序結(jié)果確定第一預(yù)設(shè)數(shù)量的待推薦信息；

將所述第一預(yù)設(shè)數(shù)量的待推薦信息推薦給所述目標(biāo)用戶。

可選地，所述用戶操作歷史記錄包括用戶在所述網(wǎng)站中的收藏歷史記錄；

所述根據(jù)預(yù)設(shè)時(shí)間內(nèi)當(dāng)前網(wǎng)站的用戶操作歷史記錄，確定目標(biāo)用戶的推薦備選信息，包括：

將預(yù)設(shè)時(shí)間內(nèi)所述目標(biāo)用戶在所述網(wǎng)站中收藏的信息作為所述目標(biāo)用戶的推薦備選信息。

可選地，所述用戶操作歷史記錄包括用戶在所述網(wǎng)站中的瀏覽歷史記錄；

所述根據(jù)預(yù)設(shè)時(shí)間內(nèi)當(dāng)前網(wǎng)站的用戶操作歷史記錄，確定目標(biāo)用戶的推薦備選信息，包括：

將預(yù)設(shè)時(shí)間內(nèi)所述目標(biāo)用戶在所述網(wǎng)站中瀏覽時(shí)間超過(guò)預(yù)設(shè)閾值的信息作為所述目標(biāo)用戶的推薦備選信息。

可選地，所述對(duì)所述推薦備選信息依據(jù)預(yù)設(shè)指標(biāo)進(jìn)行排序，包括：

統(tǒng)計(jì)所述推薦備選信息的分類標(biāo)識(shí)的出現(xiàn)頻率，并根據(jù)所述出現(xiàn)頻率對(duì)所述推薦備選信息進(jìn)行排序；

其中，所述分類標(biāo)識(shí)為用于區(qū)分所有信息的詞語(yǔ)。

可選地，所述根據(jù)排序結(jié)果確定第一預(yù)設(shè)數(shù)量的待推薦信息，包括：

根據(jù)排序結(jié)果將出現(xiàn)頻率最高的前若干個(gè)分類標(biāo)識(shí)作為關(guān)鍵字通過(guò)預(yù)設(shè)搜索引擎進(jìn)行搜索，以將搜索出的第一預(yù)設(shè)數(shù)量的信息作為所述待推薦信息。

可選地，所述用戶操作歷史記錄包括用戶在所述網(wǎng)站中的交易歷史記錄；

所述根據(jù)預(yù)設(shè)時(shí)間內(nèi)當(dāng)前網(wǎng)站的用戶操作歷史記錄，確定目標(biāo)用戶的推薦備選信息，包括：

將預(yù)設(shè)時(shí)間內(nèi)所述網(wǎng)站的所有用戶在交易第一商品的訂單中同時(shí)交易的第二商品的信息作為推薦備選信息。

可選地，所述對(duì)所述推薦備選信息依據(jù)預(yù)設(shè)指標(biāo)進(jìn)行排序，包括：

統(tǒng)計(jì)所述交易歷史記錄中的所述第二商品的交易量，并根據(jù)所述交易量對(duì)所述推薦備選信息進(jìn)行排序。

可選地，所述根據(jù)排序結(jié)果確定第一預(yù)設(shè)數(shù)量的待推薦信息，包括：

根據(jù)所述排序結(jié)果將交易量最高的第一預(yù)設(shè)數(shù)量的所述第二商品的信息作為所述待推薦信息。

可選地，所述根據(jù)排序結(jié)果確定第一預(yù)設(shè)數(shù)量的待推薦信息，包括：