[發(fā)明專(zhuān)利]一種信息推薦方法、設(shè)備和存儲(chǔ)介質(zhì)

有效

• 申請(qǐng)?zhí)枺?/td>: 201711237353.3
• 申請(qǐng)日: 2017-11-30
• 公開(kāi)（公告）號(hào): CN108334536B
• 公開(kāi)（公告）日: 2023-10-24
• 發(fā)明（設(shè)計(jì)）人: 李博文
• 申請(qǐng)（專(zhuān)利權(quán)）人: 中國(guó)電子科技集團(tuán)公司電子科學(xué)研究院
• 主分類(lèi)號(hào): G06F16/9535
• 分類(lèi)號(hào): G06F16/9535;G06Q30/0601;G06F16/9536;G06N20/00
• 代理公司: 工業(yè)和信息化部電子專(zhuān)利中心 11010
• 代理人: 于金平

本發(fā)明公開(kāi)了一種信息推薦方法、設(shè)備和存儲(chǔ)介質(zhì)。該方法包括：在預(yù)設(shè)結(jié)構(gòu)類(lèi)型的頁(yè)面中，采集用戶行為數(shù)據(jù)；根據(jù)所述用戶行為數(shù)據(jù)和預(yù)設(shè)的多種推薦算法，在網(wǎng)絡(luò)中篩選偏好信息；通過(guò)預(yù)先訓(xùn)練的與所述結(jié)構(gòu)類(lèi)型對(duì)應(yīng)的推薦模型，在篩選出的偏好信息中和歷史推薦信息中確定推薦信息，并將所述推薦信息在所述頁(yè)面中進(jìn)行展示。在本發(fā)明中，推薦模型在確定推薦信息時(shí)，以多種推薦算法篩選出的偏好信息以及歷史推薦信息作為參考，從而使確定出的推薦信息更具針對(duì)性和準(zhǔn)確性，用戶體驗(yàn)更佳，而且實(shí)現(xiàn)了多算法的智能融合。

技術(shù)領(lǐng)域

本發(fā)明涉及計(jì)算機(jī)技術(shù)領(lǐng)域，特別是涉及一種信息推薦方法、設(shè)備和存儲(chǔ)介質(zhì)。

背景技術(shù)

當(dāng)前互聯(lián)網(wǎng)、移動(dòng)互聯(lián)網(wǎng)快速發(fā)展并普及，人們通過(guò)網(wǎng)絡(luò)瀏覽新聞、購(gòu)買(mǎi)商品、辦理業(yè)務(wù)以及參與教育、娛樂(lè)互動(dòng)活動(dòng)等。網(wǎng)絡(luò)逐漸成為人們?nèi)粘Ｉ钪胁豢扇鄙俚闹匾糠帧Ｈ欢W(wǎng)絡(luò)給生活帶來(lái)便利的同時(shí)，也存在著自身發(fā)展的問(wèn)題——信息迷航。網(wǎng)絡(luò)中的信息成指數(shù)級(jí)增長(zhǎng)，數(shù)據(jù)量過(guò)于龐大。用戶在龐大的網(wǎng)絡(luò)信息中難以快速直接地尋找到自己需要的信息，在信息查找、對(duì)接過(guò)程中花費(fèi)大量的時(shí)間。針對(duì)此問(wèn)題，個(gè)性化推薦技術(shù)應(yīng)運(yùn)而生，其通過(guò)采集網(wǎng)站上的用戶行為數(shù)據(jù)，分析用戶的興趣偏好，基于此對(duì)網(wǎng)站上的信息進(jìn)行篩選，將用戶可能感興趣的信息項(xiàng)目推薦給用戶。

以往的推薦技術(shù)注重于研究單一的推薦算法，推測(cè)用戶的興趣、關(guān)注點(diǎn)并向其推送相應(yīng)的信息項(xiàng)目。但是，已有的個(gè)性化推薦方法側(cè)重于單一算法的改進(jìn)，忽略了對(duì)網(wǎng)站結(jié)構(gòu)的把握，缺乏對(duì)用戶的真實(shí)需求進(jìn)行細(xì)致化深層次分析，而且單一的算法都有各自的優(yōu)缺點(diǎn)，能較好地適應(yīng)于某一類(lèi)或幾類(lèi)網(wǎng)站結(jié)構(gòu)，并不能較好地滿足于所有網(wǎng)站結(jié)構(gòu)的線上需求，因此，使用現(xiàn)有的信息推薦方法進(jìn)行信息推薦的準(zhǔn)確率較低。

發(fā)明內(nèi)容

本發(fā)明要解決的技術(shù)問(wèn)題是一種信息推薦方法、設(shè)備和存儲(chǔ)介質(zhì)，用以解決現(xiàn)有的信息推薦方法準(zhǔn)確率低的問(wèn)題。

為了解決上述技術(shù)問(wèn)題，本發(fā)明是通過(guò)以下技術(shù)方案來(lái)解決的：

本發(fā)明提供了一種信息推薦方法，包括：在預(yù)設(shè)結(jié)構(gòu)類(lèi)型的頁(yè)面中，采集用戶行為數(shù)據(jù)；根據(jù)所述用戶行為數(shù)據(jù)和預(yù)設(shè)的多種推薦算法，在網(wǎng)絡(luò)中篩選偏好信息；通過(guò)預(yù)先訓(xùn)練的與所述結(jié)構(gòu)類(lèi)型對(duì)應(yīng)的推薦模型，在篩選出的偏好信息中和歷史推薦信息中確定推薦信息，并將所述推薦信息在所述頁(yè)面中進(jìn)行展示。

其中，所述在預(yù)設(shè)結(jié)構(gòu)類(lèi)型的頁(yè)面中，采集用戶行為數(shù)據(jù)，包括：在預(yù)設(shè)結(jié)構(gòu)類(lèi)型的頁(yè)面中，采集推薦信息的點(diǎn)擊行為數(shù)據(jù)；在采集用戶行為數(shù)據(jù)之后，在網(wǎng)絡(luò)中篩選偏好信息之前，還包括：根據(jù)推薦信息的點(diǎn)擊行為數(shù)據(jù)，訓(xùn)練與所述結(jié)構(gòu)類(lèi)型對(duì)應(yīng)的推薦模型。

其中，根據(jù)推薦信息的點(diǎn)擊行為數(shù)據(jù)，訓(xùn)練與所述結(jié)構(gòu)類(lèi)型對(duì)應(yīng)的推薦模型，包括：根據(jù)推薦信息的點(diǎn)擊行為數(shù)據(jù)，將發(fā)生點(diǎn)擊行為的推薦信息標(biāo)記為正樣本，將未發(fā)生點(diǎn)擊行為的推薦信息標(biāo)記為負(fù)樣本；根據(jù)所述正樣本和所述負(fù)樣本，訓(xùn)練所述推薦模型。

其中，在在預(yù)設(shè)結(jié)構(gòu)類(lèi)型的頁(yè)面中，采集用戶行為數(shù)據(jù)之前，還包括：為網(wǎng)站中的各個(gè)頁(yè)面分別設(shè)置結(jié)構(gòu)類(lèi)型，并為每種結(jié)構(gòu)類(lèi)型設(shè)置對(duì)應(yīng)的推薦模型。

其中，所述推薦算法的種類(lèi)，包括：人口統(tǒng)計(jì)學(xué)推薦算法、TopN推薦算法、基于內(nèi)容的推薦算法和協(xié)同過(guò)濾推薦算法。

本發(fā)明還提供了一種信息推薦設(shè)備，所述信息推薦設(shè)備包括處理器、存儲(chǔ)器；所述處理器用于執(zhí)行存儲(chǔ)器中存儲(chǔ)的數(shù)據(jù)傳輸程序，以實(shí)現(xiàn)以下步驟：在預(yù)設(shè)結(jié)構(gòu)類(lèi)型的頁(yè)面中，采集用戶行為數(shù)據(jù)；根據(jù)所述用戶行為數(shù)據(jù)和預(yù)設(shè)的多種推薦算法，在網(wǎng)絡(luò)中篩選偏好信息；通過(guò)預(yù)先訓(xùn)練的與所述結(jié)構(gòu)類(lèi)型對(duì)應(yīng)的推薦模型，在篩選出的偏好信息中和歷史推薦信息中確定推薦信息，并將所述推薦信息在所述頁(yè)面中進(jìn)行展示。

其中，所述處理器還用于執(zhí)行存儲(chǔ)器中存儲(chǔ)的數(shù)據(jù)傳輸程序，以實(shí)現(xiàn)以下步驟：在預(yù)設(shè)結(jié)構(gòu)類(lèi)型的頁(yè)面中，采集推薦信息的點(diǎn)擊行為數(shù)據(jù)；根據(jù)推薦信息的點(diǎn)擊行為數(shù)據(jù)，訓(xùn)練與所述結(jié)構(gòu)類(lèi)型對(duì)應(yīng)的推薦模型。