[發明專利]基于信任網絡的推送方法、裝置、計算機設備及存儲介質

在審

• 申請號: 201811191704.6
• 申請日: 2018-10-12
• 公開（公告）號: CN109360058A
• 公開（公告）日: 2019-02-19
• 發明（設計）人: 吳壯偉
• 申請（專利權）人: 平安科技（深圳）有限公司
• 主分類號: G06Q30/06
• 分類號: G06Q30/06;G06F17/27
• 代理公司: 深圳市精英專利事務所 44242
• 代理人: 林燕云

1.一種基于信任網絡的推送方法，其特征在于，包括：

若當前時刻的商品評論信息與上一時刻的商品評論信息比對以判定用戶之間存在新增的相互評論關系，根據用戶之間新增的相互評論關系對應的評論內容獲取當前信任值；

根據所述當前信任值對上一時刻存儲的用戶信任矩陣進行更新，得到當前時刻存儲的用戶信任矩陣；其中，上一時刻存儲的用戶信任矩陣和當前時刻存儲的用戶信任矩陣中，每一取值表示取值所在行對應的用戶對取值所在列對應的用戶的信任值；

獲取從所述當前時刻存儲的用戶信任矩陣選中的行向量所對應的目標用戶，根據目標用戶對應的行向量中各信任值大小，獲取信任值大小位于預設排名閾值之前的信任用戶以組成信任用戶簇；

根據所述信任用戶簇中各信任用戶在用戶-評分矩陣中對應的評分行向量，獲取信任用戶對各商品的信任評分值以組成商品推薦行向量；以及

由商品推薦行向量得到商品推薦列表，將所述商品推薦列表推送至目標用戶對應的接收端。

2.根據權利要求1所述的基于信任網絡的推送方法，其特征在于，所述根據用戶之間新增的相互評論關系對應的評論內容獲取當前信任值，包括：

獲取用戶之間新增的的相互評論關系對應的評論內容，將所述評論內容進行分詞得到分詞結果；

通過Word2Vec模型獲取分詞結果中各評論關鍵詞對應的詞向量，由分詞結果中各評論關鍵詞對應的詞向量對應獲取文本向量；

將文本向量作為預先訓練得到的樸素貝葉斯模型的輸入，得到與評論內容對應的情感識別結果；其中，若情感識別結果為正面情感結果時情感識別結果取值為1，若情感識別結果為負面情感結果時情感識別結果取值為-1，若情感識別結果為中性情感結果時情感識別結果取值為0；

將情感識別結果與衰減系數相乘，得到當前信任值；其中衰減系數為e^-λ(t-t0)，λ為預設的調節參數且取值范圍為(0,1)，t-t0為用戶之間的相互評論關系對應的評論時間間隔。

3.根據權利要求1所述的基于信任網絡的推送方法，其特征在于，所述根據所述信任用戶簇中各信任用戶在用戶-評分矩陣中對應的評分行向量，獲取信任用戶對各商品的信任評分值以組成商品推薦行向量，包括：

獲取所述信任用戶簇中各信任用戶在用戶-評分矩陣中對應的評分行向量組成的評分矩陣；

獲取由所述信任用戶簇在目標用戶對應的行向量中各信任值大小組成的信任用戶行向量；

將所述信任用戶行向量與所述評分矩陣相乘，以得到商品推薦行向量。

4.根據權利要求2所述的基于信任網絡的推送方法，其特征在于，所述將所述評論內容進行分詞得到分詞結果，包括：

按從左至右的順序從評論內容中取出候選詞；

在預先存儲的詞典中查詢與每一候選詞對應的概率值，并記錄每一候選詞的左鄰詞；

計算獲取每一候選詞的累積概率，并獲取每一候選詞對應的多個左鄰詞各自的累積概率，若每一候選詞的多個左鄰詞中存在累積概率為多個左鄰詞的累積概率中最大值的左鄰詞，將累積概率中最大值的左鄰詞作為與候選詞對應的最佳左鄰詞；

以評論內容的終點詞為起點，從右至左依次輸出與每一候選詞對應的最佳左鄰詞，得到分詞結果。

5.根據權利要求3所述的基于信任網絡的推送方法，其特征在于，所述獲取所述信任用戶簇中各信任用戶在用戶-評分矩陣中對應的評分行向量組成的評分矩陣，包括：

獲取所述信任用戶簇中各信任用戶在用戶-評分矩陣中對應的評分行向量，按照各信任用戶在用戶-評分矩陣中對應的評分行向量中行序號的先后順序進行排列，得到評分矩陣。

6.根據權利要求3所述的基于信任網絡的推送方法，其特征在于，所述獲取由所述信任用戶簇在目標用戶對應的行向量中各信任值大小組成的信任用戶行向量，包括：

獲取信任值大小位于預設排名閾值之前的信任用戶，將信任值大小位于所述排名閾值之前的信任用戶按照在目標用戶對應的行向量中列序號的先后順序進行排列，得到信任用戶行向量。