[發(fā)明專(zhuān)利]一種信息推薦方法及系統(tǒng)

有效

• 申請(qǐng)?zhí)枺?/td>: 201911380469.1
• 申請(qǐng)日: 2019-12-27
• 公開(kāi)（公告）號(hào): CN111159549B
• 公開(kāi)（公告）日: 2023-09-12
• 發(fā)明（設(shè)計(jì)）人: 陳果如;董賓
• 申請(qǐng)（專(zhuān)利權(quán)）人: 飛狐信息技術(shù)（天津）有限公司
• 主分類(lèi)號(hào): G06F16/9535
• 分類(lèi)號(hào): G06F16/9535;G06F16/9536
• 代理公司: 北京集佳知識(shí)產(chǎn)權(quán)代理有限公司 11227
• 代理人: 古利蘭

本發(fā)明提供一種信息推薦方法及系統(tǒng)，通過(guò)獲取并融合用戶(hù)的最新行為日志和短期行為日志，得到融合用戶(hù)行為日志，計(jì)算用戶(hù)對(duì)融合用戶(hù)行為日志中每一日志信息的喜愛(ài)評(píng)分。基于預(yù)設(shè)相似度算法得到用戶(hù)歷史行為日志中用戶(hù)未瀏覽的日志信息與融合用戶(hù)行為日志中的每一日志信息之間的相似度。利用喜愛(ài)評(píng)分和相似度列表進(jìn)行類(lèi)物品過(guò)濾計(jì)算，得到用戶(hù)未瀏覽的日志信息對(duì)應(yīng)的推薦度，并基于推薦度構(gòu)成推薦度列表。基于預(yù)設(shè)推薦比例，選取推薦度列表中待推薦的信息，確定最優(yōu)推薦度列表并推薦。基于本發(fā)明，能基于用戶(hù)喜愛(ài)評(píng)分和相似度算法得出用戶(hù)未瀏覽的信息的推薦度，能夠根據(jù)用戶(hù)興趣偏好的實(shí)時(shí)變化向用戶(hù)推薦合理的信息，提高推薦滿(mǎn)意度和用戶(hù)體驗(yàn)。

技術(shù)領(lǐng)域

本發(fā)明涉及互聯(lián)網(wǎng)技術(shù)領(lǐng)域，尤其涉及一種信息推薦方法及系統(tǒng)。

背景技術(shù)

隨著社會(huì)的發(fā)展，人們生活在一個(gè)發(fā)達(dá)的互聯(lián)網(wǎng)信息時(shí)代，海量的信息通過(guò)互聯(lián)網(wǎng)展示在人們眼前。用戶(hù)在互聯(lián)網(wǎng)瀏覽信息時(shí)，依據(jù)自身所喜歡的內(nèi)容搜索信息。然而，互聯(lián)網(wǎng)中的信息嚴(yán)重過(guò)載，用戶(hù)進(jìn)行搜索后會(huì)得到大量的信息，其中，只有一小部分信息才是用戶(hù)所喜愛(ài)瀏覽的。因此，針對(duì)用戶(hù)偏好的信息推薦技術(shù)應(yīng)運(yùn)而生。

目前，傳統(tǒng)推薦技術(shù)一般通過(guò)分布式系統(tǒng)基礎(chǔ)架構(gòu)（Hadoop?Distributed?FileSystem，Hdfs）對(duì)用戶(hù)行為日志每間隔一段時(shí)間進(jìn)行一次離線(xiàn)訓(xùn)練，然后使用訓(xùn)練得到的模型為用戶(hù)生成信息推薦列表。由于該方案需要間隔一段時(shí)間進(jìn)行離線(xiàn)訓(xùn)練，顯然無(wú)法根據(jù)用戶(hù)興趣偏好的實(shí)時(shí)變化向用戶(hù)推薦合理的信息，推薦的信息的滿(mǎn)意度過(guò)低，降低用戶(hù)體驗(yàn)。

發(fā)明內(nèi)容

有鑒于此，本發(fā)明實(shí)施例提供一種信息推薦方法及系統(tǒng)，以解決無(wú)法根據(jù)用戶(hù)興趣偏好的實(shí)時(shí)變化向用戶(hù)推薦合理的信息，造成推薦的信息的滿(mǎn)意度過(guò)低的問(wèn)題。

為實(shí)現(xiàn)上述目的，本發(fā)明實(shí)施例提供如下技術(shù)方案：

本發(fā)明實(shí)施例第一方面公開(kāi)了一種信息推薦方法，所述方法包括：

獲取并融合用戶(hù)的最新行為日志和短期行為日志，得到融合用戶(hù)行為日志，所述最新行為日志包括N個(gè)未被讀取的用戶(hù)最新瀏覽信息，所述短期行為日志包括M個(gè)已被讀取的用戶(hù)歷史瀏覽信息，N為正整數(shù)，M為正整數(shù)；

基于所述融合用戶(hù)行為日志，計(jì)算用戶(hù)對(duì)所述融合用戶(hù)行為日志中每一日志信息的喜愛(ài)評(píng)分；

獲取基于用戶(hù)歷史行為日志進(jìn)行離線(xiàn)的相似度計(jì)算，得到由所述用戶(hù)歷史行為日志中每一日志信息之間的相似度構(gòu)成的相似度列表，以及預(yù)設(shè)推薦比例；

利用所述喜愛(ài)評(píng)分和所述相似度列表進(jìn)行類(lèi)物品過(guò)濾計(jì)算，得到所述用戶(hù)歷史行為日志中所述用戶(hù)未瀏覽的日志信息與所述融合用戶(hù)行為日志中的每一日志信息之間的推薦度，基于所述推薦度構(gòu)成推薦度列表；

基于所述預(yù)設(shè)推薦比例，選取所述推薦度列表中待推薦的信息，確定最優(yōu)推薦度列表并推薦。

優(yōu)選的，在上述信息推薦方法中，所述基于所述融合用戶(hù)行為日志，計(jì)算用戶(hù)對(duì)所述融合用戶(hù)行為日志中每一日志信息的喜愛(ài)評(píng)分，包括：

通過(guò)計(jì)算所述融合用戶(hù)行為日志中每一日志信息的權(quán)重，S指任一日志信息對(duì)應(yīng)的排序位置，S為正整數(shù)；

將所述每一日志信息中，包含不同信息的單一日志信息的權(quán)重作為所述單一日志信息的喜愛(ài)評(píng)分，以及將所述每一日志信息中，包含相同信息的重復(fù)日志信息的權(quán)重進(jìn)行合并，得到所述重復(fù)日志信息的喜愛(ài)評(píng)分。

優(yōu)選的，在上述信息推薦方法中，所述獲取基于用戶(hù)歷史行為日志進(jìn)行離線(xiàn)的相似度計(jì)算，得到由所述用戶(hù)歷史行為日志中每一日志信息之間的相似度構(gòu)成的相似度列表，以及預(yù)設(shè)推薦比例，包括：

獲取所述用戶(hù)歷史行為日志；