[發(fā)明專利]對象推薦方法及裝置

有效

• 申請?zhí)枺?/td>: 202010097745.X
• 申請日: 2020-02-18
• 公開（公告）號: CN111310046B
• 公開（公告）日: 2023-10-20
• 發(fā)明（設計）人: 胡沁涵;朱磊;楊季文;郭心悅
• 申請（專利權）人: 蘇州大學
• 主分類號: G06F16/9535
• 分類號: G06F16/9535
• 代理公司: 蘇州謹和知識產權代理事務所(特殊普通合伙) 32295
• 代理人: 唐靜芳

本申請涉及一種對象推薦方法及裝置，屬于計算機技術領域，該方法包括：獲取目標用戶對對象的歷史評分數(shù)據(jù)、歷史評分時間和對象的屬性信息；基于歷史評分數(shù)據(jù)、歷史評分時間和屬性信息，確定各個對象之間的對象相似度矩陣；獲取目標用戶歷史關注的歷史目標對象和目標用戶當前關注的實時目標對象；基于對象相似度矩陣確定每個歷史目標對象的歷史相似對象和每個實時目標對象的實時相似對象，得到目標用戶的第一推薦列表；向目標用戶推送第一推薦列表；可以解決現(xiàn)有的協(xié)同過濾算法的對象推薦準確性較低的問題；由于能夠充分挖掘用戶?對象評分矩陣的潛在信息，并且能夠利用對象屬性信息確定對象相似度矩陣，因此可以提高推薦結果的準確度。

技術領域

本申請涉及對象推薦方法及裝置，屬于計算機技術領域。

背景技術

隨著互聯(lián)網技術的發(fā)展，數(shù)據(jù)信息以指數(shù)級別的速度爆炸增長，人們面臨嚴重的“信息過載”問題。搜索引擎和推薦系統(tǒng)是解決“信息過載”的兩種常用工具。用戶如果有明確的目標或需求，利用搜索引擎檢索數(shù)據(jù)是比較方便有效的方式。用戶在瀏覽新聞、網上購物和觀看電影等場景下往往更希望“被動”地了解自己感興趣的內容，推薦系統(tǒng)提供的個性化推薦能較好的滿足用戶這一需求。

推薦引擎的核心是推薦算法。傳統(tǒng)的個性化推薦方法包括協(xié)同過濾推薦。協(xié)同過濾算法通過收集用戶行為數(shù)據(jù)，分析用戶偏好，從而為用戶推薦潛在感興趣的物品。

然而，傳統(tǒng)的協(xié)同過濾算法存在數(shù)據(jù)稀疏性問題，即在用戶-物品評分矩陣中，用戶對物品評分的數(shù)據(jù)很少，導致用戶之間或物品之間的相似度計算不準確，從而導致推薦的準確度不高。

發(fā)明內容

本申請?zhí)峁┝艘环N對象推薦方法及裝置，可以解決現(xiàn)有的協(xié)同過濾算法的對象推薦準確性較低的問題。本申請?zhí)峁┤缦录夹g方案：

第一方面，提供了一種對象推薦方法，所述方法包括：

獲取目標用戶對對象的歷史評分數(shù)據(jù)、歷史評分時間和所述對象的屬性信息；

基于所述歷史評分數(shù)據(jù)、所述歷史評分時間和所述屬性信息，確定所述各個對象之間的對象相似度矩陣；

獲取所述目標用戶歷史關注的歷史目標對象和所述目標用戶當前關注的實時目標對象；

基于所述對象相似度矩陣確定每個歷史目標對象的歷史相似對象和每個實時目標對象的實時相似對象，得到所述目標用戶的第一推薦列表；

向所述目標用戶推送所述第一推薦列表。

可選地，所述方法還包括：

確定是否向所述目標用戶推薦目標對象的第二推薦列表；

在確定向所述目標用戶推薦目標對象的第二推薦列表時，基于所述目標對象的對象標識和所述對象相似度矩陣確定所述目標對象的相似對象，得到所述目標用戶的第二推薦列表；

向所述目標用戶推送所述第二推薦列表。

可選地，所述基于所述歷史評分數(shù)據(jù)、所述歷史評分時間和所述屬性信息，確定所述各個對象之間的對象相似度矩陣，包括：

基于預設的評分偏好轉換模型將所述歷史評分數(shù)據(jù)轉換為所述目標用戶對所述對象的歷史偏好數(shù)據(jù)；

基于所述歷史評分時間、所述歷史偏好數(shù)據(jù)和預設的評分相似度公式，計算各個對象之間的評分相似度；

基于所述屬性信息確定各個對象之間的屬性相似度；

結合所述評分相似度和所述屬性相似度得到所述對象相似度矩陣。

可選地，所述基于所述歷史評分時間、所述歷史偏好數(shù)據(jù)和預設的評分相似度公式，計算各個對象之間的評分相似度，包括：