[發(fā)明專利]一種基于大數(shù)據的喜好內容推薦方法

在審

• 申請?zhí)枺?/td>: 202011412598.7
• 申請日: 2020-12-04
• 公開（公告）號: CN112380451A
• 公開（公告）日: 2021-02-19
• 發(fā)明（設計）人: 馬國軍;馬道懿;唐躍;朱琎;顧琪偉
• 申請（專利權）人: 江蘇科技大學
• 主分類號: G06F16/9535
• 分類號: G06F16/9535;G06K9/00;G06N3/04
• 代理公司: 南京經緯專利商標代理有限公司 32200
• 代理人: 徐澍

本發(fā)明公開了一種基于大數(shù)據的喜好內容推薦方法，通過獲取目標人物人臉圖像獲取目標用戶信息，根據目標用戶信息獲取與之聚類的用戶歷史信息，對用戶歷史信息進行優(yōu)化，計算目標用戶信息與獲取的用戶歷史信息進行相似度對目標用戶未評價項目評分，最后根據評分高低將高評分的項目推送給目標用戶。基于項目重合依賴度的相似度計算公式提高了項目間相似度的精度，并利用基于項目的協(xié)同過濾推薦算法來緩解評分數(shù)據的稀疏性，大大提高了基于用戶的協(xié)同過濾推薦算法的推薦效果。

技術領域

本發(fā)明涉及數(shù)據分析和數(shù)據處理領域，尤其涉及一種用于向目標用戶推薦感興趣內容的內容推薦方法及內容推薦系統(tǒng)。

背景技術

近幾年來，隨著信息技術的快速發(fā)展和網絡技術的崛起，互聯(lián)網技術使得網絡數(shù)據呈爆炸性增長趨勢，越來越多的數(shù)據信息與服務充斥著網絡。同時互聯(lián)網技術也成為人們搜集和采集信息的常用通道。然而，這些數(shù)據信息資源質量參差不齊，結構復雜，使得人們在龐大的信息中很難找到自己的需求。推薦系統(tǒng)是一種幫助用戶快速發(fā)現(xiàn)有用信息的工具。推薦系統(tǒng)不需要用戶提供明確的關鍵詞，而是通過用戶歷史行為為用戶的興趣建模，從而主動推薦能夠滿足用戶興趣和需求的數(shù)據信息。推薦系統(tǒng)能夠在用戶沒有明確目的時幫助他們發(fā)現(xiàn)感興趣的新內容。

目前，推薦系統(tǒng)的經典算法有三種：基于內容的推薦算法、協(xié)同過濾推薦算法、基于關聯(lián)規(guī)則的推薦算法。其中協(xié)同過濾推薦算法被廣泛的應用，而協(xié)同過濾推薦算法又可以被分為基于項目的協(xié)同過濾推薦算法和基于用戶的協(xié)同過濾推薦算法。基于用戶的協(xié)同過濾推薦算法基于用戶對項目的偏好找到鄰居用戶(使用統(tǒng)計的方法挑選出于目標用戶最相似的若干用戶，成為“鄰居”)，然后將鄰居用戶喜歡的項目推薦給當前用戶。基于物品的協(xié)同過濾推薦算法基于用戶對項目的偏好找到相似的項目，然后根據用戶的歷史偏好，推薦相似的項目。顯然，無論哪種協(xié)同過濾算法，數(shù)據都是基于用戶對物品的評分，評分通常是由用戶對物品的瀏覽次數(shù)、點擊次數(shù)、購買次數(shù)等轉換換來的顯示數(shù)據。但是隨著商品的數(shù)量和用戶數(shù)量的不斷增加，用戶-項目評分矩陣越來稀疏，傳統(tǒng)的協(xié)同過濾推薦算法推薦精度受到了比較大的影響。

另外，相似度計算是協(xié)同推薦算法預測評分的關鍵步驟，相似度計算的目的是為基于用戶的協(xié)同推薦算法中的用戶和基于項目的協(xié)同過濾推薦算法中的項目找到相似近鄰，而相似近鄰選擇的準確與否又直接影響后續(xù)推薦結果的準確性。因此，相似度計算準確性對整個推薦系統(tǒng)的性能和推薦質量均會產生直接影響，是協(xié)同過濾推薦算法中核心的問題。

發(fā)明內容

本發(fā)明提供了一種基于大數(shù)據的喜好內容推薦方法，以解決現(xiàn)有技術中矩陣稀疏、計算速度慢、計算內容相似度時準確性不高的技術問題。

為了解決上述問題，本發(fā)明提出一種基于大數(shù)據的喜好內容推薦方法，包括：

步驟1)：通過相機采集場景中的目標用戶的人臉圖像，基于獲取的人臉圖像獲取目標用戶的ID和表情；

步驟2)：獲取與目標用戶相同表情下所有用戶的歷史行為數(shù)據，用戶的歷史行為數(shù)據包括：用戶表情、用戶查看項目以及用戶對項目的歷史偏好評分；

步驟3)：把歷史行為數(shù)據作為輸入，使用聚類算法將所有項目分成預設數(shù)量的簇；遍歷所有的項目，找到每一個項目所在的簇，使用基于項目重合依賴度的協(xié)同過濾推薦算法對未評分項目進行預測評分，并將未評分項目及其項目的評分填充到歷史行為數(shù)據中；

步驟4)：把填充后的歷史行為數(shù)據作為輸入，使用聚類算法將所有用戶分成預設數(shù)量的簇；計算目標用戶與目標用戶所在簇中所有用戶的相似度，利用基于用戶的協(xié)同推薦算法計算目標用戶對未評項目的評分；

步驟5)：根據目標用戶對未評分項目預測評分的高低程度，從中提取出目標用戶評分最高的預設項目數(shù)量的項目，將所有提取的項目推送給目標用戶。

進一步的，所述步驟1)具體包括如下步驟：

步驟1.1)：先通過單目相機采集周圍場景圖像；