一種信息推薦方法及系統與流程

2023-06-06 20:05:51 1

本發明涉及計算機數據處理技術領域，具體涉及一種信息推薦方法及系統。

背景技術：

現有的一些網絡系統需要利用推薦算法向用戶推薦物品。現在的常用推薦算法多為基於協同過濾方法。在協同過濾方法中常用的基於鄰域的算法主要分為兩大類：一類是基於用戶的協同過濾算法(usercf)，另一類是基於物品的協同過濾算法(itemcf)。usercf給用戶推薦那些和他有同樣興趣愛好的用戶喜歡的物品，其推薦結果著重於反映和用戶興趣相似的小群體的熱點，這種推薦顯得更社會化，反映了某一個特定群體中一些物品的熱門程度。itemcf給用戶推薦那些和他之前喜歡的物品類似的物品，其推薦結果著重於維繫用戶的歷史興趣，這中推薦更加個性化，反映了用戶自己的興趣傳承。

實踐發現，傳統的做法難以處理只有物品信息沒有行為數據的推薦場景。沒有行為數據時，傳統的方法難以建立從用戶到物品的關係，這樣既無法構建具有相同興趣的用戶群體，又無法建立某一個用戶的歷史興趣體系。這種問題在推薦系統中也常稱為推薦系統的冷啟動問題。

技術實現要素：

本發明實施例提供一種信息推薦方法及系統，以便在沒有獲得用戶的操作行為數據時也可以對用戶進行信息推薦，以解決推薦系統的冷啟動問題。

本發明第一方面提供一種信息推薦方法，包括：根據歷史數據中用戶對物品信息的操作行為數據預先構建向量空間，所述向量空間中包括分別用於表示所述用戶的用戶屬性和所述物品信息的物品標籤的向量；獲取目標用戶的用戶屬性和目標物品信息的物品標籤在所述向量空間中各自對應的向量，通過計算向量間的相似性獲得所述目標用戶的用戶屬性與所述目標物品信息的物品標籤的關聯關係；根據所述關聯關係向任一目標用戶推薦一種或多種目標物品。

本發明第二方面提供一種用戶和物品信息的關聯繫統，包括：構建模塊，用於根據歷史數據中用戶對物品信息的操作行為數據預先構建向量空間，所述向量空間中包括分別用於表示所述用戶的用戶屬性和所述物品信息的物品標籤的向量；關聯模塊，用於獲取目標用戶的用戶屬性和目標物品信息的物品標籤在所述向量空間中各自對應的向量，通過計算向量間的相似性獲得所述目標用戶的用戶屬性與所述目標物品信息的物品標籤的關聯關係；推薦模塊，用於根據所述關聯關係向任一目標用戶推薦一種或多種目標物品。

由上可見，在本發明的一些可行的實施方式中，根據歷史數據中用戶對物品信息的操作行為數據預先構建向量空間，該向量空間包括分別表示用戶屬性和物品標籤的向量，利用該向量空間，通過獲取目標用戶的用戶屬性和目標物品信息的物品標籤在所述向量空間中各自對應的向量，就可以通過計算向量間的相似性獲得目標用戶的用戶屬性與目標物品信息的物品標籤的關聯關係，根據該關聯關係就可以進行信息推薦。可見，由於該信息推薦方法建立了用戶屬性與物品標籤的關聯關係，因而，不需要獲取目標用戶的操作行為數據，僅僅基於歷史數據中的其它用戶的操作行為數據，就可以實現物品信息的推薦，從而可以解決推薦系統的冷啟動問題。

附圖說明

圖1是本發明一個實施例提供的一種信息推薦方法的流程示意圖；

圖2是訓練基礎訓練語料映射向量空間的示意圖；

圖3是本發明一個實施例提供的一種信息推薦系統的結構示意圖；

圖4是本發明一個實施例提供的一種計算機設備的結構示意圖。

具體實施方式

為了使本技術領域的人員更好地理解本發明方案，下面將結合本發明實施例中的附圖，對本發明實施例中的技術方案進行清楚、完整地描述，顯然，所描述的實施例僅僅是本發明一部分的實施例，而不是全部的實施例。基於本發明中的實施例，本領域普通技術人員在沒有做出創造性勞動前提下所獲得的所有其他實施例，都應當屬於本發明保護的範圍。

本發明實施例技術方案應用於推薦系統，該推薦系統可以部署於計算機設備或分布式部署於計算機網絡中。針對現有技術中推薦系統的冷啟動問題，本發明實施例提供一種信息推薦方法及系統，下面通過具體實施例，分別進行詳細的說明。

(實施例一、)

請參考圖1，本發明一個實施例提供一種信息推薦方法，可包括：

110、根據歷史數據中用戶對物品信息的操作行為數據預先構建向量空間，所述向量空間中包括分別用於表示所述用戶的用戶屬性和所述物品信息的物品標籤的向量。

針對龐大的用戶群體對物品信息的大量點擊行為，一些網絡服務提供商會存儲有大量的歷史數據，歷史數據中包括了用戶對物品信息的操作行為數據。本發明實施例中，可以根據該歷史數據構建出了一個容納豐富的用戶屬性和廣泛的物品標籤的向量空間，向量空間中包括分別用於表示所述用戶和所述物品信息的向量。其中，所說的物品例如可以是手機，鋼筆等實物商品，也可以是廣告，視頻等虛擬物品，本文對此不作限制。

其中，根據歷史數據中的用戶對物品信息的操作行為數據，例如某用戶購買某物品的信息，可以獲取用戶的用戶屬性以及物品信息的物品標籤。可選的，可以從操作行為數據中獲取物品信息的標題信息，可通過對物品信息的標題分詞等手段，得到物品標籤。然後可以根據算法例如word2vec算法，將獲取的用戶屬性和物品標籤映射到同一個向量空間中，其中，每個用戶屬性用所述向量空間中的一個用戶屬性向量表示，每個物品標籤用所述向量空間中的一個物品標籤向量表示。

舉例來說，用戶屬性例如可以包括職業屬性，年齡屬性，身高屬性，性別屬性等等，物品標籤例如包括物品的名稱，類別，產地，材質，價格等等。

word2vec是2013年google推出的，是一個將單詞轉換成向量形式的工具。word2vec可以利用大量的文本段落內容，將文本中的任意詞表徵為一個向量空間的向量。通過向量空間上的關聯度計算，就可以計算出兩個詞的關聯度。輸出的詞向量可以做一些自然語言處理的工作，如將詞聚類，找同義詞等等。

請參考圖2，在一些實施例中，利用例如word2vec算法將獲取的用戶屬性和物品標籤映射到同一個向量空間中的步驟可以包括如下過程：

1、基於獲取用戶屬性以及物品標籤，可以將歷史數據中用戶對物品信息的操作行為數據，轉換為用戶屬性對物品標籤的操作行為數據；例如，將用戶q購買物品p的操作行為數據，轉換為用戶屬性y1，y2，y3對物品標籤b1，b2，b3的操作行為數據，其中，用戶屬性y1例如可以是指青年用戶，y2例如可以是指時尚型用戶，物品標籤b1例如可以是指國產，b2例如可以是指手機，等等，此處不再一一列舉。這種轉換將操作行為數據表示的用戶對物品信息的行為，轉換為用戶屬性對物品標籤的操作行為數據，得到的操作行為數據中，降低了特徵的粒度(從用戶降至用戶屬性，從物品降至物品標籤)，可以稱為細粒度轉換。通過細粒度轉換，得到的信息就不再局限於表示某個用戶或者某個物品，而是通過用戶屬性和物品標籤可以適用於所有的用戶和所有的物品。

2、從轉換後的操作行為數據中可以提取用戶屬性和物品標籤組成基礎訓練語料；其中，在每一條操作行為數據中提取用戶屬性和物品標籤，並將這些用戶屬性和物品標籤進行打亂(可以是隨機打亂)，組成一條基礎訓練語料。舉例來說，一條某用戶對某物品信息的操作行為數據中，可以提取得到多個用戶屬性例如y1，y2，y3，y4，y5，以及多個物品標籤例如b1，b2，b3，b4，b5，b6，然後進行隨機打亂，打亂後後的基於語料例如可以是【b1，y5，y3，b4，y1，b5，y2，b2，y4，b6，b3】。

3、利用word2vec算法對獲取的基礎訓練語料進行學習，就可以得到表徵每個用戶屬性和每個物品標籤的向量，從而實現將每個用戶屬性和每個物品標籤分別映射為同一個向量空間中的向量。

需要說明的是，word2vec是tomasmikolov等人提出的一種兩層的神經網絡模型，該模型根據文本的上下文(即假設每個詞與其周圍的詞比較接近)，利用大量的文本內容，將文本中的任意詞表徵為同一個向量空間的向量。通過向量空間上的相似度就算，就可以計算出兩個詞的相似性。輸出的詞向量可以做一些自然語言處理的工作，如將詞聚類，找同義詞等等。2013年google推出了開源的word2vec的代碼，得到了廣泛的應用。

word2vec算法的設計初衷是對有序的文本來訓練，利用word2vec算法對文本進行訓練，就可以得到表徵文本中的每次詞的向量，但是，word2vec算法一般用於對較長的文本例如一些文章等進行訓練，訓練學習時會考慮到上下文詞語的含義，不考慮緊鄰的若干個詞之間的關聯關係。而本發明中用於訓練的語料通常是短文本，只是幾個物品標籤和用戶屬性的組合，為了達到較好的訓練效果，需要將這些用戶屬性和物品標籤進行混合打亂。

通過實驗，將用戶屬性和商品標籤進行混合打亂確實可以得到比較好的訓練效果。一個原因是，本文訓練的短文本只是幾個物品標籤和用戶屬性的組合，短文本下word2vec的窗口可以覆蓋整個訓練的基礎訓練語料的一部分。另一個原因是，大量數據下可以從隨機打亂的短文本語料獲取信息。

其中，打亂用戶屬性和物品標籤是處理訓練數據的，對於在線獲取的用戶屬性或物品標籤則不需要打亂。

120、獲取目標用戶的用戶屬性和目標物品信息的物品標籤在所述向量空間中各自對應的向量，通過計算向量間的相似性獲得所述目標用戶的用戶屬性與所述目標物品信息的物品標籤的關聯關係。

在上一步驟中，任意用戶屬性和任意物品標籤都被映射到了同一個向量空間當中，每個用戶屬性和物品標籤都可以通過該空間中的向量進行表示，於是，在沒有獲得目標用戶的操作行為數據等情況下，針對目標用戶和目標物品，就可以利用該向量空間，通過計算向量間的相似性獲得所述目標用戶的用戶屬性與所述目標物品信息的物品標籤的關聯關係。

其中，獲得關聯關係的具體過程可包括：

1、獲取目標用戶的用戶屬性和目標物品信息的物品標籤，以及獲取的用戶屬性和物品標籤在所述向量空間中各自對應的向量；

2、計算所述向量空間中的所述目標用戶的用戶屬性向量與所述目標物品信息的物品標籤向量的相似性，得到所述目標用戶的用戶屬性與所述目標物品信息的物品標籤的關聯度，從而建立起所述目標用戶的用戶屬性到所述目標物品信息的物品標籤的關聯關係，該關聯關係用關聯度表示。

需要說明的是，計算向量間相似性的方法有多種，一些實施方式中，可以 計算所述向量空間中所述目標用戶的用戶屬性向量與所述目標物品信息的物品標籤向量的餘弦相似性，餘弦相似性具有計算簡單的優點。並且，餘弦相似性得到的結果是一個介於0～1之間的值，不需要再進行歸一化等處理，相似度的值越大表示用戶屬性向量與物品標籤向量的關聯度越高。

本發明實施例中，通過計算向量間的相似性獲得所述目標用戶的用戶屬性與所述目標物品信息的物品標籤的關聯度，建立起所述目標用戶到所述目標物品信息的關聯關係。

130、根據所述關聯關係向任一目標用戶推薦一種或多種目標物品。

在推薦系統中，用戶屬性和物品標籤的關聯度就可以作為推薦的一個重要指標。這個關聯度體現了物品標籤和用戶屬性共現的程度，向量越相似，說明用戶屬性和物品標籤更相似。

進行信息推薦時，可以設定一個閾值，對於任一目標用戶，將與該目標用戶的用戶屬性的關聯度超過設定閾值的一種或多種物品標籤表示的目標信息推薦給該目標用戶。

下面舉例說明：在線推薦的場景中，當推薦系統擁有一部分新用戶，一個待推薦的物品池。其中，知道新用戶的一些基礎的用戶屬性，如年齡、性別、地域、學歷等。並且，可將物品池中的物品信息轉換為可用的物品標籤，這些物品標籤可以為物品信息的類目，或標題分詞等。獲取了用戶屬性，物品標籤，還有word2vec訓練得到的向量空間，就可以給用戶推薦物品了。推薦過程包括：通過使用該向量空間中的各個用戶屬性向量與各個物品標籤向量進行的餘弦關聯度計算，就可以獲得任意用戶屬性與任意物品標籤之間的關聯度。從而推薦系統就可以給任意新用戶推薦物品池中的物品了，從而解決了推薦系統的冷啟動過問題。

舉例來說，某目標用戶的一個用戶屬性是手機型號，假設該手機型號為p1，假設某手機保護套的一個物品標籤為保護套類型，假設該保護套類型為t1，如果該t1類型的手機保護套與該p1型號的手機的關聯度超過閾值，則可以把該t1類型的手機保護套作為待推薦物品推薦給目標用戶。可見，該種推薦方法不需要知道目標用戶的歷史操作行為數據。

需要說明的是，本發明實施例中，任意用戶屬性和物品標籤只需要一個k維向量就可以表示，若推薦系統含有|u|個用戶屬性和|i|個物品標籤，那麼本發明實施例構建的向量空間模型，需要|u|×k個參數表示用戶屬性，需要|i|×k個參數表示物品標籤，一共只需要(|u|+|i|)×k個參數就可以表徵整個全部用戶屬性和物品標籤。可見，本發明實施例建立了一種簡單，可靠，參數少，可擴展的泛關聯用戶和物品關係的向量空間模型。

值得說明的是，上述方法的某些過程存在多種可能的替代方案。例如，用戶對物品信息的點擊行為，也可以是用戶對物品信息的點讚，評分，購買等行為。本文中，所說的物品含義廣泛，不僅包括電商中的物品，還可以包含廣告，文章，視頻等。另外，向量相似性的計算不限於餘弦相似性，還可以利用其它相似性計算方法。

可以理解，本發明實施例上述方案例如可以在計算機設備具體實施。

由上可見，在本發明的一些可行的實施方式中，提供了一種信息推薦方法，該方法可以根據歷史數據中用戶對物品信息的操作行為數據，預先構建包括分別表示用戶屬性和物品標籤的向量的向量空間，利用該向量空間，通過獲取目標用戶的用戶屬性和目標物品信息的物品標籤在所述向量空間中各自對應的向量，就可以通過計算向量間的相似性獲得目標用戶的用戶屬性與目標物品信息的物品標籤的關聯關係，根據該關聯關係就可以進行物品信息推薦。

可見，由於該信息推薦方法建立了用戶屬性與物品標籤的關聯關係進行物品信息推薦，不再是直接依賴於用戶和物品信息的關係進行推薦，因而，不需要獲取目標用戶的行為數據，僅僅基於歷史數據中的其它用戶的操作行為數據，就可以實現信息推薦，從而可以解決推薦系統的冷啟動問題。

(實施例二、)為了更好的實施本發明實施例的上述方案，下面還提供用於配合實施上述方案的相關裝置。

請參考圖3，本發明一個實施例提供一種用戶和物品信息的關聯繫統300，該系統300可包括：

構建模塊310，用戶根據歷史數據中用戶對物品信息的操作行為數據預先構建向量空間，所述向量空間中包括分別用於表示所述用戶的用戶屬性和所述 物品信息的物品標籤的向量；

關聯模塊320，用於獲取目標用戶的用戶屬性和目標物品信息的物品標籤在所述向量空間中各自對應的向量，通過計算向量間的相似性獲得所述目標用戶的用戶屬性與所述目標物品信息的物品標籤的關聯關係；

推薦模塊330，用於根據所述關聯關係向任一目標用戶推薦一種或多種目標物品信息。

在一些實施例中，所述構建模塊310具體用於：根據歷史數據中用戶對物品信息的操作行為數據，獲取所述用戶的用戶屬性和所述物品信息的物品標籤，將獲取的用戶屬性和物品標籤映射到同一個向量空間中，其中，每個用戶屬性用所述向量空間中的一個用戶屬性向量表示，每個物品標籤用所述向量空間中的一個物品標籤向量表示。

在一些實施例中，所述構建模塊310包括：

獲取單元3101，用於根據歷史數據中用戶對物品信息的操作行為數據，獲取所述用戶的用戶屬性和所述物品信息的物品標籤；

轉換單元3102，用於將歷史數據中用戶對物品信息的操作行為數據，轉換為用戶屬性對物品標籤的操作行為數據；

提取單元3103，用於從所述操作行為數據中提取用戶屬性和物品標籤，並將提取的用戶屬性和物品標籤打亂，組成基礎訓練語料；

映射單元3104，用於利用word2vec算法對獲取的基礎訓練語料進行學習，得到表徵每個用戶屬性和每個物品標籤的向量。

在一些實施例中，所述關聯模塊320包括：

獲取單元3201，用於獲取目標用戶的用戶屬性和目標物品信息的物品標籤在所述向量空間中各自對應的向量；

計算單元3202，用於計算所述向量空間中的所述目標用戶的用戶屬性向量與所述目標物品信息的物品標籤向量的相似性，得到所述目標用戶的用戶屬性與所述目標物品信息的物品標籤的關聯度。

在一些實施例中，所述計算單元3202，具體用於計算所述向量空間中的所述目標用戶的用戶屬性向量與所述目標物品信息的物品標籤向量的餘弦相似 性。

在一些實施例中，所述建立單元3203，具體用於在目標用戶沒有針對目標物品信息的操作行為數據時，根據所述向量空間建立所述目標用戶到所述目標物品信息的關聯關係。

在一些實施例中，所述推薦模塊330，具體用於對於任一目標用戶，將與該目標用戶的用戶屬性的關聯度超過設定閾值的一種或多種物品標籤表示的目標物品信息推薦給該目標用戶。

可以理解，本發明實施例系統的各個功能模塊的功能可根據上述方法實施例中的方法具體實現，其具體實現過程可參照上述方法實施例中的相關描述，此處不再贅述。

由上可見，在本發明的一些可行的實施方式中，可以根據歷史數據中用戶對物品信息的操作行為數據，構建包括分別表示用戶屬性和物品標籤的向量的向量空間，利用該向量空間，通過獲取目標用戶的用戶屬性和目標物品信息的物品標籤在所述向量空間中各自對應的向量，就可以通過計算向量間的相似性獲得目標用戶的用戶屬性與目標物品信息的物品標籤的關聯關係，根據該關聯關係就可以進行物品信息推薦。

可見，由於建立了用戶屬性與物品標籤的關聯關係進行信息推薦，不再是直接依賴於用戶和物品信息的關係進行推薦，因而，不需要獲取目標用戶的行為數據，僅僅基於歷史數據中的其它用戶的操作行為數據，就可以實現信息推薦，從而可以解決推薦系統的冷啟動問題。

(實施例三、)請參考圖4，本發明實施例還提供一種計算機設備400；

該計算機設備400可包括：處理器401和存儲器402，所述存儲器402用於存儲程序403，所述處理器401與所述存儲器402通過總線404連接，當所述計算機設備400運行時，所述處理器401執行所述存儲器402存儲的所述程序403，以使所述計算機設備400執行如上文方法實施例所述的信息推薦方法。

(實施例四、)本發明實施例還提供一種計算機存儲介質，該計算機存儲介質可存儲有程序，該程序執行時包括上述方法實施例中記載的信息推薦方法 的部分或全部步驟。

在上述實施例中，對各個實施例的描述都各有側重，某個實施例中沒有詳細描述的部分，可以參見其它實施例的相關描述。

需要說明的是，對於前述的各方法實施例，為了簡單描述，故將其都表述為一系列的動作組合，但是本領域技術人員應該知悉，本發明並不受所描述動作順序的限制，因為依據本發明，某些步驟可以採用其它順序或者同時進行。其次，本領域技術人員也應該知悉，說明書中所描述的實施例均屬於優選實施例，所涉及的動作和模塊並不一定是本發明所必須的。

本領域普通技術人員可以理解上述實施例的各種方法中的全部或部分步驟是可以通過程序來指令相關的硬體來完成，該程序可以存儲於一計算機可讀存儲介質中，存儲介質可以包括：rom、ram、磁碟或光碟等。

以上對本發明實施例所提供的信息推薦方法及系統進行了詳細介紹，本文中應用了具體個例對本發明的原理及實施方式進行了闡述，以上實施例的說明只是用於幫助理解本發明的方法及其核心思想；同時，對於本領域的一般技術人員，依據本發明的思想，在具體實施方式及應用範圍上均會有改變之處，綜上所述，本說明書內容不應理解為對本發明的限制。