一種集成用戶行為和物品內容的推薦方法及系統的製作方法

2023-05-22 11:57:41 1

一種集成用戶行為和物品內容的推薦方法及系統的製作方法
【專利摘要】本發明公開了一種集成用戶行為和物品內容的推薦方法及系統。所述方法包括：通過關聯每個用戶的行為數據和所有物品的內容數據，獲取每個用戶對所有物品內容的用戶興趣列表；計算所述用戶興趣列表與所述所有物品的內容數據的相似度，得出每個用戶對物品的內容數據的推薦物品權重，並通過對推薦物品權重進行排序得出每個用戶的推薦物品。本發明有效的解決了當前推薦系統所面臨的主要問題，比如推薦系統的冷啟動，以及如何從冷啟動順利的過度到正常運行狀態等等，大大提高了系統準確率、覆蓋率、新穎度等等，能更好的提高推薦系統的精度和個性化，吸引更多的用戶使用。
【專利說明】一種集成用戶行為和物品內容的推薦方法及系統
【技術領域】
[0001]本發明涉及智能推薦系統，尤其涉及的是一種集成用戶行為和物品內容的推薦方法及系統。
【背景技術】
[0002]隨著信息技術和網際網路的發展，如何從大量的信息中找到用戶感興趣的信息，如何讓自己的信息受到廣大用戶的歡迎，對於用戶和提供商來說都是一件非常困難的事情。推薦系統的任務就是聯繫用戶和信息，一方面幫助用戶發現對自己有價值的信息，而另一方面讓信息能夠展現在對它有興趣的用戶面前，從而實現信息消費者和信息提供者的雙贏。推薦系統主要是通過分析用戶的行為，對其建模，從而預測用戶的興趣並給用戶做推薦。
[0003]按照處理數據的不同方式，推薦系統使用的方法主要可分為協同過濾和內容過濾，如果推薦系統僅僅利用用戶的行為數據，根據用戶的歷史興趣來給用戶做推薦，那麼這種方法被稱為協同過濾算法(Co 11 aborat ive filtering)。如果推薦系統利用了物品的內容數據(content filtering),計算用戶的興趣和物品描述之間的相似度,來給用戶做推薦，稱為內容過濾。協同過濾是推薦系統領域最著名的算法，該算法主要通過研究用戶的歷史行為來給用戶的興趣建模並給用戶做出推薦。它主要包含基於用戶的協同過濾，基於物品的協同過濾，和基於主題的模型。內容過濾是在基於物品內容的基礎上給用戶推薦和他們之前喜歡的物品在內容上相似的其他物品。內容主要包括物品的一些屬性。這種方法可以更加清楚地了解用戶的興趣點，從而更好的解釋推薦的理由。
[0004]協同過濾主要依賴於歷史行為數據，因此不能很好的解決系統的冷啟動問題，也就是說這些算法無法給新用戶做推薦，因為沒有相關的行為數據。同時也無法將新的物品推薦給可能對它感興趣的用戶。內容過濾算法主要是利用物品之間內容的相似度來給用戶推薦，它只依賴於物品內容本身的數據，所以能很好的解決冷啟動問題。但是由於內容過濾算法忽視了用戶行為，從而也忽視了物品的流行度以及用戶行為中所包含的規律，所以它的精度比協同過濾要低。如何融合這兩種算法的優點來設計一種新的推薦算法對於推薦系統面臨的冷啟動和提高推薦系統的精度有十分重要的意義。
[0005]因此，現有技術還有待於改進和發展。

【發明內容】

[0006]本發明要解決的技術問題在於，針對現有技術的上述缺陷，提供一種集成用戶行為和物品內容的推薦方法及系統，解決現有推薦系統的冷啟動、以及如何從冷啟動順利的過度到正常運行狀態的問題。
[0007]本發明解決技術問題所採用的技術方案如下:
一種集成用戶行為和物品內容的推薦方法，其中，包括以下步驟:
A、通過關聯每個用戶的行為數據和所有物品的內容數據，獲取每個用戶對所有物品內容的用戶興趣列表；
B、計算所述用戶興趣列表與所述所有物品的內容數據的相似度，得出每個用戶對物品的內容數據的推薦物品權重，並通過對推薦物品權重進行排序得出每個用戶的推薦物品。
[0008]所述的集成用戶行為和物品內容的推薦方法，其中，所述步驟A具體包括:
Al、分別將用戶的行為數據和物品的內容數據採用用戶的行為向量以及物品的內容向量表示，並通過矩陣分解的方法關聯用戶的行為向量和物品的內容向量，獲取用戶的興趣向量。
[0009]所述的集成用戶行為和物品內容的推薦方法，其中，所述步驟B具體還包括:
通過所有物品的內容數據更新新增物品的內容數據，並通過計算所述新增物品的內容數據與所有用戶的行為數據的相似度，得出新增物品對用戶的行為數據的推薦用戶權重，並通過對推薦物品權重進行排序得出新增物品的推薦用戶。
[0010]所述的集成用戶行為和物品內容的推薦方法，其中，通過以下公式計算用戶的興
趣向量:
【權利要求】
1.一種集成用戶行為和物品內容的推薦方法，其特徵在於，包括以下步驟: A、通過關聯每個用戶的行為數據和所有物品的內容數據，獲取每個用戶對所有物品內容的用戶興趣列表； B、計算所述用戶興趣列表與所述所有物品的內容數據的相似度，得出每個用戶對物品的內容數據的推薦物品權重，並通過對推薦物品權重進行排序得出每個用戶的推薦物品。
2.根據權利要求1所述的集成用戶行為和物品內容的推薦方法，其特徵在於，所述步驟A具體包括: Al、分別將用戶的行為數據和物品的內容數據採用用戶的行為向量以及物品的內容向量表示，並通過矩陣分解的方法關聯用戶的行為向量和物品的內容向量，獲取用戶的興趣向量。
3.根據權利要求1所述的集成用戶行為和物品內容的推薦方法，其特徵在於，所述步驟B具體還包括: 通過所有物品的內容數據更新新增物品的內容數據，並通過計算所述新增物品的內容數據與所有用戶的行為數據的相似度，得出新增物品對用戶的行為數據的推薦用戶權重，並通過對推薦物品權重進行排序得出新增物品的推薦用戶。
4.根據權利要求2所述的集成用戶行為和物品內容的推薦方法，其特徵在於，通過以下公式計算用戶的興趣向量:
5.根據權利要求4所述的集成用戶行為和物品內容的推薦方法，其特徵在於，當有新增用戶且所述新增用戶產生行為數據時，通過新增用戶的行為數據更新新增用戶的行為向量，並通過上述公式(I)得出新增用戶的興趣向量，且通過以下公式(2)推導出新增用戶的推薦物品權重向量:
6.根據權利要求4所述的集成用戶行為和物品內容的推薦方法，其特徵在於，當有新增物品時，根據所述所有物品的內容矩陣C更新新增物品的內容向量，並通過公式(3)推導出新增物品的推薦用戶權重向量:
7.根據權利要求2所述的集成用戶行為和物品內容的推薦方法，其特徵在於，所述步驟A還包括:採用稀疏存儲的數據結構計算單個用戶的興趣向量。
8.一種集成用戶行為和物品內容的推薦系統，其特徵在於，所述系統包括: 關聯模塊，用於通過關聯每個用戶的行為數據和所有物品的內容數據，獲取每個用戶對所有物品內各的用戶興趣列表； 推薦物品模塊，用於計算所述用戶興趣列表與所述所有物品的內容數據的相似度，得出每個用戶對物品的內容數據的推薦物品權重，並通過對推薦物品權重進行排序得出每個用戶的推薦物品。
9.根據權利要求8所述的集成用戶行為和物品內容的推薦系統，其特徵在於，所述系統包括: 推薦用戶模塊，用於通過所有物品的內容數據更新新增物品的內容數據，並通過計算所述新增物品的內容數據與所有用戶的行為數據的相似度，得出新增物品對用戶的行為數據的推薦用戶權重，並通過對推薦物品權重進行排序得出新增物品的推薦用戶。
【文檔編號】G06F17/30GK103514239SQ201210486275
【公開日】2014年1月15日 申請日期:2012年11月26日 優先權日:2012年11月26日
【發明者】李朝, 汪灝泓 申請人:Tcl美國研究所