混合推薦方法及系統(tǒng)的制作方法
【專利摘要】本發(fā)明提供一種混合推薦方法及系統(tǒng)，其中方法包括將數(shù)據(jù)庫(kù)中的用戶數(shù)據(jù)分為單維度用戶特征值和多維度用戶特征值；采用貝葉斯平均算法對(duì)單維度用戶特征值進(jìn)行計(jì)算，獲得用戶的推薦算法興趣度；采用樸素貝葉斯模型對(duì)多維度用戶特征值進(jìn)行計(jì)算，獲得用戶的推薦算法興趣度；根據(jù)單維度用戶的推薦算法興趣度和多維度用戶的推薦算法興趣度，確定推薦列表，并將推薦列表推薦給數(shù)據(jù)庫(kù)的用戶。利用本發(fā)明，能夠解決用戶的推薦算法興趣度預(yù)測(cè)準(zhǔn)確率低、計(jì)算評(píng)估不同用戶的推薦算法興趣度和訓(xùn)練用戶興趣模型的時(shí)間瓶頸的問(wèn)題。
【專利說(shuō)明】混合推薦方法及系統(tǒng)
【技術(shù)領(lǐng)域】
[0001]本發(fā)明涉及推薦【技術(shù)領(lǐng)域】，更為具體地，涉及一種混合推薦方法及系統(tǒng)。
【背景技術(shù)】
[0002]推薦技術(shù)發(fā)展至今已有十余年的歷史，其間眾多的推薦算法被提出并在業(yè)界應(yīng)用。經(jīng)過(guò)大量實(shí)踐，人們發(fā)現(xiàn)似乎沒(méi)有任何一種方法可以適用于所有場(chǎng)景，因?yàn)槊糠N推薦算法都有自身難以逾越的局限性。
[0003]面對(duì)各種推薦算法的局限，業(yè)內(nèi)推出了混合推薦技術(shù)，目前混合推薦技術(shù)有很多，如:加權(quán)混合推薦技術(shù)、交叉調(diào)和混合推薦技術(shù)等。圖1示出了傳統(tǒng)的混合推薦技術(shù)的流程，如圖1所示，傳統(tǒng)的混合推薦技術(shù)的流程包括:
[0004]SllO:開(kāi)始；
[0005]S120:用戶瀏覽目標(biāo)商務(wù)網(wǎng)站；
[0006]S130:網(wǎng)站向推薦系統(tǒng)發(fā)送請(qǐng)求；
[0007]S140:推薦系統(tǒng)外部接口；
[0008]S150:推薦算法；其中，在推薦算法中會(huì)調(diào)用A和B，A即商品信息數(shù)據(jù)庫(kù)，B用戶行為及用戶信息數(shù)據(jù)庫(kù)；
[0009]S160:是否使用混合推薦策略，若是，則執(zhí)行S180 ;若否，則執(zhí)行S170 ；
[0010]S170:混合推薦策略組件；
[0011]S180:推薦列表；
[0012]S190:結(jié)束。
[0013]上述為傳統(tǒng)的混合推薦技術(shù)的整個(gè)流程，目前，主流的混合推薦策略包括:加權(quán)型混合推薦技術(shù)、分級(jí)型混合推薦技術(shù)、交叉型混合推薦技術(shù)、推薦模型混合技術(shù)等。
[0014]但是上述這些混合推薦技術(shù)都存在一些共性的問(wèn)題。
[0015]由于上述推薦系統(tǒng)對(duì)所有用戶的推薦算法混合策略是相同的，而該策略可能并不適用于所有用戶。比如:某系統(tǒng)提供了多種推薦算法系統(tǒng)，采用分級(jí)混合策略，優(yōu)先展現(xiàn)準(zhǔn)確率較高的推薦算法生成的結(jié)果，后續(xù)加入召回率較高的其他算法的結(jié)果。對(duì)于最終推薦結(jié)果(Top-N)的推薦列表，興趣單一的用戶會(huì)對(duì)推薦結(jié)果感到滿意；而興趣廣泛的用戶總是優(yōu)先看到他感興趣的一個(gè)方面，隨著時(shí)間的推移，會(huì)不可避免地導(dǎo)致用戶的算法興趣度預(yù)測(cè)準(zhǔn)確率低、新穎度不夠，并且推薦系統(tǒng)需要完成推薦的時(shí)間增加，從而降低用戶對(duì)推薦結(jié)果的滿意度。
[0016]因此，現(xiàn)在需要一種新的混合推薦技術(shù)解決上述出現(xiàn)的問(wèn)題。

【發(fā)明內(nèi)容】

[0017]鑒于上述問(wèn)題，本發(fā)明的目的是提供一種混合推薦方法及系統(tǒng)，以解決用戶的推薦算法興趣度預(yù)測(cè)準(zhǔn)確率低、計(jì)算評(píng)估不同用戶的推薦算法興趣度和訓(xùn)練用戶興趣模型的時(shí)間瓶頸的問(wèn)題。[0018]一方面，本發(fā)明提供一種混合推薦方法，包括將數(shù)據(jù)庫(kù)中的用戶數(shù)據(jù)分為單維度用戶特征值和多維度用戶特征值；
[0019]采用貝葉斯平均算法對(duì)單維度用戶特征值進(jìn)行計(jì)算，獲得單維度用戶的推薦算法興趣度；以及，
[0020]采用樸素貝葉斯模型對(duì)多維度用戶特征值進(jìn)行計(jì)算，建立多維度用戶興趣模型，并對(duì)多維度用戶興趣模型進(jìn)行訓(xùn)練，獲得多維度用戶的推薦算法興趣度；
[0021]根據(jù)單維度用戶的推薦算法興趣度和多維度用戶的推薦算法興趣度，確定推薦列表，并將推薦列表推薦給數(shù)據(jù)庫(kù)的用戶。
[0022]此外，優(yōu)選的方案是，在根據(jù)單維度用戶的推薦算法興趣度和多維度用戶的推薦算法興趣度確定推薦列表的過(guò)程中，通過(guò)混合推薦策略組件對(duì)單維度用戶的推薦算法興趣度和多維度用戶的推薦算法興趣度進(jìn)行融合，獲得數(shù)據(jù)庫(kù)的用戶對(duì)每個(gè)推薦算法的興趣度，根據(jù)每個(gè)推薦算法的興趣度獲得每個(gè)推薦算法在所有推薦算法中的比例，確定推薦列表。
[0023]此外，優(yōu)選的方案是，在采用貝葉斯平均算法對(duì)單維度用戶特征值進(jìn)行計(jì)算的過(guò)程中，采用并行計(jì)算方法計(jì)算單維度用戶的推薦算法興趣度；
[0024]在采用樸素貝葉斯模型對(duì)多維度用戶特征值進(jìn)行計(jì)算的過(guò)程中，采用并行計(jì)算方法計(jì)算多維度用戶的推薦算法興趣度。
[0025]此外，優(yōu)選的方案是，在采用貝葉斯平均算法對(duì)單維度用戶特征值進(jìn)行計(jì)算的過(guò)程中，
[0026]貝葉斯平均算法公式為:
[0027]
【權(quán)利要求】
1.一種混合推薦方法,包括: 將數(shù)據(jù)庫(kù)中的用戶數(shù)據(jù)分為單維度用戶特征值和多維度用戶特征值； 采用貝葉斯平均算法對(duì)所述單維度用戶特征值進(jìn)行計(jì)算，獲得所述單維度用戶的推薦算法興趣度；以及， 采用樸素貝葉斯模型對(duì)所述多維度用戶特征值進(jìn)行計(jì)算，建立多維度用戶興趣模型，并對(duì)所述多維度用戶興趣模型進(jìn)行訓(xùn)練，獲得所述多維度用戶的推薦算法興趣度； 根據(jù)所述單維度用戶的推薦算法興趣度和所述多維度用戶的推薦算法興趣度，確定推薦列表，并將所述推薦列表推薦給所述數(shù)據(jù)庫(kù)的用戶。
2.如權(quán)利要求1所述的混合推薦方法，其中，在根據(jù)所述單維度用戶的推薦算法興趣度和所述多維度用戶的推薦算法興趣度確定推薦列表的過(guò)程中， 通過(guò)混合推薦策略組件對(duì)所述單維度用戶的推薦算法興趣度和所述多維度用戶的推薦算法興趣度進(jìn)行融合，獲得所述數(shù)據(jù)庫(kù)的用戶對(duì)每個(gè)推薦算法的興趣度； 根據(jù)所述每個(gè)推薦算法的興趣度獲得每個(gè)推薦算法在所有推薦算法中的比例，確定推薦列表。
3.如權(quán)利要求1所述的混合推薦方法，其中， 在采用貝葉斯平均算法對(duì)所述單維度用戶特征值進(jìn)行計(jì)算的過(guò)程中，采用并行計(jì)算方法計(jì)算所述單維度用戶的推薦算法興趣度； 在采用樸素貝葉斯模型對(duì)所述多維度用戶特征值進(jìn)行計(jì)算的過(guò)程中，采用并行計(jì)算方法計(jì)算所述多維度用戶的推薦算法興趣度。
4.如權(quán)利要求1所述的混合推薦方法，在采用貝葉斯平均算法對(duì)所述單維度用戶特征值進(jìn)行計(jì)算的過(guò)程中， 所述貝葉斯平均算法公式為: f ^ CXm^L1Xl
A.'— 其中，c為一個(gè)自行設(shè)定的常數(shù)； m為數(shù)據(jù)庫(kù)中項(xiàng)目的平均值； η為所述項(xiàng)目的數(shù)據(jù)數(shù)量； X為每個(gè)數(shù)據(jù)的值； 上述公式中，m為先驗(yàn)概率，每個(gè)X的值都是一個(gè)調(diào)整因子，隨著η的增加，所述項(xiàng)目的值置將不斷趨向其正確的值。
5.如權(quán)利要求1所述的混合推薦方法，在采用樸素貝葉斯模型對(duì)所述多維度用戶特征值進(jìn)行計(jì)算的過(guò)程中， 所述樸素貝葉斯模型公式為:
PfClX) = p(xiG)x1p《g》 \ I J — p(X) 其中，c為目標(biāo)事件;X為特征值； P (CIX)為X條件下c發(fā)生的概率； P (XIC)為C條件下X發(fā)生的概率；P(C)為C的概率； P(X)為X的概率。
6.—種混合推薦系統(tǒng),包括: 數(shù)據(jù)庫(kù)區(qū)分單元，用于將數(shù)據(jù)庫(kù)中的用戶數(shù)據(jù)分為單維度用戶特征值和多維度用戶特征值； 貝葉斯平均算法計(jì)算單元，用于采用貝葉斯平均算法對(duì)所述單維度用戶特征值進(jìn)行計(jì)算，獲得所述單維度用戶的推薦算法興趣度； 樸素貝葉斯模型計(jì)算單元，用于采用樸素貝葉斯模型對(duì)所述多維度用戶特征值進(jìn)行計(jì)算，建立多維度用戶興趣模型，并對(duì)所述多維度用戶興趣模型進(jìn)行訓(xùn)練，獲得所述多維度用戶的推薦算法興趣度； 算法推薦單元，用于根據(jù)所述單維度用戶的推薦算法興趣度和所述多維度用戶的推薦算法興趣度，確定推薦列表，并將所述推薦列表推薦給所述數(shù)據(jù)庫(kù)的用戶。
7.如權(quán)利要求6所述的混合推薦方系統(tǒng)，其中，所述算法推薦單元進(jìn)一步包括: 興趣度獲取單元，用于通過(guò)混合推薦策略組件對(duì)所述單維度用戶的推薦算法興趣度和所述多維度用戶的推薦算法興趣度進(jìn)行融合，獲得所述數(shù)據(jù)庫(kù)的用戶對(duì)每個(gè)推薦算法的興趣度； 推薦列表確定單元，用 于根據(jù)所述每個(gè)推薦算法的興趣度獲得每個(gè)推薦算法在所有推薦算法中的比例，確定推薦列表。
8.如權(quán)利要求6所述的混合推薦方系統(tǒng)，其中， 所述貝葉斯平均算法計(jì)算單元在對(duì)所述單維度用戶特征值進(jìn)行計(jì)算的過(guò)程中，采用并行計(jì)算方法計(jì)算所述單維度用戶的推薦算法興趣度； 所述樸素貝葉斯模型計(jì)算單元在對(duì)所述多維度用戶特征值進(jìn)行計(jì)算的過(guò)程中，采用并行計(jì)算方法計(jì)算所述多維度用戶的推薦算法興趣度。
9.如權(quán)利要求6所述的混合推薦系統(tǒng)， 在所述貝葉斯平均算法計(jì)算單元采用貝葉斯平均算法對(duì)所述單維度用戶特征值進(jìn)行計(jì)算的過(guò)程中， 所述貝葉斯平均算法公式為:

10.如權(quán)利要求6所述的混合推薦系統(tǒng)， 所述樸素貝葉斯模型計(jì)算單元在采用樸素貝葉斯模型對(duì)所述多維度用戶特征值進(jìn)行計(jì)算的過(guò)程中， 所述樸素貝葉斯模型公式為:
【文檔編號(hào)】G06F17/30GK103744917SQ201310737345
【公開(kāi)日】2014年4月23日 申請(qǐng)日期:2013年12月27日 優(yōu)先權(quán)日:2013年12月27日
【發(fā)明者】姜立宇, 張霞, 韓宇, 王菊 申請(qǐng)人:東軟集團(tuán)股份有限公司