一种实现信息推荐的方法及系统

1.一种实现信息推荐的方法，其特征在于，所述方法包括：
当接收到客户端发送来的推荐请求时，根据用户当前正在浏览的信息和信息相似度模型生成相关推荐列表，其中，信息相似度模型是后台服务根据用户浏览过的信息按预设的周期离线计算出来的信息相似度矩阵；
根据行为数据统计模型生成非个性化推荐列表，其中，行为数据统计模型是后台服务根据用户对信息的行为按预设的周期离线统计出来的行为数据；
根据信息相似度模型、行为数据统计模型及用户兴趣模型生成个性化推荐列表，其中，用户兴趣模型是后台服务根据用户对信息的行为数据分析提取出来的行为特征向量；
根据生成的相关推荐列表、个性化推荐列表及非个性化推荐列表生成综合推荐列表；
将生成的综合推荐列表作为推荐结果返回给客户端。
2.如权利要求1所述的方法，其特征在于，所述信息相似度矩阵包括第一信息相似度矩阵以及第二信息相似度矩阵；在接收到客户端发送来的推荐请求之前，还包括：
读取用户行为数据库中用户对信息的行为数据；
对行为数据进行预处理，并将预处理后的每条行为数据转换成协同过滤算法所支持的数据格式；
根据转换后的行为数据调用协同过滤算法进行计算得到第一信息相似度矩阵；
读取信息数据库中的信息数据；
对信息数据进行预处理，并将预处理后的每条信息数据转换成基于内容的相似度计算算法所支持的数据格式；
从转换后的所有信息数据中提取每个信息的信息特征，并根据信息特征计算信息特征的权重，以及根据信息特征和信息特征的权重计算出第二信息相似度矩阵；
将第一信息相似度矩阵和第二信息相似度矩阵进行线性组合相加，得到信息相似度模型，并将其保存到信息模型数据库中。
3.如权利要求1所述的方法，其特征在于，在接收到客户端发送来的推荐请求之前，还包括：
读取用户行为数据库中用户对信息的行为数据；
对行为数据进行预处理，统计预处理后的行为数据，并把统计得到的行为数据统计模型存到行为数据统计模型数据库中。
4.如权利要求1所述的方法，其特征在于，在接收到客户端发送来的推荐请求之前，还包括：
读取用户行为数据库中用户对信息的行为数据；
对用户行为数据预处理，并从预处理后的行为数据中分析提取行为特征向量，得到用户兴趣模型。
5.如权利要求1所述的方法，其特征在于，所述根据生成的相关推荐列表、个性化推荐列表及非个性化推荐列表生成综合推荐列表的步骤还进一步包括：
根据用户的反馈信息调整所述相关推荐列表、个性化推荐列表及非个性化推荐列表的组合比例，以得到最终的综合推荐列表。
6.一种实现信息推荐的系统，其特征在于，所述系统包括：
第一推荐列表生成模块，用于当接收到客户端发送来的推荐请求时，根据用户当前正在浏览的信息和信息相似度模型生成相关推荐列表，其中，信息相似度模型是后台服务根据用户浏览过的信息按预设的周期离线计算出来的信息相似度矩阵；
第二推荐列表生成模块，用于根据行为数据统计模型生成非个性化推荐列表，其中，行为数据统计模型是后台服务根据用户对信息的行为按预设的周期离线统计出来的行为数据；
第三推荐列表生成模块，用于根据信息相似度模型、行为数据统计模型及用户兴趣模型生成个性化推荐列表，其中，用户兴趣模型是后台服务根据用户对信息的行为数据分析提取出来的行为特征向量；
综合推荐列表生成模块，根据生成的相关推荐列表、个性化推荐列表及非个性化推荐列表生成综合推荐列表；
推荐结果返回模块，用于将生成的综合推荐列表作为推荐结果返回给客户端。
7.如权利要求6所述的系统，其特征在于，所述信息相似度矩阵包括第一信息相似度矩阵以及第二信息相似度矩阵；所述系统还包括：
第一行为数据读取模块，用于读取用户行为数据库中用户对信息的行为数据；
行为数据预处理与转换模块，用于对行为数据进行预处理，并将预处理后的每条行为数据转换成协同过滤算法所支持的数据格式；
行为数据计算模块，用于根据转换后的行为数据调用协同过滤算法进行计算得到第一信息相似度矩阵；
信息数据读取模块，用于读取信息数据库中信息数据；
信息数据预处理与转换模块，用于对信息数据进行预处理，并将预处理后的信息数据转换成基于内容的相似度计算算法所支持的数据格式；
信息数据计算模块，用于从转换后的所有信息数据中提取每个信息的信息特征，并根据信息特征计算信息特征的权重，以及根据信息特征和信息特征的权重计算出第二信息相似度矩阵；
融合保存模块，用于将第一信息相似度矩阵和第二信息相似度矩阵进行线性组合相加，得到信息相似度模型，并将其保存到信息模型数据库中。
8.如权利要求6所述的系统，其特征在于，所述系统还包括：
第二行为数据读取模块，用于读取用户行为数据库中用户对信息的行为数据；
行为数据预处理与统计模块，用于对行为数据进行预处理，统计预处理后的行为数据，并把统计得到的行为数据统计模型存到行为数据统计模型数据库中。
9.如权利要求6所述的系统，其特征在于，所述系统还包括：
第三行为数据读取模块，用于读取用户行为数据库中用户对信息的行为数据；
行为数据预处理与提取模块，用于对行为数据进行预处理，并从预处理后的行为数据中分析提取行为特征向量，得到用户兴趣模型。
10.如权利要求6所述的系统，其特征在于，所述系统还包括：
调整模块，用于根据用户反馈信息调整所述相关推荐列表、个性化推荐列表及非个性化推荐列表的组合比例，以得到最终的综合推荐列表。

一种实现信息推荐的方法及系统\n技术领域\n[0001] 本发明涉及信息处理领域，特别涉及一种实现信息推荐的方法及系统。\n背景技术\n[0002] 随着信息技术和互联网的发展，人们逐渐从信息匮乏的时代走入了信息过载（Information overload）的时代。众所周知，为了解决信息过载问题，已经有无数科学家和工程师提出了很多天才的解决方案，其中代表性的解决方案是分类目录和搜索引擎。搜索引擎可以让用户通过搜索关键词找到自己需要的信息。但是，搜索引擎需要用户主动提供准确的关键词来找信息，因此不能解决用户的很多其他需求，比如当用户无法找到准确描述自己需求的关键词时，搜索引擎就无能为力了。和搜索引擎一样，推荐系统也是一直帮助用户快速发现有用信息的途径。然而，现在的推荐系统基本上只根据用户的历史行为给用户推荐可能感兴趣的信息，考虑的因素少，推荐的信息比较单一，推荐结果难以使用户满意，不能很好的满足用户的需求。\n发明内容\n[0003] 为了解决现有技术中推荐系统存在的考虑因素少、推荐信息单一的问题，本发明实施例提供了一种实现信息推荐的方法及系统。所述技术方案如下：\n[0004] 一方面，一种实现信息推荐的方法，所述方法包括：\n[0005] 当接收到客户端发送来的推荐请求时，根据用户当前正在浏览的信息和信息相似度模型生成相关推荐列表，其中，信息相似度模型是后台服务根据用户浏览过的信息按预设的周期离线计算出来的信息相似度矩阵；\n[0006] 根据行为数据统计模型生成非个性化推荐列表，其中，行为数据统计模型是后台服务根据用户对信息的行为按预设的周期离线统计出来的行为数据；\n[0007] 根据信息相似度模型、行为数据统计模型及用户兴趣模型生成个性化推荐列表，其中，用户兴趣模型是后台服务根据用户对信息的行为数据分析提取出来的行为特征向量；\n[0008] 根据生成的相关推荐列表、个性化推荐列表及非个性化推荐列表生成综合推荐列表；\n[0009] 将生成的综合推荐列表作为推荐结果返回给客户端。\n[0010] 另一方面，一种实现信息推荐的系统，所述系统包括：\n[0011] 第一推荐列表生成模块，用于当接收到客户端发送来的推荐请求时，根据用户当前正在浏览的信息和信息相似度模型生成相关推荐列表，其中，信息相似度模型是后台服务根据用户浏览过的信息按预设的周期离线计算出来的信息相似度矩阵；\n[0012] 第二推荐列表生成模块，用于根据行为数据统计模型生成非个性化推荐列表，其中，行为数据统计模型是后台服务根据用户对信息的行为按预设的周期离线统计出来的行为数据；\n[0013] 第三推荐列表生成模块，用于根据信息相似度模型、行为数据统计模型及用户兴趣模型生成个性化推荐列表，其中，用户兴趣模型是后台服务根据用户对信息的行为数据分析提取出来的行为特征向量；\n[0014] 综合推荐列表生成模块，根据生成的相关推荐列表、个性化推荐列表及非个性化推荐列表生成综合推荐列表；\n[0015] 推荐结果返回模块，用于将生成的综合推荐列表作为推荐结果返回给客户端。\n[0016] 本发明实施例提供的技术方案带来的有益效果是：\n[0017] 本发明实施例提供的一种实现推荐信息的方法及系统，通过根据用户当前正在浏览的信息和离线计算生成的信息相似度模型、行为数据统计模型以及用户兴趣模型生成的相关推荐列表、个性化推荐列表及非个性化推荐列表得到综合推荐列表，并对用户反馈信息进行分析，调整所述相关推荐列表、个性化推荐列表及非个性化推荐列表的组合比例，准确了解用户行为，预测用户会对什么样的推荐结果比较感兴趣，不断调整推荐策略使推荐结果更好的满足用户需求。\n附图说明\n[0018] 为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。其中附图中的菱形框代表数据，方框代表操作；\n[0019] 图1是本发明一种实现信息推荐的方法较佳实施例提供的流程示意图；\n[0020] 图2是图1所示步骤S10之前进一步包括的流程示意图；\n[0021] 图3为本发明一种实现信息推荐的系统较佳实施例提供的方框示意图；\n具体实施方式\n[0022] 为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明实施方式作进一步地详细描述。\n[0023] 实施例一\n[0024] 本发明实施例一提供一种实现信息推荐的方法，如图1所示，该方法包括：\n[0025] 步骤S10：当接收到客户端发送来的推荐请求时，根据用户当前正在浏览的信息和信息相似度模型生成相关推荐列表。其中，信息相似度模型是后台服务根据用户浏览过的信息按预设的周期离线计算出来的信息相似度矩阵。\n[0026] 本实施例中，客户端可通过API接口函数给服务器发送推荐请求。当前用户正在浏览的信息可以为某一地点的用户在当前时间浏览的视频、图片、商品、音乐等。\n[0027] 本实施例中，服务器中的后台服务按照预设的周期（例如以一天为周期），对用户浏览过的信息进行离线计算，生成信息相似度模型。由于信息相似度模型的计算量大，若用户当前有新的信息加入便实时计算，对系统负荷大，而且用户有新的信息加入对信息相似度影响不大，所以本实施例按照预设的周期采用离线方法来计算信息相似度模型。故，在接收到客户端发送来的推荐请求之前，即在步骤S10之前，本实施例还进一步包括，如图2所示：\n[0028] 步骤S1：读取用户行为数据库中用户对信息的行为数据。\n[0029] 本实施例中，用户行为数据库中存储消息日志系统实时记录的用户对信息的行为数据，例如，用户对信息的浏览、收藏等行为。\n[0030] 步骤S2：对行为数据进行预处理，并将每条行为数据转换成协同过滤算法所支持的数据格式。\n[0031] 本实施例中，读取用户对信息的行为数据后，需对行为数据进行预处理，主要是对行为数据进行清洗，去掉“脏”数据和噪音数据，行为数据预处理后，需将行为数据转换成协同过滤算法所支持的数据格式，例如可以转换成（用户，用户位置，信息，时间）这种数据格式。\n[0032] 步骤S3：根据转换后的行为数据调用协同过滤算法进行计算得到第一信息相似度矩阵。\n[0033] 本实施例中，把经过数据格式转换后的行为数据输入到协同过虑算法中进行计算，以得到第一信息相似度矩阵。其中，基于协同过虑算法以基于物品算法为例，并考虑上时间因素，算法技术公式如下：\n[0034]\n[0035] 其中，u∈N(i)∩N(i)表示用户同时喜欢信息i，j，|N(i)|为喜欢信息i的用户数，f(|tui-tuj|)为时间相关的衰减项，tui是用户u对信息i产生行为的时间，用户对信息i和j产生行为的时间越远，则f(|tui-tuj|)越小，衰减函数公式为：\nα为时间衰减参数。\n[0036] 步骤S4：读取信息数据库中的信息数据。\n[0037] 本实施例中，信息数据库中存储因用户对信息的行为（例如，用户对信息的浏览、收藏等行为）所产生的信息（视频、图片、商品、音乐等）。\n[0038] 步骤S5：将每条信息数据转换成基于内容的相似度计算算法所支持的数据格式。\n[0039] 本实施例中，读取信息数据后，需对信息数据进行处理，主要是将每条信息数据转换成基于内容的相似度计算算法所支持的数据格式，例如可以转换成（名称，简介）这种数据格式。\n[0040] 步骤S6：从转换后的所有信息数据中提取每个信息的信息特征，并根据信息特征计算信息特征的权重，根据信息特征及信息特征的权重计算出第二信息相似度矩阵。\n[0041] 步骤S7：将第一信息相似度矩阵和第二信息相似度矩阵进行线性组合相加，得到信息相似度模型，并将其保存到信息相似度模型数据库中。\n[0042] 需要说明的是，本实施例中，图2所示步骤S1-S7可以顺序执行，也可以是步骤S1-S3与步骤S4-S6同步执行再执行步骤S7。\n[0043] 再参见图1：\n[0044] 步骤S20：根据行为数据统计模型生成非个性化推荐列表。其中，行为数据统计模型是后台服务根据用户对信息的行为按预设的周期离线统计出来的行为数据。\n[0045] 本实施例中，用户行为数据库中存储消息日志系统实时记录的用户对信息的行为数据，例如，用户对信息的浏览、收藏等行为。服务器中的后台服务按照预设的周期（例如以一天为周期），对用户行为数据库中的行为数据进行离线统计，生成行为数据统计模型。\n[0046] 本实施例按照预设的周期采用离线方法来计算信息相似度模型。故，在接收到客户端发送来的推荐请求之前，即在步骤S10之前，本实施例还进一步包括，如图2所示：\n[0047] 步骤S8：读取用户行为数据库中用户对信息的行为数据。\n[0048] 本实施例中，用户行为数据库中存储消息日志系统实时记录的用户对信息的行为数据。\n[0049] 步骤S9：对行为数据进行预处理，统计预处理后的行为数据，并把统计得到的行为数据统计模型存到行为数据统计模型数据库中。\n[0050] 本实施例中，读取用户对信息的行为数据后，需对行为数据进行预处理，主要是对行为数据进行清洗，去掉“脏”数据和噪音数据，行为数据预处理后，统计用户对信息的行为（如浏览、收藏次数），并把统计得到的行为数据统计模型存到行为数据统计模型数据库中。\n[0051] 再参见图1：\n[0052] 步骤S30：根据信息相似度模型、行为数据统计模型及用户兴趣模型生成个性化推荐列表。其中，用户兴趣模型是后台服务根据用户对信息的行为数据分析提取出来的行为特征向量。\n[0053] 本实施例中，服务器中的后台服务生成信息相似度模型和行为数据统计模型后，然后再根据行为数据分析提取出行为特征向量来形成用户兴趣模型，故，在步骤S10之前，本实施例还进一步包括，如图2所示：\n[0054] 步骤S10：读取用户行为数据库中用户对信息的行为数据。\n[0055] 步骤S11：对用户行为数据预处理，并从预处理后的行为数据中分析提取行为特征向量，得到用户兴趣模型。\n[0056] 本实施例中，在形成用户兴趣模型后，再根据先前生成的信息相似度模型和行为数据统计模型调用协同过滤算法进行计算以得到个性化推荐列表。\n[0057] 再参见图1：\n[0058] 步骤S40：根据生成的相关推荐列表、个性化推荐列表及非个性化推荐列表生成综合推荐列表；\n[0059] 本实施例中，本步骤可进一步根据用户的反馈信息调整所述相关推荐列表、个性化推荐列表及非个性化推荐列表的组合比例，以得到最终的综合推荐列表。\n[0060] 步骤S50：将生成的综合推荐列表作为推荐结果返回给客户端。\n[0061] 本实施例中，在得到综合推荐列表后，服务器将综合推荐列表返回客户端，以作为对客户端发送来的推荐请求的响应。客户端在接收到服务器返回的综合推荐列表时输出供用户进行浏览选择。\n[0062] 本发明实施例提供的一种实现推荐信息的方法，通过根据用户当前正在浏览的信息和离线计算生成的信息相似度模型、行为数据统计模型以及用户兴趣模型生成的相关推荐列表、个性化推荐列表及非个性化推荐列表得到综合推荐列表，并对用户反馈信息进行分析，调整所述相关推荐列表、个性化推荐列表及非个性化推荐列表的组合比例，准确了解用户行为，预测用户会对什么样的推荐结果比较感兴趣，不断调整推荐策略使推荐结果更好的满足用户需求。\n[0063] 实施例二\n[0064] 本发明实施例二提供一种实现信息推荐的系统，所述系统设置在服务器，如图3所示，该系统包括：\n[0065] 第一推荐列表生成模块100，用于当接收到客户端发送来的推荐请求时，根据用户当前正在浏览的信息和信息相似度模型生成相关推荐列表，\n[0066] 其中，信息相似度模型是后台服务根据用户浏览过的信息按预设的周期离线计算出来的信息相似度矩阵。\n[0067] 第二推荐列表生成模块200，用于根据行为数据统计模型生成非个性化推荐列表，[0068] 其中，行为数据统计模型是后台服务根据用户对信息的行为按预设的周期离线统计出来的行为数据。\n[0069] 第三推荐列表生成模块300，用于根据信息相似度模型、行为数据统计模型及用户兴趣模型生成个性化推荐列表，\n[0070] 其中，用户兴趣模型是后台服务根据用户对信息的行为数据分析提取出来的行为特征向量。\n[0071] 综合推荐列表生成模块400，根据生成的相关推荐列表、个性化推荐列表及非个性化推荐列表生成综合推荐列表；\n[0072] 推荐结果返回模块500，用于将生成的综合推荐列表作为推荐结果返回给客户端。\n[0073] 本实施例中，该系统还进一步包括：\n[0074] 第一行为数据读取模块，用于读取用户行为数据库中用户对信息的行为数据。\n[0075] 行为数据预处理与转换模块，用于对行为数据进行预处理，并将预处理后的每条行为数据转换成协同过滤算法所支持的数据格式。\n[0076] 行为数据计算模块，用于根据转换后的行为数据调用协同过滤算法进行计算得到第一信息相似度矩阵。\n[0077] 信息数据读取模块，用于读取信息数据库中信息数据。\n[0078] 信息数据预处理与转换模块，用于对信息数据进行预处理，并将预处理后的信息数据转换成基于内容的相似度计算算法所支持的数据格式。\n[0079] 信息数据计算模块，用于从转换后的所有信息数据中提取每个信息的信息特征，并根据信息特征计算信息特征的权重，以及根据信息特征和信息特征的权重计算出第二信息相似度矩阵。\n[0080] 融合保存模块，用于将第一信息相似度矩阵和第二信息相似度矩阵进行线性组合相加，得到信息相似度模型，并将其保存到信息模型数据库中。\n[0081] 第二行为数据读取模块，用于读取用户行为数据库中用户对信息的行为数据；\n[0082] 行为数据预处理与统计模块，用于对行为数据进行预处理，统计预处理后的行为数据，并把统计得到的行为数据统计模型存到行为数据统计模型数据库中。\n[0083] 第三行为数据读取模块，用于读取用户行为数据库中用户对信息的行为数据；\n[0084] 行为数据预处理与提取模块，用于对行为数据进行预处理，并从预处理后的行为数据中分析提取行为特征向量，得到用户兴趣模型。\n[0085] 本实施例中，该综合推荐列表生成模块400还包括：调整模块，用于根据用户反馈信息调整所述相关推荐列表、个性化推荐列表及非个性化推荐列表的组合比例，以得到最终的综合推荐列表。\n[0086] 本发明的方法及系统并不限于应用场景，各种推荐系统如视频推荐、音乐推荐、商品推荐等都可以采用该推荐方法，该发明的方法及系统可以使用到电视、平板电脑、手机、pc机等终端的推荐应用中。\n[0087] 本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成，也可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，上述提到的存储介质可以是只读存储器，磁盘或光盘等。\n[0088] 以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。