信息推荐方法和装置制造方法及图纸

本申请涉及信息推荐技术领域，尤其涉及一种信息推荐方法和装置。其中，方法包括：对项目所在的项目集合进行聚类，生成多个包含项目的类簇；计算用户对该项目在每个类簇中的短期兴趣权重和长期兴趣权重；根据短期兴趣权重和长期兴趣权重计算用户对该项目在每个类簇中的预测评分；获取该项目与各个类簇的相似度；根据该项目在每个类簇中的预测评分和所述项目与各个类簇的相似度计算得到最终预测评分；根据该最终预测评分生成推荐列表。本申请提高了推荐质量。

Information recommendation methods and devices

The application relates to the technical field of information recommendation, in particular to an information recommendation method and device. Among them, the methods include: clustering the project set to generate multiple clusters containing the project; calculating the short-term interest weight and long-term interest weight of users in each cluster; calculating the user's prediction score of the project in each cluster according to the short-term interest weight and long-term interest weight; obtaining the similarity between the project and each cluster; The final predictive score is obtained by calculating the predictive score of the project in each cluster and the similarity between the project and each cluster, and a recommendation list is generated based on the final predictive score. This application improves the recommendation quality.

【技术实现步骤摘要】
信息推荐方法和装置
本公开涉及信息推荐
，尤其是涉及一种信息推荐方法和装置。
技术介绍
当今时代，商品经济繁荣，商品的种类繁多，数量巨大，电商平台都具备推荐系统。推荐系统用来为用户推荐商品。往往根据用户的兴趣进行个性化推荐。协同过滤算法是推荐系统中使用最广泛的算法。它被应用在各大平台的推荐系统中。现有的协同过滤算法没有考虑用户的兴趣转移模型，也没有考虑项目聚类方法，由于商品数量较大，计算开销较高推荐结果不准确，质量低。
技术实现思路
有鉴于此，本申请实施例提供一种信息推荐方法和装置，用以提高推荐质量。第一方面，本申请实施例提供了一种信息推荐方法，包括：对项目所在的项目集合进行聚类，生成多个包括所述项目的类簇；计算用户对所述项目在每个类簇中的短期兴趣权重和长期兴趣权重；根据所述短期兴趣权重和长期兴趣权重计算用户对所述项目在每个类簇中的预测评分；获取所述项目与各个类簇的相似度；根据所述项目在每个类簇中的预测评分和所述项目与各个类簇的相似度计算得到所述项目的最终预测评分；根据所述项目的最终预测评分将所述项目加入推荐列表。在本专利技术较佳的实施例中，计算用户对所述项目在每个类簇中的短期兴趣权重的步骤，包括：其中，u代表用户，i代表项目；TS为用户u评价项目的平均时间间隔；Ti为用户u评价项目i的时间；T(last_C(i))是指用户在项目i所属的类簇C(i)中，评价与项目i相邻的上一个项目所用的时间；K是用户u对项目i所属的类簇中所有项目评价的总次数；计算用户对所述项目在每个类簇中的长期兴趣权重的步骤包括：Long(u,i)＝rating(u,i)×time(u,i)rating(u,i)代表用户u对项目i所属类簇中的项目的评分占所有类簇的所有项目评分的权重；time(u,i)代表用户u对项目i的所属类簇中项目的评分次数占所有类簇中的所有项目的评分次数的权重；其中，s代表项目i所属的类簇，A代表所有的类簇。在本专利技术较佳的实施例中，根据所述短期兴趣权重和长期兴趣权重计算用户对所述项目在每个类簇中的预测评分的步骤，包括：Drift(u,i)＝λ×Short(u,i)+(1-λ)×Long(u,i)；其中，λ为控制参数，0≤λ≤1；是用户u在类别S中的平均评分，k是与本评分相关的与项目i相邻的项目j的个数；SimS(i,j)表示类簇S中的项目i和与项目i相邻的项目j之间的相似度；Ru,j表示用户u对与项目i相邻的项目j的评分。在本专利技术较佳的实施例中，根据所述项目在每个类簇中的预测评分和所述项目与各个类簇的相似度计算得到所述项目的最终预测评分的步骤，包括：Sim(i,μk)表示项目i与第k个类簇的相似度；P(k)表示用户u对项目i在第k个类簇中的评分；n为类簇的个数；μk为第k个聚类中心点。在本专利技术较佳的实施例中，根据所述项目的最终预测评分将所述项目加入推荐列表的步骤，包括：根据所述项目的最终预测评分决定所述项目在推荐列表中的位置。与上述方法对应，本申请还提供了一种信息推荐装置，包括：聚类模块，用于对项目所在的项目集合进行聚类，生成多个包括所述项目的类簇；评分计算模块，用于计算用户对所述项目在每个类簇中的短期兴趣权重和长期兴趣权重；根据所述短期兴趣权重和长期兴趣权重计算用户对所述项目在每个类簇中的预测评分；获取所述项目与各个类簇的相似度；根据所述项目在每个类簇中的预测评分和所述项目与各个类簇的相似度计算得到最终预测评分；推荐列表生成模块，用于根据所述项目的最终预测评分将所述项目加入推荐列表。在本专利技术较佳的实施例中，所述评分计算模块还用于：计算用户对所述项目在每个类簇中的短期兴趣权重，包括：其中，u代表用户，i代表项目；TS为用户u评价项目的平均时间间隔；Ti为用户u评价项目i的时间；T(last_C(i))是指用户在项目i所属的类簇C(i)中，评价与项目i相邻的上一个项目所用的时间；K是用户u对项目i所属的类簇中所有项目评价的总次数；计算用户对所述项目在每个类簇中的长期兴趣权重，包括：Long(u,i)＝rating(u,i)×time(u,i)rating(u,i)代表用户u对项目i所属类簇中的项目的评分占所有类簇的所有项目评分的权重；time(u,i)代表用户u对项目i的所属类簇中项目的评分次数占所有类簇中的所有项目的评分次数的权重；其中，s代表项目i所属的类簇，A代表所有的类簇。在本专利技术较佳的实施例中，所述评分计算模块还用于：根据所述短期兴趣权重和长期兴趣权重计算用户对所述项目在每个类簇中的预测评分，包括：Drift(u,i)＝λ×Short(u,i)+(1-λ)×Long(u,i)；其中，λ为控制参数，0≤λ≤1；是用户u在类别S中的平均评分，k是与本评分相关的与项目i相邻的项目j的个数；SimS(i,j)表示类簇S中的项目i和与项目i相邻的项目j之间的相似度；Ru,j表示用户u对与项目i相邻的项目j的评分。在本专利技术较佳的实施例中，所述评分计算模块还用于：根据所述项目在每个类簇中的预测评分和所述项目与各个类簇的相似度计算得到所述项目的最终预测评分，包括：Sim(i,μk)表示项目i与第k个类簇的相似度；P(k)表示用户u对项目i在第k个类簇中的评分；n为类簇的个数；μk为第k个聚类中心点。在本专利技术较佳的实施例中，所述推荐列表生成模块，还用于根据所述项目的最终预测评分决定所述项目在推荐列表中的位置。采用上述方案，为了解决上述的问题，本专利技术研究了兴趣的特征，提出了将用户长期兴趣和短期兴趣分开识别的方法，结合聚类技术，提出一种新的协同过滤方法。该方法在计算时采用长期兴趣权重，短期兴趣权重和聚类权重来计算预测评分，根据预测评分确定推荐列表，可以有效捕捉用户兴趣，有助于提高推荐质量。本公开的其他特征和优点将在随后的说明书中阐述，或者，部分特征和优点可以从说明书推知或毫无疑义地确定，或者通过实施本公开的上述技术即可得知。为使本专利技术的上述目的、特征和优点能更明显易懂，下文特举较佳实施方式，并配合所附附图，作详细说明如下。附图说明为了更清楚地说明本公开具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本公开的一些实施方式，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。图1为本申请实施方式提供的基于协同过滤算法的信息推荐方法流程图；图2为本申请实施方式提供的生成聚类中心流程图；图3为本申请实施方式提供的总体流程示意图；图4为本申请实施方式提供的基于协同过滤算法的信息推荐装置示意图。具体实施方式为使本公开实施方式的目的、技术方案和优点更加清楚，下面将结合附图对本公开的技术方案进行清楚、完整地描述，显然，所描述的实施方式是本公开一部分实施方式，而不是全部的实施方式。基于本公开中的实施方式，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施方式，都属于本公开保护的范围。随着电子商务平台的日新月异的飞速发展，各大电商网站都具有向用户自动推荐产品的功能。其中使用的算法为协同过滤算法。协同过滤算法是目前推荐系统中使用最广泛的算法。不同于传统的基于内容进行推荐的算法，但是目前的协同过滤算法没本文档来自技高网...

【技术保护点】
1.一种信息推荐方法，其特征在于，包括：对项目所在的项目集合进行聚类，生成多个包括所述项目的类簇；计算用户对所述项目在每个类簇中的短期兴趣权重和长期兴趣权重；根据所述短期兴趣权重和长期兴趣权重计算用户对所述项目在每个类簇中的预测评分；获取所述项目与各个类簇的相似度；根据所述项目在每个类簇中的预测评分和所述项目与各个类簇的相似度计算得到所述项目的最终预测评分；根据所述项目的最终预测评分将所述项目加入推荐列表。

【技术特征摘要】
1.一种信息推荐方法，其特征在于，包括：对项目所在的项目集合进行聚类，生成多个包括所述项目的类簇；计算用户对所述项目在每个类簇中的短期兴趣权重和长期兴趣权重；根据所述短期兴趣权重和长期兴趣权重计算用户对所述项目在每个类簇中的预测评分；获取所述项目与各个类簇的相似度；根据所述项目在每个类簇中的预测评分和所述项目与各个类簇的相似度计算得到所述项目的最终预测评分；根据所述项目的最终预测评分将所述项目加入推荐列表。2.根据权利要求1所述的方法，其特征在于，计算用户对所述项目在每个类簇中的短期兴趣权重的步骤，包括：其中，u代表用户，i代表项目；TS为用户u评价项目的平均时间间隔；Ti为用户u评价项目i的时间；T(last_C(i))是指用户在项目i所属的类簇C(i)中，评价与项目i相邻的上一个项目所用的时间；K是用户u对项目i所属的类簇中所有项目评价的总次数；计算用户对所述项目在每个类簇中的长期兴趣权重的步骤包括：Long(u,i)＝rating(u,i)×time(u,i)rating(u,i)代表用户u对项目i所属类簇中的项目的评分占所有类簇的所有项目评分的权重；time(u,i)代表用户u对项目i的所属类簇中项目的评分次数占所有类簇中的所有项目的评分次数的权重；其中，s代表项目i所属的类簇，A代表所有的类簇。3.根据权利要求1所述的方法，其特征在于，根据所述短期兴趣权重和长期兴趣权重计算用户对所述项目在每个类簇中的预测评分的步骤，包括：Drift(u,i)＝λ×Short(u,i)+(1-λ)×Long(u,i)；其中，λ为控制参数，0≤λ≤1；是用户u在类别S中的平均评分，k是与本评分相关的与项目i相邻的项目j的个数；SimS(i,j)表示类簇S中的项目i和与项目i相邻的项目j之间的相似度；Ru,j表示用户u对与项目i相邻的项目j的评分。4.根据权利要求1所述的方法，其特征在于，根据所述项目在每个类簇中的预测评分和所述项目与各个类簇的相似度计算得到所述项目的最终预测评分的步骤，包括：Sim(i,μk)表示项目i与第k个类簇的相似度；P(k)表示用户u对项目i在第k个类簇中的评分；n为类簇的个数；μk为第k个聚类中心点。5.根据权利要求1所述的方法，其特征在于，根据所述项目的最终预测评分将所述项目加入推荐列表的步骤，包括：根据所述项目的最终预测评分决定所述项目在推荐列表中的位置。6.一种信息推荐装置，其特征在于，包...

【专利技术属性】
技术研发人员：何泾沙，杨镇宁，朱娜斐，于聪，宿绍勋，杜晋辉，
申请(专利权)人：北京工业大学，
类型：发明
国别省市：北京,11