[发明专利]一种富媒体个性化推荐方法

说明书

技术领域

本发明属于网络应用个性化推荐技术领域，具体来讲，涉及一种富媒体个性化推荐方法。

背景技术

网络应用及业务的不断发展，激发了网络海量信息与用户狭窄专一需求之间的矛盾。一方面，用户通过搜索引擎能够主动搜索到需求的网络信息，但不够准确，而且还需要用户再筛选。另一方面，运营商无法主动获知用户需求，并针对用户提供个性化服务。运营商不只希望由用户定制服务，还希望能够主动根据用户行为进行用户偏好分析，然后定向推送个性化服务。前者是被动的，后者是主动的，后者的需求在互联网运营商、电信运营商和广电运营商中广泛存在并且急切。

富媒体和传统媒体有所区别，它是文本、图片、音频、视频、动画等多种媒体的结合，并提供丰富的交互能力。一个优秀的富媒体存在被动及主动交互两个方面，被动交互可以定位在所有用户通用的交互，而主动交互需要根据用户或者用户群体的不同而不同。正是基于这样的交互能力，富媒体可以为个性化推荐系统提供丰富的基础数据，使得个性化推荐系统能够更加准确地推荐，达到网络个性化的目的。

个性化推荐系统通过收集富媒体交互过程中用户的行为数据来获取用户的偏好特性，进而根据这些偏好特性从网络上的海量信息中挖掘用户潜在感兴趣的或者需要的资源，并提供相应的推荐。推荐的实质是通过分析用户已选择的资源来预测用户对未选择资源的喜欢程度，并将预测的结果以某种有效的形式展现给用户，比如将预测值较高的资源推荐给用户。

经过对多种网络中个性化推荐模型的研究与抽象，整理出个性化推荐系统的典型框架如图1所示，各组件功能如下：

1、用户-业务系统交互接口

用户-业务系统交互接口为用户使用业务，即进行资源访问的基本接口。个性化推荐系统通过用户对资源的访问历史及行为直接或者间接的收集用户数据，然后给后端推荐引擎建立个性化推荐模型并形成个性化推荐结果展示给用户。

2、用户数据采集模块

用户数据采集通常可以分为两种方式，通过服务器日志进行数据预处理形成用户行为日志的间接采集或者通过服务器采集功能模块直接采集。服务器日志间接采集方式可以通过一段时间内的日志积累对用户行为做一个系统分析，但是实时性不强，需要离线分析；服务器采集模块直接采集从用户进入系统初期就开始实时采集，积少成多，但对服务器会形成较高负载。

3、推荐引擎

推荐引擎在不同的个性化推荐系统中实现方式不同，也是个性化推荐系统研究的核心，但推荐引擎中通常会包含以下子模块：

3.1用户规则数据

经过交互接口直接或者间接采集的用户数据进行数据处理，整理缩减，形成的可用可分析的用户规则数据条目。本数据将提供给数据挖掘模块进行用户偏好模型的建立。

3.2用户偏好模型

首先由已有的用户规则数据经过数据挖掘模块处理得到用户偏好模型，同时，个性化推荐系统根据用户的浏览行为不断修正并改变此模型。

3.3资源特征模型

该模块在大多数系统中都只涉及资源的条目数据，并用于进行与用户规则数据、资源数据的交叉建模过程。个性化推荐系统将在用户规则数据的基础上进行资源特征的交叉建模，资源自身特征可以基于基本的语义属性，也可以采用视频挖掘技术所提取的视频摘要及模式信息等。

3.4业务推荐模型

该模块是个性化推荐系统的核心模块，也是前面众多工作成果的集中体现。它以用户偏好模型及资源特征模型为输入，经过推荐算法，最终向用户推荐他很可能会感兴趣的，并且还未浏览过的资源。

但现有技术的个性化推荐方法存在推荐不够准确和实用的缺陷。

发明内容

本发明的目的在于克服现有技术不足，提供一种推荐准确和实用的富媒体个性化推荐方法。

为实现上述发明目的，本发明富媒体个性化推荐方法，其特征在于，包括以下步骤：

(1)、选择能够体现富媒体资源特征的语义标签集合，基于这个语义标签集合，以语义标签的权值表示富媒体资源在该标签的语义强度，对富媒体资源进行全面的描述，为每个富媒体资源形成一个特征描述样本：