[发明专利]产品推荐方法及装置

说明书

本公开涉及一种产品推荐方法及装置，包括确定用户感兴趣的产品；获取产品的动态属性数据及产品的静态属性数据；根据所述动态属性数据和静态属性数据，生成与所述用户感兴趣的产品相关联的目标产品；推荐所述目标产品，将所述目标产品通过终端界面显示出来。通过将两种推荐方法，即基于产品动态属性数据的推荐方法和基于产品静态属性的推荐方法相融合，弥补了单纯依靠产品的动态属性数据的推荐方法中的资源稀疏性和资源初始评价的不足，使得推荐的内容更为全面和准确。

技术领域

本公开涉及计算机技术领域，尤其涉及一种产品推荐方法及装置。

背景技术

通过个性化教育，有的放矢来提升学生学习效果一直是学校追求的目标。在大数据、云计算盛行的互联网时代，推荐引擎早已是国内外最受欢迎的技术之一。著名的电商网站亚马逊的CEO杰夫·贝索斯曾经说过，他的梦想是“如果我有100万个用户，我就要为他们做100万个亚马逊网站”。目前亚马逊30％～40％流量都来自推荐引擎，国内的今日头条，通过千人千面的个性化推荐技术也获得了良好的口碑，新浪、QQ也在推荐的路上坚持不懈，智能推荐越来越成为企业运营中重要的环节。

随着智能手机的普及，移动互联网和传统互联网一样流行，成为很多人学习的渠道。在线教育行业中，随着课程资源的逐渐丰富，用户对精准资源的选择越来越困难，而每一个学生都是独一无二的，为了解决这种资源和具有独立个性的学生之间匹配的问题，目前已经出现了基于数据挖掘算法的推荐方法，如协同过滤算法(CF，CollaborativeFiltering)的个性化推荐教学辅助系统，从一定程度上解决了传统教学平台以自身为中心，没有充分考虑到用户的个性化需求，造成了题目和用户能力不符，交互性差，学习效果不明显等诸多问题，从而可以针对每一个系统用户因材施教，提供比较符合用户需求的资源。

协同过滤技术是目前推荐系统中应用最为常用的技术。其中协同两字说明协同过滤算法的主要思想是基于一组兴趣相同的用户进行推荐。协同过滤基于这样的假设：为用户找到他真正感兴趣的内容的好方法是，首先找与他兴趣相似的用户，然后将这些用户感兴趣的内容推荐给此用户。协同过滤的基本思路如图1所示，其过程如下：

步骤一，收集可以代表用户兴趣的信息。比如收集用户对阅读内容的点击、打分、评论等信息；

步骤二，最近邻搜索。协同过滤的出发点是发现与用户兴趣相同的另一组用户，术语叫做最近邻。最近邻搜索的核心是计算两个用户的相似度。例如用户A和用户B，首先需要获取用户A和用户B所有的评分项，然后选择一个合适的相似度计算方法，基于评分项数据，计算得到用户A和用户B的相似度数值。目前使用比较多的相似度算法包括，皮尔森相关系数(Person Correlation Coefficient)、余弦相似性(Cosine-based Similarity)以及调整余弦相似性(Adjusted Cosine Similarity)。具体实现过程中，会根据数据集的不同特征选择不同的相似度算法；

步骤三，生成推荐结果。有了最近邻集合，就可以对目标用户的兴趣进行预测，生成推荐结果。通常根据推荐目的的不同，可以进行多种形式的推荐。常见的有Top-N推荐，即推荐前N个结果进行推荐。

上述方法在互联网电商行业有了很多应用，但仍存在一些不足。比如：1)资源稀疏性问题：即由于内容资源非常丰富，单个用户对内容的评价或阅读量非常稀疏，这样的数据所得到的用户间的相似性可能不准确；2)资源初始评价问题：如果一个内容资源从来没有用户阅读或评价过，则这个内容资源就不可能被推荐；3)内容自适应问题：由于协同过滤模型不可能做到实时更新，当前的推荐系统没有考虑到用户当前最近可能发生的变化，故推荐的内容有可能会发生较大的偏差。

发明内容

有鉴于此，本公开提出了一种产品推荐方法和装置。

根据本公开的一方面，提供了一种产品推荐方法，包括：

确定用户感兴趣的产品；