[发明专利]一种个性化推荐系统的推荐方法

说明书

技术领域

本发明涉及基于大数据和数据挖掘推荐系统技术领域，尤其是一种基于用户日志和实体关联图库的个性化推荐系统的推荐方法。

背景技术

近年来，随着信息技术的日益发展以及连入互联网用户数量的不断增长，互联网中时时刻刻都会产生数量巨大的比特数据。如何有效利用这些信息已经成为一个世界性关注的问题。在经过学术界和工业界多年的研究和应用，对于这些数据附加价值的挖掘和利用技术也逐渐成熟，最主要的就是在电子商务、在线信息应用(如在线新闻、在线音乐、在线影视)等领域的关联信息推荐系统。

推荐系统里应用最广泛的是协同过滤技术，包括基于邻居和基于模型的方法。基于邻居的方法通常用于研究用户或物品之间的相似度计算问题：基于用户的协同过滤方法首先查找主要属性相似的用户(即邻居)，然后收集和分析邻居的数据以进一步为目标用户推荐其感兴趣的物品。相似的，基于物品的协同过滤方法利用了相似物品的信息评级的优势。基于模型的方法试图将用户-物品的关系评估数据转化为不同的模型(如贝叶斯网络、因式分解或者集群模型等)并使用这些模型在未知场景中向用户推荐物品(因式分解技术在具有显式或隐式反馈的应用系统中获得了越来越高的关注)。

然而目前主流的推荐系统在面对新用户时，由于没有历史数据作为推荐依据而带来的“冷启动”问题也让用户体验比较差，而且用户的数据阅读兴趣或偏好也是随时间而不断变化，如何比较好的解决推荐系统的冷启动问题并且随时根据用户的偏好变化而调整推荐结果也是一个研究和应用的热点话题。

发明内容

本发明提供了一种基于用户日志和实体关联图库的个性化推荐系统的推荐方法；可以有效解决推荐系统的冷启动问题，并且使推荐结果随用户偏好的转换而动态变化，增强用户对推荐系统的使用体验性和个性化需求。

本发明解决上述技术问题的技术方案是：

所述的系统主要包括有以下模块：

数据接口层，主要负责与业务层的数据通信，接收数据请求以及发送推荐结果；

知识库，作为系统的数据源和推荐运算系统的学习集；

用户日志系统，记录用户在业务层的所有操作记录；

实体关联图库，分析知识库的数据，剖析并存储用户、实体数据、属性相互之间的关联关系；

推荐运算系统，接收数据接口层的输入，根据用户日志系统计算其最近偏好值，综合最邻近用户的偏好数据，得出用户可能最感兴趣的一个数据实体序列；

所述的推荐方法主要包括如下步骤，

步骤一，用户点击查看一条实体数据时，实体关联图库中相应属性的关联权值也会动态变化并重新被计算；

步骤二，分析用户当前点击实体数据的时间点和一个较早的时间点之间的实体数据的相关性，通过不断迭代收敛找出相关值最高的一个最近时间点，取这两个时间点之间的实体数据作为用户的最近偏好值数据源；

步骤三，根据用户的最近偏好值和动态变化的实体关联图库，综合处理后得出与用户当前偏好最接近的推荐结果。

所述的步骤二中计算两个指定时间点范围内实体数据的相关性时采取基于局部敏感哈希的随机投影方法，时间复杂度从传统的K-NN方法的O(N²)变为O(N)。

所述的知识库的数据实体主要为新闻、文献等文字性内容，且数据量随时间推移而不断增长。

所述实体关联图库是通过分析所述知识库的每一项实体数据以及用户配置文件，分解其属性，通过TF-IDF等相关算法计算各自的权值，权值范围为0至1之间；并以多维图形式记录实体-属性、属性-属性、实体-实体、用户-用户、用户-实体、用户-属性等相互之间的关联关系。

所述用户日志系统记录了业务层用户所有的操作，但在应用到推荐运算系统时，主要是提取用户对实体数据的点击操作日志，并且根据不同时间段之间实体数据的关联关系计算用户在某个时间点相对稳定的偏好值以作为个性化推荐的输入。

所述推荐运算系统中，用户第一次在业务层获取推荐数据时是用户本身的配置文件，此时主要采取基于用户的协同过滤方法获取该用户的最邻近用户之最热实体数据为推荐结果；正常情况下还需综合考虑用户以往的历史点击记录，减少实体数据的稀疏性问题对结果的影响。

附图说明

下面结合附图对本发明进一步说明：

图1是本发明个性化推荐系统的框架结构；

图2是本发明个性化推荐系统的实体关系图库示意图；

图3是本发明推荐方法的流程图。

具体实施方式