CN101753573A

CN101753573A - 一种基于协同过滤的rss信息推荐方法

Info

Publication number: CN101753573A
Application number: CN200910256457A
Authority: CN
Inventors: 袁东风; 王恒; 颜廷芝; 徐超; 林贺; 陈飞; 魏斌; 石祚夫
Original assignee: Shandong University
Current assignee: Shandong University
Priority date: 2009-12-25
Filing date: 2009-12-25
Publication date: 2010-06-23
Anticipated expiration: 2029-12-25
Also published as: CN101753573B

Abstract

一种基于协同过滤的RSS信息推荐方法，属信息推荐技术领域，系统由阅读模块、订阅模块、订阅管理模块、行为记录模块、行为处理模块和推荐模块组成，其中阅读模块分别和订阅模块、订阅管理模块、行为记录模块及推荐模块相连接；行为处理模块分别和行为记录模块及推荐模块相连接；订阅模块和订阅管理模块相互连接，模块之间通过由编程实现的控制语句，共享一个或多个服务器数据库的数据。本发明使其推荐效果不仅限于整个RSS信息源的推荐，更加突出了单篇文章的推荐，有效避免了信息冗余和过载；推荐效果有一定的差异覆盖面，便于用户发现可能感兴趣的新内容；引入了同好用户群，并利用同好用户加权因子，使推荐内容更加精准可信。

Description

一种基于协同过滤的RSS信息推荐方法

所属技术领域

本发明涉及一种信息推荐方法，具体涉及一种基于协同过滤的RSS信息推荐方法。

背景技术

目前互联网中的RSS信息推荐方法，只能推荐整条信息源，不能针对单篇文章进行个性化推荐。例如：谷歌阅读器，抓虾网、鲜果网等的在线RSS阅读器均不能完成同好用户的单篇文章个性化推荐。如专利号为200510022721.3、发明名称为《一种基于XML文件的RSS信息交互处理方法》的专利即属于此列。

这样会导致使用者得到的推荐文章泛滥，不能得到精准的使用者喜好的单篇文章。

发明内容

本发明解决的技术问题是：提供一种既能荐整条信息源，又能针对同好用户的单篇文章进行个性化推荐。

本发明基于以下假设：有相同或类似订阅习惯的用户，其相互推荐的信息更具价值；最相似的同好用户推荐的信息比次相似同好用户的推荐更具价值。通过分析用户的习惯，找到每个用户的同好用户群，以及该用户群的订阅集。通过加权每个同好用户的收藏文章，以推荐该用户最有可能喜欢的文章，从而达到个性化的推荐效果。

为达到上述目标，本发明采用如下的技术方案：

一种基于协同过滤的RSS信息推荐方法，步骤如下：

1)用户从大量RSS源集中订阅某些RSS源时，服务器行为记录模块获取登录的用户信息，查询会话表获得用户唯一身份标识u，连同该RSS信息源在系统中的唯一标识r，形成用户对RSS源的订阅情况Wu，r，更新至行为处理模块的用户-RSS源订阅矩阵W(m，n)之中，m为系统中的用户数目，n为RSS源的数目，订阅情况Wu，r的值当订阅时为1，未订阅时为0；

2)行为处理模块从用户-RSS源订阅矩阵W(m，n)中获取订阅情况Wu，r，利用余弦相关性算法计算两用户之间的相似度sim(i_p，i_q)，其中i_p，i_q分别为p、q两名用户；并将相似度更新至用户相似度方阵sim(m，m)中，余弦相关算法的公式为：

sim (i_{p}, i_{q}) = \cos (i_{p}, i_{q}) = \frac{Σ_{k = 1}^{n} W_{p, k} \times W_{q, k}}{\sqrt{Σ_{k = 1}^{n} {(W_{p, k})}^{2} \times Σ_{k = 1}^{n} {(W_{q, k})}^{2}}}

3)行为处理模块根据用户相似度方阵sim(m，m)推算出与每个用户有相似订阅习惯的“同好”用户，并将该用户所有“同好”用户订阅的所有RSS源形成同好用户订阅集，再按相似度由高到低排列，形成对该用户的推荐加权系数f；

4)用户从一个RSS源的文章列表中收藏某篇文章时，服务器行为记录模块获取登录的用户信息，查询会话表获得用户唯一身份标识u，连同该篇文章在系统中的唯一标识rt，形成用户对文章的收藏情况Cu，rt，更新至行为处理模块的同好收藏矩阵C(a，b)之中，a为某用户的同好用户数目，b为同好用户订阅集中所有文章的数目；

5)行为处理模块针对同好收藏矩阵C(a，b)中单篇文章的所有同好用户行为，做推荐加权处理，按推荐优先级形成推荐文章集，并将推荐文章集更新至推荐模块；

6)在用户获取文章推荐时，推荐模块实时地从推荐文章集筛选出目标用户可能会感兴趣的TopN条内容推荐给用户。

上述RSS是在线共享内容的一种简易方式(也称聚合内容，Really SimpleSyndication)。通常在时效性比较强的内容上使用RSS订阅能更快速获取信息，网站提供RSS输出，有利于让用户获取网站内容的最新更新。

上述RSS源是一种描述和同步网站内容的格式，是目前使用最广泛的XML应用。发布一个RSS文件后，这个RSS Feed中包含的信息就能直接被其他站点调用，而且由于这些数据都是标准的XML格式，所以也能在其他的终端和服务中使用。

上述余弦相关性算法为信息推荐领域内公知的通用算法。

一种用于上述方法的RSS阅读系统，由阅读模块、订阅模块、订阅管理模块、行为记录模块、行为处理模块和推荐模块组成，其特征在于阅读模块分别和订阅模块、订阅管理模块、行为记录模块及推荐模块相连接；行为处理模块分别和行为记录模块及推荐模块相连接；订阅模块和订阅管理模块相互连接，模块之间通过由编程实现的控制语句，共享一个或多个服务器数据库的数据。

本发明有以下有益效果：

1.相比起传统的RSS推荐方法，本发明使其推荐效果不仅仅局限于整个RSS信息源的推荐，更加突出了信息源中单篇文章的推荐，有效避免了信息冗余和过载；

2.相比起传统的基于用户的信息推荐技术，本发明结合了基于项的推荐方式，使其推荐效果有一定的差异覆盖面，便于用户发现可能感兴趣的新内容；

3.相比传统的基于项的信息推荐技术，本发明引入了同好用户群，并利用同好用户加权因子，使推荐内容更加精准可信。

附图说明

图1是本发明阅读系统的结构示意图。

其中：1、阅读模块，2、订阅模块，3、订阅管理模块，4、行为记录模块，5、推荐模块，6、行为处理模块。

图2是本发明方法的流程图，其中7-12为其中的各个步骤。

具体实施方式

下面结合附图和实施例对本发明做进一步说明，但不限于此。

实施例1：

一种基于协同过滤的RSS信息推荐方法，如图2所示，步骤如下：

7、用户从大量RSS源集中订阅某些RSS源时，服务器行为记录模块获取登录的用户信息，查询会话表获得用户唯一身份标识u，连同该RSS信息源在系统中的唯一标识r，形成用户对RSS源的订阅情况Wu，r，更新至行为处理模块的用户-RSS源订阅矩阵W(m，n)之中，m为系统中的用户数目，n为RSS源的数目，订阅情况Wu，r的值当订阅时为1，未订阅时为0；

8、行为处理模块从用户-RSS源订阅矩阵W(m，n)中获取订阅情况Wu，r，利用余弦相关性算法计算两用户之间的相似度sim(i_p，i_q)，其中i_p，i_q分别为p、q两名用户；并将相似度更新至用户相似度方阵sim(m，m)中，余弦相关算法的公式为：

sim (i_{p}, i_{q}) = \cos (i_{p}, i_{q}) = \frac{Σ_{k = 1}^{n} W_{p, k} \times W_{q, k}}{\sqrt{Σ_{k = 1}^{n} {(W_{p, k})}^{2} \times Σ_{k = 1}^{n} {(W_{q, k})}^{2}}}

9、行为处理模块根据用户相似度方阵sim(m，m)推算出与每个用户有相似订阅习惯的“同好”用户，并将该用户所有“同好”用户订阅的所有RSS源形成同好用户订阅集，再按相似度由高到低排列，形成对该用户的推荐加权系数f；

10、用户从一个RSS源的文章列表中收藏某篇文章时，服务器行为记录模块获取登录的用户信息，查询会话表获得用户唯一身份标识u，连同该篇文章在系统中的唯一标识rt，形成用户对文章的收藏情况Cu，rt，更新至行为处理模块的同好收藏矩阵C(a，b)之中，a为某用户的同好用户数目，b为同好用户订阅集中所有文章的数目；

11、行为处理模块针对同好收藏矩阵C(a，b)中单篇文章的所有同好用户行为，做推荐加权处理，按推荐优先级形成推荐文章集，并将推荐文章集更新至推荐模块；

12、在用户获取文章推荐时，推荐模块实时地从推荐文章集筛选出目标用户可能会感兴趣的TopN条内容推荐给用户。

实施例2：

一种用于上述方法的RSS阅读系统，如图1所示，由阅读模块1、订阅模块2、订阅管理模块3、行为记录模块4、行为处理模块6和推荐模块5组成，其特征在于阅读模块1分别和订阅模块2、订阅管理模块3、行为记录模块4及推荐模块5相连接；行为处理模块6分别和行为记录模块4及推荐模块5相连接；订阅模块2和订阅管理模块3相互连接，模块之间通过由编程实现的控制语句，共享一个或多个服务器数据库的数据。

Claims

1.一种基于协同过滤的RSS信息推荐方法，步骤如下：

sim (i_{p}, i_{q}) = \cos (i_{p}, i_{q}) = \frac{Σ_{k = 1}^{n} W_{p, k} \times W_{q, k}}{\sqrt{Σ_{k = 1}^{n} {(W_{p, k})}^{2} \times Σ_{k = 1}^{n} {(W_{q, k})}^{2}}}

2.一种用于权利要求1所述方法的RSS阅读系统，由阅读模块、订阅模块、订阅管理模块、行为记录模块、行为处理模块和推荐模块组成，其特征在于阅读模块分别和订阅模块、订阅管理模块、行为记录模块及推荐模块相连接；行为处理模块分别和行为记录模块及推荐模块相连接；订阅模块和订阅管理模块相互连接，模块之间通过由编程实现的控制语句，共享一个或多个服务器数据库的数据。