CN102043781B - 一种网页资源推荐方法及装置 - Google Patents

Abstract

本发明实施例涉及计算机领域，公开了一种网页资源推荐方法及装置，该方法为：计算出用户将网页资源标记为各标签的次数与用户标记网页资源的总次数的比值，在某标签对应的比值大于预设阈值时，标记用户为某标签的近距离用户，反之标记为某标签的远距离用户；针对近距离用户和远距离用户相应的推荐列表，向用户输出网页资源。本发明实施例可以针对用户所属种类的不同，推荐不同的网页资源，使得网页资源的推荐更为精确及时有效，有利于用户快速便捷地找到自己感兴趣的网页资源。

Description

一种网页资源推荐方法及装置

技术领域

本发明涉及计算机领域，尤其涉及一种网页资源推荐方法及装置。

背景技术

随着web2.0的发展，越来越多的网站推出了用户自定义标签的功能，方便用户对网页资源(比如音乐、电影、图书等)进行标记。用户在这种类型的网站中浏览网页时，如果遇到自己感兴趣的网页资源，可以定义自己的标签，用自己认为比较贴切网络资源的词语对网页资源进行个性化描述。目前，这种带有标签的网络资源已经非常丰富，而且基本可以反映出用户的爱好与倾向。如何充分利用这些标签为用户进行网页资源的推荐，以提高网页推荐的准确性已经成为一个亟待解决的问题。

请参阅图1，图1为现有的一种网络资源推荐方法的流程图。该方法采用了用户的历史购买记录来对用户进行网页资源推荐。具体包括以下步骤：

A1、根据用户的购买记录和产品形成用户项目(user-item)矩阵；

A2、根据user-item矩阵，计算与当前用户最接近的用户，形成当前用户的邻居；

A3、对当前用户进行网页资源推荐时，根据当前用户的邻居的购买记录生成推荐表，对当前用户进行网页资源推荐。

A4、判断是否更新推荐列表，若是，则返回步骤A2；反之，执行步骤A5；

A5、将该推荐列表作为最终的推荐列表。

在上述的方法中，利用用户的购买记录进行网页资源推荐，无法达到准确的、及时的推荐效果。

发明内容

本发明实施例提供了一种网页资源推荐方法及装置，基于标签的应用可以为用户准确、及时地推荐网页资源。

为了解决上述技术问题，本发明实施例提供如下技术方案：

本发明实施例提供了一种网页资源推荐方法，包括：

获取用户标记网页资源的总次数，以及用户将网页资源标记为各标签的次数；

计算所述将网页资源标记为某标签的次数与所述总次数的比值，当所述某标签对应的比值大于预设阈值时，标记所述用户为所述某标签的近距离用户，反之标记为所述某标签的远距离用户；

针对所述某标签的近距离用户和远距离用户，得到相应的推荐列表；

根据所述相应的推荐列表，向用户输出网页资源。

本发明实施例提供了一种网页资源推荐装置，包括：

获取单元，用于获取用户标记网页资源的总次数，以及用户将网页资源标记为各标签的次数；

识别单元，用于计算所述获取单元获取的所述将网页资源标记为某标签的次数与所述总次数的比值，当所述比值大于预设阈值时，标记所述用户为所述某标签的近距离用户，反之标记为所述某标签的远距离用户；

列表单元，用于针对所述识别单元判断出的某标签的近距离用户和远距离用户，得到相应的推荐列表；

推荐单元，用于根据所述列表单元得到的相应的推荐列表，向用户输出网页资源。

与现有的技术相比，本发明实施例通过计算用户将网页资源标记为某标签的次数与标记网页资源的总次数的比值，在该比值大于预设阈值时，标记该用户为该标签的近距离用户，反之标记为该标签的远距离用户，然后针对用户所属种类的不同，推荐不同的网页资源，使得网页资源的推荐更为精确及时，有利于用户快速便捷地找到自己感兴趣的网页资源。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，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为现有的一种网络资源推荐方法的流程图；

图2为用户、网页资源、标签之间的对应关系图；

图3为本发明实施例一提供的一种网页资源推荐方法的流程图；

图4为本发明实施例二提供的一种网页资源推荐方法的流程图；

图5为本发明实施例三提供的一种网页资源推荐方法的流程图；

图6为本发明实施例四提供的一种网页资源推荐方法的流程图；

图7为本发明实施例五提供的一种网页资源推荐方法的流程图；

图8为本发明实施例六提供的一种网页资源推荐装置的结构图；

图9为本发明实施例六提供的另一种网页资源推荐装置的结构图；

图10为本发明实施例六提供的第一种列表单元的结构图；

图11为本发明实施例六提供的第二种列表单元的结构图；

图12为本发明实施例六提供的第三种列表单元的结构图；

图13为本发明实施例六提供的第四种列表单元的结构图；

图14为本发明实施例六提供的第五种列表单元的结构图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明实施例所述的网页资源，应该认为包括网页上的文本作品、图像作品、音频作品、视频作品或者是网页上其他具有广泛流传性的资源中的任意一类或者任意多类等，不应将网页资源认为是某一类具体作品。

用户对网页资源标记的标签可能会有作者、风格、地区、性别、特质、关键词等属性，例如，对于台湾女歌手王若琳的歌曲《Start From Here》来说，用户可能会标记出王若琳、爵士、台湾、女声、慵懒、纯净、Start、Here等标签。

用户、网页资源、标签之间的对应关系可如图2所示，其中，用U表示用户，T表示标签，M表示网页资源；用户可以将一个网页资源标记出多个标签，也可以将多个网页资源标记成一个标签，不同用户可能对同一个网页资源标记出不同的标签。

用户对网页资源进行标记的行为，可以看成是用户对特征相同的乐曲进行归类的过程。因此，根据用户已标记的标签量，将用户归类，计算用户对各类型网页资源的倾向性，从而根据用户的喜好来推荐用户可能会感兴趣的网页资源，则会取得比一般推荐要好的效果。

以下则结合实施例详细说明本发明，请参见图3，图3为本发明实施例一提供的一种网页资源推荐方法的流程图。如图3所示，该方法可以包括步骤：

101：获取用户标记网页资源的总次数，以及用户将网页资源标记为各标签的次数。

例如，用户U1对网页资源——歌曲总共标记了200次标签，其中，标记为“纯净”标签的次数为138次，标记为“轻音乐”标签的次数为98次，标记为“原创”标签的次数为47次等。

102：计算将网页资源标记为某标签的次数与总次数的比值，当某标签对应的比值大于预设阈值时，标记用户为某标签的近距离用户，反之标记为某标签的远距离用户。

例如，用户U1将歌曲标记为“纯净”标签的比值为138/200＝0.69，将歌曲标记为“轻音乐”标签的比值为98/200＝0.49，将歌曲标记为“原创”标签的比值为47/200＝0.235。

在预设阈值为0.5时，只有0.69为大于0.5，则标记用户U1为“纯净”标签的近距离用户；且标记用户U1为“轻音乐”标签和“原创”标签的远距离用户。

若有多个比值大于预设阈值时，则将用户标记为多个标签的近距离用户。

103：针对某标签的近距离用户和远距离用户，得到相应的推荐列表。

104：根据相应的推荐列表，向用户输出网页资源。

针对某标签的近距离用户，可根据该标签的近距离用户群的热门推荐列表，向用户推荐网页资源；或者，根据该标签的近距离用户群的新网页资源列表，向用户推荐网页资源。新网页资源是推出时间较近的，或者是最后更新时间较近的网页资源。

针对某标签的远距离用户，可以根据该远距离用户与某近距离用户群的倾向性算出的近距离用户群的热门推荐列表，向远距离用户推荐网页资源；或者，根据该远距离用户与某几个近距离用户的倾向性算出的近距离用户的热门推荐列表，向远距离用户推荐网页资源。

本发明实施例通过计算用户将网页资源标记为某标签的次数与标记网页资源的总次数的比值，在该比值大于预设阈值时，标记该用户为该标签的近距离用户，反之标记为该标签的远距离用户，然后针对用户所属种类的不同，推荐不同的网页资源，使得网页资源的推荐更为精确及时，有利于用户快速便捷地找到自己感兴趣的资源。

以下再通过几个具体的实施例来详细说明本发明技术方案。

实施例二和实施例三详细说明向某标签的近距离用户进行网页资源推荐的方法，实施例四和实施例五则详细说明向某标签的远距离用户进行网页资源推荐的方法。

实施例二详细说明向某标签的近距离用户推荐所属近距离用户群中热门程度高的网页资源的方法。

请参见图4，图4为本发明实施例二提供的一种网页资源推荐方法的流程图。如图4所示，该方法可以包括步骤：

201：识别出某标签的近距离用户。

识别的方法可采用实施例一的方法，本发明实施例在此不再赘述。

202：将某标签的至少两个近距离用户归入某标签的一个近距离用户群。

近距离用户群为标记某标签超过总标签一定比值的用户的集合；近距离用户群中用户在选择网页资源时，应该具有类似的特质。

203：计算某标签对应的网页资源在所述近距离用户群的热门值hot_i，计算公式为：

${\mathrm{hot}}_i=\frac{p_i\×t_i}{\mathrm{\Σp}\×\mathrm{\Σt}},$ 其中，p_i代表标记网页资源i的总人数，t_i代表网页资源i的标签个数，∑p代表近距离用户群的总人数，∑t代表近距离用户群所标记的标签总数。

热门值hot_i代表了在该近距离用户群中的用户对该网页资源的认同程度，热门值hot_i越高，说明该网页资源的在该近距离用户群中受欢迎的程度越高，则被该近距离用户群中的某个用户的接受的程度也就越高，推荐的价值也就越大。

例如，对于歌手张靓颖的歌曲《我们在一起》，有100个近距离用户对其进行了标注，这100个近距离用户共标记了1000个标签，而“张靓颖”标签对应的近距离用户群的歌曲的标签总数是1500个，该近距离用户群共有200个近距离用户，则对于《我们在一起》的热门值计算如下：

${\mathrm{hot}}_i=\frac{100\×1000}{200\×1500}=0.33$

而歌手张靓颖的另一首歌曲《你走以后》，有90个近距离用户对其进行了标注，这90个近距离用户共标记了1200个标签，则对于《你走以后》的热门值计算如下：

${\mathrm{hot}}_i=\frac{90\×1200}{200\×1500}=0.36$

从计算结果可知，在“张靓颖”标签对应的近距离用户群中，《你走以后》的热门程度比《我们在一起》高。

204：按照热门值从高到低的顺序，将该标签对应的网页资源排序，得到热门推荐列表。

例如，在该热门推荐列表中，《你走以后》的热门程度为0.36，《我们在一起》的热门程度为0.33，0.36＞0.33，则《我们在一起》的排序值比《我们在一起》高，排序的结果即为热门推荐列表。

205：根据步骤204得到的热门推荐列表，向近距离用户输出网页资源。

这样，根据精确计算出的热门推荐列表，则将近距离用户可能会认同的网页资源优先推荐给用户，使得推荐的效果更好，用户满意度更高。

需要说明的是，在步骤202中，若不将近距离用户归入近距离用户群，而是计算该近距离用户与某近距离用户群的群倾向性(参见实施例四中远距离用户与某近距离用户群的群倾向性的计算方法)，并在步骤203中，将网页资源在群中的热门值与该近距离用户与某近距离用户群的群倾向性相乘得到该网页资源的得分，步骤204按照网页资源得分从高到低的顺序，将该标签对应的网页资源排序得到的热门推荐列表，也能得到很好的推荐效果。该方法类似于实施例四说明的针对远距离用户推荐某近距离用户群的热门网页资源的方法。

本实施例根据近距离用户群中网页资源的热门程度，或者根据近距离用户对近距离用户群的群倾向性和网页资源在该近距离用户群的热门值两个参考量，计算出网页资源对于远距离用户的得分，热门程度越高，或者得分越高，则越优先推荐给近距离用户，从而改善网页资源推荐的精确度，使得推荐更为有效。

实施例三详细说明向某标签的近距离用户推荐新网页资源的方法。请参见图5，图5为本发明实施例三提供的一种网页资源推荐方法的流程图。如图5所示，该方法可以包括步骤：

301：识别出某标签的近距离用户。

识别的方法可采用实施例一的方法，本发明实施例在此不再赘述。

302：获取被标记为某标签的网页资源列表。

例如，以用户标记过的标签“粤语”为例，则获取所有被标记为“粤语”的网页资源。

303：将网页资源列表按照网页资源的上传时间或者最后更新时间降序排序，得到新网页资源列表。

例如，将被标注为“粤语”的网页资源按照上传时间或者最后更新时间降序排序，上传时间或者最后更新时间离当前时间越近的排序越高，排序结果即为标签“粤语”的新网页资源列表。

需要说明的是，在将网页资源根据上传时间或者最后更新时间排序后，还可在此排序基础上根据网页资源的标记数量再次排序，采用升序排列，因为近距离用户出于对该标签标注的网页资源的偏好，会更乐于接受新的没有被添加标签的网页资源，并为新网页资源添加新的标签。

例如，根据上传时间或者最后更新时间降序排序得到的标签“张靓颖”的新网页资源列表如表1所示：

序号	网页资源名称
		1	《我们说好的》
2	《帮帮忙》
		3	《我们在一起》
4	《日落大道》

表1

而在上述表1的基础上，根据网页资源的标记数量升序排序得到的新网页资源列表如表2所示：

序号	网页资源名称	标签数目
			1	《帮帮忙》	20
2	《我们说好的》	30
			3	《我们在一起》	50
4	《日落大道》	100

表2

或者，也可先根据网页资源的标记数量升序排列后，再在此排序基础上根据上传时间或者最后更新时间降序排列，以及单独采用根据网页资源的标记数量升序排列，都不影响本发明实施例的实现。

304：根据步骤303得到的某标签的新网页资源列表，向近距离用户输出网页资源。

排序靠前，则说明该网页资源新，则该网页资源是与用户标记过的标签相关的，则推荐给用户的网页资源即为近距离用户感兴趣的新资源，更容易获得用户的认同，推荐价值大。

显然，若步骤302是在用户标记过的标签中选择用户标记数目较多的，推荐效果会更好。例如，用户U1标记为“纯净”标签的次数为138次，标记为“轻音乐”标签的次数为98次，则步骤302选择“纯净”标签来取得该标签的网页资源列表，步骤304推荐给用户U1的效果比选择“轻音乐”标签更好一些。

本实施例根据新网页资源的被标记量的多少向用户进行推荐，网页资源越新，被标记量越少，则越优先推荐给用户，从而改善网页资源推荐的精确度，使得推荐更为有效。

实施例四详细说明向某标签的远距离用户推荐某近距离用户群的热门程度高的网页资源的方法。如图6所示，该方法可以包括步骤：

401：识别出某标签的远距离用户。

识别的方法可采用实施例一的方法，本发明实施例在此不再赘述。

402：将某标签的至少两个近距离用户归入某标签的一个近距离用户群。

403：计算远距离用户对近距离用户群的群倾向性sim(u，g)，计算公式为： $\mathrm{sim}(u,g)=\frac{{\mathrm{\Σ}}_{t_i\∈g}{t}_i}{{\mathrm{\Σ}}_{t_i\∈u}{t}_i},$ 其中，t_i表示用户u对网页资源i添加的标签数，g代表近距离用户群。

例如，对于远距离用户U1，U1对100首歌曲进行了标记，其中，有30首歌曲被标记为标签“张靓颖”，因此，可以通过上面的公式得到用户U1对标签“张靓颖”的近距离用户群的群倾向性是 $\mathrm{sim}(u,g)=\frac{30}{100}=0.3.$

404：计算所述某标签对应的网页资源在每个近距离用户群的热门值hot_i，计算公式为：

${\mathrm{hot}}_i=\frac{p_i\×t_i}{\mathrm{\Σp}\×\mathrm{\Σt}},$ 其中，p_i代表标记网页资源i的总人数，t_i代表网页资源i的标签个数，∑p代表近距离用户群的总人数，∑t代表近距离用户群所标记的标签总数。

如步骤203的计算结果，歌手张靓颖的歌曲《我们在一起》的热门值为0.33。

405：将步骤403得到的远距离用户对近距离用户群的群倾向性与步骤404得到的某标签对应的网页资源在该近距离用户群的热门值相乘，得到各网页资源的得分。

例如，对于歌手张靓颖的歌曲《我们在一起》，得分为0.3*0.33＝0.099。而对于歌手张靓颖的歌曲《你走以后》，得分为0.3*0.36＝0.108。

406：将各网页资源按得分高低排序，得到近距离用户群的热门推荐列表。

网页资源得分越高，说明远距离用户对该网页资源的认同感越强。

407：根据步骤406得到的近距离用户群的热门推荐列表，向远距离用户输出网页资源。

本实施例根据远距离用户对近距离用户群的群倾向性和网页资源在该近距离用户群的热门值两个参考量，计算出网页资源对于远距离用户的得分，得分越高，则越优先推荐给远距离用户，从而改善网页资源推荐的精确度，使得推荐更为有效。

实施例五详细说明向某标签的远距离用户协同推荐某标签的各近距离用户认同的网页资源的方法。如图7所示，该方法可以包括：

501：识别出某标签的远距离用户。

识别的方法可采用实施例一的方法，本发明实施例在此不再赘述。

502：分别计算远距离用户与某标签的至少一个近距离用户在同一网页资源i上的相似度sim_i(u₁，u_n)，计算公式为：

${\mathrm{sim}}_i(u_1,u_n)=\frac{u_1\×u_n}{\sqrt{(u_1\×u_1)(u_n\×u_n)}},$ 其中，u₁指远距离用户，u_n指近距离用户n；近距离用户可以是从近距离用户群中查找出来的。

对于同一网页资源，不同的用户会对同一网页资源添加不同的标签，本实施例通过判别不同的用户对同一网页资源所添加的标签的权重来计算用户相似度。过程可分为几个小步骤：

(1)通过单文本词汇频率(Term Frequency，TF)和逆文本频率指数(Inverse Document Frequency，IDF)计算权重，得到不同的用户对同一网页资源所添加的各个标签的权重。

TF-IDF计算为信息检索中广泛采用的重要手段，权重w(m，t)计算公式如下：

w(m，t)＝TF(m，t)×IDF(t)，其中，m代表一个网页资源，t代表一个标签(tag)，

$\mathrm{TF}(m,t)=\frac{\mathrm{count}(m,t)}{{\mathrm{\Σ}}_{t_i\∈T_m}\mathrm{count}(m,t_i)},$ 其中count(m，t)代表网页资源m被标记成标签t的次数，

$\mathrm{IDF}\left(t\right)=\log \frac{{\mathrm{\Σ}}_{m_i\∈M}\mathrm{count}\left(m_i\right)}{{\mathrm{\Σ}}_{m_i\∈M}\mathrm{count}\left(m_{i,t}\right)},$ 其中count(m_i)代表网页资源m的总数，count(m_i，t)代表被标记成标签t的网页资源m的总数。

例如，对于歌曲《start from here》，被标记成了如下表3所示次数的多个标签：

标签	王若琳	爵士	台湾	女声	慵懒	纯净	Start	Here
									次数	7	3	5	1	1	3	4	6

表3

针对本实施例而言，假设对于标签“陈绮贞”的远距离用户U1来说，对歌曲《华丽的冒险》的标签及各标签的权重如下表4所示：

标签	陈绮贞	台湾	独立音乐	Cheer	Indie
						权重	0.25	0.3	0.2	0.25	0.35

表4

而标签“陈绮贞”的某个近距离用户U2对歌曲《华丽的冒险》的标签及各标签的权重如下表5所示：

标签	陈绮贞	民谣	独立音乐	Cheer	2008
						权重	0.1	0.1	0.35	0.35	0.2

表5

(2)根据各标签的权重，相似度计算过程如下：

根据相似度公式

${\mathrm{sim}}_i(u_1,u_n)=\frac{w(u_1,t_1)*w(u_n,t_1)+\·\·\·\·\·\·+w(u_1,t_n)*w(u_n,t_n)}{\sqrt{\{{\left[w(u_1,t_1)\right]}^2+\·\·\·\·\·\·+{\left[w(u_1,t_n)\right]}^2\}\×\{{\left[w(u_n,t_1)\right]}^2+\·\·\·\·\·\·+{\left[w(u_n,t_n)\right]}^2\}}},$

计算远距离用户U1与近距离用户U2在《华丽的冒险》上的相似度：

$\mathrm{sim}(u_1,u_2)=\frac{0.25\×0.1+0.2\×0.35+0.35\×0.25}{\sqrt{{0.25}^2+{0.3}^2+{0.2}^2+{0.25}^2+{0.35}^2}\sqrt{{0.1}^2+{0.1}^2+{0.35}^2+{0.35}^2+0.2^2}}=\frac{0.1825}{\sqrt{0.3775}\×\sqrt{0.31}}=0.5335$

采用同样的方法，可以计算出远距离用户U1与近距离用户U2关于《失败者的飞翔》的相似度是0.35。

503：将远距离用户与近距离用户在每个网页资源上的相似度相加后除以所述远距离用户与近距离用户做相同标记的网页资源数，得到远距离用户与近距离用户的用户倾向性。

例如，将远距离用户U1与近距离用户U2在歌曲《华丽的冒险》、《失败者的飞翔》上的相似度相加，再除以远距离用户U1与近距离用户U2做相同标记的网页资源数2，即(0.5335+0.35)/2＝0.442，则远距离用户U1与近距离用户U2的用户倾向性为0.442。

根据同样的办法，得到远距离用户U1与近距离用户U3的用户倾向性为0.25，与近距离用户U4的用户倾向性为0.32。

504：将远距离用户与每个近距离用户的用户倾向性相加除以近距离用户的个数，得到网页资源i的得分。

例如，歌曲《华丽的冒险》对于远距离用户U1的得分即为：(0.442+0.25+0.32)/3＝0.337。

505：将各网页资源按得分高低排序，得到近距离用户的热门推荐列表。

按照步骤502至步骤504的方法，可得到各网页资源的得分。

506：根据步骤505得到的近距离用户的热门推荐列表，向远距离用户输出网页资源。

本实施例通过考虑远距离用户与近距离用户的相似性，向远距离用户推荐得分较高的网页资源，得分越高，则越优先推荐给远距离用户，从而改善网页资源推荐的精确度，使得推荐更为有效。

需要说明的是，对于一个用户而言，一般来说，既是某些标签的近距离用户，又是另一些标签的远距离用户，因此，在实际应用中，需要综合考虑以上实施例二至实施例四所述的各种推荐方法，可采用公式将各推荐方法的结果融合成综合推荐结果，公式如下：

finalist(p)＝αL₁(p)+βL₂(p)+……+λLn(p)，其中α，β，λ是参数，用来动态调整各部分推荐列表Ln的权重，可根据实际需要灵活设置。α，β，λ取值范围为0至1，Ln(p)为网页资源在各推荐列表中的排序序号。

例如，当前得到了网页资源在三个推荐列表中的排序序号分别为2，6，17，α为0.3，β为0.1，λ为0.6，则finalist(p)＝0.3*2+0.1*6+0.6*17＝11.4。假如，有3个finalist(p)分别是11.4、11.3、11.2，则finalist(p)为11.4网页资源的在最后输出的综合推荐列表中的排序序号为1；finalist(p)为11.3网页资源的在最后输出的综合推荐列表中的排序序号为2；finalist(p)为11.2网页资源的在最后输出的综合推荐列表中的排序序号为3。

本发明实施例除了提供一种网页资源推荐方法，还提供一种网页资源推荐装置，详见以下实施例六。请参阅图8，图8为本发明实施例六提供的一种网页资源推荐装置，该网页资源推荐装置可以用于实现上述实施例一至实施例五的网页资源推荐功能。如图8所示，该网页资源推荐装置可以包括：

获取单元11，用于获取用户标记网页资源的总次数，以及用户将网页资源标记为各标签的次数；

识别单元12，用于计算获取单元11获取的将网页资源标记为某标签的次数与上述总次数的比值，当该比值大于预设阈值时，标记用户为某标签的近距离用户，反之标记为某标签的远距离用户；

列表单元13，用于针对识别单元12判断出的某标签的近距离用户和远距离用户，得到相应的推荐列表；

推荐单元14，用于根据列表单元13得到的相应的推荐列表，向用户输出网页资源。

请参阅图9，图9为本发明实施例六提供的另一种网页资源推荐装置。其中，图9所示的网页资源推荐是在图8所示的网页资源推荐装置的基础上进一步增加了融合单元15；

其中，融合单元15分别连接列表单元13和推荐单元14，用于将列表单元13得到的各相应的推荐列表进行融合，融合公式为：finalist(p)＝αL₁(p)+βL₂(p)+……+λLn(p)，其中α，β，λ是参数，用来动态调整各部分推荐列表Ln的权重，取值范围为0至1，Ln(p)为网页资源在各推荐列表中的排序序号；

此时，推荐单元14，具体用于根据融合单元15融合后的推荐列表，向用户输出网页资源。

优选地，根据不同的需要，本发明实施例提供的网页资源推荐装置中的列表单元13的具体组成方式可以有以下几种方式。

第一种方式，可参见图10，列表单元13具体可以包括：

第一用户群子单元131，用于将识别单元12识别出的某标签的至少两个近距离用户归入某标签的一个近距离用户群；

第一热门值计算子单元132，用于计算某标签对应的网页资源在该近距离用户群的热门值hot_i，计算公式为：

${\mathrm{hot}}_i=\frac{p_i\×t_i}{\mathrm{\Σp}\×\mathrm{\Σt}},$ 其中，p_i代表标记网页资源i的总人数，t_i代表网页资源i的标签个数，∑p代表近距离用户群的总人数，∑t代表近距离用户群所标记的标签总数；

第一排序子单元133，用于按照第一热门值计算子单元132得到的热门值从高到低的顺序，将该标签对应的网页资源排序，得到热门推荐列表。

此时，推荐单元14，具体可以根据该热门推荐列表，向近距离用户输出网页资源。

第二种方式，可参见图11，列表单元13具体包括：

第二热门值计算子单元134，用于计算某标签对应的网页资源在近距离用户群的热门值hot_i，计算公式为：

${\mathrm{hot}}_i=\frac{p_i\×t_i}{\mathrm{\Σp}\×\mathrm{\Σt}},$ 其中，p_i代表标记网页资源i的总人数，t_i代表网页资源i的标签个数，∑p代表近距离用户群的总人数，∑t代表近距离用户群所标记的标签总数；

第二群倾向性计算子单元135，用于计算用户与某近距离用户群的群倾向性sim(u，g)，计算公式为：

$\mathrm{sim}(u,g)=\frac{{\mathrm{\Σ}}_{t_i\∈g}{t}_i}{{\mathrm{\Σ}}_{t_i\∈u}{t}_i},$ 其中，t_i表示用户u对网页资源i添加的标签数，g代表近距离用户群；用户可以是近距离用户或者远距离用户；

第二得分计算子单元136，用于将第二热门值计算子单元134得到的网页资源在近距离用户群中的热门值与第二群倾向性计算子单元135得到的该用户与某近距离用户群的群倾向性相乘，得到该网页资源的得分；用户可以是近距离用户或者远距离用户；

第二排序子单元137，用于按照第二得分计算子单元136得到的得分从高到低的顺序，将该标签对应的网页资源排序，得到近距离用户群的热门推荐列表。

此时，推荐单元14，具体可以根据该热门推荐列表，向近距离用户输出网页资源。

第三种方式，可参见图12，列表单元13具体包括：

第三获取网页资源列表子单元138，用于获取被标记为某标签的网页资源列表；

第三排序子单元139，用于按照网页资源的上传时间或者最后更新时间，将第三获取网页资源列表子单元138获取的网页资源列表降序排列，得到新网页资源列表。

举例来说，第三排序子单元139可以用于按照网页资源的上传时间或者最后更新时间，将第三获取网页资源列表子单元138获取的网页资源列表降序排列后，根据网页资源的标记数量再次升序排列，得到新网页资源列表；

或者，第三排序单元139可以用于根据网页资源的标记数量，将第三获取网页资源列表子单元138获取的网页资源列表升序排列后，按照网页资源的上传时间或者最后更新时间再次降序排列，得到新网页资源列表。

此时，推荐单元14，具体用于根据排序后的某标签的新网页资源列表，向近距离用户输出排序靠前的网页资源。

第四种方式，可参见图13，列表单元13具体包括：

第四用户群子单元140，用于将识别单元12识别出的某标签的至少两个近距离用户归入某标签的一个近距离用户群；

第四群倾向性计算子单元141，用于计算远距离用户对近距离用户群的群倾向性sim(u，g)，计算公式为：

$\mathrm{sim}(u,g)=\frac{{\mathrm{\Σ}}_{t_i\∈g}{t}_i}{{\mathrm{\Σ}}_{t_i\∈u}{t}_i},$ 其中，t_i表示用户u对网页资源i添加的标签数，g代表近距离用户群；

第四热门值计算子单元142，用于计算某标签对应的网页资源在近距离用户群的热门值hot_i，计算公式为：

${\mathrm{hot}}_i=\frac{p_i\×t_i}{\mathrm{\Σp}\×\mathrm{\Σt}},$ 其中，p_i代表标记网页资源i的总人数，t_i代表网页资源i的标签个数，∑p代表近距离用户群的总人数，∑t代表近距离用户群所标记的标签总数；

第四得分计算子单元143，用于将远距离用户对近距离用户群的群倾向性与某标签对应的网页资源在该近距离用户群的热门值相乘，得到各网页资源的得分；

第四排序子单元144，用于将各网页资源按得分高低排序，得到近距离用户群的热门推荐列表；

此时，推荐单元14，具体用于根据近距离用户群的热门推荐列表，向远距离用户输出网页资源。

第五种方式，可参见图14，列表单元13具体包括：

第五相似度计算子单元145，用于计算远距离用户与某标签的至少一个近距离用户在网页资源i上的相似度sim_i(u₁，u_n)，计算公式为：

${\mathrm{sim}}_i(u_1,u_n)=\frac{w(u_1,t_1)*w(u_n,t_1)+\·\·\·\·\·\·+w(u_1,t_n)*w(u_n,t_n)}{\sqrt{\{{\left[w(u_1,t_1)\right]}^2+\·\·\·\·\·\·+{\left[w(u_1,t_n)\right]}^2\}\×\{{\left[w(u_n,t_1)\right]}^2+\·\·\·\·\·\·+{\left[w(u_n,t_n)\right]}^2\}}},$

其中，u₁指远距离用户，u_n指近距离用户n，w(u，t)＝TF(u，t)×IDF(t)；

第五用户倾向性计算子单元146，用于将第五相似度计算子单元145得到的各相似度相加后除以远距离用户与近距离用户做相同标记的网页资源数，得到远距离用户与近距离用户的用户倾向性；

第五得分计算子单元147，用于将第五用户倾向性计算子单元146得到的用户倾向性相加除以近距离用户的个数，得到网页资源的得分；

第五排序子单元148，用于按照第五得分计算子单元147得到的得分从高到低的顺序，将该标签对应的网页资源排序，得到近距离用户的热门推荐列表。

此时，推荐单元14，具体用于根据近距离用户的热门推荐列表，向远距离用户输出网页资源。

在本发明实施例提供的网页资源推荐装置中，通过计算用户将网页资源标记为某标签的次数与标记网页资源的总次数的比值，在该比值大于预设阈值时，标记该用户为该标签的近距离用户，反之标记为该标签的远距离用户，然后针对用户所属种类的不同，推荐不同的网页资源，使得网页资源的推荐更为精确及时，有利于用户快速便捷地找到自己感兴趣的网页资源。

本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于一计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：只读存储器(ROM)、随机存取器(RAM)、磁碟或者光盘等各种可以存储程序代码的介质。

以上对本发明实施例提供的一种网页资源推荐方法及装置进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。

Claims (16)

1.一种网页资源推荐方法，其特征在于，包括：

获取用户标记网页资源的总次数，以及用户将网页资源标记为各标签的次数；

计算所述将网页资源标记为某标签的次数与所述总次数的比值，当所述某标签对应的比值大于预设阈值时，标记所述用户为所述某标签的近距离用户，反之标记为所述某标签的远距离用户；

针对所述某标签的近距离用户和远距离用户，得到相应的推荐列表；

根据所述相应的推荐列表，向用户输出网页资源，所述根据所述相应的推荐列表，向用户输出网页资源包括：

针对某标签的近距离用户，根据该标签的近距离用户群的热门推荐列表，向用户推荐网页资源；或者，根据该标签的近距离用户群的新网页资源列表，向用户推荐网页资源，所述新网页资源是推出时间较近的，或者是最后更新时间较近的网页资源；

针对某标签的远距离用户，根据该远距离用户与某近距离用户群的倾向性算出的近距离用户群的热门推荐列表，向远距离用户推荐网页资源；或者，根据该远距离用户与某几个近距离用户的倾向性算出的近距离用户的热门推荐列表，向远距离用户推荐网页资源。

2.根据权利要求1所述的网页资源推荐方法，其特征在于，所述针对某标签的近距离用户和远距离用户，得到相应的推荐列表具体包括：

将某标签的至少两个近距离用户归入某标签的一个近距离用户群；

计算所述某标签对应的网页资源在所述近距离用户群的热门值hot_i，计算公式为：

其中，p_i代表标记网页资源i的总人数，t_i代表网页资源i的标签个数，∑p代表近距离用户群的总人数，∑t代表近距离用户群所标记的标签总数；

按照所述热门值从高到低的顺序，将该标签对应的网页资源排序，得到热门推荐列表。

3.根据权利要求1所述的网页资源推荐方法，其特征在于，所述针对某标签的近距离用户和远距离用户，得到相应的推荐列表具体包括：

计算所述近距离用户与某近距离用户群的群倾向性sim(u,g)，计算公式为：

其中，t_i表示用户u对网页资源i添加的标签数，g代表近距离用户群；

计算网页资源在群中的热门值hot_i，计算公式为：

其中，p_i代表标记网页资源i的总人数，t_i代表网页资源i的标签个数，∑p代表近距离用户群的总人数，∑t代表近距离用户群所标记的标签总数；

将网页资源在近距离用户群中的热门值与该近距离用户与某近距离用户群的群倾向性相乘，得到该网页资源的得分；

按照所述得分从高到低的顺序，将该标签对应的网页资源排序，得到热门推荐列表。

4.根据权利要求1所述的网页资源推荐方法，其特征在于，所述针对某标签的近距离用户和远距离用户，得到相应的推荐列表具体包括：

获取被标记为某标签的网页资源列表；

按照网页资源的上传时间或者最后更新时间，将所述网页资源列表降序排列，得到新网页资源列表。

5.根据权利要求4所述的网页资源推荐方法，其特征在于，将所述网页资源列表按照网页资源的上传时间或者最后更新时间降序排序具体包括：

按照网页资源的上传时间或者最后更新时间降序，将所述网页资源列表排列后，根据网页资源的标记数量再次升序排列；

或者，根据网页资源的标记数量，将所述网页资源列表升序排列后，按照网页资源的上传时间或者最后更新时间再次降序排列。

6.根据权利要求1所述的网页资源推荐方法，其特征在于，所述针对近距离用户和远距离用户，得到相应的推荐列表具体包括：

将某标签的至少两个近距离用户归入某标签的一个近距离用户群；

计算远距离用户对所述近距离用户群的群倾向性sim(u,g)，计算公式为：

其中，t_i表示用户u对网页资源i添加的标签数，g代表近距离用户群；

计算所述某标签对应的网页资源在所述近距离用户群的热门值hot_i，计算公式为：

其中，p_i代表标记网页资源i的总人数，t_i代表网页资源i的标签个数，∑p代表近距离用户群的总人数，∑t代表近距离用户群所标记的标签总数；

将所述远距离用户对所述近距离用户群的群倾向性与所述某标签对应的网页资源在该近距离用户群的热门值相乘，得到各网页资源的得分；

将各网页资源按得分高低排序，得到近距离用户群的热门推荐列表。

7.根据权利要求1所述的网页资源推荐方法，其特征在于，所述针对近距离用户和远距离用户，得到相应的推荐列表具体包括：

分别计算所述远距离用户与某标签的至少一个所述近距离用户在网页资源上的相似度sim_i(u₁,u_n)，计算公式为：

${\mathrm{sim}}_i(u_1,u_n)=\frac{w(u_1,t_1)*w(u_n,t_1)+\·\·\·\·\·\·+w(u_1,t_n)*w(u_n,t_n)}{\sqrt{\{{\left[w(u_1,t_1)\right]}^2+\·\·\·\·\·\·+{\left[w(u_1,t_n)\right]}^2\}\×\{{\left[w(u_n,t_1)\right]}^2+\·\·\·\·\·\·{\left[w(u_n,t_n)\right]}^2\}}},$

其中，u₁指远距离用户，u_n指近距离用户n，w(u,t)=TF(u,t)×IDF(t)；

将所述远距离用户与所述近距离用户在每个网页资源上的相似度的总和除以所述远距离用户与近距离用户做相同标记的网页资源数，得到所述远距离用户与所述近距离用户的用户倾向性；

将所述远距离用户与所述近距离用户的用户倾向性的总和除以所述近距离用户的个数，得到网页资源的得分；

将各网页资源按得分高低排序，得到近距离用户的热门推荐列表。

8.根据权利要求1所述的推荐方法，其特征在于，在得到相应的推荐列表之后，还包括：

将所述相应的推荐列表进行融合；融合公式为：finalist(p)=αL₁(p)+βL₂(p)+……+λLn(p)，其中α,β，λ是参数，用来动态调整各部分推荐列表Ln的权重，取值范围为0至1，Ln(p)为网页资源在各推荐列表中的排序序号；

所述根据所述相应的推荐列表，向用户输出网页资源，还包括：

根据融合后的推荐列表，向用户输出网页资源。

9.一种网页资源推荐装置，其特征在于，包括：

获取单元，用于获取用户标记网页资源的总次数，以及用户将网页资源标记为各标签的次数；

识别单元，用于计算所述获取单元获取的所述将网页资源标记为某标签的次数与所述总次数的比值，当所述比值大于预设阈值时，标记所述用户为所述某标签的近距离用户，反之标记为所述某标签的远距离用户；

列表单元，用于针对所述识别单元判断出的某标签的近距离用户和远距离用户，得到相应的推荐列表；

推荐单元，用于根据所述列表单元得到的相应的推荐列表，向用户输出网页资源，所述推荐单元，具体用于针对某标签的近距离用户，根据该标签的近距离用户群的热门推荐列表，向用户推荐网页资源；或者，根据该标签的近距离用户群的新网页资源列表，向用户推荐网页资源，所述新网页资源是推出时间较近的，或者是最后更新时间较近的网页资源；针对某标签的远距离用户，根据该远距离用户与某近距离用户群的倾向性算出的近距离用户群的热门推荐列表，向远距离用户推荐网页资源；或者，根据该远距离用户与某几个近距离用户的倾向性算出的近距离用户的热门推荐列表，向远距离用户推荐网页资源。

10.根据权利要求9所述的网页资源推荐装置，其特征在于，所述列表单元具体包括：

第一用户群子单元，用于将所述识别单元识别出的某标签的至少两个近距离用户归入某标签的一个近距离用户群；

第一热门值计算子单元，用于计算某标签对应的网页资源在所述近距离用户群的热门值hot_i，计算公式为：

其中，p_i代表标记网页资源i的总人数，t_i代表网页资源i的标签个数，∑p代表近距离用户群的总人数，∑t代表近距离用户群所标记的标签总数；

第一排序子单元，用于按照所述第一热门值计算子单元得到的热门值从高到低的顺序，将该标签对应的网页资源排序，得到热门推荐列表。

11.根据权利要求9所述的网页资源推荐装置，其特征在于，所述列表单元具体包括：

第二热门值计算子单元，用于计算某标签对应的网页资源在近距离用户群的热门值hot_i，计算公式为：

其中，p_i代表标记网页资源i的总人数，t_i代表网页资源i的标签个数，∑p代表近距离用户群的总人数，∑t代表近距离用户群所标记的标签总数；

第二群倾向性计算子单元，用于计算所述用户与某近距离用户群的群倾向性sim(u,g)，计算公式为：

其中，t_i表示用户u对网页资源i添加的标签数，g代表近距离用户群；

第二得分计算子单元，用于将所述第二热门值计算子单元得到的网页资源在近距离用户群中的热门值与所述第二群倾向性计算子单元得到的所述用户与某近距离用户群的群倾向性相乘，得到该网页资源的得分；

第二排序子单元，用于按照所述第二得分计算子单元得到的得分从高到低的顺序，将该标签对应的网页资源排序，得到近距离用户群的热门推荐列表。

12.根据权利要求9所述的网页资源推荐装置，其特征在于，所述列表单元具体包括：

第三获取网页资源列表子单元，用于获取被标记为某标签的网页资源列表；

第三排序子单元，用于按照网页资源的上传时间或者最后更新时间，将所述第三获取网页资源列表子单元获取的网页资源列表降序排列，得到新网页资源列表。

13.根据权利要求12所述的网页资源推荐装置，其特征在于，

所述第三排序子单元，具体用于按照网页资源的上传时间或者最后更新时间，将所述网页资源列表降序排列后，根据网页资源的标记数量再次升序排列，得到新网页资源列表；

或者，具体用于根据网页资源的标记数量，将所述网页资源列表升序排列后，按照网页资源的上传时间或者最后更新时间再次降序排列，得到新网页资源列表。

14.根据权利要求9所述的网页资源推荐装置，其特征在于，所述列表单元具体包括：

第四用户群子单元，用于将所述识别单元识别出的某标签的至少两个近距离用户归入某标签的一个近距离用户群；

第四群倾向性计算子单元，用于计算远距离用户对所述近距离用户群的群倾向性sim(u,g)，计算公式为：

其中，t_i表示用户u对网页资源i添加的标签数，g代表近距离用户群；

第四热门值计算子单元，用于计算所述某标签对应的网页资源在所述近距离用户群的热门值hot_i，计算公式为：

其中，p_i代表标记网页资源i的总人数，t_i代表网页资源i的标签个数，∑p代表近距离用户群的总人数，∑t代表近距离用户群所标记的标签总数；

第四得分计算子单元，用于将所述远距离用户对所述近距离用户群的群倾向性与所述某标签对应的网页资源在该近距离用户群的热门值相乘，得到各网页资源的得分；

第四排序子单元，用于将各网页资源按得分高低排序，得到近距离用户群的热门推荐列表。

15.根据权利要求9所述的网页资源推荐装置，其特征在于，所述列表单元具体包括：

第五相似度计算子单元，用于计算所述远距离用户与某标签的至少一个所述近距离用户在网页资源上的相似度sim_i(u₁,u_n)，计算公式为：

${\mathrm{sim}}_i(u_1,u_n)=\frac{w(u_1,t_1)*w(u_n,t_1)+\·\·\·\·\·\·+w(u_1,t_n)*w(u_n,t_n)}{\sqrt{\{{\left[w(u_1,t_1)\right]}^2+\·\·\·\·\·\·+{\left[w(u_1,t_n)\right]}^2\}\×\{{\left[w(u_n,t_1)\right]}^2+\·\·\·\·\·\·{\left[w(u_n,t_n)\right]}^2\}}},$

其中，u₁指远距离用户，u_n指近距离用户n，w(u,t)=TF(u,t)×IDF(t)；

第五用户倾向性计算子单元，用于将所述第五相似度计算子单元得到的各相似度的总和除以所述远距离用户与近距离用户做相同标记的网页资源数，得到所述远距离用户与所述近距离用户的用户倾向性；

第五得分计算子单元，用于将所述第五用户倾向性计算子单元得到的用户倾向性的总和除以所述近距离用户的个数，得到网页资源的得分；

第五排序子单元，用于按照所述第五得分计算子单元得到的得分从高到低的顺序，将该标签对应的网页资源排序，得到近距离用户的热门推荐列表。

16.根据权利要求9所述的网页资源推荐装置，其特征在于，还包括：

融合单元，用于将列表单元得到的各相应的推荐列表进行融合，融合公式为：finalist(p)=αL₁(p)+βL₂(p)+……+λLn(p)，其中α,β，λ是参数，用来动态调整各部分推荐列表Ln的权重，取值范围为0至1，Ln(p)为网页资源在各推荐列表中的排序序号；

所述推荐单元，还用于根据所述融合单元融合后的推荐列表，向用户输出网页资源。

Images