CN102402594A - 一种富媒体个性化推荐方法 - Google Patents

Abstract

本发明公开了一种富媒体个性化推荐方法，通过选择能够体现富媒体资源特征的语义标签集合，以语义标签的权值表示富媒体资源在该标签的语义强度，为每个富媒体资源形成一个特征描述样本；然后记录下用户富媒体资源使用情况，得到m个特征样本构成的用户兴趣度原始数据U，并经过归一化后得到的用户兴趣度模型u；最后，以富媒体资源的特征描述样本及用户兴趣度模型u为基础，采用兴趣度距离及特征距离来度量并形成推荐列表进行个性化推荐。由于采用语义标签对富媒体资源进行描述、对用户的使用情况进行采集，这样可以较为定量地确定用户对于富媒体资源的兴趣程度，因此，本发明富媒体个性化推荐具有推荐准确和实用的特点。

Description

一种富媒体个性化推荐方法

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：

$y=\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{l}_i{x}_i$

其中：x_i为第i个语义标签，共计n个语义标签，l_i表示第i个语义标签对应的权值，且满足：

$\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{l}_i=1;$

(2)、用户兴趣度拟合

用户每使用一个富媒体资源，服务器数据采集模块即记录下用户的使用情况，并提取出该资源的特征描述样本，经过不断的积累，得到m个特征样本，则该用户兴趣度原始数据U：

$U=\underset{i=1}{\overset{n}{\mathrm{\Σ}}}\left(\underset{j=1}{\overset{m}{\mathrm{\Σ}}}{l}_{j,i}\right)\×x_i$

其中：表示第i个语义标签累积的权值之和，即用户使用的所有资源对应的特征描述样本中第i个语义标签的权值之和；

由积累到的用户兴趣度原始数据U，经过归一化后得到的用户兴趣度模型u：

$u=\underset{i=1}{\overset{n}{\mathrm{\Σ}}}\stackrel{\‾}{l_i}{x}_i$

其中：

$\stackrel{\‾}{l_i}=\frac{\underset{j=1}{\overset{m}{\mathrm{\Σ}}}{l}_{j,i}}{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}\left(\underset{j=1}{\overset{m}{\mathrm{\Σ}}}{l}_{j,i}\right)},$

即用户兴趣度原始数据U中第i个语义标签的权值除以所有语义标签的权值之和；

根据

计算规则，可以得出：

$\underset{i=1}{\overset{n}{\mathrm{\Σ}}}\stackrel{\‾}{l_i}=1$

(3)、以富媒体资源的特征描述样本及用户兴趣度模型u为基础，采用兴趣度距离及特征距离来度量并形成推荐列表进行个性化推荐；

其中，兴趣度距离表示用户与富媒体资源之间的距离或用户与用户之间距离，特征距离表示富媒体资源与富媒体资源之间的距离。

作为本发明的进一步改进，所述的个性化推荐为：

a、基于用户与富媒体资源之间兴趣度距离的推荐

遍历资源库中的富媒体资源，求得当前用户与富媒体资源之间的兴趣度距离：

$d_{u,y}=\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{(l_i-\stackrel{\‾}{l_i})}^2$

其中，d_u，y表示当前用户与富媒体资源之间的兴趣度距离；

每个富媒体资源都将形成与用户之间的兴趣度距离，根据兴趣度距离排序或者预定义的兴趣度距离阀值确定推荐列表；

b、基于用户与用户之间的兴趣度距离的推荐

首先，计算用户A与用户B之间的兴趣度距离：

$d_{u_A,u_B}=\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{(\stackrel{\‾}{l_{i,A}}-\stackrel{\‾}{l_{i,B}})}^2$

其中，

分别表示用户A、用户B的用户兴趣度模型u中的第i个语义标签对应的归一化权值；

然后，以此兴趣度距离为衡量标准，进行用户分组，得到兴趣相似的用户兴趣组，选取用户兴趣组中其他用户使用过的富媒体资源进行推荐；

c、基于富媒体资源与富媒体资源之间的特征距离的推荐

首先，计算富媒体资源α与富媒体资源β之间的特征距离：

$d_{y_{\mathrm{\α}},y_{\mathrm{\β}}}=\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{(l_{i,\mathrm{\α}}-l_{i,\mathrm{\β}})}^2$

其中，l_i，α、l_i，β分别表示富媒体资源α、富媒体资源β第i个语义标签对应的权值；

然后，以此特征距离

为衡量标准，将富媒体资源分为一些特征组，当用户访问某一富媒体资源时，将该富媒体资源对应的特征组中的其他富媒体资源推荐给用户。

本发明的发明目的是这样实现的：

本发明富媒体个性化推荐方法，通过选择能够体现富媒体资源特征的语义标签集合，以语义标签的权值表示富媒体资源在该标签的语义强度，为每个富媒体资源形成一个特征描述样本；然后记录下用户富媒体资源使用情况，得到m个特征样本构成的用户兴趣度原始数据U，并经过归一化后得到的用户兴趣度模型u；最后，以富媒体资源的特征描述样本及用户兴趣度模型u为基础，采用兴趣度距离及特征距离来度量并形成推荐列表进行个性化推荐。由于采用语义标签对富媒体资源进行描述、对用户的使用情况进行采集，这样可以较为定量地确定用户对于富媒体资源的兴趣程度，因此，本发明富媒体个性化推荐具有推荐准确和实用的特点。

附图说明

图1是个性化推荐系统的原理框图；

图2是本发明推荐引擎模块一具体实施方式结构图；

图3是三种推荐方式融合一具体实施方式流程图。

具体实施方式

下面结合附图对本发明的具体实施方式进行描述，以便本领域的技术人员更好地理解本发明。需要特别提醒注意的是，在以下的描述中，当已知功能和设计的详细描述也许会淡化本发明的主要内容时，这些描述在这里将被忽略。

实施例

图2是本发明推荐引擎模块一具体实施方式结构图

在本实施例中，如图2所示，用户兴趣拟合、群组兴趣拟合与资源分组整合三个模块分别对应发明内容中基于用户与富媒体资源之间的兴趣度距离的推荐、基于用户与用户之间的兴趣度距离的推荐；基于富媒体资源与富媒体资源之间的特征距离的推荐。推荐引擎将根据用户的不同、用户进入系统时间及在系统中累积的历史数据的情况，动态的选择对应方式形成推荐列表。

在本实施例中，推荐引擎需要两个重要的外部输入：

输入一：特征描述，即针对富媒体资源选择的语义标签集合。该输入作为资源特征描述样本形成及用户兴趣度建模的基础，需要在构建个性化推荐系统前经过调研分析，整理而得。

输入二：服务器状态信息，即服务器当前的运行状态。该输入将作为图2中的时间计划模块在推荐计算方案制定上的一个参考，便于有效利用服务器资源，根据用户累积信息及资源特征描述样本进行推荐计算。

下面根据一个精简的实例，说明本发明的实施步骤：

第一步：确定语义标签集合，这里假定只有5个语义标，分别为x_i，其中i＝1、2、3、4、5，它们分别代表的语义信息此处略去。

第二步：确定资源特征描述样本，假定已有6个资源，分别为y_j，其中j＝1、2、3、4、5、6。表1为这6个资源对应的特征描述样本表。注：表1中数据的获取是在资源被添加到资源数据库之时，根据资源在每个语义标签上的语义强度得到。

表1

由此，资源y₁的资源描述样本可以表示为：

y₁＝0.2x₁+0.2x₂+0.3x₃+0.1x₄+0.2x₅

其他的以此类推。

第三步：用户兴趣度拟合。假定：用户A已使用资源y₁、y₂、y₄，那么用户A的兴趣度模型计算如下：

用户兴趣原始数据：U_A＝0.45x₁+0.55x₂+1.3x₃+0.2x₄+0.5x₅

归一化得到兴趣度模型：u_A＝0.15x₁+0.1833x₂+0.4333x₃+0.0667x₄+0.1667x₅

第四步：推荐列表计算：根据资源特征描述样本为y_j(j＝＝1、2、3、4、5、6)及用户A的兴趣度模型u_A，由得到三种推荐方式，并如图3所示的流程进行融合，最终得到推荐列表。即用户访问富媒体资源时，判断是否有该用户兴趣度模型，如果没有，则根据资源特征组进行推荐，如果有，则根据用户兴趣度模型计算与富媒体资源之间的兴趣度距离推荐或根据用户组兴趣度距离推荐。

(1)计算用户与每个富媒体资源之间的兴趣度距离

$d_{u_A,y_3}=0.2494$

$d_{u_A,y_5}=0.3960$

$d_{u_A,y_6}=0.1960$

在这六个资源中，由于y₁、y₂、y₄已被使用过，不放入推荐列表中，剩余的三个资源根据计算出来的兴趣度距离，距离值越小，说明与用户兴趣度模型匹配可能性越大，由此得到推荐顺序为：y₆、y₃、y₅。

(2)计算用户与用户之间的兴趣度距离

假定存在用户B，并且用户B的兴趣度模型为：

u_B＝0.1x₁+0.2x₂+0.4x₃+0.1x₄+0.2x₅

则用户A与用户B之间的兴趣度距离计算如下：

$d_{u_A,u_B}={(0.1-0.15)}^2+{(0.2-0.1833)}^2+{(0.4-0.4333)}^2+{(0.1-0.0667)}^2+{(0.2-0.1667)}^2=0.0061$

根据我们预设的距离阀值(若定义为0.01)，由于

那么用户A与用户B可以归为一个用户兴趣组，由此可以给用户B推荐用户A使用过的资源：y₁、y₂、y₄。

(3)计算富媒体资源之间的特征距离

富媒体资源y₃与y₅之间的特征距离

富媒体资源y₆与y₅之间的特征距离

由此，在y₆、y₃、y₅这三个富媒体资源中，我们优先认为富媒体资源y₃与y₅可以划分为一个特征组，如果某个用户使用过富媒体资源y₅，那么可以将与富媒体资源y₅为一个特征组的富媒体资源y₃推荐给这个用户。

尽管上面对本发明说明性的具体实施方式进行了描述，以便于本技术领的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。

Claims (2)

1.一种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：

$y=\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{l}_i{x}_i$

其中：x_i为第i个语义标签，共计n个语义标签点，l_i表示第i个语义标签对应的权值，且满足：

$\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{l}_i=1;$

(2)、用户兴趣度拟合

用户每使用一个富媒体资源，服务器数据采集模块即记录下用户的使用情况，并提取出该资源的特征描述样本，经过不断的积累，得到m个特征样本，则该用户兴趣度原始数据U：

$U=\underset{i=1}{\overset{n}{\mathrm{\Σ}}}\left(\underset{j=1}{\overset{m}{\mathrm{\Σ}}}{l}_{j,i}\right)\×x_i$

其中：

表示第i个语义标签累积的权值之和，即用户使用的所有资源对应的特征描述样本中第i个语义标签的权值之和；

由积累到的用户兴趣度原始数据U，经过归一化后得到的用户兴趣度模型u：

$u=\underset{i=1}{\overset{n}{\mathrm{\Σ}}}\stackrel{\‾}{l_i}{x}_i$

其中：

$\stackrel{\‾}{l_i}=\frac{\underset{j=1}{\overset{m}{\mathrm{\Σ}}}{l}_{j,i}}{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}\left(\underset{j=1}{\overset{m}{\mathrm{\Σ}}}{l}_{j,i}\right)},$

即用户兴趣度原始数据U中第i个语义标签的权值除以所有语义标签的权值之和；

根据计算规则，可以得出：

$\underset{i=1}{\overset{n}{\mathrm{\Σ}}}\stackrel{\‾}{l_i}=1$

(3)、以富媒体资源的特征描述样本及用户兴趣度模型u为基础，采用兴趣度距离及特征距离来度量并形成推荐列表进行个性化推荐；

其中，兴趣度距离表示用户与富媒体资源之间的距离或用户与用户之间距离，特征距离表示富媒体资源与富媒体资源之间的距离。

2.根据权利要求1所述的富媒体个性化推荐方法，其特征在于，所述的个性化推荐为：

a、基于用户与富媒体资源之间兴趣度距离的推荐

遍历资源库中的富媒体资源，求得当前用户与富媒体资源之间的兴趣度距离：

$d_{u,y}=\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{(l_i-\stackrel{\‾}{l_i})}^2$

其中，d_u，y表示当前用户与富媒体资源之间的兴趣度距离；

每个富媒体资源都将形成与用户之间的兴趣度距离，根据兴趣度距离排序或者预定义的兴趣度距离阀值确定推荐列表；

b、基于用户与用户之间的兴趣度距离的推荐

首先，计算用户A与用户B之间的兴趣度距离：

$d_{u_A,u_B}=\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{(\stackrel{\‾}{l_{i,A}}-\stackrel{\‾}{l_{i,B}})}^2$

其中，

分别表示用户A、用户B的用户兴趣度模型u中的第i个语义标签对应的归一化权值；

然后，以此兴趣度距离为衡量标准，进行用户分组，得到兴趣相似的用户兴趣组，选取用户兴趣组中其他用户使用过的富媒体资源进行推荐；

c、基于富媒体资源与富媒体资源之间的特征距离的推荐

首先，计算富媒体资源α与富媒体资源β之间的特征距离：

$d_{y_{\mathrm{\α}},y_{\mathrm{\β}}}=\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{(l_{i,\mathrm{\α}}-l_{i,\mathrm{\β}})}^2$

其中，l_i，α、l_i，β分别表示富媒体资源α、富媒体资源β第i个语义标签对应的权值；

然后，以此特征距离

为衡量标准，将富媒体资源分为一些特征组，当用户访问某一富媒体资源时，将该富媒体资源对应的特征组中的其他富媒体资源推荐给用户。

Images