CN102915307A - 一种个性化信息推荐的方法、装置及信息处理系统 - Google Patents

Abstract

本发明适用于信息处理领域，提供了一种个性化信息推荐的方法、装置及信息处理系统，所述方法包括下述步骤：获取SNS用户间的交互记录和SNS用户对物品的使用记录；根据所述交互记录，计算SNS用户间的相似度，并根据计算得到的相似度划分用户相似群；根据所述使用记录，计算SNS用户对所述物品的评分值；根据用户相似群中其他用户对其使用物品的评分值来预测目标用户对所述物品的评分值；将预测评分值最高的前N项物品推荐给所述目标用户。本发明可有效提高推荐结果的准确性和可信度，使得个性化信息推荐对用户具有更大的参考价值。

Description

一种个性化信息推荐的方法、装置及信息处理系统

技术领域

本发明属于信息处理领域，尤其涉及一种个性化信息推荐的方法、装置及信息处理系统。

背景技术

协同过滤技术是目前应用最广泛的个性化推荐技术之一。现有的协同过滤技术主要根据所推荐的物品本身所产生的用户相似关系或物品相似关系进行推荐，例如：商品推荐仅使用用户购买该商品的历史行为记录，并由此构成用户的相似关系和商品之间的关联关系，最后将这些关系用于推荐。

然而，由于现有技术所利用的用户历史数据信息仅来源于推荐物品本身，容易导致用户一物品评分矩阵中的数据稀疏，影响推荐结果的准确性。特别的，仅使用用户对推荐物品本身的历史数据所生成的用户或者物品相似关系矩阵难以准确反映用户或者物品之间的相似关系。

发明内容

本发明实施例提供一种个性化信息推荐的方法，旨在解决现有技术容易产生数据稀疏性以及难以准确反映用户或者物品之间相似关系的问题。

本发明实施例是这样实现的，一种个性化信息推荐的方法，所述方法包括：

获取SNS用户间的交互记录和SNS用户对物品的使用记录；

根据所述交互记录，计算SNS用户间的相似度，并根据计算得到的相似度划分用户相似群；

根据所述使用记录，计算SNS用户对所述物品的评分值；

根据所述用户相似群中其他用户对其使用物品的评分值来预测目标用户对所述物品的评分值；

将预测评分值最高的前N项物品推荐给所述目标用户，所述N大于等于1。

本发明实施例的另一目的在于提供一种个性化信息推荐的装置，所述装置包括：

信息获取单元，用于获取SNS用户间的交互记录和SNS用户对物品的使用记录；

相似度计算单元，用于根据所述交互记录，计算SNS用户间的相似度，并根据计算得到的相似度划分用户相似群；

评分值计算单元，用于根据所述使用记录，计算SNS用户对所述物品的评分值；

评分值预测单元，用于根据所述用户相似群中其他用户对其使用物品的评分值来预测目标用户对所述物品的评分值；

信息推荐单元，用于将预测评分值最高的前N项物品推荐给所述目标用户，所述N大于等于1。

本发明实施例的再一目的在于提供一种信息处理系统，所述信息处理系统包括所述个性化信息推荐装置。

从上述方案中可以看出，本发明通过SNS用户间的交互记录计算SNS用户间的相似度，根据计算得到的相似度划分用户相似群，通过SNS用户对物品的使用记录来计算SNS用户对所述物品的评分值，并根据所述用户相似群和评分值进行个性化信息推荐，解决了用户-物品评分矩阵中的数据稀疏性问题，提高了推荐结果的准确性。而且，所述用户相似群中的用户为目标用户在SNS中的好友，从而可准确反映用户间的相似关系，增强目标用户对推荐结果的可信度，使得个性化信息推荐对用户具有更大的参考价值，提高用户的满意度。

附图说明

图1是本发明实施例一提供的个性化信息推荐方法的实现流程图；

图2是本发明实施例二提供的个性化信息推荐方法的实现流程图；

图3是本发明实施例三提供的个性化信息推荐装置的组成结构图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

本发明实施例通过SNS用户间的交互记录计算SNS用户间的相似度，根据计算得到的相似度划分用户相似群，通过SNS用户对物品的使用记录来计算SNS用户对所述物品的评分值，并根据所述用户相似群和评分值进行个性化信息推荐，解决了用户-物品评分矩阵中的数据稀疏性问题，提高了推荐结果的准确性。而且，所述用户相似群中的用户为目标用户在SNS中的好友，从而可准确反映用户间的相似关系，增强目标用户对推荐结果的可信度，使得个性化信息推荐对用户具有更大的参考价值，提高用户的满意度。

为了说明本发明所述的技术方案，下面通过具体实施例来进行说明。

实施例一：

图1示出了本发明实施例一提供的个性化信息推荐方法的实现流程，该方法过程详述如下：

在步骤S101中，获取SNS用户间的交互记录和SNS用户对物品的使用记录。

在本实施例中，社会性网络服务(Social Networking Services，SNS)，简称社交网络。社交网络服务器收集并存储SNS用户通过社交网络工具进行的交互记录，推荐系统从SNS服务器上获取SNS用户间的交互记录。

其中，所述社交网络工具包括即时通信工具(例如：QQ、MSN等)和交友社区(例如：Facebook，Twitter等)等包含好友关系的网络交友或者通信平台。所述交互记录包括用户与不同好友交互(例如：聊天、游戏等)的频率、累计时长以及用户在线时长等信息。

在本实施例中，SNS服务器收集并存储SNS用户对物品的使用记录，推荐系统从SNS服务器上获取SNS用户对物品的使用记录。

其中，所述使用记录包括物品使用的时间、时长、频率、物品的类型、以及用户对使用物品的评价、评分等信息。例如：用户的听歌记录，包括听歌的时间、时长、频率、歌曲的名称、类型、流派、演唱者以及用户对所听歌曲的评价、评分等。

在步骤S102中，根据所述交互记录，计算SNS用户间的相似度，并根据计算得到的相似度划分用户相似群。

在本实施例中，每个SNS用户都存在一个唯一的ID，推荐系统根据获取的SNS用户间的交互记录，计算SNS用户间的相似度，并根据计算得到的相似度将拥有相同或者相似兴趣偏好的用户通过用户ID组成一个用户相似群或者用户相似列表，例如：通过计算相似度，发现用户A、B、C都喜欢某个人的歌曲，因此将用户A、B、C划分成一个用户相似群。

其中，SNS用户间相似度的计算方式如下(不局限于该方式)：w_ij＝exp(-d_ij)， $d_{\mathrm{ij}}=\mathrm{\α}\underset{k=1}{\overset{K-1}{\mathrm{\Σ}}}\frac{1}{s_{v_k{v}_{k+1}}},$ $s_{v_k{v}_{k+1}}=\mathrm{\β}\frac{\log \left(X_{i,j}\right)}{{\max }_j\log \left(X_{i,j}\right)},$ 其中w_ij是用户i与用户j的相似度，d_ij是用户i到用户j的距离，

是用户v_k与v_k+1之间的通信强度，v₁，…v_K是用户i到用户j的最短路径上的顶点，参数K＝3是最大覆盖范围，参数α＝1、β＝1，X_i，j是用户i与j的互动次数，当用户i到j没有通路时，则w_ij＝0。

在步骤S103中，根据所述使用记录，计算SNS用户对所述物品的评分值。

在本实施例中，评分值包括显式评分值或隐式评分值，所述显式评分值指的是用户对使用物品的直接评分，所述隐式评分值的计算方式如下(不局限于该方式)：

其中r_ij是用户i对物品j的评分值，t_ij是用户i的物品使用记录中物品j出现的次数，参数λ＝1。

在步骤S104中，根据用户相似群中其他用户对其使用物品的评分值来预测目标用户对所述物品的评分值。

在本实施例中，目标用户是指推荐系统推荐物品的目标对象，推荐系统通过目标用户的ID查找目标用户所在的用户相似群，并根据用户相似群中其他用户对其使用物品的评分值来预测目标用户对所述物品的评分值，从而可有效解决了用户-物品评分矩阵中的数据稀疏性问题，提高了推荐结果的准确性。

其中，预测评分值的计算方式如下(不局限于该方式)：

其中

是用户k对其使用物品的平均评分值，

是用户i对物品j的预测评分值。

通过举例说明上述过程，例如：推荐系统推荐物品的目标对象为C，推荐系统通过用户C的ID查找到用户C所在的用户相似群，该用户相似群中包括用户A、B、C，用户A和B对某首歌曲的评分值为9分和9.5分，但用户C没有听过该歌曲，于是通过公式

预测用户C对该歌曲的评分值。

在步骤S105中，将预测评分值最高的前N项物品推荐给所述目标用户。

在本实施例中，所述N为整数，并且大于等于1。

在本发明实施例中，通过SNS用户间的交互记录计算SNS用户间的相似度，根据计算得到的相似度划分用户相似群，通过SNS用户对物品的使用记录计算SNS用户对所述物品的评分值，并根据所述用户相似群和评分值来预测目标用户对物品的评分值，将预测评分值最高的前N项物品推荐给目标用户，可有效解决用户-物品矩阵中数据稀疏性问题，提高推荐结果的准确性。而且，所述用户相似群中的用户为目标用户在SNS中的好友，从而可准确反映用户间的相似关系，增强目标用户对推荐结果的可信度，使得个性化信息推荐对用户具有更大的参考价值，提高用户的满意度。

实施例二：

图2示出了本发明实施例二提供的显式网络地图评论信息方法的实现流程，该方法过程详述如下：

在步骤S201中，获取SNS用户间的交互记录和SNS用户对物品的使用记录。

在步骤S202中，根据所述交互记录，计算SNS用户间的相似度，并根据计算得到的相似度划分用户相似群。

在步骤S203中，根据所述使用记录，计算SNS用户对所述物品的评分值。

在步骤S204中，根据用户相似群中其他用户对其使用物品的评分值来预测目标用户对所述物品的评分值。

在步骤S205中，将预测评分值最高的前N项物品推荐给所述目标用户。

在本实施例中，步骤S201-S205的具体实施过程参见实施例一中的步骤S101-S105所述，在此不再赘述。

在步骤S206中，根据用户对推荐物品的反馈信息，调整公式

中的参数值。

在本实施例中，反馈信息包括目标用户对推荐物品的使用频率、使用时长、评价以及评分等。

参数包括α、β、λ和K等，参数的默认值为1，针对不同的推荐物品参数值可能不同，推荐系统根据目标用户对推荐物品的反馈信息，动态调整所述参数值，例如：当目标用户对推荐的某首歌曲反馈的信息是不满意或者差评时，说明针对歌曲的推荐结果不准确，推荐系统按照预设规则(例如：差评降低0.1个点，好评提高0.1个点等)减小

中参数α、β、λ和K中的一个或者多个的值，使得针对歌曲的预测评分值较低，在公式

优化前对不再推荐给目标用户。

在本发明实施例中，根据用户对推荐物品的反馈信息，调整公式

中的参数值，可进一步提高推荐结果的准确性和用户对推荐系统的满意度。

实施例三：

图3示出了本发明实施例三提供的个性化信息推荐装置的组成结构，为了便于说明，仅示出了与本发明实施例相关的部分。

该个性化信息推荐装置可以是运行于信息处理系统内的软件单元、硬件单元或者软硬件相结合的单元，也可以作为独立的挂件集成到这些信息处理系统中或者运行于这些信息处理系统的应用系统中。

该个性化信息推荐装置包括信息获取单元31、相似度计算单元32、评分值计算单元33、评分值预测单元34以及信息推荐单元35。其中，各单元的具体功能如下：

信息获取单元31，用于获取SNS用户间的交互记录和SNS用户对物品的使用记录；

相似度计算单元32，用于根据所述交互记录，计算SNS用户间的相似度，并根据计算得到的相似度划分用户相似群；

评分值计算单元33，用于根据所述使用记录，计算SNS用户对所述物品的评分值；

评分值预测单元34，用于根据用户相似群中其他用户对其使用物品的评分值来预测目标用户对所述物品的评分值；

信息推荐单元35，用于将预测评分值最高的前N项物品推荐给所述目标用户，所述N大于等于1。

本发明实施例三提供的个性化信息推荐装置可以使用在前述对应的个性化信息推荐方法实施例一和二中，详情参见上述实施例一和二的相关描述，在此不再赘述。

作为本发明的另一实施例，所述装置还包括调整单元36，用于用于根据用户对推荐物品的反馈信息，调整公式

中的参数值。

本发明实施例提供的个性化信息推荐装置可以使用在前述对应的个性化信息推荐方法实施例二中，详情参见上述实施例二的相关描述，在此不再赘述。

在本发明实施例中，通过SNS用户间的交互记录计算SNS用户间的相似度，根据计算得到的相似度划分用户相似群，通过SNS用户对物品的使用记录计算SNS用户对所述物品的评分值，并根据所述用户相似群和评分值来预测目标用户对物品的评分值，将预测评分值最高的前N项物品推荐给目标用户，可有效解决用户一物品矩阵中数据稀疏性问题，提高推荐结果的准确性。而且，所述用户相似群中的用户为目标用户在SNS中的好友，从而可准确反映用户间的相似关系，增强目标用户对推荐结果的可信度，使得个性化信息推荐对用户具有更大的参考价值，提高用户的满意度。另外，根据用户对推荐物品的反馈信息，调整公式中的参数值，可进一步提高推荐结果的准确性和用户对推荐系统的满意度。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (11)

1.一种个性化信息推荐的方法，其特征在于，所述方法包括：

获取社交网络SNS用户间的交互记录和SNS用户对物品的使用记录；

根据所述交互记录，计算SNS用户间的相似度，并根据计算得到的相似度划分用户相似群；

根据所述使用记录，计算SNS用户对所述物品的评分值；

根据所述用户相似群中其他用户对其使用物品的评分值来预测目标用户对所述物品的评分值；

将预测评分值最高的前N项物品推荐给所述目标用户，所述N大于等于1。

2.如权利要求1所述的方法，其特征在于，所述SNS用户间相似度的计算公式为：w_ij＝exp(-d_ij)， $d_{\mathrm{ij}}=\mathrm{\α}\underset{k=1}{\overset{K-1}{\mathrm{\Σ}}}\frac{1}{s_{v_k{v}_{k+1}}},$ $s_{v_k{v}_{k+1}}=\mathrm{\β}\frac{\log \left(X_{i,j}\right)}{{\max }_j\log \left(X_{i,j}\right)},$ 其中w_ij是用户i与用户j的相似度，d_ij是用户i到用户j的距离，

是用户v_k与v_k+1之间的通信强度，v₁，…v_K是用户i到用户j的最短路径上的顶点，参数K＝3是最大覆盖范围，参数α＝1、β＝1，X_i，j是用户i与j的互动次数。

3.如权利要求2所述的方法，其特征在于，所述评分值包括隐式评分值或显式评分值，所述隐式评分值的计算公式为

其中r_ij是用户i对物品j的评分值，t_ij是用户i的物品使用记录中物品j出现的次数，参数λ＝1。

4.如权利要求3所述的方法，其特征在于，所述评分值预测的计算公式为：

其中

是用户k对其使用物品的平均评分值，

是用户I对物品j的预测评分值。

5.如权利要求4所述的方法，其特征在于，所述方法还包括：

根据用户对推荐物品的反馈信息，调整公式

中的参数值。

6.一种个性化信息推荐的装置，其特征在于，所述装置包括：

信息获取单元，用于获取社交网络SNS用户间的交互记录和SNS用户对物品的使用记录；

相似度计算单元，用于根据所述交互记录，计算SNS用户间的相似度，并根据计算得到的相似度划分用户相似群；

评分值计算单元，用于根据所述使用记录，计算SNS用户对所述物品的评分值；

评分值预测单元，用于根据所述用户相似群中其他用户对其使用物品的评分值来预测目标用户对所述物品的评分值；

信息推荐单元，用于将预测评分值最高的前N项物品推荐给所述目标用户，所述N大于等于1。

7.如权利要求6所述的装置，其特征在于，所述SNS用户间相似度的计算公式为：w_ij＝exp(-d_ij)， $d_{\mathrm{ij}}=\mathrm{\α}\underset{k=1}{\overset{K-1}{\mathrm{\Σ}}}\frac{1}{s_{v_k{v}_{k+1}}},$ $s_{v_k{v}_{k+1}}=\mathrm{\β}\frac{\log \left(X_{i,j}\right)}{{\max }_j\log \left(X_{i,j}\right)},$ 其中w_ij是用户i与用户j的相似度，d_ij是用户i到用户j的距离，

是用户v_k与v_k+1之间的通信强度，v₁，…v_K是用户i到用户j的最短路径上的顶点，参数K＝3是最大覆盖范围，参数α＝1、β＝1，X_i，j是用户i与j的互动次数。

8.如权利要求7所述的装置，其特征在于，所述评分值包括隐式评分值或显式评分值，所述隐式评分值的计算公式为

其中r_ij是用户i对物品j的评分值，t_ij是用户i的物品使用记录中物品j出现的次数，参数λ＝1。

9.如权利要求8所述的装置，其特征在于，所述评分值预测的计算公式为：

其中

是用户k对其使用物品的平均评分值，

是用户i对物品j的预测评分值。

10.如权利要求9所述的装置，其特征在于，所述装置还包括：调整单元，用于根据用户对推荐物品的反馈信息，调整公式

中的参数值。

11.一种信息处理系统，其特征在于，所述信息处理系统包含权利要求6至10任一项所述的个性化信息推荐装置。

Images