CN104063383A - 信息推荐方法及装置 - Google Patents

Abstract

本发明提出了一种信息推荐方法，包括：接收用户的输入信息，并从用户的输入信息中提取当前兴趣点；将当前兴趣点投射到预先建立的兴趣点类目体系模型中，并从兴趣点类目体系模型中查找与当前兴趣点匹配的历史兴趣点；根据与当前兴趣点匹配的历史兴趣点所处兴趣点类目体系模型中的位置，查询与当前兴趣点相关的其他历史兴趣点；以及将查询到的其他历史兴趣点对应的信息作为参考信息向用户推荐。本发明还提出了一种信息推荐装置。本发明提出的信息推荐方法及装置能够及时推荐用户所需的信息并且提高推荐系统的准确率。

Description

信息推荐方法及装置

技术领域

本发明涉及终端设备技术领域，具体而言，本发明涉及信息推荐方法及装置。

背景技术

基于网络的多设备终端服务已成为网络服务发展的趋势之一，大量的个人数据可以通过终端设备采集并汇集到云处理器端。终端设备容易直接获得并能从中分析出用户兴趣的是各种文本数据，例如包括：用户搜索或查询时输入的字符串、用户浏览的URL历史记录、短信内容、Email内容、Blog内容、用户所安装的App和用户所发表评论等。由于云服务器端有能力存储这些海量数据，如何有效利用这些数据来产生商业价值就成为了目前的关注热点之一。

有效利用这些数据的领域之一就是兴趣发现并基于发现的兴趣为用户推荐参考信息。然而，目前的信息推荐系统大多基于概率统计原理且依赖众多用户的历史数据。例如，一种信息推荐系统先统计用户A所在群的众多用户X所关注的兴趣点，通过概率统计原理统计这些用户X的共同兴趣点，随后向用户A推荐该共同兴趣点。然而，这种基于概率统计的信息推荐系统的准确率并不高。

进一步地，这种基于概率统计的信息推荐系统需要积累大量的用户操作和关注内容等历史信息。在多数情况下，除少数服务提供商外，高质量大规模的用户数据是极难获得的。

目前的信息推荐系统还有一类是基于自定义模式的静态推荐系统。这种基于自定义模式的静态推荐系统虽然不需要大量的历史用户数据，但是人工参与设定规则的工作量巨大且无法及时根据单个用户的新兴趣点为其推荐信息。

为了有效利用终端设备用户的历史数据，有必要提出一种新的信息推荐方法，能够在既不依赖基于概率统计的大量用户历史数据，也不依赖人工参与设定规则的前提下，对用户兴趣进行深层次的建模，通过提高系统推荐信息的准确率和速率的基础上，有效利用用户个人的历史数据为其提供有用的参考信息。

发明内容

本发明的目的旨在至少解决上述技术缺陷之一，特别是提供一种信息推荐方法及装置，能够既不依赖基于概率统计的大量用户历史数据，也不依赖人工参与设定规则，并且通过有效利用用户个人的历史数据为其提供有用的参考信息。

本发明公开了一种信息推荐方法，包括如下步骤：接收用户的输入信息，并从用户的输入信息中提取当前兴趣点；将当前兴趣点投射到预先建立的兴趣点类目体系模型中，并从兴趣点类目体系模型中查找与当前兴趣点匹配的历史兴趣点；根据与当前兴趣点匹配的历史兴趣点所处兴趣点类目体系模型中的位置，查询与当前兴趣点相关的其他历史兴趣点；以及将查询到的其他历史兴趣点对应的信息作为参考信息向用户推荐。

本发明还公开了一种信息推荐装置，包括：当前兴趣点提取模块，用于接收用户的输入信息，并从用户的输入信息中提取当前兴趣点；投射模块，用于将当前兴趣点提取模块提取的当前兴趣点投射到预先建立的兴趣点类目体系模型中，并从兴趣点类目体系模型中查找与当前兴趣点匹配的历史兴趣点；查询模块，用于根据与当前兴趣点匹配的历史兴趣点所处兴趣点类目体系模型中的位置，查询与当前兴趣点相关的其他历史兴趣点；以及参考信息推荐模块，用将查询到的其他历史兴趣点对应的信息作为参考信息向用户推荐。

本发明提出的信息推荐方法及装置所采用的技术方案既不依赖基于概率统计的大量用户历史数据，也不依赖人工参与设定规则，而是通过从终端设备用户的历史数据中挖掘用户的兴趣点，并根据目前网络上提供的兴趣分类体系进行建模，通过用户的历史兴趣点为用户推荐有用的参考信息，从而及时推荐用户所需的信息并且提高推荐系统的准确率，这样通过有效利用用户个人的历史数据实现为该用户提供量身定做的有用的参考信息。进一步地，本发明提出的信息推荐方法及装置能够及时发现用户兴趣转移过程，不断修正兴趣模型，并且为用户提供了兴趣的自定义机制和修改机制，以更好的为用户推荐信息，从而提高推荐系统的准确率。

本发明附加的方面和优点将在下面的描述中部分给出，这些将从下面的描述中变得明显，或通过本发明的实践了解到。

附图说明

本发明上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：

图1示出了根据本发明一实施方式的信息推荐方法的流程图；

图2示出了根据本发明一实施方式的类目体系模型的树状结构图；

图3示出了根据本发明一实施方式的提取当前兴趣点的判断过程的示意图；

图4示出了根据本发明一实施方式的合并兴趣点的判断过程的示意图；

图5示出了根据本发明另一实施方式的信息推荐方法的流程图；

图6示出了根据本发明一实施方式的分屏操作装置的结构图。

具体实施方式

下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能解释为对本发明的限制。

本技术领域技术人员可以理解，除非特意声明，这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是，本发明的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件，但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。应该理解，当我们称元件被“连接”或“耦接”到另一元件时，它可以直接连接或耦接到其他元件，或者也可以存在中间元件。此外，这里使用的“连接”或“耦接”可以包括无线连接或耦接。这里使用的措辞“和/或”包括一个或更多个相关联的列出项的任一单元和全部组合。

本技术领域技术人员可以理解，除非另外定义，这里使用的所有术语（包括技术术语和科学术语）具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是，诸如通用字典中定义的那些术语应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非像这里一样定义，不会用理想化或过于正式的含义来解释。

本技术领域技术人员可以理解，这里所使用的“终端”既包括仅具备无发射能力的无线信号接收器的设备，又包括具有能够在双向通信链路上进行双向通信的接收和发射硬件的设备。这种设备可以包括：具有或没有多线路显示器的蜂窝或其他通信设备；可以组合语音和数据处理、传真和/或数据通信能力的个人通信系统（PCS）；可以包括射频接收器和寻呼机、互联网/内联网访问、网络浏览器、记事本、日历和/或全球定位系统（GPS）接收器的个人数字助理（PDA）；和/或包括射频接收器的常规膝上型和/或掌上型计算机或其他设备。这里所使用的“终端设备”可以是便携式、可运输、安装在交通工具（航空、海运和/或陆地）中的，或者适合于和/或配置为在本地运行和/或以分布形式在地球和/或空间的任何其他位置运行。这里所使用的“终端设备”还可以是通信终端、上网终端、音乐/视频播放终端。这里所使用的“终端设备”还可以是PDA、MID和/或具有音乐/视频播放功能的移动电话等。这里所使用的“终端设备”还可以是智能电视、机顶盒等设备。

图1示出了根据本发明一实施方式的信息推荐方法的流程图。如图1所示，信息推荐方法，包括如下步骤：S1：接收用户的输入信息，并从用户的输入信息中提取当前兴趣点；S2：将当前兴趣点投射到兴趣点类目体系模型中，并从兴趣点类目体系模型中查找与当前兴趣点匹配的历史兴趣点；S3：根据与当前兴趣点匹配的历史兴趣点所处兴趣点类目体系模型中的位置，查询与当前兴趣点相关的其他历史兴趣点；以及S4：将查询到的其他历史兴趣点对应的信息作为参考信息向用户推荐。作为一种实施方式，预先建立兴趣点类目体系模型可以包括如下步骤：从网络上保存的开放文本数据获取用户的历史数据，分析并提取用户的历史兴趣点；基于提取的历史兴趣点和网络上提供的开源类目体系（ODP），建立兴趣点类目体系模型。当然，可以理解的是，获取用户的历史数据的方式不限于通过开放文本数据获取，而是可以通过任何能够获得有关该用户使用终端设备时保存下来的历史数据的信息渠道。开放文本数据可以包括如下一种或多种：用户搜索或查询时输入的字符串、用户浏览的URL历史记录、短信内容、Email内容、Blog内容、用户所安装的App和用户所发表评论。

由上可知，本发明与现有技术的不同之处在于，本发明并非基于概率统计原理且不用依赖众多用户的历史数据，也不需要人工参与设定规则，避免了大量人力的浪费。因此，本发明提出的信息推荐方法所采用的技术方案既不依赖基于概率统计的大量用户历史数据，也不依赖人工参与设定规则，而是通过从终端设备用户的历史数据中挖掘用户的兴趣点，并根据目前网络上提供的兴趣分类体系进行建模，通过用户的历史兴趣点为用户推荐有用的参考信息，从而及时推荐用户所需的信息并且提高推荐系统的准确率，这样通过有效利用用户个人的历史数据实现为该用户提供量身定做的有用的参考信息。

图2示出了根据本发明一实施方式的类目体系模型的树状结构图。如图2所示，建立兴趣点类目体系模型的组成，包括：将历史兴趣点作为开源类目体系底层的节点；以及以树状结构或层次结构组织历史兴趣点和开源类目体系，以建立兴趣点类目体系模型。其中，树状结构的兴趣点类目体系模型是指一个或多个代表用户兴趣点的节点所构成的有限集合。每一个树状结构的兴趣点类目体系模型有一个根节点。根节点是指不属于任何一个其他节点的节点。根节点之下可以有零个以上的子节点。整个兴趣点类目体系模型是一个树状结构，历史兴趣点是兴趣点类目体系模型的一部分。当一个历史兴趣点下面增加了新的兴趣点时，该历史兴趣点就称为领域兴趣点，而新的兴趣点作为历史兴趣点。因此，历史兴趣点总是位于兴趣点类目体系模型的最底层。具体而言，所述兴趣点类目体系模型的组成，可以包括：时间元素、兴趣点位置元素、权值元素。

例如，“体育”是一级类目，“篮球”是二级类目，一级和二级类目都是领域兴趣点（也称为“父类兴趣点”），它表示了用户对某一个特定领域的关注。“NBA”是一个历史兴趣点（也称为“子类兴趣点”）。因此，以树状结构或层次结构组织历史兴趣点和开源类目体系，包括：在所述开源类目体系中生成至少一个父类兴趣点；以及将所述父类兴趣点所涵盖的历史兴趣点设置在所述父类兴趣点的下层，作为子类兴趣点。

进一步地，所述查询与当前兴趣点相关的其他历史兴趣点，包括：根据当前兴趣点所处兴趣点类目体系模型中的节点或层次位置，查询与当前兴趣点属于同一个节点或层次的其他兴趣点。如图2所示，历史兴趣点“NBA”所从属的父类兴趣点还包括另外两个历史兴趣点“乔丹”和“火箭”。当一个父类兴趣点下面有多个历史兴趣点时，终端设备认为这些历史兴趣点有很强的相关度。当一个用户关注NBA的球星时，那么一般也会关注该球星的球队和比赛。终端设备中具有多种类型的分类器，这些分类器能够把用户数据分到兴趣点类目体系模型中的父类兴趣点（例如，“篮球”）上，也能够直接分到子类兴趣点（例如，“乔丹”）上。由于“乔丹”相对“篮球”来说，粒度比较细，因此终端设备能够更加精确地反应用户的兴趣点。当用户对其中一个兴趣点感兴趣，容易根据兴趣点之间的相关度，预测他对同一个父类兴趣点下的其他子类兴趣点感兴趣。

图3示出了根据本发明一实施方式的提取当前兴趣点的判断过程的示意图。如图3所示，所述从用户的输入信息中提取当前兴趣点，包括：将用户在预定时间内输入的多项输入信息作为一个输入序列；将输入序列中的每一项输入信息分类到一个或多个历史兴趣点上，并确定输入信息与历史兴趣点对应的权值，当输入的多项输入信息均获得权值后，输入序列转变成兴趣点序列；以及通过兴趣点序列中多项输入信息的权值对比，从兴趣点序列中提取出多项输入信息共同聚焦的当前兴趣点。

如图3所示的提取当前兴趣点算法，将用户在预定时间（内输入的数据定义为一个输入序列，将输入序列中的每一条数据通过相应的分类器分到一个或多个兴趣点上，使得用户的输入序列变成了一个兴趣点序列，其中，预定时间内，例如几小时内。假设用户在一小片时间内兴趣集中在一个兴趣点上，提取当前兴趣点算法将兴趣点序列中的相邻兴趣点作比较，从而从多个兴趣点中选择合理的当前兴趣点，之后将分类后的多项输入信息投射到兴趣点类目体系模型中的历史兴趣点上。

例如，假设输入信息形式化表示为q->(i1:w1,i2:w2,…,in:wn)，其中q是用户输入的查询词，i1和i2表示两个兴趣点，w1和w2分别表示i1和i2的权值。首先，将用户在预定时间内输入的多项输入信息作为一个输入序列。接着，将输入序列中的每一项输入信息分类到一个或多个历史兴趣点上，并确定输入信息与历史兴趣点对应的权值，当输入的多项输入信息均获得权值后，输入序列转变成兴趣点序列。其中，兴趣点的权值是由分类器确定的，分类器将用户输入的每条数据分到一个或多个兴趣点上，并确定了被分到每个兴趣点的可能性，这个可能性就是兴趣点的权值。用户在几个小时内输入的数据定义为一个输入序列，例如一个输入序列表示成q1,q2,u3,u4,q5，其中q1表示第一条数据是查询词，q2表示第二条数据是查询词，u3表示第三条数据是网页地址（url），u4表示第四条数据是url，q5表示第5条数据是查询词。如图3所示，用户输入序列包括：q1,q2,u3,u4,q5；分类器对q1的分类结果为：q1->(i1:w1,i2:w2)；分类器对q1的分类结果为：q1->(i1:w1,i2:w2)；分类器对q2的分类结果为：q2->(i1:w1,i3:w2)；分类器对q3的分类结果为：q3->(i2:w1,i1:w2)；分类器对q4的分类结果为：q4->(i1:w1,i2:w2)；分类器对q5的分类结果为：q5->(i1:w1,i5:w2)。接着，通过兴趣点序列中多项输入信息的权值对比，从兴趣点序列中提取出多项输入信息共同聚焦的当前兴趣点。如图3所示，“If(w1>w2)q1->i1”表示：对于q1而言，如果第一个当前兴趣点i1的权值w1大于第二个当前兴趣点i2的权值w2时，则第一条查询词q1的当前兴趣点是i1，输出i1；“If(q1->i1,q2->i1,q2->i3)q2->i1”表示：对于q2而言，如果第一个当前兴趣点i1的权值w1大于第二个当前兴趣点i3的权值w2时，则第二条查询词q2的当前兴趣点是i1，输出i1；“If(q1->i1,q2->i1,u3->i2,u3->i1)u3->i1”表示：对于u3而言，如果第一个当前兴趣点i2的权值w1大于第二个当前兴趣点i1的权值w2时，则第三条网页地址u3的当前兴趣点是i1，输出i1；以此类推，依次输出为i1,i1,i1,i1,i1，也就是得出该输入序列中五项输入信息关注的共同兴趣点都是i1，那么最终的判断结果：当前兴趣点是i1。

图4示出了根据本发明一实施方式的合并兴趣点的判断过程的示意图。在将当前兴趣点投射到兴趣点类目体系模型中时，分类器有可能将当前兴趣点投射到兴趣点类目体系模型的多个级别中的兴趣点上，造成部分当前兴趣点存在兴趣点的交叉，从而需要进行兴趣点合并。因此，如果两个兴趣点虽然处于不同的类目体系下，却有相同的语义，在用户兴趣模型的表示中需要合并。例如，“成龙”既可能投射成“名人->成龙”，也能投射成“娱乐>电影明星>成龙”，还可能投射成“娱乐>电视明星>成龙”，这些“成龙”在说同一个人，因此这三个投射要合并成一个兴趣点。合并是通过将这三个兴趣的权值进行叠加，然后把合并后的兴趣点存储在兴趣点类目体系模型中。如图4中的树A所示，当前兴趣点“成龙”投射结果为：(2012.9.3，人物&明星&成龙,0.3)；如图4中的树B所示，当前兴趣点“成龙”投射结果为：(2012.9.3，电影&演员&成龙,0.4)；将树A和树B中的当前兴趣点“成龙”进行合并后得到：(2012.9.3，电影&演员&成龙,0.7)或(2012.9.3，人物&明星&成龙,0.7)。由合并后的结果可知，两个当前兴趣点“成龙”合并为一个当前兴趣点，权值为0.7。因此，通过兴趣点序列中多项输入信息的权值对比，从兴趣点序列中提取出多项输入信息共同聚焦的当前兴趣点，包括：当某两项输入信息被分类到的不同历史兴趣点分别从属于不同的父类兴趣点，且这两项输入信息具有相同的语义时，将这两项输入信息的权值进行合并，并与其他输入信息的权值进行对比。

图5示出了根据本发明另一实施方式的信息推荐方法的流程图。如图5所示，所述信息推荐方法，还包括如下步骤：S5、在当前兴趣点投射到兴趣点类目体系模型后，未检测到匹配的历史兴趣点时，兴趣点类目体系模型比较当前兴趣点和历史兴趣点。

进一步地，所述步骤S5可以包括：S51、当判断出当前兴趣点和历史兴趣点相似时，则查询与当前兴趣点相关的其他历史兴趣点，并将其他历史兴趣点对应的信息作为参考信息向用户推荐；或S52、当判断出当前兴趣点和历史兴趣点不相似时，则向用户发出兴趣点是否转移的询问信息，并检测用户的反馈信息。本发明采用“弱学习”算法交互修正兴趣点类目体系模型，它的主要思想是使用类别已知的数据对未知的数据进行类别标识。具体而言，将兴趣点类目体系模型分为两类：第一类兴趣点确实是用户感兴趣的，第二类兴趣点不是用户真正感兴趣的。当用户数据投射到兴趣点类目体系模型之后，终端设备挑选可信度较大的兴趣点，询问是否是用户真正感兴趣的。如果得到用户的肯定答复，则该兴趣点标为正类；如果得到用户的否定答复，则该兴趣点标为负类。接着，利用已知类别的兴趣点对未知类别的兴趣点进行类别标识：将与正类兴趣点相关性强的兴趣点标为正类；将与负类兴趣点相关性强的兴趣点标为负类；将与这两类都不相关的兴趣点再次通过与用户交互的方法得到相应的类标志。接着，判断两个兴趣点的相关性，主要判断依据是兴趣点所在兴趣点类目体系模型中的位置：如果两个兴趣点是一个兴趣领域的，那么认为它们是相关的：否则不相关。

进一步地，检测用户的反馈信息可以包括：S521、当检测到的反馈信息指示兴趣点未发生转移时，则查询与当前兴趣点相关的其他历史兴趣点，并将其他历史兴趣点对应的信息作为参考信息向用户推荐；或S522、当检测到的反馈信息指示兴趣点发生转移时，则将当前兴趣点存储在兴趣点类目体系模型中，作为一个新的父类兴趣点。当判断出用户产生新的当前兴趣点时，新的当前兴趣点和历史兴趣点作比较：如果发现新的当前兴趣点和历史兴趣点之间很相似，则认为新的当前兴趣点是可信的；如果发现差异比较大，则认为新的当前兴趣点的可信度低。这时需要与用户交互发现用户的真实兴趣以及是否用户的兴趣发生了转移。当用户兴趣发生了转移，询问用户兴趣转移的原因，这些因素对用户的兴趣有很大的决定因素。例如，用户喜欢一件衬衣，已经看了几天了，兴趣点类目体系模型根据用户的浏览数据可知用户的兴趣是该衬衣，可是用户的实际行为是买了另外一件，这时通过询问用户找出造成这种偏差的主要原因。这种通过询问的判断过程是兴趣点类目体系模型对用户的兴趣转移因素的探测功能。由此可知，本发明提出的信息推荐方法能够及时发现用户兴趣转移过程，不断修正兴趣模型，并且为用户提供了兴趣的自定义机制和修改机制，以更好的为用户推荐信息，从而提高推荐系统的准确率。

综上所述，本发明提出的信息推荐方法所采用的技术方案既不依赖基于概率统计的大量用户历史数据，也不依赖人工参与设定规则，而是通过从终端设备用户的历史数据中挖掘用户的兴趣点，并根据目前网络上提供的兴趣分类体系进行建模，通过用户的历史兴趣点为用户推荐有用的参考信息，从而及时推荐用户所需的信息并且提高推荐系统的准确率，这样通过有效利用用户个人的历史数据实现为该用户提供量身定做的有用的参考信息。进一步地，本发明提出的信息推荐方法能够及时发现用户兴趣转移过程，不断修正兴趣模型，并且为用户提供了兴趣的自定义机制和修改机制，以更好的为用户推荐信息，从而提高推荐系统的准确率。

图6示出了根据本发明一实施方式的分屏操作装置的结构图。如图6所示，信息推荐装置10可以包括：当前兴趣点提取模块110，用于接收用户的输入信息，并从用户的输入信息中提取当前兴趣点；投射模块120，用于将当前兴趣点提取模块110提取的当前兴趣点投射到预先建立的兴趣点类目体系模型中，并从兴趣点类目体系模型中查找与当前兴趣点匹配的历史兴趣点；查询模块130，用于根据与当前兴趣点匹配的历史兴趣点所处兴趣点类目体系模型中的位置，查询与当前兴趣点相关的其他历史兴趣点；以及参考信息推荐模块140，用于将查询到的其他历史兴趣点对应的信息作为参考信息向用户推荐。作为一种实施方式，信息推荐装置10还可以包括：历史兴趣点提取模块150，用于从网络上保存的开放文本数据获取用户的历史数据，分析并提取用户的历史兴趣点；兴趣点类目体系模块160，用于基于历史兴趣点提取模块150提取的历史兴趣点和网络上提供的开源类目体系，建立兴趣点类目体系模型。当然，可以理解的是，获取用户的历史数据的方式不限于通过开放文本数据获取，而是可以通过任何能够获得有关该用户使用终端设备时保存下来的历史数据的信息渠道。开放文本数据可以包括如下一种或多种内容：用户搜索或查询时输入的字符串、用户浏览的URL历史记录、短信内容、Email内容、Blog内容、用户所安装的App和用户所发表评论。

由上可知，本发明与现有技术的不同之处在于，本发明并非基于概率统计原理且不用依赖众多用户的历史数据，也不需要人工参与设定规则，避免了大量人力的浪费。因此，本发明的创新之处在于可以从单个用户的历史数据中分析出用户感兴趣的信息，即本发明称为“兴趣点”，并为用户及时提供其他有价值的参考信息。因此，本发明提出的信息推荐装置所采用的技术方案既不依赖基于概率统计的大量用户历史数据，也不依赖人工参与设定规则，而是通过从终端设备用户的历史数据中挖掘用户的兴趣点，并根据目前网络上提供的兴趣分类体系进行建模，通过用户的历史兴趣点为用户推荐有用的参考信息，从而及时推荐用户所需的信息并且提高推荐系统的准确率，这样通过有效利用用户个人的历史数据实现为该用户提供量身定做的有用的参考信息。

进一步地，兴趣点类目体系模块160可以用于：将历史兴趣点作为开源类目体系底层的节点；以及以树状结构或层次结构组织历史兴趣点和开源类目体系，以建立兴趣点类目体系模型。进一步地，所述兴趣点类目体系模型的组成，可以包括：时间元素、兴趣点位置元素、权值元素。

进一步地，查询模块130用于：根据当前兴趣点所处兴趣点类目体系模型中的节点或层次位置，查询与当前兴趣点属于同一个节点或层次的其他兴趣点。

进一步地，兴趣点类目体系模块160进一步用于：在开源类目体系中生成至少一个父类兴趣点；以及将父类兴趣点所涵盖的历史兴趣点设置在父类兴趣点的下层，作为子类兴趣点。

进一步地，当前兴趣点提取模块110进一步用于：将用户在预定时间内输入的多项输入信息作为一个输入序列；将输入序列中的每一项输入信息分类到一个或多个历史兴趣点上，并确定所述输入信息与历史兴趣点对应的权值，当输入的多项输入信息均获得权值后，输入序列转变成兴趣点序列；以及通过兴趣点序列中多项输入信息的权值对比，从兴趣点序列中提取出多项输入信息共同聚焦的当前兴趣点。

此外，当前兴趣点提取模块110进一步用于：当某两项输入信息被分类到的不同历史兴趣点分别从属于不同的父类兴趣点，且这两项输入信息具有相同的语义时，将这两项输入信息的权值进行合并，并与其他输入信息的权值进行对比。

此外，参考信息推荐模块140还用于：在当前兴趣点投射到兴趣点类目体系模型后，未检测到匹配的历史兴趣点时，兴趣点类目体系模型比较当前兴趣点和历史兴趣点。进一步地，参考信息推荐模块140还用于：当判断出当前兴趣点和历史兴趣点相似时，则查询与当前兴趣点相关的其他历史兴趣点，并将其他历史兴趣点对应的信息作为参考信息向用户推荐；或当判断出当前兴趣点和历史兴趣点不相似时，则向用户发出兴趣点是否转移的询问信息，并检测用户的反馈信息。进一步地，参考信息推荐模块140还用于：当检测到的反馈信息指示兴趣点未发生转移时，则查询与当前兴趣点相关的其他历史兴趣点，并将其他历史兴趣点对应的信息作为参考信息向用户推荐；或当检测到的反馈信息指示兴趣点发生转移时，则将当前兴趣点存储在兴趣点类目体系模型中，作为一个新的父类兴趣点。由此可知，本发明提出的信息推荐装置能够及时发现用户兴趣转移过程，不断修正兴趣模型，并且为用户提供了兴趣的自定义机制和修改机制，以更好的为用户推荐信息，从而提高推荐系统的准确率。

综上所述，本发明提出的信息推荐装置所采用的技术方案既不依赖基于概率统计的大量用户历史数据，也不依赖人工参与设定规则，而是通过从终端设备用户的历史数据中挖掘用户的兴趣点，并根据目前网络上提供的兴趣分类体系进行建模，通过用户的历史兴趣点为用户推荐有用的参考信息，从而及时推荐用户所需的信息并且提高推荐系统的准确率，这样通过有效利用用户个人的历史数据实现为该用户提供量身定做的有用的参考信息。进一步地，本发明提出的信息推荐装置能够及时发现用户兴趣转移过程，不断修正兴趣模型，并且为用户提供了兴趣的自定义机制和修改机制，以更好的为用户推荐信息，从而提高推荐系统的准确率。

本技术领域技术人员可以理解，本发明可以涉及用于执行本申请中所述操作中的一项或多项操作的设备。所述设备可以为所需的目的而专门设计和制造，或者也可以包括通用计算机中的已知设备，所述通用计算机有存储在其内的程序选择性地激活或重构。这样的计算机程序可以被存储在设备（例如，计算机）可读介质中或者存储在适于存储电子指令并分别耦联到总线的任何类型的介质中，所述计算机可读介质包括但不限于任何类型的盘（包括软盘、硬盘、光盘、CD-ROM、和磁光盘）、随即存储器（RAM）、只读存储器（ROM）、电可编程ROM、电可擦ROM（EPROM）、电可擦除可编程ROM（EEPROM）、闪存、磁性卡片或光线卡片。可读介质包括用于以由设备（例如，计算机）可读的形式存储或传输信息的任何机构。例如，可读介质包括随即存储器（RAM）、只读存储器（ROM）、磁盘存储介质、光学存储介质、闪存装置、以电的、光的、声的或其他的形式传播的信号（例如载波、红外信号、数字信号）等。

本技术领域技术人员可以理解，上面参照根据本发明的实施方法的方法、方法、系统以及计算机程序产品的结构图和/或框图和/或流图对本发明进行了描述。应该理解，可以用计算机程序指令来实现这些结构图和/或框图和/或流图中的每个框以及这些结构图和/或框图和/或流图中的框的组合。可以将这些计算机程序指令提供给通用计算机、专业计算机或其他可编程数据处理方法的处理器来生成机器，从而通过计算机或其他可编程数据处理方法的处理器来执行的指令创建了用于实现结构图和/或框图和/或流图的框或多个框中指定的方法。

本技术领域技术人员可以理解，这些计算机程序指令还可以被加载到计算机或其他可编程数据处理方法中，使得能够在计算机或其他可编程数据处理方法上执行一系列操作步骤，以生成计算机实现的处理，从而在计算机或其他可编程数据处理方法上执行的指令提供了用于实现结构图和/或框图和/或流图的框或多个框中指定的功能的步骤。

本技术领域技术人员可以理解，本发明中已经讨论过的各种操作、方法、流程中的步骤、措施、方案可以被交替、更改、组合或删除。进一步地，具有本发明中已经讨论过的各种操作、方法、流程中的其他步骤、措施、方案也可以被交替、更改、重排、分解、组合或删除。进一步地，现有技术中的具有与本发明中公开的各种操作、方法、流程中的步骤、措施、方案也可以被交替、更改、重排、分解、组合或删除。

附图和说明书中公开了本发明的示例性实施方法。尽管采用了特定术语，但是它们仅用于一般以及描述的意义，而并不是出于限制的目的。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。本发明的保护范围应以本发明的权利要求书来限定。

Claims (22)

1.一种信息推荐方法，其特征在于，包括如下步骤：

接收用户的输入信息，并从用户的输入信息中提取当前兴趣点；

将当前兴趣点投射到预先建立的兴趣点类目体系模型中，并从兴趣点类目体系模型中查找与当前兴趣点匹配的历史兴趣点；

根据与当前兴趣点匹配的历史兴趣点所处兴趣点类目体系模型中的位置，查询与当前兴趣点相关的其他历史兴趣点；以及

将查询到的其他历史兴趣点对应的信息作为参考信息向用户推荐。

2.如权利要求1所述的信息推荐方法，其特征在于，所述预先建立兴趣点类目体系模型，包括：

从网络上保存的开放文本数据获取用户的历史数据，分析并提取所述用户的历史兴趣点；

基于提取的历史兴趣点和网络上提供的开源类目体系，建立兴趣点类目体系模型。

3.如权利要求2所述的信息推荐方法，其特征在于，所述建立兴趣点类目体系模型，进一步包括：

将历史兴趣点作为开源类目体系底层的节点；以及

以树状结构或层次结构组织历史兴趣点和开源类目体系，以建立兴趣点类目体系模型。

4.如权利要求1所述的信息推荐方法，其特征在于，所述查询与当前兴趣点相关的其他历史兴趣点，进一步包括：

根据当前兴趣点所处兴趣点类目体系模型中的节点或层次位置，查询与当前兴趣点属于同一个节点或层次的其他兴趣点。

5.如权利要求3或4所述的信息推荐方法，其特征在于，以树状结构或层次结构组织历史兴趣点和开源类目体系，进一步包括：

在所述开源类目体系中生成至少一个父类兴趣点；以及

将所述父类兴趣点所涵盖的历史兴趣点设置在所述父类兴趣点的下层，作为子类兴趣点。

6.如权利要求5所述的信息推荐方法，其特征在于，所述从用户的输入信息中提取当前兴趣点，进一步包括：

将用户在预定时间内输入的多项输入信息作为一个输入序列；

将输入序列中的每一项输入信息分类到一个或多个历史兴趣点上，并确定所述输入信息与历史兴趣点对应的权值，当输入的多项输入信息均获得权值后，输入序列转变成兴趣点序列；以及

通过兴趣点序列中多项输入信息的权值对比，从兴趣点序列中提取出多项输入信息共同聚焦的当前兴趣点。

7.如权利要求6所述的信息推荐方法，其特征在于，所述通过兴趣点序列中多项输入信息的权值对比，从兴趣点序列中提取出多项输入信息共同聚焦的当前兴趣点，进一步包括：

当某两项输入信息被分类到的不同历史兴趣点分别从属于不同的父类兴趣点，且这两项输入信息具有相同的语义时，将这两项输入信息的权值进行合并，并与其他输入信息的权值进行对比。

8.如权利要求1所述的信息推荐方法，其特征在于，还包括：

在当前兴趣点投射到兴趣点类目体系模型后，未检测到匹配的历史兴趣点时，兴趣点类目体系模型比较当前兴趣点和历史兴趣点：

当判断出当前兴趣点和历史兴趣点相似时，则查询与当前兴趣点相关的其他历史兴趣点，并将其他历史兴趣点对应的信息作为参考信息向用户推荐；或

当判断出当前兴趣点和历史兴趣点不相似时，则向用户发出兴趣点是否转移的询问信息，并检测用户的反馈信息。

9.如权利要求8所述的信息推荐方法，其特征在于，所述检测用户的反馈信息，包括：

当检测到的反馈信息指示兴趣点未发生转移时，则查询与当前兴趣点相关的其他历史兴趣点，并将其他历史兴趣点对应的信息作为参考信息向用户推荐；或

当检测到的反馈信息指示兴趣点发生转移时，则将当前兴趣点存储在兴趣点类目体系模型中，作为一个新的父类兴趣点。

10.如权利要求1所述的信息推荐方法，其特征在于，所述开放文本数据，包括如下一种或多种内容：

用户搜索或查询时输入的字符串、用户浏览的URL历史记录、短信内容、Email内容、Blog内容、用户所安装的App和用户所发表评论。

11.如权利要求1所述的信息推荐方法，其特征在于，所述兴趣点类目体系模型的组成，包括如下一种或多种内容：

时间元素、兴趣点位置元素、权值元素。

12.一种信息推荐装置，其特征在于，包括：

当前兴趣点提取模块，用于接收用户的输入信息，并从用户的输入信息中提取当前兴趣点；

投射模块，用于将所述当前兴趣点提取模块提取的当前兴趣点投射到预先建立的兴趣点类目体系模型中，并从兴趣点类目体系模型中查找与当前兴趣点匹配的历史兴趣点；

查询模块，用于根据与当前兴趣点匹配的历史兴趣点所处兴趣点类目体系模型中的位置，查询与当前兴趣点相关的其他历史兴趣点；以及

参考信息推荐模块，用于将查询到的其他历史兴趣点对应的信息作为参考信息向用户推荐。

13.如权利要求12所述的信息推荐装置，其特征在于，还包括：

历史兴趣点提取模块，用于从网络上保存的开放文本数据获取用户的历史数据，分析并提取所述用户的历史兴趣点；

兴趣点类目体系模块，用于基于所述历史兴趣点提取模块提取的历史兴趣点和网络上提供的开源类目体系，建立兴趣点类目体系模型。

14.如权利要求13所述的信息推荐装置，其特征在于，所述兴趣点类目体系模块进一步用于：

将历史兴趣点作为开源类目体系底层的节点；以及

以树状结构或层次结构组织历史兴趣点和开源类目体系，以建立兴趣点类目体系模型。

15.如权利要求14所述的信息推荐装置，其特征在于，所述查询模块进一步用于：

根据当前兴趣点所处兴趣点类目体系模型中的节点或层次位置，查询与当前兴趣点属于同一个节点或层次的其他兴趣点。

16.如权利要求14或15所述的信息推荐装置，其特征在于，所述兴趣点类目体系模块进一步用于：

在所述开源类目体系中生成至少一个父类兴趣点；以及

将所述父类兴趣点所涵盖的历史兴趣点设置在所述父类兴趣点的下层，作为子类兴趣点。

17.如权利要求16所述的信息推荐装置，其特征在于，所述当前兴趣点提取模块进一步用于：

将用户在预定时间内输入的多项输入信息作为一个输入序列；

将输入序列中的每一项输入信息分类到一个或多个历史兴趣点上，并确定所述输入信息与历史兴趣点对应的权值，当输入的多项输入信息均获得权值后，输入序列转变成兴趣点序列；以及

通过兴趣点序列中多项输入信息的权值对比，从兴趣点序列中提取出多项输入信息共同聚焦的当前兴趣点。

18.如权利要求17所述的信息推荐装置，其特征在于，所述当前兴趣点提取模块进一步用于：

当某两项输入信息被分类到的不同历史兴趣点分别从属于不同的父类兴趣点，且这两项输入信息具有相同的语义时，将这两项输入信息的权值进行合并，并与其他输入信息的权值进行对比。

19.如权利要求13所述的信息推荐装置，其特征在于，所述参考信息推荐模块还用于：

在当前兴趣点投射到兴趣点类目体系模型后，未检测到匹配的历史兴趣点时，兴趣点类目体系模型比较当前兴趣点和历史兴趣点：

当判断出当前兴趣点和历史兴趣点相似时，则查询与当前兴趣点相关的其他历史兴趣点，并将其他历史兴趣点对应的信息作为参考信息向用户推荐；或

当判断出当前兴趣点和历史兴趣点不相似时，则向用户发出兴趣点是否转移的询问信息，并检测用户的反馈信息。

20.如权利要求19所述的信息推荐装置，其特征在于，所述参考信息推荐模块还用于：

当检测到的反馈信息指示兴趣点未发生转移时，则查询与当前兴趣点相关的其他历史兴趣点，并将其他历史兴趣点对应的信息作为参考信息向用户推荐；或

当检测到的反馈信息指示兴趣点发生转移时，则将当前兴趣点存储在兴趣点类目体系模型中，作为一个新的父类兴趣点。

21.如权利要求13所述的信息推荐装置，其特征在于，所述开放文本数据，包括如下一种或多种内容：

用户搜索或查询时输入的字符串、用户浏览的URL历史记录、短信内容、Email内容、Blog内容、用户所安装的App和用户所发表评论。

22.如权利要求13所述的信息推荐装置，其特征在于，所述兴趣点类目体系模型的组成，包括：

时间元素、兴趣点位置元素、权值元素。