CN104102648A - 基于用户行为数据的兴趣推荐方法及装置 - Google Patents
基于用户行为数据的兴趣推荐方法及装置 Download PDFInfo
- Publication number
- CN104102648A CN104102648A CN201310117670.7A CN201310117670A CN104102648A CN 104102648 A CN104102648 A CN 104102648A CN 201310117670 A CN201310117670 A CN 201310117670A CN 104102648 A CN104102648 A CN 104102648A
- Authority
- CN
- China
- Prior art keywords
- interest
- category
- unit interval
- interval section
- designated user
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 52
- 230000003542 behavioural effect Effects 0.000 claims description 65
- 239000000470 constituent Substances 0.000 claims description 8
- 238000010606 normalization Methods 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 5
- 238000013481 data capture Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 6
- 238000013507 mapping Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 241001269238 Data Species 0.000 description 1
- 239000002360 explosive Substances 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9535—Search customisation based on user profiles and personalisation
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明提供一种行为数据基于用户行为数据的兴趣推荐方法及装置。所述方法包括:预先设定包括多种兴趣类别的兴趣类别集合,以及与k个连续的单位时间段中的每个单位时间段分别对应的时间衰减因子,其中,k为自然数;根据指定用户在k个连续的单位时间段内的行为数据获得该指定用户在每个单位时间段内对各兴趣类别的第一兴趣权重值;将该指定用户在每个单位时间段内对各兴趣类别的第一兴趣权重值按照其对应的时间衰减因子进行衰减,获得该指定用户在该k个连续的单位时间段内对各兴趣类别的兴趣特征权重值;以及根据各兴趣类别的兴趣特征权重值,向该指定用户进行兴趣推荐。本发明可以有效的提高用户兴趣特征的准确性。
Description
技术领域
本发明涉及计算机网络技术领域,特别涉及一种基于用户行为数据的兴趣推荐方法及装置。
背景技术
随着计算机技术及网络技术的飞速发展,网络信息成爆炸性增长,一方面满足了用户对信息量的需求,另一方面也产生了一些问题,比如资源分散,检索集中,对于所有用户提供的信息都是相同的。对于普通用户来说,“信息迷航”和“信息过载”已经成为日益严重的问题。解决这些问题的关键在于将网络从被动接受用户的请求转化为主动感知用户的信息需求,实现对用户的个性化主动信息服务。
为了实现个性化主动信息服务,首先需要了解用户的兴趣,刻画用户的兴趣特征与用户之间的关系。现有的技术,一部分是通过要求用户主动标注自己的兴趣来作为用户的兴趣特征,另一部分则是简单的将用户对兴趣特征的浏览次数进行叠加后得到用户的兴趣特征权重值。但是,用户主动标注的方式往往需要用户进行额外的操作,用户认可度不高,能够获得的数据也很少;简单通过浏览次数计算用户兴趣权重值的方法,没有考虑到用户浏览次数所反应出的用户兴趣随时间的衰减性,因此所得到的用户兴趣特征不够准确。
发明内容
本发明的目的在于,提供一种更准确的基于用户行为数据的兴趣推荐方法及装置。
本发明实施方式提供一种基于用户行为数据的兴趣推荐方法,包括:
预先设定包括多种兴趣类别的兴趣类别集合,以及与k个连续的单位时间段中的每个单位时间段分别对应的时间衰减因子,其中,k为自然数;根据指定用户在k个连续的单位时间段内的行为数据获得该指定用户在每个单位时间段内对各兴趣类别的第一兴趣权重值;将该指定用户在每个单位时间段内对各兴趣类别的第一兴趣权重值按照其对应的时间衰减因子进行衰减,获得该指定用户在该k个连续的单位时间段内对各兴趣类别的兴趣特征权重值;以及根据各兴趣类别的兴趣特征权重值,向该指定用户进行兴趣推荐。
一种基于用户行为数据的兴趣推荐装置,包括:兴趣类别及时间衰减因子设定模块,用于预先设定包括多种兴趣类别的兴趣类别集合,以及与k个连续的单位时间段中的每个单位时间段分别对应的时间衰减因子,其中,k为自然数;第一兴趣权重值计算模块,用于根据指定用户在k个连续的单位时间段内的行为数据获得该指定用户在每个单位时间段内对各兴趣类别的第一兴趣权重值;兴趣特征权重值计算模块,用于将该指定用户在每个单位时间段内对各兴趣类别的第一兴趣权重值按照其对应的时间衰减因子进行衰减,获得该指定用户在该k个连续的单位时间段内对各兴趣类别的兴趣特征权重值;以及推荐模块,用于根据各兴趣类别的兴趣特征权重值,向该指定用户进行兴趣推荐。
与现有技术相比,本发明实施例通过预先设定不同时间段对应的时间衰减因子,将根据用户的行为数据得到的不同时间段的用户兴趣权重值根据其对应的时间衰减因子进行衰减,再累加不同时间段的计算结果作为该指定用户对不同兴趣类别的兴趣特征权重值,综合考虑了用户行为数据所反映出的用户兴趣特征以及用户兴趣特征随时间的衰减性,所得到的用户兴趣特征权重值更加符合实际情况、更加准确。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍。
图1是本发明第一实施例提供的一种基于用户行为数据的兴趣推荐方法的流程图。
图2是本发明第二实施例提供的一种基于用户行为数据的兴趣推荐方法的流程图。
图3是本发明第三实施例提供的一种基于用户行为数据的兴趣推荐方法的流程图。
图4是本发明第四实施例提供的一种基于用户行为数据的兴趣推荐装置的结构图。
图5是本发明第五实施例提供的一种基于用户行为数据的兴趣推荐装置的结构图。
图6是本发明第六实施例提供的一种基于用户行为数据的兴趣推荐装置的结构图。
具体实施方式
为更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对依据本发明提出的基于用户行为数据的兴趣推荐方法及装置其具体实施方式、方法、步骤、结构、特征及其功效,详细说明如下。
有关本发明的前述及其他技术内容、特点及功效,在以下配合参考图式的较佳实施例的详细说明中将可清楚呈现。通过具体实施方式的说明,当可对本发明为达成预定目的所采取的技术手段及功效得以更加深入且具体的了解,然而所附图式仅是提供参考与说明之用,并非用来对本发明加以限制。第一实施例
参考图1,图1是本发明第一实施例提供的一种基于用户行为数据的兴趣推荐方法的流程图。于本实施例中,基于用户行为数据的兴趣推荐方法包括:
步骤S11:预先设定包括多种兴趣类别的兴趣类别集合,以及与k个连续的单位时间段中的每个单位时间段分别对应的时间衰减因子,其中,k为自然数;
步骤S12:根据指定用户在k个连续的单位时间段内的行为数据获得该指定用户在每个单位时间段内对各兴趣类别的第一兴趣权重值;
步骤S13:将该指定用户在每个单位时间段内对各兴趣类别的第一兴趣权重值按照其对应的时间衰减因子进行衰减,获得该指定用户在该k个连续的单位时间段内对各兴趣类别的兴趣特征权重值;以及
步骤S14:根据各兴趣类别的兴趣特征权重值,向该指定用户进行兴趣推荐。
相对于现有技术,本发明实施例通过预先设定不同时间段对应的时间衰减因子,将根据用户的行为数据得到的不同时间段的用户兴趣权重值根据其对应的时间衰减因子进行衰减,再累加不同时间段的计算结果作为该指定用户对不同兴趣类别的兴趣特征权重值,综合考虑了用户行为数据所反映出的用户兴趣特征以及用户兴趣特征随时间的衰减性,所得到的用户兴趣特征权重值更加符合实际情况、更加准确。
第二实施例
参考图2,图2是本发明第二实施例提供的一种基于用户行为数据的兴趣推荐方法的流程图。于本实施例中,基于用户行为数据的兴趣推荐方法包括:
步骤S21,预先设定包括多种兴趣类别的兴趣类别集合,以及与k个连续的单位时间段中的每个单位时间段分别对应的时间衰减因子,其中,k为自然数。
于此步骤中,首先设定兴趣类别集合(或称为兴趣类别体系),该兴趣类别集合中包括多种兴趣类别。该多种兴趣类别可以具有多个层次结构,例如,可以为表一所示的兴趣类别层次结构。
表一
一级兴趣 | 二级兴趣 |
小说类 | 穿越,言情,都市..... |
游戏类 | 休闲,单机,网游.... |
服饰类 | 女装,男装,儿童装... |
... | ... |
当需要给用户进行个性化推荐是(比如电商、团购、旅游、广告等),该兴趣类别集合就可以作为兴趣类别的基准结合用户的兴趣特征向用户进行定向推荐。当然,具体的兴趣类别集合的形式及结构可以根据具体的需求进行设置,本发明具体实施方式并不以此为限。
于此步骤中,还预先设定了与k个连续的单位时间段中的每个单位时间段分别对应的时间衰减因子,k为自然数。该单位时间段可以为1天,也可以为1小时,具体的可以根据实际情况进行设定,本发明具体实施方式并不以此为限。时间衰减因子用于描述用户的行为数据所反映出的用户兴趣特征随时间的衰减性。于本发明实施例中,与k个连续的单位时间段中的每个单位时间段分别对应的时间衰减因子可以通过e-ai来计算。其中,a为可调节因子且a>0,i为每个时间衰减因子所对应的单位时间段与当前单位时间段之间所间隔的单位时间段的个数。假设该单位时间段为1天,若该时间衰减因子对应的是当天所发生的用户行为数据,则i=0;若对应的是前一天所发生的用户行为数据,则i=1;若对应的是前两天所发生的用户行为数据,则i=2;以此类推。
步骤S22,获取指定用户在k个连续的单位时间段内的行为数据,并根据该指定用户的行为数据,获取该指定用户在每个单位时间段内对各兴趣类别的浏览量Apv以及该指定用户在每个单位时间段内对该些兴趣类别的浏览总量λpv,并根据该指定用户在每个单位时间段内对各兴趣类别的浏览量Apv以及对该些兴趣类别的浏览总量λpv,计算该指定用户在每个单位时间段内对各兴趣类别的第一兴趣权重值。
用户行为数据可以为用户在使用某种网络应用产品时所产生的行为数据,例如,可以包括用户在使用网络搜索产品时所产生的搜索行为数据、用户在进行URL访问时所产生的访问行为数据,或者用户在使用网络购物产品时所产生的购物行为数据等。
具体的行为数据可以由具体产品所对应的服务器日志中获取,例如用户的搜索行为数据可以由搜索服务器的日志中获取。搜索行为数据中主要包括用户的搜索词、搜索动作发生的时间、次数等信息。根据用户的搜索行为数据可以提取出该用户的搜索词,通过对搜索词进行主题词提取、语义分类等处理后,计算该用户的搜索词与兴趣类别集合中的各兴趣类别之间的相似度值,然后根据计算所得的相似度值的大小将该用户的搜索词归类在最准确的兴趣类别中,形成用户搜索词与兴趣类别的映射关系。其他行为数据也可以依照上述方法建立与兴趣类别的映射关系,例如可以根据URL访问行为数据建立URL访问信息与兴趣类别之间的映射关系等,这里不再一一赘述。
根据这种映射关系、再结合用户的行为数据中的行为发生的时间、次数等信息就可以得到该用户在每个单位时间段内对各兴趣类别的浏览量(也就是PV量)Apv,同理,也可以得到该用户在每个单位时间段内对该些兴趣类别的浏览总量(也就是PV总量)λpv。以单位时间段为1提案为例,假设用户甲在1天内对兴趣类别a的浏览量为2次、对兴趣类别b的浏览量为1次、对兴趣类别c的浏览量为5次,就可以记为用户甲在该天对兴趣类别a的Apv=2、对兴趣类别b的Apv=1、对兴趣类别c的Apv=5。如果用户甲在该天仅浏览的兴趣类别a、b、c,那么用户甲在该天对其他兴趣类别的Apv均记为0,相应的,用户甲在该天的λpv=1+2+5=8。
根据该指定用户在每个单位时间段内对各兴趣类别的浏览量Apv以及对该些兴趣类别的浏览总量λpv可以计算出该指定用户在每个单位时间段内对各兴趣类别的第一兴趣权重值。具体的,该指定用户在每个单位时间段内对各兴趣类别的第一兴趣权重值为该指定用户在每个单位时间段内对各兴趣类别的浏览量Apv与该指定用户在每个单位时间段内对该些兴趣类别的浏览总量λpv的比值,也就是Apv/λpv。以上述用户甲为例,用户甲在该天对兴趣类别a的第一兴趣权重值为2/8、对兴趣类别b的第一兴趣权重值为1/8、对兴趣类别c的第一兴趣权重值为5/8。
步骤S23,将该指定用户在每个单位时间段内对各兴趣类别的第一兴趣权重值按照其对应的时间衰减因子进行衰减,获得该指定用户在每个单位时间段内对各兴趣类别的第二兴趣权重值。
具体的,该指定用户在每个单位时间段内对各兴趣类别的第二兴趣权重值,可以通过将该指定用户在每个单位时间段内对各兴趣类别的第一兴趣权重值Apv/λpv乘以其对应的时间衰减因子e-ai计算得到。由于用户的行为数据发生的时间距离当前时间越久,对应的时间衰减因子e-ai的值越小,而用户的行为数据发生的时间距离当前时间越近,对应的时间衰减因子e-ai的值越大,因此,将该指定用户在每个单位时间段内对各兴趣类别的第一兴趣权重值按照其对应的时间衰减因子进行衰减,相当于将距离当前时间久的用户兴趣权重弱化,而将距离当前时间短的用户兴趣权重加强,也就是将用户兴趣随时间的缓慢变化也加入了兴趣权重的计算过程。
步骤S24,将该k个连续的单位时间段所分别对应的该指定用户对各兴趣类别的第二兴趣权重值进行加总,获得该指定用户在该k个连续的单位时间段内对各兴趣类别的兴趣特征权重值。
最后,通过将该k个连续的单位时间段所分别对应的该指定用户对各兴趣类别的第二兴趣权重值进行加总,即可得到该指定用户在该k个连续的单位时间段内对各兴趣类别的兴趣特征权重值。
步骤S26:根据各兴趣类别的兴趣特征权重值,向该指定用户进行兴趣推荐。
进一步,为了使得不同兴趣类别间的兴趣特征权重值可比,于步骤S26之前还可以包括步骤S25:对该指定用户在该k个连续的单位时间段内对各兴趣类别的兴趣特征权重值进行归一化。
进一步的,还可以对归一化后的兴趣特征权重值进行排序,从中选取一个或多个兴趣类别,作为后续个性化推荐的基础。
相对于现有技术,本发明实施例通过预先设定不同时间段对应的时间衰减因子,将根据用户的行为数据得到的不同时间段的用户兴趣权重值根据其对应的时间衰减因子进行衰减,再累加不同时间段的计算结果作为该指定用户对不同兴趣类别的兴趣特征权重值,综合考虑了用户行为数据所反映出的用户兴趣特征以及用户兴趣特征随时间的衰减性,所得到的用户兴趣特征权重值更加符合实际情况、更加准确。
第三实施例
参考图3,图3是本发明第三实施例提供的一种基于用户行为数据的兴趣推荐方法的流程图。于本实施例中,基于用户行为数据的兴趣推荐方法包括:
步骤S31,预先设定包括多种兴趣类别的兴趣类别集合,以及与k个连续的单位时间段中的每个单位时间段分别对应的时间衰减因子,其中,k为自然数。
该步骤具体可以参考第一实施例中的相应步骤,这里不再赘述。
步骤S32,获取指定用户在k个连续的单位时间段内的行为数据,并根据该指定用户的行为数据,获取该指定用户在每个单位时间段内对各兴趣类别的浏览量Apv以及该指定用户在每个单位时间段内对该些兴趣类别的浏览总量λpv,并根据该指定用户在每个单位时间段内对各兴趣类别的浏览量Apv以及对该些兴趣类别的浏览总量λpv,计算该指定用户在每个单位时间段内对各兴趣类别的第一兴趣权重值。
该步骤具体可以参考第一实施例中的相应步骤,这里不再赘述。
于本实施例中,所述方法进一步包括:
步骤S331:获取包括该指定用户在内的多个用户在各单位时间段内的行为数据,并根据该多个用户的行为数据,获取在每个单位时间段内各兴趣类别所对应的人均浏览量Aavg;以及
步骤S332:判断该指定用户在每个单位时间段内对各兴趣类别的浏览分量Apv是否大于或等于在对应的单位时间段内各对应的兴趣类别所对应的人均浏览量Aavg,如果是,则设定兴趣冷热度因子否则,设定兴趣冷热度因子
其中,包括该指定用户在内的多个用户可以为每个单位时间段内的在使用同一网络产品的所有用户(也可以称为大盘用户)。不同兴趣类别的冷热程度不一样,通过计算所有用户在单位时间段对各兴趣类别的人均浏览量Aavg,可以反映出各兴趣类别的整体冷热程度,也就是大盘的活跃程度。
继续以上述用户甲为例,用户甲在该天对兴趣类别a的Apv=2、对兴趣类别c的Apv=5。假设该天大盘用户对兴趣类别a的Aavg=1、对兴趣类别c的Aavg=10。相对于大盘用户来说,兴趣类别c是热点兴趣,但是兴趣类别a是非热点兴趣,可是,相对于用户甲来说,用户甲对兴趣类别a的兴趣高于大盘用户平均的平均水平,因此,通过分段设定兴趣冷热度因子C可以对这种情况进行平衡,从而避免忽略掉大盘活跃度较低的兴趣类别。
步骤S34,将该指定用户在每个单位时间段内对各兴趣类别的第一兴趣权重值按照其对应的时间衰减因子进行衰减。
该步骤具体可以参考第一实施例中的相应步骤,这里不再赘述。
步骤S35:将衰减后的该些第一兴趣权重值分别通过其对应的兴趣冷热度因子C进行处理,获得该指定用户在每个单位时间段内对各兴趣类别的该第二兴趣权重值。
步骤S37:根据各兴趣类别的兴趣特征权重值,向该指定用户进行兴趣推荐。
进一步的,为了使得不同兴趣类别间的兴趣特征权重值可比,于步骤S37前还可以包括步骤S36:对该指定用户在该k个连续的单位时间段内对各兴趣类别的兴趣特征权重值进行归一化。
进一步的,还可以对归一化后的兴趣特征权重值进行排序,从中选取一个或多个兴趣类别,作为后续个性化推荐的基础。
相对于现有技术,本发明实施例通过预先设定不同时间段对应的时间衰减因子,将根据用户的行为数据得到的不同时间段的用户兴趣权重值根据其对应的时间衰减因子进行衰减,并将将衰减后的该些第一兴趣权重值分别通过其对应的兴趣冷热度因子C进行处理,再累加不同时间段的计算结果作为该指定用户对不同兴趣类别的兴趣特征权重值,综合考虑了用户行为数据所反映出的用户兴趣特征、用户兴趣特征随时间的衰减性以及兴趣类别的冷热程度,所得到的用户兴趣特征权重值更加符合实际情况、更加准确。
第四实施例
请参考图4,图4是本发明第四实施例提供的一种基于用户行为数据的兴趣推荐装置的结构图。于本实施例中,基于用户行为数据的兴趣推荐装置40可以用于实现第一实施例中的基于用户行为数据的兴趣推荐方法。该装置40包括:兴趣类别及时间衰减因子设定模块41、第一兴趣权重值计算模块42、兴趣特征权重值计算模块43、以及推荐模块44。所述行为数据包括搜索行为数据、URL访问行为数据或购物行为数据。
其中,兴趣类别及时间衰减因子设定模块41用于预先设定包括多种兴趣类别的兴趣类别集合,以及与k个连续的单位时间段中的每个单位时间段分别对应的时间衰减因子,其中,k为自然数。第一兴趣权重值计算模块42用于根据指定用户在k个连续的单位时间段内的行为数据获得该指定用户在每个单位时间段内对各兴趣类别的第一兴趣权重值。兴趣特征权重值计算模块43用于将该指定用户在每个单位时间段内对各兴趣类别的第一兴趣权重值按照其对应的时间衰减因子进行衰减,获得该指定用户在该k个连续的单位时间段内对各兴趣类别的兴趣特征权重值。推荐模块44,用于根据各兴趣类别的兴趣特征权重值,向该指定用户进行兴趣推荐。
相对于现有技术,本发明实施例通过预先设定不同时间段对应的时间衰减因子,将根据用户的行为数据得到的不同时间段的用户兴趣权重值根据其对应的时间衰减因子进行衰减,再累加不同时间段的计算结果作为该指定用户对不同兴趣类别的兴趣特征权重值,综合考虑了用户行为数据所反映出的用户兴趣特征以及用户兴趣特征随时间的衰减性,所得到的用户兴趣特征权重值更加符合实际情况、更加准确。
第五实施例
参考图5,图5是本发明第五实施例提供的一种基于用户行为数据的兴趣推荐装置的结构图。于本实施例中,基于用户行为数据的兴趣推荐装置50可以用于实现第二实施例中的基于用户行为数据的兴趣推荐方法。该装置50包括:兴趣类别及时间衰减因子设定模块51、第一兴趣权重值计算模块52、兴趣特征权重值计算模块53、以及推荐模块54。所述行为数据包括搜索行为数据、URL访问行为数据或购物行为数据。
其中,兴趣类别及时间衰减因子设定模块51用于预先设定包括多种兴趣类别的兴趣类别集合,以及与k个连续的单位时间段中的每个单位时间段分别对应的时间衰减因子,其中,k为自然数。第一兴趣权重值计算模块52用于根据指定用户在k个连续的单位时间段内的行为数据获得该指定用户在每个单位时间段内对各兴趣类别的第一兴趣权重值。兴趣特征权重值计算模块53用于将该指定用户在每个单位时间段内对各兴趣类别的第一兴趣权重值按照其对应的时间衰减因子进行衰减,获得该指定用户在该k个连续的单位时间段内对各兴趣类别的兴趣特征权重值。推荐模块54,用于根据各兴趣类别的兴趣特征权重值,向该指定用户进行兴趣推荐。
于本发明实施例中,与k个连续的单位时间段中的每个单位时间段分别对应的时间衰减因子为e-ai,其中,a为可调节因子且a>0,i为每个时间衰减因子所对应的单位时间段与当前单位时间段之间所间隔的单位时间段的个数。
于本实施例中,该第一兴趣权重值计算模块52包括:行为数据获取单元521,用于获取指定用户在k个连续的单位时间段内的行为数据;第一处理单元522,用于根据该指定用户的行为数据,获取该指定用户在每个单位时间段内对各兴趣类别的浏览量Apv以及该指定用户在每个单位时间段内对该些兴趣类别的浏览总量λpv;以及第二处理单元523,用于根据该指定用户在每个单位时间段内对各兴趣类别的浏览量Apv以及对该些兴趣类别的浏览总量λpv计算该指定用户在每个单位时间段内对各兴趣类别的第一兴趣权重值。
于本实施例中,该兴趣特征权重值计算模块53包括:第一衰减单元531,用于将该指定用户在每个单位时间段内对各兴趣类别的第一兴趣权重值按照其对应的时间衰减因子进行衰减,获得该指定用户在每个单位时间段内对各兴趣类别的第二兴趣权重值;以及兴趣特征权重值计算单元532,用于将该k个连续的单位时间段所分别对应的该指定用户对各兴趣类别的第二兴趣权重值进行加总,获得该指定用户在该k个连续的单位时间段内对各兴趣类别的兴趣特征权重值。
进一步的,该兴趣特征权重值计算模块53还可以包括归一化单元533,用于对该指定用户在该k个连续的单位时间段内对各兴趣类别的兴趣特征权重值进行归一化。
相对于现有技术,本发明实施例通过预先设定不同时间段对应的时间衰减因子,将根据用户的行为数据得到的不同时间段的用户兴趣权重值根据其对应的时间衰减因子进行衰减,再累加不同时间段的计算结果作为该指定用户对不同兴趣类别的兴趣特征权重值,综合考虑了用户行为数据所反映出的用户兴趣特征以及用户兴趣特征随时间的衰减性,所得到的用户兴趣特征权重值更加符合实际情况、更加准确。
第六实施例
参考图6,图6是本发明第六实施例提供的一种基于用户行为数据的兴趣推荐装置的结构图。于本实施例中,基于用户行为数据的兴趣推荐装置60可以用于实现第三实施例中的基于用户行为数据的兴趣推荐方法。该装置60包括:兴趣类别及时间衰减因子设定模块61、第一兴趣权重值计算模块62、兴趣冷热度因子计算模块63、兴趣特征权重值计算模块64、以及推荐模块65。所述行为数据包括搜索行为数据、URL访问行为数据或购物行为数据。
其中,兴趣类别及时间衰减因子设定模块61用于预先设定包括多种兴趣类别的兴趣类别集合,以及与k个连续的单位时间段中的每个单位时间段分别对应的时间衰减因子,其中,k为自然数。于本发明实施例中,与k个连续的单位时间段中的每个单位时间段分别对应的时间衰减因子为e-ai,其中,a为可调节因子且a>0,i为每个时间衰减因子所对应的单位时间段与当前单位时间段之间所间隔的单位时间段的个数。
第一兴趣权重值计算模块62用于根据指定用户在k个连续的单位时间段内的行为数据获得该指定用户在每个单位时间段内对各兴趣类别的第一兴趣权重值。
兴趣冷热度因子计算模块63用于根据包括该指定用户在内的多个用户在各单位时间段内的行为数据,获得该指定用户在每个单位时间段内对各兴趣类别的兴趣冷热度因子C。
于本实施例中,兴趣冷热度因子计算模块63可进一步包括:数据获取单元631及兴趣冷热度因子计算单元632。
数据获取单元631,用于获取包括该指定用户在内的多个用户在各单位时间段内的行为数据,并根据该多个用户的行为数据,获取在每个单位时间段内各兴趣类别所对应的人均浏览量Aavg,以及根据该指定用户在每个单位时间段内对各兴趣类别的浏览量Apv以及在每个单位时间段内各兴趣类别所对应的人均浏览量Aavg。兴趣冷热度因子计算单元632用于计算该指定用户在每个单位时间段内对各兴趣类别的兴趣冷热度因子C。
进一步的,兴趣冷热度因子计算单元632可以包括:判断子单元6321与计算子单元6322。判断子单元与计算子单元用于判断该指定用户在每个单位时间段内对各兴趣类别的浏览量Apv是否大于或等于在对应的单位时间段内各对应的兴趣类别所对应的人均浏览量Aavg,如果是,则计算子单元6322设定否则,计算子单元6322设定
兴趣特征权重值计算模块64用于将该指定用户在每个单位时间段内对各兴趣类别的第一兴趣权重值按照其对应的时间衰减因子进行衰减,获得该指定用户在该k个连续的单位时间段内对各兴趣类别的兴趣特征权重值。
于本实施例中,该兴趣特征权重值计算模块64可包括:
第二衰减单元641,用于将该指定用户在每个单位时间段内对各兴趣类别的第一兴趣权重值按照其对应的时间衰减因子进行衰减;
第二兴趣权重值计算单元642,用于将衰减后的该些第一兴趣权重值分别通过其对应的兴趣冷热度因子C进行处理,获得该指定用户在每个单位时间段内对各兴趣类别的该第二兴趣权重值;以及
兴趣特征权重值计算单元643,用于将该k个连续的单位时间段所分别对应的该指定用户对各兴趣类别的第二兴趣权重值进行加总,获得该指定用户在该k个连续的单位时间段内对各兴趣类别的兴趣特征权重值。
进一步的,兴趣特征权重值计算模块64还可以包括归一化单元644,用于对该指定用户在该k个连续的单位时间段内对各兴趣类别的兴趣特征权重值进行归一化。
推荐单元65用于根据各兴趣类别的兴趣特征权重值,向该指定用户进行兴趣推荐。
相对于现有技术,本发明实施例通过预先设定不同时间段对应的时间衰减因子,将根据用户的行为数据得到的不同时间段的用户兴趣权重值根据其对应的时间衰减因子进行衰减,并将将衰减后的该些第一兴趣权重值分别通过其对应的兴趣冷热度因子C进行处理,再累加不同时间段的计算结果作为该指定用户对不同兴趣类别的兴趣特征权重值,综合考虑了用户行为数据所反映出的用户兴趣特征、用户兴趣特征随时间的衰减性以及兴趣类别的冷热程度,所得到的用户兴趣特征权重值更加符合实际情况、更加准确。
需要说明的是,本说明书中的各个实施例均采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似的部分互相参见即可。对于装置类实施例而言,由于其与方法实施例基本相似,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。
上述本申请实施例序号仅仅为了描述,不代表实施例的优劣。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,或者网络设备等)执行本申请各个实施例所述的方法。
以上所述仅为本发明的较佳实施例,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、改进等,均应包含在本发明的保护范围之内。
Claims (18)
1.一种基于用户行为数据的兴趣推荐方法,其特征在于,包括:
预先设定包括多种兴趣类别的兴趣类别集合,以及与k个连续的单位时间段中的每个单位时间段分别对应的时间衰减因子,其中,k为自然数;
根据指定用户在k个连续的单位时间段内的行为数据获得该指定用户在每个单位时间段内对各兴趣类别的第一兴趣权重值;
将该指定用户在每个单位时间段内对各兴趣类别的第一兴趣权重值按照其对应的时间衰减因子进行衰减,获得该指定用户在该k个连续的单位时间段内对各兴趣类别的兴趣特征权重值;以及
根据各兴趣类别的兴趣特征权重值,向该指定用户进行兴趣推荐。
2.根据权利要求1所述的方法,其特征在于,该根据指定用户在k个连续的单位时间段内的行为数据获得该指定用户在每个单位时间段内对各兴趣类别的第一兴趣权重值的步骤,包括:
获取指定用户在k个连续的单位时间段内的行为数据;
根据该指定用户的行为数据,获取该指定用户在每个单位时间段内对各兴趣类别的浏览量Apv以及该指定用户在每个单位时间段内对该些兴趣类别的浏览总量λpv;以及
根据该指定用户在每个单位时间段内对各兴趣类别的浏览量Apv以及对该些兴趣类别的浏览总量λpv计算该指定用户在每个单位时间段内对各兴趣类别的第一兴趣权重值。
3.根据权利要求1所述的方法,其特征在于,该将该指定用户在每个单位时间段内对各兴趣类别的第一兴趣权重值按照其对应的时间衰减因子进行衰减,获得该指定用户在该k个连续的单位时间段内对各兴趣类别的兴趣特征权重值的步骤,包括:
将该指定用户在每个单位时间段内对各兴趣类别的第一兴趣权重值按照其对应的时间衰减因子进行衰减,获得该指定用户在每个单位时间段内对各兴趣类别的第二兴趣权重值;以及
将该k个连续的单位时间段所分别对应的该指定用户对各兴趣类别的第二兴趣权重值进行加总,获得该指定用户在该k个连续的单位时间段内对各兴趣类别的兴趣特征权重值。
4.根据权利要求1所述的方法,其特征在于,该方法进一步包括:根据包括该指定用户在内的多个用户在各单位时间段内的行为数据,获得该指定用户在每个单位时间段内对各兴趣类别的兴趣冷热度因子C,该将该指定用户在每个单位时间段内对各兴趣类别的第一兴趣权重值按照其对应的时间衰减因子进行衰减,获得该指定用户在该k个连续的单位时间段内对各兴趣类别的兴趣特征权重值的步骤,包括:
将该指定用户在每个单位时间段内对各兴趣类别的第一兴趣权重值按照其对应的时间衰减因子进行衰减;
将衰减后的该些第一兴趣权重值分别通过其对应的兴趣冷热度因子C进行处理,获得该指定用户在每个单位时间段内对各兴趣类别的该第二兴趣权重值;以及
将该k个连续的单位时间段所分别对应的该指定用户对各兴趣类别的第二兴趣权重值进行加总,获得该指定用户在该k个连续的单位时间段内对各兴趣类别的兴趣特征权重值。
5.根据权利要求4所述的方法,其特征在于,该根据包括该指定用户在内的多个用户在各单位时间段内的行为数据,获得该指定用户在每个单位时间段内对各兴趣类别的兴趣冷热度因子C的步骤,包括:
获取包括该指定用户在内的多个用户在各单位时间段内的行为数据,并根据该多个用户的行为数据,获取在每个单位时间段内各兴趣类别所对应的人均浏览量Aavg;以及根据该指定用户在每个单位时间段内对各兴趣类别的浏览量Apv以及在每个单位时间段内各兴趣类别所对应的人均浏览量Aavg,计算该指定用户在每个单位时间段内对各兴趣类别的兴趣冷热度因子C。
6.根据权利要求5所述的方法,其特征在于,该计算该指定用户在每个单位时间段内对各兴趣类别的兴趣冷热度因子C的步骤,包括:
判断该指定用户在每个单位时间段内对各兴趣类别的浏览量Apv是否大于或等于在对应的单位时间段内各对应的兴趣类别所对应的人均浏览量Aavg,如果是,则设定 否则,设定
7.根据权利要求1至6中任一项所述的方法,其特征在于,与k个连续的单位时间段中的每个单位时间段分别对应的时间衰减因子为e-ai,其中,a为可调节因子且a>0,i为每个时间衰减因子所对应的单位时间段与当前单位时间段之间所间隔的单位时间段的个数。
8.根据权利要求1至6中任一项所述的方法,其特征在于,该根据各兴趣类别的兴趣特征权重值,向该指定用户进行兴趣推荐的步骤之前,进一步包括:
对该指定用户在该k个连续的单位时间段内对各兴趣类别的兴趣特征权重值进行归一化。
9.根据权利要求1至6中任一项所述的方法,其特征在于,所述行为数据包括搜索行为数据、URL访问行为数据或购物行为数据。
10.一种基于用户行为数据的兴趣推荐装置,其特征在于,包括:
兴趣类别及时间衰减因子设定模块,用于预先设定包括多种兴趣类别的兴趣类别集合,以及与k个连续的单位时间段中的每个单位时间段分别对应的时间衰减因子,其中,k为自然数;
第一兴趣权重值计算模块,用于根据指定用户在k个连续的单位时间段内的行为数据获得该指定用户在每个单位时间段内对各兴趣类别的第一兴趣权重值;
兴趣特征权重值计算模块,用于将该指定用户在每个单位时间段内对各兴趣类别的第一兴趣权重值按照其对应的时间衰减因子进行衰减,获得该指定用户在该k个连续的单位时间段内对各兴趣类别的兴趣特征权重值;以及
推荐模块,用于根据各兴趣类别的兴趣特征权重值,向该指定用户进行兴趣推荐。
11.根据权利要求10所述的装置,其特征在于,该第一兴趣权重值计算模块,包括:
行为数据获取单元,用于获取指定用户在k个连续的单位时间段内的行为数据;
第一处理单元,用于根据该指定用户的行为数据,获取该指定用户在每个单位时间段内对各兴趣类别的浏览量Apv以及该指定用户在每个单位时间段内对该些兴趣类别的浏览总量λpv;以及
第二处理单元,用于根据该指定用户在每个单位时间段内对各兴趣类别的浏览量Apv以及对该些兴趣类别的浏览总量λpv计算该指定用户在每个单位时间段内对各兴趣类别的第一兴趣权重值。
12.根据权利要求10所述的装置,其特征在于,该兴趣特征权重值计算模块,包括:
第一衰减单元,用于将该指定用户在每个单位时间段内对各兴趣类别的第一兴趣权重值按照其对应的时间衰减因子进行衰减,获得该指定用户在每个单位时间段内对各兴趣类别的第二兴趣权重值;以及
兴趣特征权重值计算单元,用于将该k个连续的单位时间段所分别对应的该指定用户对各兴趣类别的第二兴趣权重值进行加总,获得该指定用户在该k个连续的单位时间段内对各兴趣类别的兴趣特征权重值。
13.根据权利要求10所述的装置,其特征在于,该装置进一步包括:兴趣冷热度因子计算模块,用于根据包括该指定用户在内的多个用户在各单位时间段内的行为数据,获得该指定用户在每个单位时间段内对各兴趣类别的兴趣冷热度因子C,该兴趣特征权重值计算模块,包括:
第二衰减单元,用于将该指定用户在每个单位时间段内对各兴趣类别的第一兴趣权重值按照其对应的时间衰减因子进行衰减;
第二兴趣权重值计算单元,用于将衰减后的该些第一兴趣权重值分别通过其对应的兴趣冷热度因子C进行处理,获得该指定用户在每个单位时间段内对各兴趣类别的该第二兴趣权重值;以及
兴趣特征权重值计算单元,用于将该k个连续的单位时间段所分别对应的该指定用户对各兴趣类别的第二兴趣权重值进行加总,获得该指定用户在该k个连续的单位时间段内对各兴趣类别的兴趣特征权重值。
14.根据权利要求13所述的装置,其特征在于,该兴趣冷热度因子计算模块,包括:
数据获取单元,用于获取包括该指定用户在内的多个用户在各单位时间段内的行为数据,并根据该多个用户的行为数据,获取在每个单位时间段内各兴趣类别所对应的人均浏览量Aavg,以及根据该指定用户在每个单位时间段内对各兴趣类别的浏览量Apv以及在每个单位时间段内各兴趣类别所对应的人均浏览量Aavg;
兴趣冷热度因子计算单元,用于计算该指定用户在每个单位时间段内对各兴趣类别的兴趣冷热度因子C。
15.根据权利要求14所述的装置,其特征在于,该兴趣冷热度因子计算单元,包括:判断子单元与计算子单元,该判断子单元用于判断该指定用户在每个单位时间段内对各兴趣类别的浏览量Apv是否大于或等于在对应的单位时间段内各对应的兴趣类别所对应的人均浏览量Aavg,如果是,则该计算子单元设定否则,该计算子单元设定
16.根据权利要求10至15中任一项所述的装置,其特征在于,与k个连续的单位时间段中的每个单位时间段分别对应的时间衰减因子为e-ai,其中,a为可调节因子且a>0,i为每个时间衰减因子所对应的单位时间段与当前单位时间段之间所间隔的单位时间段的个数。
17.根据权利要求10至15中任一项所述的装置,其特征在于,该装置进一步包括:
归一化单元,用于对该指定用户在该k个连续的单位时间段内对各兴趣类别的兴趣特征权重值进行归一化。
18.根据权利要求10至15中任一项所述的装置,其特征在于,所述行为数据包括搜索行为数据、URL访问行为数据或购物行为数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310117670.7A CN104102648B (zh) | 2013-04-07 | 2013-04-07 | 基于用户行为数据的兴趣推荐方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310117670.7A CN104102648B (zh) | 2013-04-07 | 2013-04-07 | 基于用户行为数据的兴趣推荐方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104102648A true CN104102648A (zh) | 2014-10-15 |
CN104102648B CN104102648B (zh) | 2017-12-01 |
Family
ID=51670807
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310117670.7A Active CN104102648B (zh) | 2013-04-07 | 2013-04-07 | 基于用户行为数据的兴趣推荐方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104102648B (zh) |
Cited By (27)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104503980A (zh) * | 2014-11-26 | 2015-04-08 | 百度在线网络技术(北京)有限公司 | 确定综合搜索信息以及据此确定待推送候选搜索序列 |
CN104615775A (zh) * | 2015-02-26 | 2015-05-13 | 北京奇艺世纪科技有限公司 | 一种用户推荐方法及装置 |
CN104933134A (zh) * | 2015-06-12 | 2015-09-23 | 海信集团有限公司 | 一种用户特征的分析方法及装置 |
CN104991917A (zh) * | 2015-06-23 | 2015-10-21 | 上海斐讯数据通信技术有限公司 | 广告个性化推送系统及方法 |
CN105183904A (zh) * | 2015-09-30 | 2015-12-23 | 北京金山安全软件有限公司 | 一种信息推送方法、装置及电子设备 |
CN105930507A (zh) * | 2016-05-10 | 2016-09-07 | 腾讯科技(深圳)有限公司 | 一种获得用户的Web浏览兴趣的方法及装置 |
CN106202094A (zh) * | 2015-05-05 | 2016-12-07 | 中国移动通信集团公司 | 一种吸引力指数信息的确定方法和装置 |
CN106354818A (zh) * | 2016-08-30 | 2017-01-25 | 电子科技大学 | 基于社交媒体的动态用户属性提取方法 |
CN106372128A (zh) * | 2016-08-24 | 2017-02-01 | 南方科技大学 | 一种数据处理方法和装置 |
CN106528608A (zh) * | 2016-09-27 | 2017-03-22 | 中国电力科学研究院 | 一种云架构下的电网gis数据冷热存储方法和系统 |
CN106844653A (zh) * | 2017-01-20 | 2017-06-13 | 上海幻电信息科技有限公司 | 一种媒体数据推荐方法及系统 |
WO2017101413A1 (zh) * | 2015-12-15 | 2017-06-22 | 乐视控股(北京)有限公司 | 一种信息推送方法及信息推送装置 |
CN107169037A (zh) * | 2017-04-20 | 2017-09-15 | 河海大学 | 一种结合时序化动态建模和情感语义的个性化搜索方法 |
CN107368488A (zh) * | 2016-05-12 | 2017-11-21 | 阿里巴巴集团控股有限公司 | 一种确定用户行为偏好的方法、推荐信息的展示方法和装置 |
CN107532920A (zh) * | 2015-04-15 | 2018-01-02 | 通腾导航技术股份有限公司 | 获得兴趣点数据的方法 |
CN107665202A (zh) * | 2016-07-27 | 2018-02-06 | 北京金山安全软件有限公司 | 一种构建兴趣模型的方法、装置及电子设备 |
CN108021673A (zh) * | 2017-12-06 | 2018-05-11 | 北京拉勾科技有限公司 | 一种用户兴趣模型生成方法、职位推荐方法及计算设备 |
CN108133036A (zh) * | 2018-01-09 | 2018-06-08 | 北京奇艺世纪科技有限公司 | 一种用户兴趣点的权重值确定方法、装置及电子设备 |
CN108304399A (zh) * | 2017-01-12 | 2018-07-20 | 武汉斗鱼网络科技有限公司 | 网络内容的推荐方法及装置 |
CN108363730A (zh) * | 2018-01-12 | 2018-08-03 | 优地网络有限公司 | 一种内容推荐方法、系统及终端设备 |
CN108846055A (zh) * | 2018-05-31 | 2018-11-20 | 北京五八信息技术有限公司 | 搜索处理方法、装置、电子设备及可读存储介质 |
CN108920596A (zh) * | 2018-06-27 | 2018-11-30 | 广东亿迅科技有限公司 | 一种个性化推荐算法及终端 |
CN109934461A (zh) * | 2019-02-15 | 2019-06-25 | 北京创鑫旅程网络技术有限公司 | 知识社区用户贡献能力计算方法及装置 |
CN109978642A (zh) * | 2017-12-27 | 2019-07-05 | 中移(杭州)信息技术有限公司 | 一种信息推荐方法、装置和通信设备 |
WO2020000207A1 (zh) * | 2018-06-26 | 2020-01-02 | 深圳市爱的网络科技有限公司 | 用户兴趣采集方法、装置、计算机装置及计算机可读存储介质 |
CN113806568A (zh) * | 2021-08-10 | 2021-12-17 | 中国人民大学 | 多媒体资源推荐方法、装置、电子设备及存储介质 |
CN114048392A (zh) * | 2022-01-13 | 2022-02-15 | 北京达佳互联信息技术有限公司 | 多媒体资源推送方法、装置、电子设备及存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101707626A (zh) * | 2009-11-09 | 2010-05-12 | 南京邮电大学 | 一种对等网络中基于域的推荐信任集成方法 |
CN102263992A (zh) * | 2011-08-08 | 2011-11-30 | 上海文广互动电视有限公司 | 基于用户收视记录的节目推荐度估计方法 |
CN102611785A (zh) * | 2011-01-20 | 2012-07-25 | 北京邮电大学 | 面向手机的移动用户个性化新闻主动推荐服务系统及方法 |
CN102819575A (zh) * | 2012-07-20 | 2012-12-12 | 南京大学 | 一种用于Web服务推荐的个性化搜索方法 |
-
2013
- 2013-04-07 CN CN201310117670.7A patent/CN104102648B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101707626A (zh) * | 2009-11-09 | 2010-05-12 | 南京邮电大学 | 一种对等网络中基于域的推荐信任集成方法 |
CN102611785A (zh) * | 2011-01-20 | 2012-07-25 | 北京邮电大学 | 面向手机的移动用户个性化新闻主动推荐服务系统及方法 |
CN102263992A (zh) * | 2011-08-08 | 2011-11-30 | 上海文广互动电视有限公司 | 基于用户收视记录的节目推荐度估计方法 |
CN102819575A (zh) * | 2012-07-20 | 2012-12-12 | 南京大学 | 一种用于Web服务推荐的个性化搜索方法 |
Non-Patent Citations (1)
Title |
---|
XU YINGCHENG ET AL: "An Ontology-Based Approach for Mobile Personalized Recommendation", 《2009 IITA INTERNATIONAL CONFERENCE ON SERVICES SCIENCE, MANAGEMENT AND ENGINEERING》 * |
Cited By (41)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104503980A (zh) * | 2014-11-26 | 2015-04-08 | 百度在线网络技术(北京)有限公司 | 确定综合搜索信息以及据此确定待推送候选搜索序列 |
CN104503980B (zh) * | 2014-11-26 | 2020-06-05 | 百度在线网络技术(北京)有限公司 | 确定综合搜索信息以及据此确定待推送候选搜索序列 |
CN104615775A (zh) * | 2015-02-26 | 2015-05-13 | 北京奇艺世纪科技有限公司 | 一种用户推荐方法及装置 |
CN104615775B (zh) * | 2015-02-26 | 2018-08-07 | 北京奇艺世纪科技有限公司 | 一种用户推荐方法及装置 |
CN107532920A (zh) * | 2015-04-15 | 2018-01-02 | 通腾导航技术股份有限公司 | 获得兴趣点数据的方法 |
CN106202094A (zh) * | 2015-05-05 | 2016-12-07 | 中国移动通信集团公司 | 一种吸引力指数信息的确定方法和装置 |
CN106202094B (zh) * | 2015-05-05 | 2019-06-25 | 中国移动通信集团公司 | 一种吸引力指数信息的确定方法和装置 |
CN104933134A (zh) * | 2015-06-12 | 2015-09-23 | 海信集团有限公司 | 一种用户特征的分析方法及装置 |
CN104991917A (zh) * | 2015-06-23 | 2015-10-21 | 上海斐讯数据通信技术有限公司 | 广告个性化推送系统及方法 |
CN104991917B (zh) * | 2015-06-23 | 2018-05-01 | 上海斐讯数据通信技术有限公司 | 广告个性化推送系统及方法 |
CN105183904A (zh) * | 2015-09-30 | 2015-12-23 | 北京金山安全软件有限公司 | 一种信息推送方法、装置及电子设备 |
WO2017101413A1 (zh) * | 2015-12-15 | 2017-06-22 | 乐视控股(北京)有限公司 | 一种信息推送方法及信息推送装置 |
CN105930507A (zh) * | 2016-05-10 | 2016-09-07 | 腾讯科技(深圳)有限公司 | 一种获得用户的Web浏览兴趣的方法及装置 |
CN105930507B (zh) * | 2016-05-10 | 2019-11-29 | 腾讯科技(深圳)有限公司 | 一种获得用户的Web浏览兴趣的方法及装置 |
US11086882B2 (en) | 2016-05-12 | 2021-08-10 | Advanced New Technologies Co., Ltd. | Method for determining user behavior preference, and method and device for presenting recommendation information |
CN107368488A (zh) * | 2016-05-12 | 2017-11-21 | 阿里巴巴集团控股有限公司 | 一种确定用户行为偏好的方法、推荐信息的展示方法和装置 |
US11281675B2 (en) | 2016-05-12 | 2022-03-22 | Advanced New Technologies Co., Ltd. | Method for determining user behavior preference, and method and device for presenting recommendation information |
CN107665202B (zh) * | 2016-07-27 | 2021-09-21 | 北京金山安全软件有限公司 | 一种构建兴趣模型的方法、装置及电子设备 |
CN107665202A (zh) * | 2016-07-27 | 2018-02-06 | 北京金山安全软件有限公司 | 一种构建兴趣模型的方法、装置及电子设备 |
CN106372128A (zh) * | 2016-08-24 | 2017-02-01 | 南方科技大学 | 一种数据处理方法和装置 |
CN106354818B (zh) * | 2016-08-30 | 2020-01-10 | 电子科技大学 | 基于社交媒体的动态用户属性提取方法 |
CN106354818A (zh) * | 2016-08-30 | 2017-01-25 | 电子科技大学 | 基于社交媒体的动态用户属性提取方法 |
CN106528608B (zh) * | 2016-09-27 | 2022-07-01 | 中国电力科学研究院 | 一种云架构下的电网gis数据冷热存储方法和系统 |
CN106528608A (zh) * | 2016-09-27 | 2017-03-22 | 中国电力科学研究院 | 一种云架构下的电网gis数据冷热存储方法和系统 |
CN108304399A (zh) * | 2017-01-12 | 2018-07-20 | 武汉斗鱼网络科技有限公司 | 网络内容的推荐方法及装置 |
CN106844653A (zh) * | 2017-01-20 | 2017-06-13 | 上海幻电信息科技有限公司 | 一种媒体数据推荐方法及系统 |
CN107169037A (zh) * | 2017-04-20 | 2017-09-15 | 河海大学 | 一种结合时序化动态建模和情感语义的个性化搜索方法 |
CN107169037B (zh) * | 2017-04-20 | 2020-06-23 | 河海大学 | 一种结合时序化动态建模和情感语义的个性化搜索方法 |
CN108021673A (zh) * | 2017-12-06 | 2018-05-11 | 北京拉勾科技有限公司 | 一种用户兴趣模型生成方法、职位推荐方法及计算设备 |
CN109978642A (zh) * | 2017-12-27 | 2019-07-05 | 中移(杭州)信息技术有限公司 | 一种信息推荐方法、装置和通信设备 |
CN108133036A (zh) * | 2018-01-09 | 2018-06-08 | 北京奇艺世纪科技有限公司 | 一种用户兴趣点的权重值确定方法、装置及电子设备 |
CN108363730B (zh) * | 2018-01-12 | 2020-11-06 | 优地网络有限公司 | 一种内容推荐方法、系统及终端设备 |
CN108363730A (zh) * | 2018-01-12 | 2018-08-03 | 优地网络有限公司 | 一种内容推荐方法、系统及终端设备 |
CN108846055A (zh) * | 2018-05-31 | 2018-11-20 | 北京五八信息技术有限公司 | 搜索处理方法、装置、电子设备及可读存储介质 |
WO2020000207A1 (zh) * | 2018-06-26 | 2020-01-02 | 深圳市爱的网络科技有限公司 | 用户兴趣采集方法、装置、计算机装置及计算机可读存储介质 |
CN108920596A (zh) * | 2018-06-27 | 2018-11-30 | 广东亿迅科技有限公司 | 一种个性化推荐算法及终端 |
CN108920596B (zh) * | 2018-06-27 | 2021-10-29 | 广东亿迅科技有限公司 | 一种个性化推荐算法及终端 |
CN109934461A (zh) * | 2019-02-15 | 2019-06-25 | 北京创鑫旅程网络技术有限公司 | 知识社区用户贡献能力计算方法及装置 |
CN113806568A (zh) * | 2021-08-10 | 2021-12-17 | 中国人民大学 | 多媒体资源推荐方法、装置、电子设备及存储介质 |
CN113806568B (zh) * | 2021-08-10 | 2023-11-03 | 中国人民大学 | 多媒体资源推荐方法、装置、电子设备及存储介质 |
CN114048392A (zh) * | 2022-01-13 | 2022-02-15 | 北京达佳互联信息技术有限公司 | 多媒体资源推送方法、装置、电子设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN104102648B (zh) | 2017-12-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104102648A (zh) | 基于用户行为数据的兴趣推荐方法及装置 | |
US20190026816A1 (en) | Time-division Recommendation Method and Apparatus for Service Objects | |
CN101324948B (zh) | 一种信息推荐的方法及装置 | |
CN106504011B (zh) | 一种业务对象的展示方法和装置 | |
CN103810184B (zh) | 确定网站页面地址流转率的方法、优化方法及其装置 | |
CN106339393B (zh) | 信息推送方法及装置 | |
CN108121737A (zh) | 一种业务对象属性标识的生成方法、装置和系统 | |
CN103678647A (zh) | 一种实现信息推荐的方法及系统 | |
CN103870538B (zh) | 针对用户进行个性化推荐的方法、用户建模设备及系统 | |
CN106776660A (zh) | 一种信息推荐方法及装置 | |
CN107066476A (zh) | 一种基于物品相似度的实时推荐方法 | |
CN105677780A (zh) | 可拓展的用户意图挖掘方法及其系统 | |
CN103886487A (zh) | 基于分布式的b2b平台的个性化推荐方法与系统 | |
CN104156390A (zh) | 一种评论推荐方法和系统 | |
CN105718184A (zh) | 一种数据处理方法和装置 | |
CN104766224B (zh) | 一种购物评价显示方法及系统 | |
CN104899315A (zh) | 推送用户信息的方法和装置 | |
CN103970891B (zh) | 一种基于情境的用户兴趣信息查询方法 | |
CN105468598A (zh) | 好友推荐方法及装置 | |
CN106446189A (zh) | 一种资讯推荐方法及系统 | |
CN102591873B (zh) | 一种信息推荐方法和设备 | |
CN103559619A (zh) | 一种服装尺码信息的应答方法及系统 | |
JP2019504411A (ja) | データ処理方法及び装置 | |
CN105894310A (zh) | 一种个性化推荐方法 | |
CN109978580A (zh) | 对象推荐方法、装置以及计算机可读存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
TR01 | Transfer of patent right |
Effective date of registration: 20231226 Address after: 518000 Tencent Building, No. 1 High-tech Zone, Nanshan District, Shenzhen City, Guangdong Province, 35 Floors Patentee after: TENCENT TECHNOLOGY (SHENZHEN) Co.,Ltd. Patentee after: TENCENT CLOUD COMPUTING (BEIJING) Co.,Ltd. Address before: 2, 518044, East 403 room, SEG science and Technology Park, Zhenxing Road, Shenzhen, Guangdong, Futian District Patentee before: TENCENT TECHNOLOGY (SHENZHEN) Co.,Ltd. |
|
TR01 | Transfer of patent right |