CN104246751A - 推荐装置、推荐系统、推荐方法以及程序 - Google Patents
推荐装置、推荐系统、推荐方法以及程序 Download PDFInfo
- Publication number
- CN104246751A CN104246751A CN201280058706.2A CN201280058706A CN104246751A CN 104246751 A CN104246751 A CN 104246751A CN 201280058706 A CN201280058706 A CN 201280058706A CN 104246751 A CN104246751 A CN 104246751A
- Authority
- CN
- China
- Prior art keywords
- recommendation
- similarity
- historical information
- user
- analysis
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0282—Rating or review of business operators or products
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/06—Buying, selling or leasing transactions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0631—Item recommendations
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Development Economics (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Databases & Information Systems (AREA)
- Game Theory and Decision Science (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明能够准确地掌握用户在短时间内感兴趣的内容,并且实现高精度的推荐。为此,长期的爱好分析处理单元通过分析所有的历史信息来生成推荐所需的信息。短期的兴趣分析处理单元通过分析每个会话的历史信息来生成推荐所需的信息。推荐结果输出单元通过统一长期的爱好分析处理单元的输出或/和短期的兴趣分析处理单元的输出来输出推荐结果。统一分配计算单元基于用户的兴趣变化来变更推荐结果输出单元的推荐结果。
Description
技术领域
本发明涉及一种在进行长期的爱好分析处理和短期的兴趣分析处理之后,通过统一两个处理的推荐结果来输出最终推荐结果的推荐装置、推荐系统、推荐方法以及程序。
背景技术
近年来广泛使用基于用户的历史信息等来推测用户的爱好,并自动推荐被预测为符合用户爱好的内容等的“推荐服务”。用于这种推荐服务中的具有代表性的技术称为“协调过滤”。该协调过滤为在各用户之间或者在各内容之间通过比较购买历史或浏览历史等用户的历史信息来定义相似性、并基于该相似性,将被预测为用户感兴趣的内容作为推荐结果来输出的方法。改进了该协调过滤的自动化或高速化等的技术已被公开(例如,参考非专利文献1、非专利文献2、非专利文献3、非专利文献4)。
具体地,在非专利文献1中,公开了自动化协调过滤,在非专利文献2中,公开了基于概率模型的协调过滤,还有在非专利文献3中,试行了非专利文献1的协调过滤的高速化。另外,非专利文献4公开了在用户的历史信息中通过假设爱好的衰减模型来能够重视最新的历史信息的协调过滤方法。
先行技术文献
非专利文献
非专利文献1:P.Resnick,N.lacovou,M.Suchak,P.Bergstrom,and J.Riedl.“GroupLens:Open Architecture for Collaborative Filteringof Netnews”In Conference on Computer Supported Cooperative Work,pp.175-186(1994)
非专利文献2:T.Hofmann and J.Puzicha,“Latent Class Modelsfor Collaborative Filtering”,16th IJCAI(1999)
非专利文献3:百田信,伊东荣典,“基于社会书签发现信息”DEWS2008,11-15,Mar.2008
非专利文献4:杉山一成,波多野贤治,吉川正俊,植村俊亮,“基于用户简单建立的文件检索相应的Web信息”电子信息通信学会论文杂志D-1,Vol.J87-D-1,No.11,pp.975-990,2004年11月
发明概要
发明要解决的技术问题
但是,在非专利文献1或非专利文献2公开的技术中,由于将所有积累下来的历史信息作为对象进行分析之后生成推荐结果,因此,若积累下来的历史超过了用户的需求,则通过推荐处理计算出的内容每次都会被固定起来,且导致无法搜索到新内容。
并且,在非专利文献3公开的技术中,由于仅在代表用户与被推荐对象用户之间定义相似性,因此,与非专利文献1中公开的技术相比推荐请求时所分析的计算量变小,且基于最新的历史信息易于执行推荐的处理,但是,在非专利文献3中仅关注了该推荐处理的高速化,并没有通过考虑最新的历史信息来变更推荐的提示内容等的处理,因此,若积累下来的历史超过了用户的需求,则仍然存在通过推荐提示的内容每次都会被固定起来的问题。
虽然在非专利文献4当中通过进一步重视最新的历史信息可允许用户的爱好的转变,但是并没有考虑到该用户一时的兴趣,而是基于最新的历史信息来分析爱好。为此,对于脱离了用户的长期的爱好的,即对于仅限于现在的兴趣的推荐,存在跟踪性较低的问题。
换言之,当有足够的历史信息时,即使组合上述的现有技术,协调过滤中的处理结果每次都相同的可能性也很大,假设多个历史信息都有变化,但是,由于该大致内容不变,因此,根据在某一时刻感兴趣的内容无法满足用于动态改变推荐结果的需求。
解决技术问题所采用的技术手段
因此,鉴于上述的问题,本发明的目的在于提供一种准确地掌握用户在短时间内感兴趣的内容,并且实现高精度推荐的推荐装置、推荐系统、推荐方法以及程序。
为了实现上述目的,本发明提出了以下各项。但是,为了便于理解,标注与本发明的实施方式相对应的附图标记来进行说明,但并不限定于此。
(1)本发明提出了推荐装置,其采用协调过滤方法,所述协调过滤方法为基于购买历史或浏览历史等的用户的历史信息来定义用户之间的相似性,并基于该定义的相似性,将被预测为用户感兴趣的内容作为推荐结果来输出的方法,所述推荐装置的特征在于,包括:长期的爱好分析处理单元(例如,相当于图1的长期的爱好分析处理部1100),通过分析所有的所述历史信息来生成推荐所需的信息;短期的兴趣分析处理单元(例如,相当于图1的短期的兴趣分析处理部1200),通过分析每个会话(session)的历史信息来生成推荐所需的信息;推荐结果输出单元(例如,相当于图1的推荐结果输出部1300),通过统一所述长期的爱好分析处理单元的输出或/和所述短期的兴趣分析处理单元的输出来输出推荐结果;以及,统一分配计算单元(例如,相当于图1的统一分配计算部1600),基于用户的兴趣变化来变更所述推荐结果输出单元的推荐结果。
根据该发明,长期的爱好分析处理单元,通过分析所有的历史信息来生成推荐所需的信息。短期的兴趣分析处理单元,通过分析每个会话(session)的历史信息来生成推荐所需的信息。推荐结果输出单元,通过统一长期的爱好分析处理单元的输出或/和短期的兴趣分析处理单元的输出来输出推荐结果。统一分配计算单元,基于用户的兴趣变化来变更推荐结果输出单元的推荐结果。从而,根据长期的爱好分析处理单元提供基于用户的长期的爱好的推荐结果,并且根据短期的兴趣分析处理单元提供处于该状态中的对应于短期的兴趣的推荐结果,从而能够提供考虑到兴趣变化的恰当的推荐结果。
(2)对于(1)的推荐装置,本发明提出了具有如下特征的推荐装置,所述长期的爱好分析处理单元包括:第一历史信息收集单元(例如,相当于图2的历史信息收集部1101),从所有的记录信息当中收集分析所需的历史信息;第一相似性计算单元(例如,相当于图2的相似性计算部1102),通过分析所述收集的历史信息来定义用户之间的相似性;第一推荐度计算单元(例如,相当于图2的推荐度计算部1103),通过采用所述计算出的相似性和所述从所有的记录信息当中收集的分析所需的历史信息来计算推荐给用户的各内容的推荐度;以及,存储单元(例如,相当于图2的存储部1104),存储所述计算出的推荐度,所述短期的兴趣分析处理单元包括:第二历史信息收集单元(例如,相当于图2的历史信息收集部1201),从每个会话的记录信息当中实时收集分析所需的历史信息;第二相似性计算单元(例如,相当于图2的相似性计算部1202),通过分析所述收集的历史信息来定义用户之间的相似性;第二推荐度计算单元(例如,相当于图2的推荐度计算部1203),通过采用所述计算出的相似性和所述每个会话的记录信息当中的分析所需的历史信息来计算推荐给用户的各内容的推荐度,其中,所述推荐结果输出单元根据所述统一分配计算单元的变更结果,并通过所述存储的每个内容的推荐度和由所述第二推荐度计算单元计算出的每个内容的推荐度来输出推荐结果。
根据该发明,长期的爱好分析处理单元的第一历史信息收集单元从所有的记录信息中收集分析所需的历史信息。第一相似性计算单元,通过分析收集的历史信息来定义用户之间的相似性。第一推荐度计算单元,通过采用计算出的相似性和从所有的记录信息当中收集的分析所需的历史信息来计算推荐给用户的各内容的推荐度。存储单元,存储计算出的推荐度。短期的兴趣分析处理单元的第二历史信息收集单元,从每个会话的记录信息当中实时收集分析所需的历史信息。第二相似性计算单元,通过分析收集的历史信息来定义用户之间的相似性。第二推荐度计算单元,通过采用计算出的相似性和每个会话的记录信息当中的分析所需的历史信息来计算推荐给用户的各内容的推荐度。其中,推荐结果输出单元根据统一分配计算单元的变更结果,并通过存储的每个内容的推荐度和由第二推荐度计算单元计算出的每个内容的推荐度来输出推荐结果。从而,根据长期的爱好分析处理单元提供基于用户的长期的爱好的推荐结果,并且根据短期的兴趣分析处理单元提供处于该状态中的对应于短期的兴趣的推荐结果,从而能够提供考虑到兴趣变化的恰当的推荐结果。
(3)对于(1)的推荐装置,本发明提出了具有如下特征的推荐装置,所述长期的爱好分析处理单元包括:第一历史信息收集单元(例如,相当于图5的历史信息收集部1101),从所有的记录信息当中收集分析所需的历史信息;第一相似性计算单元(例如,相当于图5的相似性计算部1102),通过分析所述收集的历史信息来定义用户之间的相似性;以及,存储单元(例如,相当于图5的存储部1104),存储所述计算出的相似性,所述短期的兴趣分析处理单元包括:第二历史信息收集单元(例如,相当于图5的历史信息收集部1201),从每个会话的记录信息当中实时收集分析所需的历史信息;第二相似性计算单元(例如,相当于图5的相似性计算部1202),通过分析所述收集的历史信息来定义用户之间的相似性;第一推荐度计算单元(例如,相当于图5的推荐度计算部1203),通过采用所述每个会话的记录信息当中的分析所需的历史信息和所述存储的相似性来计算推荐给用户的各内容的推荐度;以及,第二推荐度计算单元(例如,相当于图5的推荐度计算部1215),通过采用由所述第二相似性计算单元计算出的相似性和所述每个会话的记录信息当中的分析所需的历史信息来计算推荐给用户的各内容的推荐度,其中,所述推荐结果输出单元根据所述统一分配计算单元的变更结果,并通过由所述第一推荐度计算单元计算出的每个内容的推荐度和由所述第二推荐度计算单元计算出的每个内容的推荐度来输出推荐结果。
根据该发明,长期的爱好分析处理单元的第一历史信息收集单元,从所有的记录信息当中收集分析所需的历史信息。第一相似性计算单元,通过分析收集的历史信息来定义用户之间的相似性。存储单元,存储计算出的相似性。短期的兴趣分析处理单元的第二历史信息收集单元,从每个会话的记录信息当中实时收集分析所需的历史信息。第二相似性计算单元,通过分析收集的历史信息来定义用户之间的相似性。第一推荐度计算单元,通过采用每个会话的记录信息当中的分析所需的历史信息和存储的相似性来计算推荐给用户的各内容的推荐度。第二推荐度计算单元,通过采用由第二相似性计算单元计算出的相似性和每个会话的记录信息当中的分析所需的历史信息来计算推荐给用户的各内容的推荐度。其中,推荐结果输出单元根据统一分配计算单元的变更结果,并通过由所述第一推荐度计算单元计算出的每个内容的推荐度和由第二推荐度计算单元计算出的每个内容的推荐度来输出推荐结果。从而,根据长期的爱好分析处理单元提供基于用户的长期的爱好的推荐结果,并且根据短期的兴趣分析处理单元提供处于该状态中的对应于短期的兴趣的推荐结果,从而能够提供考虑到兴趣变化的恰当的推荐结果。
(4)对于(1)的推荐装置,本发明提出了具有如下特征的推荐装置,所述长期的爱好分析处理单元包括:第一历史信息收集单元(例如,相当于图8的历史信息收集部1101),从所有的记录信息当中收集分析所需的历史信息;第一相似性计算单元(例如,相当于图8的相似性计算部1102),通过分析所述收集的历史信息来定义用户之间的相似性;第一推荐度计算单元(例如,相当于图8的推荐度计算部1103),通过采用所述计算出的相似性和所述每个会话的记录信息当中的分析所需的历史信息来计算推荐给用户的各内容的推荐度;以及,存储单元,存储所述定义的相似性以及计算出的推荐度,所述短期的兴趣分析处理单元包括:第二历史信息收集单元(例如,相当于图8的历史信息收集部1201),从每个会话的记录信息当中实时收集分析所需的历史信息;第二推荐度计算单元(例如,相当于推荐度计算部1226),通过采用所述定义的相似性以及计算出的推荐度和采用所述每个会话的记录信息当中的分析所需的历史信息来计算推荐给用户的各内容的推荐度,其中,所述推荐结果输出单元根据所述统一分配计算单元的变更结果,并通过由所述第一推荐度计算单元计算出的每个内容的推荐度和由所述第二推荐度计算单元计算出的每个内容的推荐度来输出推荐结果。
根据该发明,长期的爱好分析处理单元的第一历史信息收集单元,从所有的记录信息当中收集分析所需的历史信息。第一相似性计算单元,通过分析收集的历史信息来定义用户之间的相似性。第一推荐度计算单元,通过采用计算出的相似性和每个会话的记录信息当中的分析所需的历史信息来计算推荐给用户的各内容的推荐度。存储单元,存储定义的相似性以及计算出的推荐度。短期的兴趣分析处理单元的第二历史信息收集单元,从每个会话的记录信息当中实时收集分析所需的历史信息。第二推荐度计算单元,通过采用定义的相似性以及计算出的推荐度和采用每个会话的记录信息当中的分析所需的历史信息来计算推荐给用户的各内容的推荐度。其中,推荐结果输出单元根据统一分配计算单元的变更结果,并通过由第一推荐度计算单元计算出的每个内容的推荐度和由第二推荐度计算单元计算出的每个内容的推荐度来输出推荐结果。从而,根据长期的爱好分析处理单元提供基于用户的长期的爱好的推荐结果,并且根据短期的兴趣分析处理单元提供处于该状态中的对应于短期的兴趣的推荐结果,从而能够提供考虑到兴趣变化的恰当的推荐结果。
(5)关于(1)至(4)的推荐装置,本发明提出了具有如下特征的推荐装置,数据库,储存所述每个会话的记录信息;浏览状态获取单元,其针对从所述推荐结果输出单元输出的推荐,获取用户的浏览状态;以及,浏览状态反馈单元(例如,相当于图1的浏览状态反馈部1500),将所述获取到的用户的浏览状态反馈至所述数据库和所述统一分配计算单元中,其中,所述统一分配计算单元根据浏览状态反馈信息,并基于用户的兴趣的变化来变更所述推荐结果输出单元的推荐结果。
根据该发明,数据库储存每个会话的记录信息。浏览状态获取单元针对从推荐结果输出单元输出的推荐,获取用户的浏览状态。浏览状态反馈单元,将获取到的用户的浏览状态反馈至数据库和统一分配计算单元中。其中,统一分配计算单元根据浏览状态反馈信息,并基于用户的兴趣的变化来变更推荐结果输出单元的推荐结果。从而,将获取到的用户的浏览状态反馈至数据库和统一分配计算单元中,统一分配计算单元根据浏览状态反馈信息,并基于用户的兴趣变化来变更推荐结果输出单元的推荐结果,因此,能够准确地提取用户在短期内感兴趣的内容等之后,进行推荐。
(6)本发明提出了推荐系统,其采用协调过滤方法,所述协调过滤方法为基于购买历史或浏览历史等的用户的历史信息来定义用户之间的相似性,并基于该定义的相似性,将被预测为用户感兴趣的内容作为推荐结果来输出的方法,所述推荐系统的特征在于,包括:第一数据库(例如,相当于图10的数据库200),储存所有的所述历史信息;第二数据库(例如,相当于图10的数据库300),储存每个会话的所述历史信息;长期的爱好分析处理装置(例如,相当于图10的长期的爱好分析处理装置400),通过分析储存于所述第一数据库中的历史信息来生成推荐所需的信息;短期的兴趣分析处理装置(例如,相当于图10的短期的兴趣分析处理装置500),通过分析储存于所述第二数据库中的每个会话的历史信息来生成推荐所需的信息;推荐结果输出装置(例如,相当于图10的推荐结果输出装置600),通过统一所述长期的爱好分析处理装置的输出或/和所述短期的兴趣分析处理装置的输出来输出推荐结果;以及,统一分配计算装置(例如,相当于图10的统一分配计算装置900),基于用户的兴趣变化来变更所述推荐结果输出单元的推荐结果。
根据该发明,第一数据库,储存所有的历史信息。第二数据库,储存每个会话的历史信息。长期的爱好分析处理装置,通过分析储存于第一数据库中的历史信息来生成推荐所需的信息。短期的兴趣分析处理装置,通过分析储存于第二数据库中的每个会话的历史信息来生成推荐所需的信息。推荐结果输出装置,通过统一长期的爱好分析处理装置的输出或/和短期的兴趣分析处理装置的输出来输出推荐结果。统一分配计算装置,基于用户的兴趣变化来变更推荐结果输出装置的推荐结果。从而,根据长期的爱好分析处理装置提供基于用户的长期的爱好的推荐结果,并且根据短期的兴趣分析处理装置提供处于该状态中的对应于短期的兴趣的推荐结果,从而能够提供考虑到兴趣变化的恰当的推荐结果。
(7)关于(6)的推荐系统,本发明提出了具有如下特征的推荐系统,所述长期的爱好分析处理装置包括:第一历史信息收集单元(例如,相当于图11的历史信息收集部401),从所有的记录信息当中收集分析所需的历史信息;第一相似性计算单元(例如,相当于图11的相似性计算部402),通过分析所述收集的历史信息来定义用户之间的相似性;第一推荐度计算单元(例如,相当于图11的推荐度计算部403),通过采用所述计算出的相似性和所述从所有的记录信息当中收集的分析所需的历史信息来计算推荐给用户的各内容的推荐度;以及,存储单元(例如,相当于图11的存储部404),存储所述计算出的推荐度,所述短期的兴趣分析处理装置包括:第二历史信息收集单元(例如,相当于图11的历史信息收集部501),从每个会话的记录信息当中实时收集分析所需的历史信息;第二相似性计算单元(例如,相当于图11的相似性计算部502),通过分析所述收集的历史信息来定义用户之间的相似性;第二推荐度计算单元(例如,相当于图11的推荐度计算部503),通过采用所述计算出的相似性和所述每个会话的记录信息当中的分析所需的历史信息来计算推荐给用户的各内容的推荐度,其中,所述推荐结果输出装置根据所述统一分配计算装置的变更结果,并通过所述存储的每个内容的推荐度和由所述第二推荐度计算单元计算出的每个内容的推荐度来输出推荐结果。
根据该发明,长期的爱好分析处理装置的第一历史信息收集单元,从所有的记录信息当中收集分析所需的历史信息。第一相似性计算单元,通过分析收集的历史信息来定义用户之间的相似性。第一推荐度计算单元,通过采用计算出的相似性和从所有的记录信息当中收集的分析所需的历史信息来计算推荐给用户的各内容的推荐度。存储单元,存储计算出的推荐度。短期的兴趣分析处理装置的第二历史信息收集单元,从每个会话的记录信息当中实时收集分析所需的历史信息。第二相似性计算单元,通过分析收集的历史信息来定义用户之间的相似性。第二推荐度计算单元,通过采用计算出的相似性和每个会话的记录信息当中的分析所需的历史信息来计算推荐给用户的各内容的推荐度。其中,推荐结果输出装置根据统一分配计算装置的变更结果,并通过存储的每个内容的推荐度和由所述第二推荐度计算单元计算出的每个内容的推荐度来输出推荐结果。从而,根据长期的爱好分析处理装置提供基于用户的长期的爱好的推荐结果,并且根据短期的兴趣分析处理装置提供处于该状态中的对应于短期的兴趣的推荐结果,从而能够提供考虑到兴趣变化的恰当的推荐结果。
(8)关于(6)的推荐系统,本发明提出了具有如下特征的推荐系统,所述长期的爱好分析处理装置包括:第一历史信息收集单元(例如,相当于图14的历史信息收集部401),从所有的记录信息当中收集分析所需的历史信息;第一相似性计算单元(例如,相当于图14的相似性计算部402),通过分析所述收集的历史信息来定义用户之间的相似性;以及,存储单元(例如,相当于图14的存储部415),存储所述计算出的相似性,所述短期的兴趣分析处理装置包括:第二历史信息收集单元(例如,相当于图14的历史信息收集部501),从每个会话的记录信息当中实时收集分析所需的历史信息;第二相似性计算单元(例如,相当于图14的相似性计算部502),通过分析所述收集的历史信息来定义用户之间的相似性;第一推荐度计算单元(例如,相当于图14的推荐度计算部503),通过采用所述所有的记录信息当中的分析所需的历史信息和所述存储的相似性来计算推荐给用户的各内容的推荐度;以及,第二推荐度计算单元(例如,相当于图14的推荐度计算部515),通过采用由所述第二相似性计算单元计算出的相似性和所述每个会话的记录信息当中的分析所需的历史信息来计算推荐给用户的各内容的推荐度,其中,所述推荐结果输出装置根据所述统一分配计算单元的变更结果,并通过由所述第一推荐度计算单元计算出的每个内容的推荐度和由所述第二推荐度计算单元计算出的每个内容的推荐度来输出推荐结果。
根据该发明,长期的爱好分析处理装置的第一历史信息收集单元,从所有的记录信息当中收集分析所需的历史信息。第一相似性计算单元,通过分析收集的历史信息来定义用户之间的相似性。存储单元,存储计算出的相似性。短期的兴趣分析处理装置的第二历史信息收集单元,从每个会话的记录信息当中实时收集分析所需的历史信息。第二相似性计算单元,通过分析收集的历史信息来定义用户之间的相似性。第一推荐度计算单元,通过采用所有的记录信息当中的分析所需的历史信息和存储的相似性来计算推荐给用户的各内容的推荐度。第二推荐度计算单元,通过采用由第二相似性计算单元计算出的相似性和每个会话的记录信息当中的分析所需的历史信息来计算推荐给用户的各内容的推荐度。其中,推荐结果输出装置根据统一分配计算装置的变更结果,并通过由所述第一推荐度计算单元计算出的每个内容的推荐度和由所述第二推荐度计算单元计算出的每个内容的推荐度来输出推荐结果。从而,根据长期的爱好分析处理单元提供基于用户的长期的爱好的推荐结果,并且根据短期的兴趣分析处理单元提供处于该状态中的对应于短期的兴趣的推荐结果,从而能够提供考虑到兴趣变化的恰当的推荐结果。
(9)关于(6)的推荐系统,本发明提出了具有如下特征的推荐系统,所述长期的爱好分析处理装置包括:第一历史信息收集单元(例如,相当于图17的历史信息收集部401),从所有的记录信息当中收集分析所需的历史信息;第一相似性计算单元(例如,相当于图17的相似性计算部402),通过分析所述收集的历史信息来定义用户之间的相似性;第一推荐度计算单元(例如,相当于图17的推荐度计算部403),通过采用所述计算出的相似性和所述每个会话的记录信息当中的分析所需的历史信息来计算推荐给用户的各内容的推荐度;以及,存储单元(例如,相当于图17的存储部426),存储所述定义的相似性以及计算出的推荐度,所述短期的兴趣分析处理装置包括:第二历史信息收集单元(例如,相当于图17的历史信息收集部501),从每个会话的记录信息当中实时收集分析所需的历史信息;第二推荐度计算单元(例如,相当于图17的推荐度计算部526),通过采用所述定义的相似性以及计算出的推荐度和采用所述每个会话的记录信息当中的分析所需的历史信息来计算推荐给用户的各内容的推荐度,其中,所述推荐结果输出装置根据所述统一分配计算装置的变更结果,并通过由所述第一推荐度计算单元计算出的每个内容的推荐度和由所述第二推荐度计算单元计算出的每个内容的推荐度来输出推荐结果。
根据该发明,长期的爱好分析处理装置的第一历史信息收集单元,从所有的记录信息当中收集分析所需的历史信息。第一相似性计算单元,通过分析收集的历史信息来定义用户之间的相似性。第一推荐度计算单元,通过采用计算出的相似性和所有的记录信息当中的分析所需的历史信息来计算推荐给用户的各内容的推荐度。存储单元,存储定义的相似性以及计算出的推荐度。短期的兴趣分析处理装置的第二历史信息收集单元,从每个会话的记录信息当中实时收集分析所需的历史信息。第二推荐度计算单元,通过采用定义的相似性以及计算出的推荐度和采用每个会话的记录信息当中的分析所需的历史信息来计算推荐给用户的各内容的推荐度。其中,推荐结果输出装置根据统一分配计算装置的变更结果,并通过由第一推荐度计算单元计算出的每个内容的推荐度和由第二推荐度计算单元计算出的每个内容的推荐度来输出推荐结果。从而,根据长期的爱好分析处理装置提供基于用户的长期的爱好的推荐结果,并且根据短期的兴趣分析处理装置提供处于该状态中的对应于短期的兴趣的推荐结果,从而能够提供考虑到兴趣变化的恰当的推荐结果。
(10)关于(6)至(9)的推荐系统,本发明提出了具有如下特征的推荐系统,浏览状态获取装置,其针对输出的推荐,获取用户的浏览状态;浏览状态反馈装置(例如,相当于图10的浏览状态反馈装置800),将所述获取到的用户的浏览状态反馈至所述第二数据库和所述统一分配计算单元中,其中,所述统一分配计算装置根据浏览状态反馈信息,并基于用户的兴趣的变化来变更所述推荐结果输出装置的推荐结果。
根据该发明,浏览状态获取装置针对输出的推荐,获取用户的浏览状态。浏览状态反馈装置,将获取到的用户的浏览状态反馈至第二数据库和统一分配计算装置中。统一分配计算装置根据浏览状态反馈信息,并基于用户的兴趣的变化来变更推荐结果输出装置的推荐结果。从而,将获取到的用户的浏览状态反馈至数据库和统一分配计算单元中,统一分配计算单元根据浏览状态反馈信息,并基于用户的兴趣变化来变更推荐结果输出单元的推荐结果,因此,能够准确地提取用户在短期内感兴趣的内容等之后,进行推荐。
(11)本发明提出了推荐方法,其采用协调过滤方法,所述协调过滤方法为基于购买历史或浏览历史等的用户的历史信息来定义用户之间的相似性,并基于该定义的相似性,将被预测为用户感兴趣的内容作为推荐结果来输出的方法,所述推荐方法的特征在于,包括:长期的爱好分析处理步骤,通过分析所有的所述历史信息来生成推荐所需的信息;短期的兴趣分析处理步骤,通过分析每个会话的历史信息来生成推荐所需的信息;推荐结果输出步骤,通过统一所述长期的爱好分析处理步骤的输出或/和所述短期的兴趣分析处理步骤的输出来输出推荐结果;以及,统一分配计算步骤,基于用户的兴趣变化来变更所述推荐结果输出步骤的推荐结果。
根据该发明,通过分析所有的历史信息来生成推荐所需的信息的同时,通过分析每个会话的历史信息来生成推荐所需的信息。并且,通过统一上述2个处理输出来输出推荐结果,并基于用户的兴趣变化来变更推荐结果。从而,根据长期的爱好分析处理步骤提供基于用户的长期的爱好的推荐结果,并且根据短期的兴趣分析处理步骤提供处于该状态中的对应于短期的兴趣的推荐结果,从而能够提供考虑到兴趣变化的恰当的推荐结果。
本发明提出了用于使计算机执行推荐方法的程序,其采用协调过滤方法,所述协调过滤方法为基于购买历史或浏览历史等的用户的历史信息来定义用户之间的相似性,并基于该定义的相似性,将被预测为用户感兴趣的内容作为推荐结果来输出的方法,所述程序使计算机执行:长期的爱好分析处理步骤,通过分析所有的所述历史信息来生成推荐所需的信息;短期的兴趣分析处理步骤,通过分析每个会话的历史信息来生成推荐所需的信息;推荐结果输出步骤,通过统一所述长期的爱好分析处理步骤的输出或/和所述短期的兴趣分析处理步骤的输出来输出推荐结果;以及,统一分配计算步骤,基于用户的兴趣变化来变更所述推荐结果输出步骤的推荐结果。
根据该发明,通过分析所有的历史信息来生成推荐所需的信息的同时,通过分析每个会话的历史信息来生成推荐所需的信息。并且,通过统一上述2个处理输出来输出推荐结果,并基于用户的兴趣变化来变更推荐结果。从而,根据长期的爱好分析处理步骤提供基于用户的长期的爱好的推荐结果,并且根据短期的兴趣分析处理步骤提供处于该状态中的对应于短期的兴趣的推荐结果,从而能够提供考虑到兴趣变化的恰当的推荐结果。
发明的效果
根据本发明,通过长期的爱好分析处理提供基于用户的长期的爱好的推荐结果,并且通过短期的兴趣分析处理提供处于该状态中的对应于短期的兴趣的推荐结果,从而能够提供考虑到兴趣变化的恰当的推荐结果。
附图说明
图1是示出根据本发明的第一实施方式的推荐装置的结构图。
图2是示出根据本发明的第一实施方式的推荐装置的详细结构图。
图3是示出根据本发明的第一实施方式的推荐装置的处理的图。
图4是示出根据本发明的第二实施方式的推荐装置的结构图。
图5是示出根据本发明的第二实施方式的推荐装置的详细结构图。
图6是示出根据本发明的第二实施方式的推荐装置的处理的图。
图7是示出根据本发明的第三实施方式的推荐装置的结构图。
图8是示出根据本发明的第三实施方式的推荐装置的详细结构图。
图9是示出根据本发明的第三实施方式的推荐装置的处理的图。
图10是示出根据本发明的第四实施方式的推荐系统的结构图。
图11是示出根据本发明的第四实施方式的推荐系统的详细结构图。
图12是示出根据本发明的第四实施方式的推荐系统的处理的图。
图13是示出根据本发明的第五实施方式的推荐系统的结构图。
图14是示出根据本发明的第五实施方式的推荐系统的详细结构图。
图15是示出根据本发明的第五实施方式的推荐系统的处理图。
图16是示出根据本发明的第六实施方式的推荐系统的结构的图。
图17是示出根据本发明的第六实施方式的推荐系统的详细结构图。
图18是示出根据本发明的第六实施方式的推荐系统的处理的图。
具体实施方式
下面参照附图对本发明的实施方式进行详细说明。
本实施方式中的构成要素可适当地与现有的构成要素等进行替换,并且可进行包括与其他现有的构成要素的组合在内的各种改变。从而,并不是基于本实施方式的记载来限定权利要求书中记载的发明内容。
(第一实施方式)
利用图1以及图3对本发明的第一实施方式进行说明。
(推荐装置的结构)
利用图1对根据本实施方式的推荐装置的结构进行说明。
如图1所示,根据本实施方式的推荐装置1000包括:长期的爱好分析处理部1100,短期的兴趣分析处理部1200,推荐结果输出部1300,推荐显示部1400,浏览状态反馈部1500以及统一分配计算部1600,在长期的爱好分析处理部1100连接有数据库200,在短期的兴趣分析处理部1200连接有数据库300。
但是,在数据库200储存有所有用户的所有记录数据,例如记录有商品的购买历史或网页的浏览历史的所有数据库。一方面,由于在数据库300进行短期的兴趣分析处理,因此储存有每个会话的记录数据。具体地,例如,在网页的浏览历史中,根据上述的数据库制作可视为浏览历史的数据库如下:将各用户在30分钟内连续浏览的浏览历史作为一会话来细分历史的数据库或从其中随机选择的数据库,或者,在各会话当中计算共同出现的两个网页组数,将超过该另设的阈值的网页组视为关联网页,并将关联的多个网页作为历史的数据库。但是,数据简化方法并不局限于上述方法。
并且,在长期的爱好分析处理部1100中,所有数据库获取被推荐用户以及其他所有用户的历史信息,将被推荐用户与其他用户之间的相似性作为相似度来输出,并且上述的输出与所有数据库的历史信息将相对于被推荐用户的每个内容的推荐的程度作为推荐度来输出后,保存上述输出。通过变更被推荐用户,且将所有用户作为对象来进行上述的处理。
并且,在短期的兴趣分析处理部1200中,与上述相同地,简化的数据库将30分钟内连续的正在浏览中的网页作为会话(session),并将包含在该会话中的内容作为该用户的历史,同时将被推荐用户与其他用户之间的相似性作为相似度来输出,从上述的输出和简化的数据库的历史信息当中将相对于被推荐用户的每个内容的推荐程度作为推荐度来输出。
在推荐结果输出部1300中,根据在长期的爱好分析处理部1100保存的记录获取相对于被推荐用户的每个内容的推荐度。一方面,同时获取短期的兴趣分析处理部1200的输出,并对每个内容的推荐度,例如获取两个推荐度的加权平均等,通过由统一分配计算部1600制定的方法来计算最终的推荐度。
在这里,统一分配计算部1600由于该用户的会话的内容数Num(session)或浏览时间Time(session),例如,通过下面的公式(1)、(2)、(3)或该组合等来统一根据长期的爱好分析处理的各内容的推荐度Rec(batch)和根据短期的兴趣分析处理的各内容的推荐度Rec(real),并计算最终的推荐度Rec(Final)。
(1)α=γ(Num(session))、、(γ为满足0<γ<1的常数)
(2)α=γ(Num(session)/Time(session)))(γ为满足0<γ<1的常数)
(3)α=1/(1+e×p(a-b*Num(session)))
但是,Rec(Final)=αRec(batch)+(1-α)Rec(real)。
((3)表示Logistic方程。)
(推荐装置的详细结构)
如图2所示,根据本实施方式的推荐装置包括:构成长期的爱好分析处理部1100的历史信息收集部1101,相似性计算部1102,推荐度计算部1103,存储部1104,构成短期的兴趣分析处理部1200的历史信息收集部1201,相似性计算部1202,推荐度计算部1203,推荐结果输出部1300,推荐显示部1400,浏览状态反馈部1500以及统一分配计算部1600。
历史信息收集部1101从数据库200收集所有的记录信息当中的分析所需的历史信息。相似性计算部1102通过分析收集的历史信息来定义用户之间的相似性。推荐度计算部1103通过采用计算出的相似性和从所有的记录信息当中收集的分析所需的历史信息来计算推荐给用户的各内容的推荐度。存储部1104存储计算出的推荐度。
历史信息收集部1201,从数据库300实时收集每个会话的记录信息当中的分析所需的历史信息。相似性计算部1202,通过分析收集的历史信息来定义用户之间的相似性。推荐度计算部1203,通过采用计算出的相似性和每个会话的记录信息当中的分析所需的历史信息来计算推荐给用户的各内容的推荐度。
推荐结果输出部1300根据统一分配计算部1600的变更结果,并通过存储的每个内容的推荐度和由推荐度计算部1203计算出的每个内容的推荐度来输出推荐结果。其中,统一分配计算部1600的功能为改变加权总和,例如,基于会话的浏览次数或会话时间等,并通过指数和Logistic函数等来处理。
(推荐装置的处理)
利用图3对根据本实施方式的推荐装置的处理进行说明。
首先,长期的爱好分析处理部1100的历史信息收集部1101从数据库200收集所有的记录信息当中的分析所需的历史信息(步骤S101),相似性计算部1102通过分析收集的历史信息来定义用户之间的相似性,例如,通过比较两个用户的历史的同时基于具有历史的内容量,或者通过比较两个内容的历史的同时基于具有历史的内容量来定义用户之间的相似性(步骤S102)。推荐度计算部1103通过采用计算出的相似性和所有的记录信息当中的分析所需的历史信息来计算推荐给用户的各内容的推荐度,例如,基于与具有该用户的内容的历史的其他用户之间的相似性,或者,基于存在于该用户的历史中的内容与其他内容之间的相似性来计算推荐给用户的各内容的推荐度(步骤S103)。存储部1104存储计算出的推荐度(步骤S104)。
短期的兴趣分析处理部1200的历史信息收集部1201从数据库300收集每个会话的记录信息当中的分析所需的历史信息(步骤S105),与上述相同地,相似性计算部1202通过分析收集的历史信息来定义用户之间的相似性(步骤S106)。推荐度计算部1203,通过采用计算出的相似性和每个会话的记录信息当中的分析所需的历史信息来计算推荐给用户的各内容的推荐度(步骤S107)。
并且,推荐结果输出部1300根据统一分配计算部1600的变更结果,并基于存储的每个内容的推荐度和由推荐度计算部1203计算出的每个内容的推荐度来输出推荐结果(步骤S108)。
如上述说明,根据本实施方式能够通过采用了在长期的爱好分析处理中计算出的相似性的推荐度和采用了在短期的兴趣分析处理中计算出的相似性的推荐度来输出推荐结果,因此,根据长期的爱好分析处理部提供基于用户的长期的爱好的推荐结果,并且根据短期的兴趣分析处理部提供处于该状态中的对应于短期的兴趣的推荐结果,从而能够提供考虑到兴趣变化的恰当的推荐结果。
(第二实施方式)
利用图4至图6对本发明的第二实施方式进行说明。
(推荐装置的结构)
利用图4对根据本实施方式的推荐装置的结构进行说明。
如图4所示,根据本实施方式的推荐装置1000包括:长期的爱好分析处理部1110,短期的兴趣分析处理部1210,推荐结果输出部1310,推荐显示部1400,浏览状态反馈部1500以及统一分配计算部1600,其中,长期的爱好分析处理部1110连接有数据库200,短期的兴趣分析处理部1210连接有数据库300。
(推荐装置的详细结构)
如图5所示,根据本实施方式的推荐装置包括:构成长期的爱好分析处理部1110的历史信息收集部1101,相似性计算部1102,存储部1115,构成短期的兴趣分析处理部1210的历史信息收集部1201,相似性计算部1202,推荐度计算部1203,推荐度计算部1215,推荐结果输出部1310,推荐显示部1400,浏览状态反馈部1500以及统一分配计算部1600。其中,对于使用了与第一实施方式相同的符号的构成要素,由于具有相同的功能,因此,省略其详细的说明。
存储部1115存储相似性计算部1102计算出的相似性。推荐度计算部1215通过采用存储于存储部1115的相似性和每个会话的记录信息当中的分析所需的历史信息来计算推荐给用户的各内容的推荐度。
推荐结果输出部1310根据统一分配计算部1600的变更结果,并通过由推荐度计算部1203计算出的每个内容的推荐度和由推荐度计算部1215计算出的每个内容的推荐度来输出推荐结果。
(推荐装置的处理)
利用图6对根据本实施方式的推荐装置的处理进行说明。
首先,长期的爱好分析处理部1110的历史信息收集部1101从数据库200收集所有的记录信息当中的分析所需的历史信息(步骤S201),相似性计算部1102通过分析收集的历史信息来定义用户之间的相似性(步骤S202)。存储部1115存储计算出的相似性(步骤S203)。
短期的兴趣分析处理部1210的历史信息收集部1201从数据库300收集每个会话的记录信息当中的分析所需的历史信息(步骤S204),相似性计算部1202通过分析收集的历史信息来定义用户之间的相似性(步骤S205)。推荐度计算部1203,通过采用计算出的相似性和每个会话的记录信息当中的分析所需的历史信息来计算推荐给用户的各内容的推荐度(步骤S206)。并且,推荐度计算部1215,通过采用由相似性计算部1102计算出的相似性和每个会话的记录信息当中的分析所需的历史信息来计算推荐给用户的各内容的推荐度(步骤S207)
并且,推荐结果输出部1310根据统一分配计算部1600的变更结果,并通过由推荐度计算部1203计算出的每个内容的推荐度和由推荐度计算部1215计算出的每个内容的推荐度来输出推荐结果(步骤S209)。
如上述说明,根据本实施方式,短期的兴趣分析处理部可通过由长期的爱好分析处理部计算出的相似性和由短期的兴趣分析处理部计算出的相似性来计算推荐度,且通过这些推荐度来输出推荐结果,因此,根据长期的爱好分析处理部提供基于用户的长期的爱好的推荐结果,并且根据短期的兴趣分析处理部提供处于该状态中的对应于短期的兴趣的推荐结果,从而能够提供考虑到兴趣变化的恰当的推荐结果。
(第三实施方式)
利用图7以及图9对本发明的第三实施方式进行说明。
(推荐装置的结构)
利用图7对根据本实施方式的推荐装置的结构进行说明。
如图7所示,根据本实施方式的推荐装置1000包括:长期的爱好分析处理部1120,短期的兴趣分析处理部1220,推荐结果输出部1320,推荐显示部1400,浏览状态反馈部1500以及统一分配计算部1600,其中,长期的爱好分析处理部1120连接有数据库200,短期的兴趣分析处理部1220连接有数据库300。
(推荐装置的详细结构)
如图8所示,根据本实施方式的推荐装置包括:构成长期的爱好分析处理部1120的历史信息收集部1101,相似性计算部1102,推荐度计算部1103,存储部1126,构成短期的兴趣分析处理部1220的历史信息收集部1201,推荐度计算部1226,,推荐结果输出部1320,推荐显示部1400,浏览状态反馈部1500以及统一分配计算部1600。其中,对于使用了与第一实施方式相同的符号的构成要素,由于具有相同的功能,因此,省略其详细的说明。
存储部1126存储在相似性计算部1102中定义的相似性以及在相似性计算部1103计算出的推荐度。推荐度计算部1226通过采用存储于存储部1226的相似性以及计算出的推荐度,同时采用每个会话的记录信息当中的分析所需的历史信息来计算推荐给用户的各内容的推荐度。
推荐结果输出部1320根据统一分配计算部1600的变更结果,并通过由推荐度计算部1103计算出的每个内容的推荐度和由推荐度计算部1226计算出的每个内容的推荐度来输出推荐结果。
(推荐装置的处理)
利用图9对根据本实施方式的推荐装置的处理进行说明。
首先,长期的爱好分析处理部1120的历史信息收集部1101从数据库200收集所有的记录信息当中的分析所需的历史信息(步骤S301),相似性计算部1102通过分析收集的历史信息来定义用户之间的相似性(步骤S302)。推荐度计算部1103通过采用计算出的相似性和所有的记录信息当中的分析所需的历史信息来计算推荐给用户的各内容的推荐度,所述对用户的各内容的推荐度(步骤S303)。存储部1126存储在相似性计算部1102中定义的相似性以及在推荐度计算部1103中计算出的推荐度(步骤S304)。
短期的兴趣分析处理部1220的历史信息收集部1201从数据库300实时收集每个会话的记录信息当中的分析所需的历史信息(步骤S305),推荐度计算部1226,通过采用存储于存储部1126的相似性以及推荐度,同时采用每个会话的记录信息当中的分析所需的历史信息来计算推荐给用户的各内容的推荐度(步骤S307)。
并且,推荐结果输出部1320根据统一分配计算部1600的变更结果,并通过由推荐度计算部1103计算出的每个内容的推荐度和由推荐度计算部1226计算出的每个内容的推荐度来输出推荐结果(步骤S308)。
如上述说明,根据本实施方式,通过采用了在长期的爱好分析处理中计算出的相似性的推荐度来输出推荐结果,同时短期的兴趣分析处理通过采用了在长期的爱好分析处理中计算出的相似性的推荐度来输出推荐结果,因此,根据长期的爱好分析处理部提供基于用户的长期的爱好的推荐结果,并且根据短期的兴趣分析处理部提供处于该状态中的对应于短期的兴趣的推荐结果,从而提供考虑到兴趣变化的恰当的推荐结果。
(第四实施方式)
利用图10以及图12对本发明的第四实施方式进行说明。
(推荐系统的结构)
利用图10对根据本实施方式的推荐系统的结构进行说明。
如图10所示,根据本实施方式的推荐系统包括:长期的爱好分析处理装置400,短期的兴趣分析处理装置500,推荐结果输出装置600,推荐显示装置700,浏览状态反馈装置800以及统一分配计算装置900,其中,长期的爱好分析处理装置400连接有数据库200,短期的兴趣分析处理装置500连接有数据库300。
但是,根据本实施方式的推荐系统将推荐处理分为长期的分析处理装置与短期的兴趣分析处理装置,并通过长期的爱好分析处理装置进行长期的爱好分析处理的同时,通过短期的兴趣分析处理装置进行短期的爱好分析处理,通过推荐结果输出装置600来统一长期的爱好分析处理装置400的结果与短期的兴趣分析装置500的结果后输出。但是,长期的爱好分析处理装置400可以添加到计算处理功能较高的云服务器(Cloud Server)中,短期的兴趣分析处理装置500,与长期的爱好分析处理装置400相同地,也可以添加到计算处理功能较高的云服务器(Cloud Server)中,虽然可以示出计算处理功能较低的移动终端或STB(网络机顶盒Set Top Box)等的实施例,但是并不限定于此。
(推荐系统的详细结构)
如图11所示,根据本实施方式的推荐系统包括:构成长期的爱好分析处理装置400的历史信息收集部401,相似性计算部402,推荐度计算部403,存储部404,构成短期的兴趣分析处理装置500的历史信息收集部501,相似性计算部502,推荐度计算部503,推荐结果输出装置600,推荐显示装置700,浏览状态反馈装置800以及统一分配计算装置900。
历史信息收集部401从数据库200收集所有的记录信息中的分析所需的历史信息。相似性计算部402通过分析收集的历史信息来定义用户之间的相似性。推荐度计算部403通过采用计算出的相似性和从所有的记录信息当中收集的分析所需的历史信息来计算推荐给用户的各内容的推荐度。存储部404存储计算出的推荐度。
历史信息收集部501从数据库300实时收集每个会话的记录信息当中的分析所需的历史信息。相似性计算部502通过分析收集的历史信息来定义用户之间的相似性。推荐度计算部503通过采用计算出的相似性和每个会话的记录信息当中的分析所需的历史信息来计算推荐给用户的各内容的推荐度。
推荐结果输出装置600根据统一分配计算装置900的变更结果,并通过存储的每个推荐度和由推荐度计算部503计算出的每个内容的推荐度来输出推荐结果。。但是,统一分配计算装置900的功能为改变加权总和,例如,基于会话的浏览次数或会话时间等根据指数和Logistic函数等来处理。
(推荐系统的处理)
利用图12对根据本实施方式的推荐系统的处理进行说明。
首先,长期的爱好分析处理装置400的历史信息收集部401从数据库200收集所有的记录信息当中的分析所需的历史信息(步骤S401),相似性计算部402通过分析收集的历史信息来定义用户之间的相似性,例如,通过比较两个用户的历史的同时基于具有历史的内容量,或者通过比较两个内容的历史的同时基于具有历史的内容量来定义所述用户之间的相似性。(步骤S402)。推荐度计算部403通过采用计算出的相似性和所有的记录信息当中的分析所需的历史信息来计算推荐给用户的各内容的推荐度,例如,基于与具有该用户的内容的历史的其他用户之间的相似性,或者,基于存在于该用户的历史中的内容与其他内容之间的相似性来计算所述推荐给用户的各内容的推荐度(步骤S403)。存储部404存储计算出的推荐度(步骤S404)。
短期的兴趣分析处理装置500的历史信息收集部501从数据库300收集每个会话的记录信息当中的分析所需的历史信息(步骤S405),如上所述,相似性计算部502通过分析收集的历史信息来定义用户之间的相似性(步骤S406)。推荐度计算部503,通过采用计算出的相似性和每个会话的记录信息当中的分析所需的历史信息来计算推荐给用户的各内容的推荐度(步骤S407)。
并且,推荐结果输出装置600根据统一分配计算装置900的变更结果,并通过存储的每个内容的推荐度和由推荐度计算部503计算出的每个内容的推荐度来输出推荐结果(步骤S408)。
如上述说明,根据本实施方式能够通过采用了在长期的爱好分析处理装置中计算出的相似性的推荐度来输出推荐结果,同时短期的兴趣分析处理装置通过采用了在长期的爱好分析处理装置中计算出的相似性的推荐度来输出推荐结果,因此,根据长期的爱好分析处理装置提供基于用户的长期的爱好的推荐结果,并且根据短期的兴趣分析处理装置提供处于该状态中的对应于短期的兴趣的推荐结果,从而能够提供考虑到兴趣变化的恰当的推荐结果。
(第五实施方式)
利用图13以及图15对本发明的第五实施方式进行说明。
(推荐系统的结构)
利用图13对根据本实施方式的推荐系统的结构进行说明。
如图13所示,根据本实施方式的推荐系统包括:长期的爱好分析处理装置410,短期的兴趣分析处理装置510,推荐结果输出装置610,推荐显示装置700,浏览状态反馈装置800以及统一分配计算装置900,其中,长期的爱好分析处理装置410连接有数据库200,短期的兴趣分析处理装置510连接有数据库300。
(推荐系统的详细结构)
如图14所示,根据本实施方式的推荐系统包括:构成长期的爱好分析处理装置410的历史信息收集部401,相似性计算部402,存储部415,构成短期的兴趣分析处理装置510的历史信息收集部501,相似性计算部502,推荐度计算部503,获取部514,推荐度计算部515,推荐结果输出装置610,推荐显示装置700,浏览状态反馈装置800以及统一分配计算装置900。其中,对于使用了与第四实施方式相同的符号的构成要素,由于具有相同的功能,因此,省略其详细的说明。
存储部415存储相似性计算部402计算出的相似性。推荐度计算部515通过采用存储于存储部415的相似性和每个会话的记录信息当中的分析所需的历史信息来计算对推荐给用户的各内容的推荐度。
推荐结果输出装置610根据统一分配计算装置900的变更结果,并通过由推荐度计算部503计算出的每个内容的推荐度和由推荐度计算部515计算出的每个内容的推荐度来输出推荐结果。
(推荐系统的处理)
利用图15对根据本实施方式的推荐系统的处理进行说明。
首先,长期的爱好分析处理装置410的历史信息收集部401从数据库200收集所有的记录信息当中的分析所需的历史信息(步骤S501),相似性计算部402通过分析收集的历史信息来定义用户之间的相似性(步骤S502)。存储部415存储计算出的相似性(步骤S503)。
短期的兴趣分析处理装置510的历史信息收集部501从数据库300实时收集每个会话的记录信息当中的分析所需的历史信息(步骤S504),相似性计算部502通过分析收集的历史信息来定义用户之间的相似性(步骤S505)。推荐度计算部503,通过采用计算出的相似性和每个会话的记录信息当中的分析所需的历史信息来计算推荐给用户的各内容的推荐度(步骤S506)。另外,推荐度计算部515,通过采用由相似性计算部402计算出的相似性和每个会话的记录信息当中的分析所需的历史信息来计算推荐给用户的各内容的推荐度(步骤S507)。
并且,推荐结果输出装置610根据统一分配计算装置900的变更结果,并通过由推荐度计算部503计算出的每个内容的推荐度和由推荐度计算部515计算出的每个内容的推荐度来输出推荐结果(步骤S509)。
如上述说明,根据本实施方式能够通过采用了长期的爱好分析处理装置中的计算出的相似性的推荐度来输出推荐结果,同时短期的兴趣分析处理装置通过采用了在长期的爱好分析处理装置中计算出的相似性的推荐度来输出推荐结果,因此,根据长期的爱好分析处理装置提供基于用户的长期的爱好的推荐结果,并且根据短期的兴趣分析处理装置提供处于该状态中的对应于短期的兴趣的推荐结果,从而能够提供考虑到兴趣变化的恰当的推荐结果。
(第六实施方式)
利用图16以及图18对本发明的第六实施方式进行说明。
(推荐系统的结构)
利用图16对根据本实施方式的推荐系统的结构进行说明。
如图16所示,根据本实施方式的推荐系统包括:长期的爱好分析处理装置420,短期的兴趣分析处理装置520,推荐结果输出装置620,推荐显示装置700,浏览状态反馈装置800以及统一分配计算装置900,其中,长期的爱好分析处理装置420连接有数据库200,短期的兴趣分析处理装置520连接有数据库300。
(推荐系统的详细结构)
如图17所示,根据本实施方式的推荐系统包括:构成长期的爱好分析处理装置420的历史信息收集部401,相似性计算部402,推荐度计算部403,存储部426,构成短期的兴趣分析处理装置520的历史信息收集部501,推荐度计算部526,获取部527,推荐结果输出装置620,推荐显示装置700,浏览状态反馈装置800以及统一分配计算装置900。其中,对于使用了与第四实施方式相同的符号的构成要素,由于具有相同的功能,因此,省略其详细的说明。
存储部426存储相似性计算部402中定义的相似性以及推荐度计算部403中计算的推荐度。推荐度计算部526通过采用存储于存储部426的相似性以及计算出的推荐度,同时采用每个会话的记录信息当中的分析所需的历史信息来计算推荐用户的各内容的推荐度。
推荐结果输出装置620根据统一分配计算装置900的变更结果,并通过由推荐度计算部403计算出的每个内容的推荐度和由推荐度计算部526计算出的每个内容的推荐度来输出推荐结果。
(推荐系统的处理)
利用图18对根据本实施方式的推荐系统的处理进行说明。
首先,长期的爱好分析处理装置420的历史信息收集部401从数据库200收集所有的记录信息当中的分析所需的历史信息(步骤S601),相似性计算部402通过分析收集的历史信息来定义用户之间的相似性(步骤S602)。推荐度计算部403,通过采用计算出的相似性和所有的记录信息当中的分析所需的历史信息来计算推荐给用户的各内容的推荐度(步骤S603)。存储部426存储相似性计算部402中定义的相似性以及推荐度计算部403中计算出的推荐度(步骤S604)。
短期的兴趣分析处理装置520的历史信息收集部501从数据库300实时收集每个会话的记录信息当中的分析所需的历史信息(步骤S605),推荐度计算部526,通过采用存储于存储部426的相似性以及推荐度,同时采用每个会话的记录信息当中的分析所需的历史信息来计算推荐给用户的各内容的推荐度(步骤S607)。
并且,推荐结果输出装置620根据统一分配计算装置900的变更结果,并通过由推荐度计算部403计算出的每个内容的推荐度和由推荐度计算部526计算出的每个内容的推荐度来输出推荐结果(步骤S608)。
如上述说明,根据本实施方式能够通过采用了长期的爱好分析处理装置中计算出的相似性的推荐度来输出推荐结果,同时短期的兴趣分析处理装置通过采用了在长期的爱好分析处理装置中计算出的相似性的推荐度来输出推荐结果,因此,根据长期的爱好分析处理装置提供基于用户的长期的爱好的推荐结果,并且根据短期的兴趣分析处理装置提供处于该状态中的对应于短期的兴趣的推荐结果,从而能够提供考虑到兴趣变化的恰当的推荐结果。
通过将推荐装置或推荐系统的处理记录在计算机可读的记录介质中,并将记录在该记录介质中的程序读入至推荐装置或长期的爱好分析处理装置,短期的兴趣分析处理装置,推荐结果输出装置等后执行,从而能够实现本发明的推荐装置或推荐系统,这里所说的计算机系统包括OS或外围装置等的硬件。
另外,若“计算机系统”利用WWW(World Wide Web,万维网)系统,则还包括主页提供环境(或显示环境)。此外,上述的程序也可以从将该程序保持在存储装置等中的计算机系统经由传输介质、或者通过传输介质中的传输波被传输到其他计算机系统中。这里,传输程序的“传输介质”是指如互联网等网络(通信网)或电话线路等的通信线路(通信线)的具有信息传输功能的介质。
此外,上述程序也可以是用于实现上述功能的一部分的程序。并且也可以是通过能够与上述的计算机系统中已记录的程序组合来实现上述功能的所谓的差分文件(差分程序)。
以上,参考附图对本发明的实施方式进行了详细说明,但具体结构不限定于该实施方式,还包括在不脱离本发明要旨的范围内的设计等。例如,在本发明中,假定了通过数据库等的存储介质对利用的历史信息进行集中管理,并采用历史信息收集部获取这些历史信息,但并非限定于此。
此外,根据本发明的推荐结果的提供方法假定了将记录了针对该用户的一个个内容的推荐度的列表提供给外部的推荐提示方法,但并不限定于该使用方法。
本发明的推荐的各处理也可以是通过一服务器来实施的实施方法,也可以是通过按功能专用化的多个服务器的协作实施的、或者是使用了负荷分散功能的多个服务器的协作实施的实施方法等。
附图标记
1000:推荐装置
1100:长期的爱好分析处理部
1110:长期的爱好分析处理部
1120:长期的爱好分析处理部
1101:历史信息收集部
1102:相似性计算部
1103:推荐度计算部
1104:存储部
1115:存储部
1126:存储部
1200:短期的兴趣分析处理部
1210:短期的兴趣分析处理部
1220:短期的兴趣分析处理部
1201:历史信息收集部
1202:相似性计算部
1203:推荐度计算部
1215:推荐度计算部
1226:推荐度计算部
1300:推荐结果输出部
1310:推荐结果输出部
1320:推荐结果输出部
1400:推荐显示部
1500:浏览状态反馈部
1600:统一分配计算部
200:数据库
300:数据库
400:长期的爱好分析处理装置
410:长期的爱好分析处理装置
420:长期的爱好分析处理装置
401:历史信息收集部
402:相似性计算部
403:推荐度计算部
404:存储部
415:存储部
426:存储部
500:短期的兴趣分析处理装置
510:短期的兴趣分析处理装置
520:短期的兴趣分析处理装置
501:历史信息收集部
502:相似性计算部
503:推荐度计算部
515:推荐度计算部
526:推荐度计算部
600:推荐结果输出装置
610:推荐结果输出装置
620:推荐结果输出装置
700:推荐显示装置
800:浏览状态反馈装置
900:统一分配计算装置
Claims (12)
1.一种推荐装置,其采用协调过滤方法,所述协调过滤方法为基于购买历史或浏览历史等的用户的历史信息来定义用户之间的相似性,并基于该定义的相似性,将被预测为用户感兴趣的内容作为推荐结果来输出的方法,所述推荐装置的特征在于,包括:
长期的爱好分析处理单元,通过分析所有的所述历史信息来生成推荐所需的信息;
短期的兴趣分析处理单元,通过分析每个会话的历史信息来生成推荐所需的信息;
推荐结果输出单元,通过统一所述长期的爱好分析处理单元的输出或/和所述短期的兴趣分析处理单元的输出来输出推荐结果;以及,
统一分配计算单元,基于用户的兴趣变化来变更所述推荐结果输出单元的推荐结果。
2.根据权利要求1所述的推荐装置,其特征在于,其中,
所述长期的爱好分析处理单元包括:
第一历史信息收集单元,从所有的记录信息当中收集分析所需的历史信息;
第一相似性计算单元,通过分析所述收集的历史信息来定义用户之间的相似性;
第一推荐度计算单元,通过采用所述计算出的相似性和所述从所有的记录信息当中收集的分析所需的历史信息来计算推荐给用户的各内容的推荐度;以及,
存储单元,存储所述计算出的推荐度,
所述短期的兴趣分析处理单元包括:
第二历史信息收集单元,从每个会话的记录信息当中实时收集分析所需的历史信息;
第二相似性计算单元,通过分析所述收集的历史信息来定义用户之间的相似性;
第二推荐度计算单元,通过采用所述计算出的相似性和所述每个会话的记录信息当中的分析所需的历史信息来计算推荐给用户的各内容的推荐度,
其中,所述推荐结果输出单元根据所述统一分配计算单元的变更结果,并通过所述存储的每个内容的推荐度和由所述第二推荐度计算单元计算出的每个内容的推荐度来输出推荐结果。
3.根据权利要求1所述的推荐装置,其特征在于,其中,
所述长期的爱好分析处理单元包括:
第一历史信息收集单元,从所有的记录信息当中收集分析所需的历史信息;
第一相似性计算单元,通过分析所述收集的历史信息来定义用户之间的相似性;以及,
存储单元,存储所述计算出的相似性,
所述短期的兴趣分析处理单元包括:
第二历史信息收集单元,从每个会话的记录信息当中实时收集分析所需的历史信息;
第二相似性计算单元,通过分析所述收集的历史信息来定义用户之间的相似性;
第一推荐度计算单元,通过采用所述每个会话的记录信息当中的分析所需的历史信息和所述存储的相似性来计算推荐给用户的各内容的推荐度;以及,
第二推荐度计算单元,通过采用由所述第二相似性计算单元计算出的相似性和所述每个会话的记录信息当中的分析所需的历史信息来计算推荐给用户的各内容的推荐度,
其中,所述推荐结果输出单元根据所述统一分配计算单元的变更结果,并通过由所述第一推荐度计算单元计算出的每个内容的推荐度和由所述第二推荐度计算单元计算出的每个内容的推荐度来输出推荐结果。
4.根据权利要求1所述的推荐装置,其特征在于,其中,
所述长期的爱好分析处理单元包括:
第一历史信息收集单元,从所有的记录信息当中收集分析所需的历史信息;
第一相似性计算单元,通过分析所述收集的历史信息来定义用户之间的相似性;
第一推荐度计算单元,通过采用所述计算出的相似性和所述每个会话的记录信息当中的分析所需的历史信息来计算推荐给用户的各内容的推荐度;以及,
存储单元,存储所述定义的相似性以及计算出的推荐度,
所述短期的兴趣分析处理单元包括:
第二历史信息收集单元,从每个会话的记录信息当中实时收集分析所需的历史信息;
第二推荐度计算单元,通过采用所述定义的相似性以及计算出的推荐度和采用所述每个会话的记录信息当中的分析所需的历史信息来计算推荐给用户的各内容的推荐度,
其中,所述推荐结果输出单元根据所述统一分配计算单元的变更结果,并通过由所述第一推荐度计算单元计算出的每个内容的推荐度和由所述第二推荐度计算单元计算出的每个内容的推荐度来输出推荐结果。
5.根据权利要求1至4中任一项所述的推荐装置,其特征在于,包括:
数据库,储存所述每个会话的记录信息;
浏览状态获取单元,其针对从所述推荐结果输出单元输出的推荐,获取用户的浏览状态;以及,
浏览状态反馈单元,将所述获取到的用户的浏览状态反馈至所述数据库和所述统一分配计算单元中,
其中,所述统一分配计算单元根据浏览状态反馈信息,并基于用户的兴趣的变化来变更所述推荐结果输出单元的推荐结果。
6.一种推荐系统,其采用协调过滤方法,所述协调过滤方法为基于购买历史或浏览历史等的用户的历史信息来定义用户之间的相似性,并基于该定义的相似性,将被预测为用户感兴趣的内容作为推荐结果来输出的方法,所述推荐系统的特征在于,包括:
第一数据库,储存所有的所述历史信息;
第二数据库,储存每个会话的所述历史信息;
长期的爱好分析处理装置,通过分析储存于所述第一数据库中的历史信息来生成推荐所需的信息;
短期的兴趣分析处理装置,通过分析储存于所述第二数据库中的每个会话的历史信息来生成推荐所需的信息;
推荐结果输出装置,通过统一所述长期的爱好分析处理装置的输出或/和所述短期的兴趣分析处理装置的输出来输出推荐结果;以及,
统一分配计算装置,基于用户的兴趣变化来变更所述推荐结果输出装置的推荐结果。
7.根据权利要求6所述的推荐系统,其特征在于,其中,
所述长期的爱好分析处理装置包括:
第一历史信息收集单元,从所有的记录信息当中收集分析所需的历史信息;
第一相似性计算单元,通过分析所述收集的历史信息来定义用户之间的相似性;
第一推荐度计算单元,通过采用所述计算出的相似性和所述从所有的记录信息当中收集的分析所需的历史信息来计算推荐给用户的各内容的推荐度;以及,
存储单元,存储所述计算出的推荐度,
所述短期的兴趣分析处理装置包括:
第二历史信息收集单元,从每个会话的记录信息当中实时收集分析所需的历史信息;
第二相似性计算单元,通过分析所述收集的历史信息来定义用户之间的相似性;
第二推荐度计算单元,通过采用所述计算出的相似性和所述每个会话的记录信息当中的分析所需的历史信息来计算推荐给用户的各内容的推荐度,
其中,所述推荐结果输出装置根据所述统一分配计算装置的变更结果,并通过所述存储的每个内容的推荐度和由所述第二推荐度计算单元计算出的每个内容的推荐度来输出推荐结果。
8.根据权利要求6所述的推荐系统,其特征在于,其中,
所述长期的爱好分析处理装置包括:
第一历史信息收集单元,从所有的记录信息当中收集分析所需的历史信息;
第一相似性计算单元,通过分析所述收集的历史信息来定义用户之间的相似性;以及,
存储单元,存储所述计算出的相似性,
所述短期的兴趣分析处理装置包括:
第二历史信息收集单元,从每个会话的记录信息当中实时收集分析所需的历史信息;
第二相似性计算单元,通过分析所述收集的历史信息来定义用户之间的相似性;
第一推荐度计算单元,通过采用所述每个会话的记录信息当中的分析所需的历史信息和所述存储的相似性来计算推荐给用户的各内容的推荐度;以及,
第二推荐度计算单元,通过采用由所述第二相似性计算单元计算出的相似性和所述每个会话的记录信息当中的分析所需的历史信息来计算推荐给用户的各内容的推荐度,
其中,所述推荐结果输出装置根据所述统一分配计算装置的变更结果,并通过由所述第一推荐度计算单元计算出的每个内容的推荐度和由所述第二推荐度计算单元计算出的每个内容的推荐度来输出推荐结果。
9.根据权利要求6所述的推荐系统,其特征在于,其中,
所述长期的爱好分析处理装置包括:
第一历史信息收集单元,从所有的记录信息当中收集分析所需的历史信息;
第一相似性计算单元,通过分析所述收集的历史信息来定义用户之间的相似性;
第一推荐度计算单元,通过采用所述计算出的相似性和所述每个会话的记录信息当中的分析所需的历史信息来计算推荐给用户的各内容的推荐度;以及,
存储单元,存储所述定义的相似性以及计算出的推荐度,
所述短期的兴趣分析处理装置包括:
第二历史信息收集单元,从每个会话的记录信息当中实时收集分析所需的历史信息;
第二推荐度计算单元,通过采用所述定义的相似性以及计算出的推荐度和采用所述每个会话的记录信息当中的分析所需的历史信息来计算推荐给用户的各内容的推荐度,
其中,所述推荐结果输出装置根据所述统一分配计算装置的变更结果,并通过由所述第一推荐度计算单元计算出的每个内容的推荐度和由所述第二推荐度计算单元计算出的每个内容的推荐度来输出推荐结果。
10.根据权利要求6至9中任一项所述的推荐系统,其特征在于,包括:
浏览状态获取装置,其针对输出的推荐,获取用户的浏览状态;
浏览状态反馈装置,将所述获取到的用户的浏览状态反馈至所述第二数据库和所述统一分配计算单元中,
其中,所述统一分配计算装置根据浏览状态反馈信息,并基于用户的兴趣的变化来变更所述推荐结果输出装置的推荐结果。
11.一种推荐方法,其采用协调过滤方法,所述协调过滤方法为基于购买历史或浏览历史等的用户的历史信息来定义用户之间的相似性,并基于该定义的相似性,将被预测为用户感兴趣的内容作为推荐结果来输出的方法,所述推荐方法的特征在于,包括:
长期的爱好分析处理步骤,通过分析所有的所述历史信息来生成推荐所需的信息;
短期的兴趣分析处理步骤,通过分析每个会话的历史信息来生成推荐所需的信息;
推荐结果输出步骤,通过统一所述长期的爱好分析处理步骤的输出或/和所述短期的兴趣分析处理步骤的输出来输出推荐结果;以及,
统一分配计算步骤,基于用户的兴趣变化来变更所述推荐结果输出步骤的推荐结果。
12.一种用于使计算机执行推荐方法的程序,其采用协调过滤方法,所述协调过滤方法为基于购买历史或浏览历史等的用户的历史信息来定义用户之间的相似性,并基于该定义的相似性,将被预测为用户感兴趣的内容作为推荐结果来输出的方法,所述程序使计算机执行:
长期的爱好分析处理步骤,通过分析所有的所述历史信息来生成推荐所需的信息;
短期的兴趣分析处理步骤,通过分析每个会话的历史信息来生成推荐所需的信息;
推荐结果输出步骤,通过统一所述长期的爱好分析处理步骤的输出或/和所述短期的兴趣分析处理步骤的输出来输出推荐结果;以及,
统一分配计算步骤,基于用户的兴趣变化来变更所述推荐结果输出步骤的推荐结果。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2011-264625 | 2011-12-02 | ||
JP2011264625A JP5798022B2 (ja) | 2011-12-02 | 2011-12-02 | レコメンド装置、レコメンドシステム、レコメンド方法およびプログラム |
PCT/JP2012/080921 WO2013081051A1 (ja) | 2011-12-02 | 2012-11-29 | レコメンド装置、レコメンドシステム、レコメンド方法およびプログラム |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104246751A true CN104246751A (zh) | 2014-12-24 |
CN104246751B CN104246751B (zh) | 2017-05-31 |
Family
ID=48535500
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201280058706.2A Expired - Fee Related CN104246751B (zh) | 2011-12-02 | 2012-11-29 | 推荐装置、推荐系统以及推荐方法 |
Country Status (3)
Country | Link |
---|---|
JP (1) | JP5798022B2 (zh) |
CN (1) | CN104246751B (zh) |
WO (1) | WO2013081051A1 (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106033413A (zh) * | 2015-03-09 | 2016-10-19 | 阿里巴巴集团控股有限公司 | 信息库的生成方法及装置、信息的搜索方法 |
WO2017041484A1 (zh) * | 2015-09-08 | 2017-03-16 | 腾讯科技(深圳)有限公司 | 一种实时信息的推荐方法、装置和系统 |
CN108985817A (zh) * | 2016-12-02 | 2018-12-11 | 口碑(上海)信息技术有限公司 | 关联业务处理方法及装置、店铺推荐方法及装置 |
CN109034972A (zh) * | 2018-07-24 | 2018-12-18 | 合肥爱玩动漫有限公司 | 一种游戏中基于玩家喜好的商品推送方法 |
CN111125537A (zh) * | 2019-12-31 | 2020-05-08 | 中国计量大学 | 一种基于图表征的会话推荐方法 |
CN113535311A (zh) * | 2021-07-29 | 2021-10-22 | 展讯半导体(成都)有限公司 | 一种页面显示方法、装置及电子设备 |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2015060547A (ja) * | 2013-09-20 | 2015-03-30 | シャープ株式会社 | 情報処理装置、情報処理システム、情報処理方法、情報処理プログラムおよび端末装置 |
CN106997358A (zh) * | 2016-01-22 | 2017-08-01 | 中移(杭州)信息技术有限公司 | 信息推荐方法及装置 |
CN110929164B (zh) * | 2019-12-09 | 2023-04-21 | 北京交通大学 | 一种基于用户动态偏好与注意力机制的兴趣点推荐方法 |
CN112163147A (zh) * | 2020-06-09 | 2021-01-01 | 中森云链(成都)科技有限责任公司 | 一种用于网站会话场景的推荐方法 |
CN112905887B (zh) * | 2021-02-22 | 2021-12-14 | 中国计量大学 | 一种基于多兴趣短期优先模型的会话推荐方法 |
CN112948683B (zh) * | 2021-03-16 | 2022-11-11 | 山西大学 | 一种社交信息动态融合的社会化推荐方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101286217A (zh) * | 2007-04-12 | 2008-10-15 | 株式会社东芝 | 信息评估系统及用于评估信息的方法 |
CN101436186A (zh) * | 2007-11-12 | 2009-05-20 | 北京搜狗科技发展有限公司 | 一种提供相关搜索的方法及系统 |
CN101968802A (zh) * | 2010-09-30 | 2011-02-09 | 百度在线网络技术(北京)有限公司 | 一种基于用户浏览行为进行互联网内容推荐的方法与设备 |
CN102129444A (zh) * | 2010-01-12 | 2011-07-20 | 索尼公司 | 信息处理装置、信息处理方法和程序 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004326227A (ja) * | 2003-04-22 | 2004-11-18 | Matsushita Electric Ind Co Ltd | 情報提供方法、情報提供装置、そのプログラム、および、そのプログラム記憶媒体 |
EP1873657A1 (en) * | 2006-06-29 | 2008-01-02 | France Télécom | User-profile based web page recommendation system and method |
-
2011
- 2011-12-02 JP JP2011264625A patent/JP5798022B2/ja active Active
-
2012
- 2012-11-29 CN CN201280058706.2A patent/CN104246751B/zh not_active Expired - Fee Related
- 2012-11-29 WO PCT/JP2012/080921 patent/WO2013081051A1/ja active Application Filing
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101286217A (zh) * | 2007-04-12 | 2008-10-15 | 株式会社东芝 | 信息评估系统及用于评估信息的方法 |
CN101436186A (zh) * | 2007-11-12 | 2009-05-20 | 北京搜狗科技发展有限公司 | 一种提供相关搜索的方法及系统 |
CN102129444A (zh) * | 2010-01-12 | 2011-07-20 | 索尼公司 | 信息处理装置、信息处理方法和程序 |
CN101968802A (zh) * | 2010-09-30 | 2011-02-09 | 百度在线网络技术(北京)有限公司 | 一种基于用户浏览行为进行互联网内容推荐的方法与设备 |
Non-Patent Citations (2)
Title |
---|
RAFTER, RACHAEL等: ""Conversational collaborative recommendation – an experimental analysis"", 《ARTIFICIAL INTELLIGENCE REVIEW》 * |
马宏伟 等: ""协同过滤推荐算法综述"", 《小型微型计算机系统》 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106033413A (zh) * | 2015-03-09 | 2016-10-19 | 阿里巴巴集团控股有限公司 | 信息库的生成方法及装置、信息的搜索方法 |
WO2017041484A1 (zh) * | 2015-09-08 | 2017-03-16 | 腾讯科技(深圳)有限公司 | 一种实时信息的推荐方法、装置和系统 |
US11003726B2 (en) | 2015-09-08 | 2021-05-11 | Tencent Technology (Shenzhen) Company Limited | Method, apparatus, and system for recommending real-time information |
CN108985817A (zh) * | 2016-12-02 | 2018-12-11 | 口碑(上海)信息技术有限公司 | 关联业务处理方法及装置、店铺推荐方法及装置 |
CN108985817B (zh) * | 2016-12-02 | 2021-03-23 | 口碑(上海)信息技术有限公司 | 关联业务处理方法及装置、店铺推荐方法及装置 |
CN109034972A (zh) * | 2018-07-24 | 2018-12-18 | 合肥爱玩动漫有限公司 | 一种游戏中基于玩家喜好的商品推送方法 |
CN111125537A (zh) * | 2019-12-31 | 2020-05-08 | 中国计量大学 | 一种基于图表征的会话推荐方法 |
CN111125537B (zh) * | 2019-12-31 | 2020-12-22 | 中国计量大学 | 一种基于图表征的会话推荐方法 |
CN113535311A (zh) * | 2021-07-29 | 2021-10-22 | 展讯半导体(成都)有限公司 | 一种页面显示方法、装置及电子设备 |
Also Published As
Publication number | Publication date |
---|---|
WO2013081051A1 (ja) | 2013-06-06 |
CN104246751B (zh) | 2017-05-31 |
JP5798022B2 (ja) | 2015-10-21 |
JP2013117830A (ja) | 2013-06-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104246751A (zh) | 推荐装置、推荐系统、推荐方法以及程序 | |
US11392840B2 (en) | System and method for generating recommendations | |
Balsiger et al. | Navigating regional environmental governance | |
CN110503206A (zh) | 一种预测模型更新方法、装置、设备及可读介质 | |
Wang et al. | Hotel recommendation approach based on the online consumer reviews using interval neutrosophic linguistic numbers | |
CN107526807A (zh) | 信息推荐方法及装置 | |
EP3070661A1 (en) | System and method for providing context driven hyper-personalized recommendation | |
Tran et al. | Hashtag recommendation approach based on content and user characteristics | |
CN103678647A (zh) | 一种实现信息推荐的方法及系统 | |
CN102902775B (zh) | 互联网实时计算的方法和系统 | |
CN107004008A (zh) | 使用对不同的数据存储位置的自动化查询的相关文件识别 | |
Fan et al. | An integrated personalization framework for SaaS-based cloud services | |
CN102377790A (zh) | 一种推送数据的方法和装置 | |
CN103136253A (zh) | 获取信息的方法和装置 | |
CN105359125A (zh) | 用户历史播放列表和预订 | |
CN103559619A (zh) | 一种服装尺码信息的应答方法及系统 | |
CN108416627A (zh) | 一种基于互联网数据的品牌影响力监控方法及系统 | |
CN110111167A (zh) | 一种确定推荐对象的方法和装置 | |
Wang et al. | Deep user modeling for content-based event recommendation in event-based social networks | |
CN111159341A (zh) | 基于用户投资理财偏好的资讯推荐方法及装置 | |
CN108122153A (zh) | 电子商务环境下基于云计算处理模式的个性化推荐方法 | |
CN111078997B (zh) | 一种资讯推荐方法及装置 | |
CN109190027A (zh) | 多源推荐方法、终端、服务器、计算机设备、可读介质 | |
US20130179429A1 (en) | System and method for semantic analysis of social network user activities | |
US9626711B2 (en) | Systems and methods for providing product recommendations incorporating secondary sources of information |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20170531 Termination date: 20181129 |
|
CF01 | Termination of patent right due to non-payment of annual fee |