CN105512341B - 基于大数据搜索的个性化推荐方法和系统 - Google Patents
基于大数据搜索的个性化推荐方法和系统 Download PDFInfo
- Publication number
- CN105512341B CN105512341B CN201511034575.6A CN201511034575A CN105512341B CN 105512341 B CN105512341 B CN 105512341B CN 201511034575 A CN201511034575 A CN 201511034575A CN 105512341 B CN105512341 B CN 105512341B
- Authority
- CN
- China
- Prior art keywords
- information
- recommendation
- recommendation information
- search
- initial
- 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.)
- Active
Links
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
-
- 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
- G06Q30/0241—Advertisements
- G06Q30/0251—Targeted advertisements
- G06Q30/0253—During e-commerce, i.e. online transactions
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Development Economics (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Data Mining & Analysis (AREA)
- Economics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明涉及一种个性化推荐方法和系统,其中,方法包括以下步骤:对预先从推荐系统获取到的推荐信息进行筛选,得到初始推荐信息;分别以各个初始推荐信息为搜索信息在搜索引擎中进行搜索,得到对应的N1条第一搜索结果,分别以各个初始推荐信息与预先获取的用户属性信息为搜索信息在搜索引擎中进行搜索,得到对应的N2条第二搜索结果;根据各个初始推荐信息的N1与N2的比值对所述初始推荐信息进行筛选,得到推荐结果。
Description
技术领域
本发明涉及搜索技术领域,特别是涉及一种基于大数据搜索的个性化推荐方法和系统。
背景技术
随着推荐技术的快速发展,用户对推荐结果的要求也越来越高。个性化推荐是推荐技术的最重要内容之一。现有的个性化推荐是根据用户的兴趣特点和购买行为,向用户推荐用户感兴趣的信息和商品。随着电子商务规模的不断扩大,商品个数和种类快速增长,顾客需要花费大量的时间才能找到自己想买的商品。这种浏览大量无关的信息和产品过程无疑会使淹没在信息过载问题中的消费者不断流失。为了解决这些问题,个性化推荐系统应运而生。个性化推荐系统是建立在海量数据挖掘基础上的一种高级商务智能平台,以帮助电子商务网站为其顾客购物提供完全个性化的决策支持和信息服务。
现有个性化推荐是基于某个信息平台或信息系统内部的海量数据做出的,譬如淘宝的商品推荐系统是基于淘宝信息平台里的海量数据进行推荐的,又譬如当当网的推荐系统是基于当当网信息平台里的海量数据进行推荐的。各个信息平台或信息系统里的数据量虽然很大,但相互之间没有融合,所以形成了数据孤岛,相对于互联网上的大数据而言,某个信息平台或信息系统内部的海量数据只能称得上是小数据,导致了现有推荐系统主要有以下问题:
(1)现有推荐技术在向一个用户进行推荐时需要参考该个用户的以往购买行为,对新用户而言,没有足够的购买行为的历史数据可以供推荐系统参考;
(2)现有推荐技术在向一个用户进行推荐时需要参考与该个用户类似的同类用户的购买行为,而另类用户的需求往往与一般用户不同;
(3)现有推荐系统是根据用户的兴趣特点和购买行为进行推荐的,而用户的兴趣特点和购买行为是从用户的购买历史数据中挖掘出来的,虽然用户的兴趣特点和购买行为也属于用户的属性,但这些用户属性信息是从用户的购买历史数据中挖掘出来的,属于用户在购买时的属性,而用户购买属性之外的用户属性信息却没有被现有推荐技术所考虑和利用。
综上所述,现有推荐系统推荐,准确率无法突破现有的瓶颈,准确率低。
发明内容
基于此,有必要针对现有技术准确率低的问题,提供一种基于大数据搜索的个性化推荐方法和系统。
一种个性化推荐方法,包括以下步骤:
对预先从推荐系统获取到的推荐信息进行筛选,得到初始推荐信息;
分别以各个初始推荐信息为搜索信息在搜索引擎中进行搜索,得到对应的N1条第一搜索结果,分别以各个初始推荐信息与预先获取的用户属性信息为搜索信息在搜索引擎中进行搜索,得到对应的N2条第二搜索结果;
根据各个初始推荐信息的N1与N2的比值对所述初始推荐信息进行筛选,得到推荐结果。
一种个性化推荐系统,包括:
第一筛选模块,用于对预先从推荐系统获取到的推荐信息进行筛选,得到初始推荐信息;
搜索模块,用于分别以各个初始推荐信息为搜索信息在搜索引擎中进行搜索,得到对应的N1条第一搜索结果,分别以各个初始推荐信息与预先获取的用户属性信息为搜索信息在搜索引擎中进行搜索,得到对应的N2条第二搜索结果;
第二筛选模块,用于根据各个初始推荐信息的N1与N2的比值对所述初始推荐信息进行筛选,得到推荐结果。
上述个性化推荐方法和系统,通过对预先从推荐系统获取到的推荐信息进行筛选,得到初始推荐信息;分别以各个初始推荐信息为搜索信息在搜索引擎中进行搜索,得到对应的N1条第一搜索结果,分别以各个初始推荐信息与预先获取的用户属性信息为搜索信息在搜索引擎中进行搜索,得到对应的N2条第二搜索结果;根据各个初始推荐信息的N1与N2的比值对所述初始推荐信息进行筛选,得到推荐结果,极大提高了推荐结果与用户属性的契合度,满足了用户的个性化推荐的需要,提高推荐的准确率,提高了用户对推荐结果的采纳率,提升了推荐系统对用户的价值。
附图说明
图1为一个实施例的个性化推荐方法流程图;
图2为一个实施例的个性化推荐系统的结构示意图。
具体实施方式
下面结合附图对本发明的个性化推荐方法和系统的实施例进行描述。
图1为一个实施例的个性化推荐方法流程图。如图1所示,所述个性化推荐方法可包括以下步骤:
步骤S1,对预先从推荐系统获取到的推荐信息进行筛选,得到初始推荐信息;
其中,所述推荐系统可以是现有的各种推荐系统,也可以是新开发的推荐系统;从推荐系统获取到的推荐信息可以是各种类型的推荐信息,譬如,商品推荐信息、服装推荐信息、图书推荐信息、视频推荐信息、图片推荐信息、论文推荐信息或好友推荐信息等。
假设从推荐系统获取到的推荐信息的数量为P,初始推荐信息的数量为N,则N小于或等于P。可计算预先从推荐系统获取到的推荐信息的数量;将所述数量与预设的数量阈值进行比较;若所述数量大于所述数量阈值,可从预先从推荐系统获取到的推荐信息中选择N条推荐信息,设为初始推荐信息。通过这种方式,可以避免P的数值较大时造成后续处理花费时间过长、处理复杂度过高的问题,有效提高了后续对推荐信息的处理效率,节约了处理时间。
步骤S2,分别以各个初始推荐信息为搜索信息在搜索引擎中进行搜索,得到对应的N1条第一搜索结果,分别以各个初始推荐信息与预先获取的用户属性信息为搜索信息在搜索引擎中进行搜索,得到对应的N2条第二搜索结果;
例如,假设初始推荐信息的数量为N=3,分别以3条初始推荐信息为搜索信息在搜索引擎中进行搜索,得到的第一搜索结果的数量分别为N1=30、40和50。假设分别以3条初始推荐信息与预先获取的用户属性信息为搜索信息在搜索引擎中进行搜索,得到的第二搜索结果的数量分别为N2=10、15和35。可将上述N1和N2代入后续步骤。
所述搜索引擎可以是一种大数据搜索引擎,还可以是互联网搜索引擎(譬如谷歌、百度等),还可以是基于语料库的搜索引擎,还可以是其他类型的信息搜索引擎。搜索是调用搜索引擎自动完成的。
所述用户属性信息包括用户的年龄、性别、职业、学历、专业、特长、爱好和地理位置等信息。
获取用户属性信息的方式可以是获取搜索引擎上登录的注册账户;提取所述账户相关联的用户属性信息。获取用户属性信息的方式还可以是弹出信息输入界面;接收用户在所述信息输入界面中输入的用户属性信息。初始推荐信息与所述用户属性组合的方式是将用户属性组追加到初始推荐信息之后。
步骤S3,根据各个初始推荐信息的N1与N2的比值对所述初始推荐信息进行筛选,得到推荐结果。具体讲,可以根据以下方式获取推荐结果:
步骤S31,计算各个初始推荐信息的N1与N2的比值N1/N2;
步骤S32,对所述比值进行排序,得到所述比值对应的序列;
步骤S33,选择所述序列中的排序靠前的M个比值,并将所述M个比值对应的初始推荐信息设为推荐结果;其中,M小于N小于或等于P,N为初始推荐信息的数量,P为预先从推荐系统获取到的推荐信息的数量。
在得到所述推荐结果之后,可将所述推荐结果输出给用户。
其中,将最终推荐结果输出给用户的方式可以是现有推荐系统所采用的方式,也可以采用其他的信息输出方式,譬如,如网页的方式、文件的方式。
其中,当所述推荐系统向多个用户推荐所述推荐结果,则可针对所述多个用户执行多次所述个性化推荐方法;当所述推荐系统多次向一个用户推荐多个推荐结果,则针对所述多次执行多次所述个性化推荐方法;所述推荐结果的序列是有序的,是按照N2的值从大到小进行排序的。N2的值反映了各个初始推荐信息与用户属性的契合度。某条初始推荐信息的N2值越大,表明用户对该推荐信息的认同度越高,反之,某条初始推荐信息的N2值越小,表明用户对该推荐信息的认同度越低。
N1与N2的比值N1/N2反映了用户属性引起用户对初始推荐信息的认同度的变化。某条初始推荐信息N1/N2的值越大,表明该初始推荐信息引起用户对初始推荐信息的认同度的变化越大,从而说明初始推荐信息与用户属性的契合度越小;反之,某条初始推荐信息N1/N2的值越小,表明该初始推荐信息引起用户对初始推荐信息的认同度的变化越小,从而说明初始推荐信息与用户属性的契合度越大。
前M个比值中如果有些商数相同,则这些相同比值对应的推荐结果的先后顺序按照这些推荐结果原先的先后顺序不变;因为当该个第一搜索结果数除以对应的第二搜索结果数得到的比值越小,则说明该初始搜索信息与该个用户属性的契合度越大,所以N条初始推荐信息的N个比值从小到大进行排序,本质上是对M个比值对应的M个第一搜索结果数对应的M个初始推荐信息与所述用户属性的契合度从大到小进行排序,因此序列中前M个比值对应的M个第一搜索结果数对应的M个初始推荐信息是与所述用户属性的契合度最大的M个初始搜索信息,且在排序得到的序列中M个初始推荐信息也是按照与所述用户属性的契合度从大到小进行排序的,使得用户能够得到与用户属性更契合的M个推荐结果,且越契合的推荐结果就越能先看到,因为与用户属性越契合的推荐结果在序列中越靠前,避免了现有推荐系统推荐的P个推荐结果中含有大量与用户属性不契合的推荐结果的情况,因此本发明实施例中M个推荐结果的序列对用户而言更有针对性,充分考虑了用户的属性,从而避免了未针对不同用户属性进行个性化推荐的弊端,提高了推荐结果与用户属性的契合度,满足了用户的个性化推荐的需要,提高推荐的准确率,提高了用户对推荐结果的采纳率,提升了推荐系统对用户的价值。
图2为一个实施例的个性化推荐系统的结构示意图。如图2所示,所述个性化推荐系统可包括:
第一筛选模块10,用于对预先从推荐系统获取到的推荐信息进行筛选,得到初始推荐信息;
其中,所述推荐系统可以是现有的各种推荐系统,也可以是新开发的推荐系统;从推荐系统获取到的推荐信息可以是各种类型的推荐信息,譬如,商品推荐信息、服装推荐信息、图书推荐信息、视频推荐信息、图片推荐信息、论文推荐信息或好友推荐信息等。
假设从推荐系统获取到的推荐信息的数量为P,初始推荐信息的数量为N,则N小于或等于P。可计算预先从推荐系统获取到的推荐信息的数量;将所述数量与预设的数量阈值进行比较;若所述数量大于所述数量阈值,可从预先从推荐系统获取到的推荐信息中选择N条推荐信息,设为初始推荐信息。通过这种方式,可以避免P的数值较大时造成后续处理花费时间过长、处理复杂度过高的问题,有效提高了后续对推荐信息的处理效率,节约了处理时间。
搜索模块20,用于分别以各个初始推荐信息为搜索信息在搜索引擎中进行搜索,得到对应的N1条第一搜索结果,分别以各个初始推荐信息与预先获取的用户属性信息为搜索信息在搜索引擎中进行搜索,得到对应的N2条第二搜索结果;
例如,假设初始推荐信息的数量为N=3,分别以3条初始推荐信息为搜索信息在搜索引擎中进行搜索,得到的第一搜索结果的数量分别为N1=30、40和50。假设分别以3条初始推荐信息与预先获取的用户属性信息为搜索信息在搜索引擎中进行搜索,得到的第二搜索结果的数量分别为N2=10、15和35。可将上述N1和N2代入搜索模块30。
所述搜索引擎可以是一种大数据搜索引擎,还可以是互联网搜索引擎(譬如谷歌、百度等),还可以是基于语料库的搜索引擎,还可以是其他类型的信息搜索引擎。搜索是调用搜索引擎自动完成的。
所述用户属性信息包括用户的年龄、性别、职业、学历、专业、特长、爱好和地理位置等信息。
获取用户属性信息的方式可以是获取搜索引擎上登录的注册账户;提取所述账户相关联的用户属性信息。获取用户属性信息的方式还可以是弹出信息输入界面;接收用户在所述信息输入界面中输入的用户属性信息。初始推荐信息与所述用户属性组合的方式是将用户属性组追加到初始推荐信息之后。
搜索模块30,用于根据各个初始推荐信息的N1与N2的比值对所述初始推荐信息进行筛选,得到推荐结果。具体讲,所述搜索模块30可以根据以下方式获取推荐结果:
计算各个初始推荐信息的N1与N2的比值N1/N2;
对所述比值进行排序,得到所述比值对应的序列;
选择所述序列中的排序靠前的M个比值,并将所述M个比值对应的初始推荐信息设为推荐结果;其中,M小于N小于或等于P,N为初始推荐信息的数量,P为预先从推荐系统获取到的推荐信息的数量。
在得到所述推荐结果之后,可将所述推荐结果输出给用户。
其中,将最终推荐结果输出给用户的方式可以是现有推荐系统所采用的方式,也可以采用其他的信息输出方式,譬如,如网页的方式、文件的方式。
其中,当所述推荐系统向多个用户推荐所述推荐结果,则可针对所述多个用户执行多次所述个性化推荐方法;当所述推荐系统多次向一个用户推荐多个推荐结果,则针对所述多次执行多次所述个性化推荐方法;所述推荐结果的序列是有序的,是按照N2的值从大到小进行排序的。N2的值反映了各个初始推荐信息与用户属性的契合度。某条初始推荐信息的N2值越大,表明用户对该推荐信息的认同度越高,反之,某条初始推荐信息的N2值越小,表明用户对该推荐信息的认同度越低。
N1与N2的比值N1/N2反映了用户属性引起用户对初始推荐信息的认同度的变化。某条初始推荐信息N1/N2的值越大,表明该初始推荐信息引起用户对初始推荐信息的认同度的变化越大,从而说明初始推荐信息与用户属性的契合度越小;反之,某条初始推荐信息N1/N2的值越小,表明该初始推荐信息引起用户对初始推荐信息的认同度的变化越小,从而说明初始推荐信息与用户属性的契合度越大。
前M个比值中如果有些商数相同,则这些相同比值对应的推荐结果的先后顺序按照这些推荐结果原先的先后顺序不变;因为当该个第一搜索结果数除以对应的第二搜索结果数得到的比值越小,则说明该初始搜索信息与该个用户属性的契合度越大,所以N条初始推荐信息的N个比值从小到大进行排序,本质上是对M个比值对应的M个第一搜索结果数对应的M个初始推荐信息与所述用户属性的契合度从大到小进行排序,因此序列中前M个比值对应的M个第一搜索结果数对应的M个初始推荐信息是与所述用户属性的契合度最大的M个初始搜索信息,且在排序得到的序列中M个初始推荐信息也是按照与所述用户属性的契合度从大到小进行排序的,使得用户能够得到与用户属性更契合的M个推荐结果,且越契合的推荐结果就越能先看到,因为与用户属性越契合的推荐结果在序列中越靠前,避免了现有推荐系统推荐的P个推荐结果中含有大量与用户属性不契合的推荐结果的情况,因此本发明实施例中M个推荐结果的序列对用户而言更有针对性,充分考虑了用户的属性,从而避免了未针对不同用户属性进行个性化推荐的弊端,提高了推荐结果与用户属性的契合度,满足了用户的个性化推荐的需要,提高推荐的准确率,提高了用户对推荐结果的采纳率,提升了推荐系统对用户的价值。
下面以一个实例对本发明的个性化推荐方法和系统进行说明。
譬如,某个购物网站向用户进行个性化推荐。
用户登录一个购物网站时,该购物网站的推荐系统向用户推荐了一些商品,获取该购物网站的推荐系统向我推荐的推荐结果;
所述推荐系统向用户推荐的推荐结果数记为P,将这P个推荐结果中的前11个推荐结果作为11个初始搜索信息:
丸美防晒霜女防水正品激白防晒精华隔离乳SPF30防紫外线全身45g;
包邮新款大网鞋男凉鞋学生休闲运动鞋男夏季网布鞋男士加大码男鞋;
中歌金立S7手机套ELIFE7壳GN9006透明硅胶保护软套外壳配件后盖潮;
iphone4s手机壳苹果5s外壳超薄塑料磨砂保护硬壳黑白红潮男女简约;
包邮男包 加厚帆布双肩包男士包包 休闲旅行包潮男包 韩版男背包;
茵曼2015夏装新款背心女夏外穿印花无袖衫夏季背心吊带8520300114;
森谷鸟 韩版潮2015春秋女帆布鞋 松糕鞋 高帮增高女鞋厚底布鞋子;
大sim韩国定制款 夏装必备 破洞纯色简约圆领宽松短袖女T恤;
中老年女款夏装T恤雪纺衫上衣大码妈妈装宽松绣花短袖老年人衣服;
小米2s手机保护壳二s后盖手机套潮小米2皮套外壳m2超薄硬翻盖包邮;
韩国东大门2015夏季新上女装时尚碎花宽松短袖雪纺蛋糕衫短款上衣。
若用户是年轻男性,显然推荐结果里面的女性商品、中老年商品部分推荐是用户不想要的,上面11个推荐结果中有6个推荐结果是用户显然不想要的,所以推荐准确率肯定小于50%,所以是很低的推荐准确率。用户不想要的其中6个推荐结果如下:
丸美防晒霜女防水正品 激白防晒精华隔离乳SPF30防紫外线全身45g;
茵曼2015夏装新款背心女夏外穿印花无袖衫夏季背心吊带8520300114;
森谷鸟 韩版潮2015春秋女帆布鞋 松糕鞋 高帮增高女鞋厚底布鞋子;
大sim韩国定制款 夏装必备 破洞纯色简约圆领宽松短袖女T恤;
中老年女款夏装T恤雪纺衫上衣大码妈妈装宽松绣花短袖老年人衣服;
韩国东大门2015夏季新上女装时尚碎花宽松短袖雪纺蛋糕衫短款上衣。
通过搜索引擎将11个初始搜索信息按照各个初始搜索信息与用户属性的契合度从大到小进行排序,将序列中的前7项作为最终推荐结果的序列。
将11个初始搜索信息作为搜索引擎的11次输入进行n次搜索,得到的11个第一搜索结果数(2015年5月26日下午3点~4点在https://www.baidu.com搜的);
丸美防晒霜女防水正品 激白防晒精华隔离乳SPF30防紫外线全身45g;找到相关结果约29,300个;
包邮新款大网鞋男凉鞋学生休闲运动鞋男夏季网布鞋男士加大码男鞋;找到相关结果约27,500个;
中歌金立S7手机套ELIFE7壳GN9006透明硅胶保护软套外壳配件后盖潮;找到相关结果约112个;
iphone4s手机壳苹果5s外壳超薄塑料磨砂保护硬壳黑白红潮男女简约;找到相关结果约199个;
包邮男包 加厚帆布双肩包男士包包 休闲旅行包潮男包 韩版男背包;找到相关结果约22,000个;
茵曼2015夏装新款背心女夏外穿印花无袖衫夏季背心吊带8520300114;找到相关结果约1,030个;
森谷鸟 韩版潮2015春秋女帆布鞋 松糕鞋 高帮增高女鞋厚底布鞋子;找到相关结果约11,000个;
大sim韩国定制款 夏装必备 破洞纯色简约圆领宽松短袖女T恤;找到相关结果约30,500个;
中老年女款夏装T恤雪纺衫上衣大码妈妈装宽松绣花短袖老年人衣服;找到相关结果约4,470,000个;
小米2s手机保护壳二s后盖手机套潮小米2皮套外壳m2超薄硬翻盖包邮;找到相关结果约222,000个;
韩国东大门2015夏季新上女装时尚碎花宽松短袖雪纺蛋糕衫短款上衣;找到相关结果约2,510个;
获取用户的属性,将11个初始搜索信息与所述用户属性组合成11个第二推荐结果;
其中,11个第二推荐结果为:
丸美防晒霜女防水正品 激白防晒精华隔离乳SPF30防紫外线全身45g年轻男性;
包邮新款大网鞋男凉鞋学生休闲运动鞋男夏季网布鞋男士加大码男鞋 年轻男性;
中歌金立S7手机套ELIFE7壳GN9006透明硅胶保护软套外壳配件后盖潮 年轻男性;
iphone4s手机壳苹果5s外壳超薄塑料磨砂保护硬壳黑白红潮男女简约 年轻男性;
包邮男包 加厚帆布双肩包男士包包 休闲旅行包潮男包 韩版男背包 年轻男性;
茵曼2015夏装新款背心女夏外穿印花无袖衫夏季背心吊带8520300114 年轻男性;
森谷鸟 韩版潮2015春秋女帆布鞋 松糕鞋 高帮增高女鞋厚底布鞋子 年轻男性;
大sim韩国定制款 夏装必备 破洞纯色简约圆领宽松短袖女T恤 年轻男性;
中老年女款夏装T恤雪纺衫上衣大码妈妈装宽松绣花短袖老年人衣服 年轻男性;
小米2s手机保护壳二s后盖手机套潮小米2皮套外壳m2超薄硬翻盖包邮 年轻男性;
韩国东大门2015夏季新上女装时尚碎花宽松短袖雪纺蛋糕衫短款上衣 年轻男性;
将11个第二推荐结果作为搜索引擎的11次输入进行11次搜索,得到的11个第二搜索结果数(2015年5月26日下午3点~4点在https://www.baidu.com搜的);
丸美防晒霜女防水正品 激白防晒精华隔离乳SPF30防紫外线全身45g年轻男性;找到相关结果约2,230个;
包邮新款大网鞋男凉鞋学生休闲运动鞋男夏季网布鞋男士加大码男鞋 年轻男性;找到相关结果约22,000个;
中歌金立S7手机套ELIFE7壳GN9006透明硅胶保护软套外壳配件后盖潮 年轻男性;找到相关结果约112个;
iphone4s手机壳苹果5s外壳超薄塑料磨砂保护硬壳黑白红潮男女简约 年轻男性;找到相关结果约178个;
包邮男包 加厚帆布双肩包男士包包 休闲旅行包潮男包 韩版男背包 年轻男性;找到相关结果约17,000个;
茵曼2015夏装新款背心女夏外穿印花无袖衫夏季背心吊带8520300114 年轻男性;找到相关结果约344个;
森谷鸟 韩版潮2015春秋女帆布鞋 松糕鞋 高帮增高女鞋厚底布鞋子 年轻男性;找到相关结果约1,670个;
大sim韩国定制款 夏装必备 破洞纯色简约圆领宽松短袖女T恤 年轻男性;找到相关结果约22,200个;
中老年女款夏装T恤雪纺衫上衣大码妈妈装宽松绣花短袖老年人衣服 年轻男性;找到相关结果约521,000个;
小米2s手机保护壳二s后盖手机套潮小米2皮套外壳m2超薄硬翻盖包邮 年轻男性;找到相关结果约207,000个;
韩国东大门2015夏季新上女装时尚碎花宽松短袖雪纺蛋糕衫短款上衣 年轻男性;找到相关结果约1,500个;
将11个第一搜索结果数分别除以11个第一搜索结果数对应的11个初始搜索信息对应的11个第二推荐结果对应的11个第二搜索结果数,得到n个商数;
丸美防晒霜女防水正品激白防晒精华隔离乳SPF30防紫外线全身45g;对应的商数约为13.14;
包邮新款大网鞋男凉鞋学生休闲运动鞋男夏季网布鞋男士加大码男鞋;对应的商数为1.25;
中歌金立S7手机套ELIFE7壳GN9006透明硅胶保护软套外壳配件后盖潮;对应的商数为1;
iphone4s手机壳苹果5s外壳超薄塑料磨砂保护硬壳黑白红潮男女简约;对应的商数约为1.12;
包邮男包 加厚帆布双肩包男士包包 休闲旅行包潮男包 韩版男背包;对应的商数约为1.29;
茵曼2015夏装新款背心女夏外穿印花无袖衫夏季背心吊带8520300114;对应的商数约为2.99;
森谷鸟 韩版潮2015春秋女帆布鞋 松糕鞋 高帮增高女鞋厚底布鞋子;对应的商数约为6.59;
大sim韩国定制款 夏装必备 破洞纯色简约圆领宽松短袖女T恤;对应的商数约为1.37;
中老年女款夏装T恤雪纺衫上衣大码妈妈装宽松绣花短袖老年人衣服;对应的商数约为8.58;
小米2s手机保护壳二s后盖手机套潮小米2皮套外壳m2超薄硬翻盖包邮;对应的商数约为1.07;
韩国东大门2015夏季新上女装时尚碎花宽松短袖雪纺蛋糕衫短款上衣;对应的商数约为1.67;
将11个商数从小到大进行排序,选出序列中前7个商数对应的7个第一搜索结果数对应的7个初始搜索信息作为7个最终推荐结果的序列。
首先,按照商数大小进行排序如下:
中歌金立S7手机套ELIFE7壳GN9006透明硅胶保护软套外壳配件后盖潮 年轻男性;对应的商数为1;
小米2s手机保护壳二s后盖手机套潮小米2皮套外壳m2超薄硬翻盖包邮 年轻男性;对应的商数约为1.07;
iphone4s手机壳苹果5s外壳超薄塑料磨砂保护硬壳黑白红潮男女简约 年轻男性;对应的商数约为1.12;
包邮新款大网鞋男凉鞋学生休闲运动鞋男夏季网布鞋男士加大码男鞋 年轻男性;对应的商数为1.25;
包邮男包 加厚帆布双肩包男士包包 休闲旅行包潮男包 韩版男背包 年轻男性;对应的商数约为1.29;
大sim韩国定制款 夏装必备 破洞纯色简约圆领宽松短袖女T恤 年轻男性;对应的商数约为1.37;
韩国东大门2015夏季新上女装时尚碎花宽松短袖雪纺蛋糕衫短款上衣 年轻男性;对应的商数约为1.67;
茵曼2015夏装新款背心女夏外穿印花无袖衫夏季背心吊带8520300114 年轻男性;对应的商数约为2.99;
森谷鸟 韩版潮2015春秋女帆布鞋 松糕鞋 高帮增高女鞋厚底布鞋子 年轻男性;对应的商数约为6.59;
中老年女款夏装T恤雪纺衫上衣大码妈妈装宽松绣花短袖老年人衣服 年轻男性;对应的商数约为8.58;
丸美防晒霜女防水正品 激白防晒精华隔离乳SPF30防紫外线全身45g年轻男性;对应的商数约为13.14;
然后,选出序列中前7个商数对应的7个第一搜索结果数对应的7个初始搜索信息作为7个最终推荐结果的序列,如下:
中歌金立S7手机套ELIFE7壳GN9006透明硅胶保护软套外壳配件后盖潮 年轻男性;对应的商数为1;
小米2s手机保护壳二s后盖手机套潮小米2皮套外壳m2超薄硬翻盖包邮 年轻男性;对应的商数约为1.07;
iphone4s手机壳苹果5s外壳超薄塑料磨砂保护硬壳黑白红潮男女简约 年轻男性;对应的商数约为1.12;
包邮新款大网鞋男凉鞋学生休闲运动鞋男夏季网布鞋男士加大码男鞋 年轻男性;对应的商数为1.25;
包邮男包 加厚帆布双肩包男士包包 休闲旅行包潮男包 韩版男背包 年轻男性;对应的商数约为1.29;
大sim韩国定制款 夏装必备 破洞纯色简约圆领宽松短袖女T恤 年轻男性;对应的商数约为1.37;
韩国东大门2015夏季新上女装时尚碎花宽松短袖雪纺蛋糕衫短款上衣 年轻男性;对应的商数约为1.67。
这整个过程全部是系统自动完成的;从最终推荐结果中可以看到7个中5个都是跟用户属性契合的,而且这5个推荐结果是第一推荐结果中所有与用户属性契合的推荐结果,而且越是与用户契合的推荐结果就越是被排在了最终推荐结果序列的前列,从而比现有推荐技术的推荐结果有极大的改进;所述搜索引擎(譬如google、gfsoso、baidu等)是在海量的用户在过去长时间积累的大数据的基础上形成的;在搜索引擎中,由后台大数据的数据量的变化,不同时间搜到得到的结果数会有所波动,这种波动反映出人们对某一推荐结果的认同度的真实变化,不但不影响本发明实施例的使用,反而更能真实地反映人们对某一推荐结果的认同度。搜索引擎后台的大数据日益增多,搜索结果就越来越能反映出人们对某一推荐结果的认同度,从而可以依据搜索引擎的结果来判断某推荐结果与某用户属性是否契合,进而提高推荐结果与用户属性的契合度,满足用户的个性化推荐的需要,提高推荐的准确率,提高用户对推荐结果的采纳率,提升推荐系统对用户的价值。
本发明的个性化推荐系统与本发明的个性化推荐方法一一对应,在上述个性化推荐方法的实施例阐述的技术特征及其有益效果均适用于个性化推荐系统的实施例中,特此声明。
以上所述实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本发明的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种个性化推荐方法,其特征在于,包括以下步骤:
对预先从推荐系统获取到的推荐信息进行筛选,得到初始推荐信息;
分别以各个初始推荐信息为搜索信息在搜索引擎中进行搜索,得到对应的N1条第一搜索结果,分别以各个初始推荐信息与预先获取的用户属性信息为搜索信息在搜索引擎中进行搜索,得到对应的N2条第二搜索结果;其中所述搜索是调用搜索引擎自动完成的;
根据各个初始推荐信息的N1与N2的比值对所述初始推荐信息进行筛选,得到推荐结果;
其中,根据各个初始推荐信息的N1与N2的比值对所述初始推荐信息进行筛选,得到推荐结果的步骤包括:计算各个初始推荐信息的N1与N2的比值N1/N2;对所述比值从小到大进行排序,得到所述比值对应的序列;根据所述序列获取所述推荐结果。
2.根据权利要求1所述的个性化推荐方法,其特征在于,在分别以各个初始推荐信息与预先获取的用户属性信息为搜索信息在搜索引擎中进行搜索之前,还包括以下步骤:
获取搜索引擎上登录的注册账户;
提取所述账户相关联的用户属性信息。
3.根据权利要求1所述的个性化推荐方法,其特征在于,在分别以各个初始推荐信息与预先获取的用户属性信息为搜索信息在搜索引擎中进行搜索之前,还包括以下步骤:
弹出信息输入界面;
接收用户在所述信息输入界面中输入的用户属性信息。
4.根据权利要求1所述的个性化推荐方法,其特征在于,根据各个初始推荐信息的N1与N2的比值对所述初始推荐信息进行筛选,得到推荐结果的步骤还包括:
选择所述序列中的排序靠前的M个比值,并将所述M个比值对应的初始推荐信息设为推荐结果;其中,M小于N小于或等于P,N为初始推荐信息的数量,P为预先从推荐系统获取到的推荐信息的数量。
5.根据权利要求1所述的个性化推荐方法,其特征在于,对预先从推荐系统获取到的推荐信息进行筛选,得到初始推荐信息的步骤包括:
计算预先从推荐系统获取到的推荐信息的数量;
将所述数量与预设的数量阈值进行比较;
若所述数量大于所述数量阈值,则从预先从推荐系统获取到的推荐信息中选择N条推荐信息,设为初始推荐信息;其中,N小于或等于P,P为预先从推荐系统获取到的推荐信息的数量。
6.根据权利要求1所述的个性化推荐方法,其特征在于,所述用户属性信息包括用户的年龄、性别、职业、学历、专业、特长、爱好和地理位置。
7.一种个性化推荐系统,其特征在于,包括:
第一筛选模块,用于对预先从推荐系统获取到的推荐信息进行筛选,得到初始推荐信息;
搜索模块,用于分别以各个初始推荐信息为搜索信息在搜索引擎中进行搜索,得到对应的N1条第一搜索结果,分别以各个初始推荐信息与预先获取的用户属性信息为搜索信息在搜索引擎中进行搜索,得到对应的N2条第二搜索结果;其中所述搜索是调用搜索引擎自动完成的;
第二筛选模块,用于根据各个初始推荐信息的N1与N2的比值对所述初始推荐信息进行筛选,得到推荐结果;
其中,所述第二筛选模块包括:
计算单元,用于计算各个初始推荐信息的N1与N2的比值N1/N2;
排序单元,用于对所述比值从小到大进行排序,得到所述比值对应的序列。
8.根据权利要求7所述的个性化推荐系统,其特征在于,还包括:
获取模块,用于获取搜索引擎上登录的注册账户;
提取模块,用于提取所述账户相关联的用户属性信息。
9.根据权利要求7所述的个性化推荐系统,其特征在于,还包括:
弹出模块,用于弹出信息输入界面;
接收模块,用于接收用户在所述信息输入界面中输入的用户属性信息。
10.根据权利要求7所述的个性化推荐系统,其特征在于,所述第二筛选模块还包括:
选择单元,用于选择所述序列中的排序靠前的M个比值,并将所述M个比值对应的初始推荐信息设为推荐结果;其中,M小于N小于或等于P,N为初始推荐信息的数量,P为预先从推荐系统获取到的推荐信息的数量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201511034575.6A CN105512341B (zh) | 2015-12-31 | 2015-12-31 | 基于大数据搜索的个性化推荐方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201511034575.6A CN105512341B (zh) | 2015-12-31 | 2015-12-31 | 基于大数据搜索的个性化推荐方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105512341A CN105512341A (zh) | 2016-04-20 |
CN105512341B true CN105512341B (zh) | 2019-05-31 |
Family
ID=55720321
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201511034575.6A Active CN105512341B (zh) | 2015-12-31 | 2015-12-31 | 基于大数据搜索的个性化推荐方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105512341B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107203530A (zh) * | 2016-03-16 | 2017-09-26 | 北大方正集团有限公司 | 信息推荐方法 |
CN108228907B (zh) * | 2018-02-08 | 2021-04-23 | 北京三快在线科技有限公司 | 一种推荐信息的方法、装置、电子设备及存储介质 |
CN113239284B (zh) * | 2021-07-13 | 2021-10-15 | 武汉斗鱼鱼乐网络科技有限公司 | 推荐信息的顺序确定方法及装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102541590A (zh) * | 2011-12-14 | 2012-07-04 | 奇智软件(北京)有限公司 | 一种软件推荐方法及推荐系统 |
CN104166713A (zh) * | 2014-08-14 | 2014-11-26 | 百度在线网络技术(北京)有限公司 | 网络业务的推荐方法和装置 |
CN104217334A (zh) * | 2013-06-05 | 2014-12-17 | 北京京东尚科信息技术有限公司 | 一种产品信息推荐方法、装置和系统 |
CN104216965A (zh) * | 2014-08-21 | 2014-12-17 | 北京金山安全软件有限公司 | 信息推荐方法和装置 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150046465A1 (en) * | 2010-03-19 | 2015-02-12 | Rebecca Lambert | System and method for targeting relevant research activity in response to diagnostic marker analyses |
-
2015
- 2015-12-31 CN CN201511034575.6A patent/CN105512341B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102541590A (zh) * | 2011-12-14 | 2012-07-04 | 奇智软件(北京)有限公司 | 一种软件推荐方法及推荐系统 |
CN104217334A (zh) * | 2013-06-05 | 2014-12-17 | 北京京东尚科信息技术有限公司 | 一种产品信息推荐方法、装置和系统 |
CN104166713A (zh) * | 2014-08-14 | 2014-11-26 | 百度在线网络技术(北京)有限公司 | 网络业务的推荐方法和装置 |
CN104216965A (zh) * | 2014-08-21 | 2014-12-17 | 北京金山安全软件有限公司 | 信息推荐方法和装置 |
Non-Patent Citations (1)
Title |
---|
基于网络和标签的混合推荐算法;张新猛等;《计算机工程与应用》;20130912;第119-124页 |
Also Published As
Publication number | Publication date |
---|---|
CN105512341A (zh) | 2016-04-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110569432B (zh) | 商品序列计算方法、装置、计算机设备及存储介质 | |
US10019779B2 (en) | Browsing interface for item counterparts having different scales and lengths | |
CN106202316A (zh) | 基于视频的商品信息获取方法及装置 | |
KR102312628B1 (ko) | 워치 페이스를 제시하는 방법 및 장치, 그리고 스마트 워치 | |
CN106202317A (zh) | 基于视频的商品推荐方法及装置 | |
CN108536694A (zh) | 用户偏好的推测方法、装置和终端设备 | |
CN107515871A (zh) | 搜索方法及装置 | |
CN105512341B (zh) | 基于大数据搜索的个性化推荐方法和系统 | |
CN103377193A (zh) | 信息提供方法、网页服务器以及网页浏览器 | |
CN107256513A (zh) | 一种对象的搭配推荐方法及装置 | |
CN106991189A (zh) | 一种衣柜控制方法、装置及衣柜 | |
CN107515868A (zh) | 搜索方法及装置 | |
CN108256537A (zh) | 一种用户性别预测方法和系统 | |
CN108664513A (zh) | 用于推送关键词的方法、装置以及设备 | |
KR102286286B1 (ko) | 패션 코디네이션 공유 시스템 및 방법 | |
CN108280098A (zh) | 信息推荐方法及装置 | |
CN110390569A (zh) | 一种内容推广方法、装置及存储介质 | |
CN110909746A (zh) | 一种服饰推荐方法、相关装置和设备 | |
CN111582979A (zh) | 服饰搭配推荐方法和装置及电子设备 | |
CN107515872A (zh) | 搜索方法及装置 | |
CN110647688A (zh) | 信息呈现方法、装置、电子设备和计算机可读介质 | |
US9317859B2 (en) | System and method for recommending keyword based on indirect selection | |
KR20180026155A (ko) | 사용자 이미지를 이용한 대여 아이템 선호도 자동 분석 장치 및 이를 이용한 방법 | |
CN105678575B (zh) | 基于用户属性知识库的个性化推荐方法和系统 | |
CN107577686A (zh) | 搜索方法及装置 |
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 |