CN105608121B

CN105608121B - 一种个性化推荐方法及装置

Info

Publication number: CN105608121B
Application number: CN201510933181.8A
Authority: CN
Inventors: 王书剑
Original assignee: Neusoft Corp
Current assignee: Neusoft Corp
Priority date: 2015-12-14
Filing date: 2015-12-14
Publication date: 2020-09-25
Anticipated expiration: 2035-12-14
Also published as: CN105608121A

Abstract

本发明公开了一种个性化推荐方法及装置。所述方法包括：抓取用户数据对应的第一上下文信息，获得与所述第一上下文信息相匹配的第一推荐内容；获取用户针对所述第一推荐内容的响应信息，所述响应信息用于表示用户是否对所述第一推荐内容感兴趣；根据所述响应信息判断是否调整所述第一推荐内容，如果是，则确定与所述响应信息相匹配的第二推荐内容，所述第一推荐内容和所述第二推荐内容根据同一推荐算法计算获得；将与所述第一上下文信息相匹配的所述第一推荐内容调整为第二推荐内容。如此方案，有助于简化个性化推荐过程，提高推荐过程的针对性和准确性。

Description

一种个性化推荐方法及装置

技术领域

本发明涉及数据处理领域，具体地，涉及一种个性化推荐方法及装置。

背景技术

随着信息技术的不断发展，为了更好的服务于用户，提高用户体验，个性化推荐技术应运而生，用于为用户提供符合其需求的个性化推荐内容。通常，个性化推荐技术以用户的兴趣特点、动作行为等用户数据为基础，再结合一定的数据分析方法，为用户生成个性化推荐内容。

进行个性化推荐时，可以结合用户数据，利用推荐算法计算用户对潜在物品的评分值，并将评分值较高的潜在物品作为推荐内容，提供给用户，其中，评分值较高可以理解为超过了预设值。也就是说，这种推荐方法主要研究的是如何将用户数据与潜在物品进行关联，建立用户与物品之间的二元关系，以便进行个性化推荐。

在实际应用过程中，人们意识到用户数据所对应的上下文信息，对于提高个性化推荐的准确性也十分重要。举例来说，抓取用户点击行为时，还可同时获得点击行为对应的上下文信息，如，时间、地点、用户所用设备类型、设备联网方式等等。其中，每种类型的上下文信息可以视为一种维度，每种类型的上下文信息的一个具体取值可以视为该维度下的一个向量。举例来说，时间维度下，可以包括上午、中午、下午、傍晚和深夜5个向量。

基于上下文信息进行个性化推荐时，可以先采用一种推荐算法为用户确定推荐内容，如果用户对所推荐内容不感兴趣，则可更换一种新的推荐算法重新为用户确定推荐内容，以此类推，通过不断更换推荐算法的方式，尝试为用户推荐其感兴趣的内容，致使个性化推荐过程复杂且计算量大，效率较低。

发明内容

本发明的目的是提供一种个性化推荐方法及装置，有助于简化个性化推荐过程，提高推荐过程的针对性和准确性。

本发明实施例提供了一种个性化推荐方法，所述方法包括：

抓取用户数据对应的第一上下文信息，获得与所述第一上下文信息相匹配的第一推荐内容；

获取用户针对所述第一推荐内容的响应信息，所述响应信息用于表示用户是否对所述第一推荐内容感兴趣；

根据所述响应信息判断是否调整所述第一推荐内容，如果是，则确定与所述响应信息相匹配的第二推荐内容，所述第一推荐内容和所述第二推荐内容根据同一推荐算法计算获得；

将与所述第一上下文信息相匹配的所述第一推荐内容调整为第二推荐内容。

可选地，预先建立有上下文信息、应用场景与推荐内容三者之间的对应关系，则

所述获得与所述第一上下文信息相匹配的第一推荐内容，包括：查找与所述第一上下文信息相匹配的第一应用场景，将所述第一应用场景对应的推荐内容作为所述第一推荐内容；

所述将与所述第一上下文信息相匹配的所述第一推荐内容调整为第二推荐内容，包括：查找所述第二推荐内容对应的第二应用场景，将所述第一上下文信息、第一应用场景与第一推荐内容三者之间的对应关系，调整为所述第一上下文信息、第二应用场景与第二推荐内容三者之间的对应关系。

可选地，所述上下文信息为多维度上下文信息，建立上下文信息与应用场景之间的对应关系，包括：

分别对各维度的上下文信息做如下处理：根据该维度上下文信息所包括的各个向量之间的紧密程度，将所述各个向量划分到不同向量组；

将所述各维度的上下文信息划分出的向量组的笛卡尔积，作为抽象向量，获得抽象维度的上下文信息；

根据所述抽象向量之间的紧密程度，将所述抽象向量划分到不同应用场景，建立所述抽象向量与所述应用场景的映射关系，获得所述上下文信息与应用场景之间的对应关系。

可选地，针对各维度上下文信息，预先建立有物品、向量和评分值三者之间的对应关系，则，所述根据该维度上下文信息所包括的各个向量之间的紧密程度，将所述各个向量划分到不同向量组，包括：

利用所述物品在任两个向量下的评分值进行欧式距离计算，获得所述任两个向量之间的距离；

利用所述任两个向量之间的距离，通过聚类分析，将所述各个向量划分到不同向量组。

可选地，所述根据所述响应信息判断是否调整所述第一推荐内容，包括：

根据所述响应信息调整所述第一上下文信息与所述第一推荐内容之间的匹配值；

判断调整后的匹配值是否低于预设值，所述预设值由所述推荐算法的正确率确定；

如果所述调整后的匹配值低于所述预设值，判定调整所述第一推荐内容。

可选地，对预设样本进行离线测试，获得所述推荐算法的正确率。

可选地，所述确定与所述响应信息相匹配的第二推荐内容，包括：

根据所述响应信息确定用户感兴趣的物品；

从所述推荐算法计算得到的所有推荐内容中，查找出与所述用户感兴趣的物品的匹配度最高的推荐内容，作为所述第二推荐内容。

本发明实施例还提供了一种个性化推荐装置，所述装置包括：

推荐内容获得单元，用于抓取用户数据对应的第一上下文信息，获得与所述第一上下文信息相匹配的第一推荐内容；

响应信息获取单元，用于获取用户针对所述第一推荐内容的响应信息，所述响应信息用于表示用户是否对所述第一推荐内容感兴趣；

调整判断单元，用于根据所述响应信息判断是否调整所述第一推荐内容；

推荐内容确定单元，用于在所述调整判断单元判定调整所述第一推荐内容时，确定与所述响应信息相匹配的第二推荐内容，所述第一推荐内容和所述第二推荐内容根据同一推荐算法计算获得；

推荐内容调整单元，用于将与所述第一上下文信息相匹配的所述第一推荐内容调整为第二推荐内容。

所述推荐内容获得单元，具体用于查找与所述第一上下文信息相匹配的第一应用场景，将所述第一应用场景对应的推荐内容作为所述第一推荐内容；

所述推荐内容调整单元，具体用于查找所述第二推荐内容对应的第二应用场景，将所述第一上下文信息、第一应用场景与第一推荐内容三者之间的对应关系，调整为所述第一上下文信息、第二应用场景与第二推荐内容三者之间的对应关系。

可选地，所述上下文信息为多维度上下文信息，所述装置还包括：

向量组划分单元，用于分别对各维度的上下文信息做如下处理：根据该维度上下文信息所包括的各个向量之间的紧密程度，将所述各个向量划分到不同向量组；

抽象维度获得单元，用于将所述各维度的上下文信息划分出的向量组的笛卡尔积，作为抽象向量，获得抽象维度的上下文信息；

映射关系建立单元，用于根据所述抽象向量之间的紧密程度，将所述抽象向量划分到不同应用场景，建立所述抽象向量与所述应用场景的映射关系，获得所述上下文信息与应用场景之间的对应关系。

可选地，针对各维度上下文信息，预先建立有物品、向量和评分值三者之间的对应关系，则所述向量组划分单元包括：

距离计算单元，用于利用所述物品在任两个向量下的评分值进行欧式距离计算，获得所述任两个向量之间的距离；

聚类分析单元，用于利用所述任两个向量之间的距离，通过聚类分析，将所述各个向量划分到不同向量组。

可选地，所述调整判断单元，具体用于根据所述响应信息调整所述第一上下文信息与所述第一推荐内容之间的匹配值；判断调整后的匹配值是否低于预设值，所述预设值由所述推荐算法的正确率确定；如果所述调整后的匹配值低于所述预设值，判定调整所述第一推荐内容。

可选地，所述推荐内容确定单元，具体用于根据所述响应信息确定用户感兴趣的物品；从所述推荐算法计算得到的所有推荐内容中，查找出与所述用户感兴趣的物品的匹配度最高的推荐内容，作为所述第二推荐内容。

本发明技术方案中，根据第一上下文信息，为用户确定出第一推荐内容后，为了确保个性化推荐的准确性，可以通过响应信息获取用户针对第一推荐内容的在线反馈，通常，在线反馈可以反映用户的行为习惯，故，可以根据响应信息判断第一推荐内容是否符合用户需求，即是否需要调整第一推荐内容。如果判定需要调整第一推荐内容，则可根据响应信息确定符合用户需求的第二推荐内容，并将第一上下文信息对应的第一推荐内容调整为第二推荐内容。本发明方案充分考虑个体用户与群体用户之间的差距，为行为习惯不同于多数用户的个体用户，进行更具针对性的个性化推荐。与不断更换推荐算法调整推荐内容的传统方案相比，本发明方案采用同一推荐算法计算推荐内容，并在需要进行推荐内容调整时，根据响应信息查找更符合用户需求的第二推荐内容即可，减化了个性化推荐过程中的计算量，使得本发明个性化推荐方案更易于实现。

本发明的其他特征和优点将在随后的具体实施方式部分予以详细说明。

附图说明

附图是用来提供对本发明的进一步理解，并且构成说明书的一部分，与下面的具体实施方式一起用于解释本发明，但并不构成对本发明的限制。在附图中：

图1是本发明个性化推荐方法的流程图；

图2是本发明中建立上下文信息与应用场景之间对应关系的流程图；

图3是本发明个性化推荐装置的结构示意图。

具体实施方式

以下结合附图对本发明的具体实施方式进行详细说明。应当理解的是，此处所描述的具体实施方式仅用于说明和解释本发明，并不用于限制本发明。

参见图1，示出了本发明一种个性化推荐方法的流程图，可包括：

S101，抓取用户数据对应的第一上下文信息，获得与所述第一上下文信息相匹配的第一推荐内容。

为了提高个性化推荐的准确性，在抓取用户数据的同时，还可以抓取该用户数据对应的上下文信息。举例来说，针对用户A点击阅读网页上的新闻A，用户数据可体现为阅读新闻A，该用户数据对应的上下文信息可以体现为：时间为10:00、地点为北京、设备类型为手机、联网方式为非wifi连接。上述示例中包括时间、地点、设备类型、联网方式4个维度的上下文信息，当然，实际应用过程中，还可能会视情况抓取单维度上下文信息，本发明实施例对所抓取上下文信息的维度可不做具体限定。

抓取到用户数据对应的第一上下文信息后，便可获得该第一上下文信息对应的第一推荐内容，并将第一推荐内容所包括物品发送给用户。

作为一种示例，可以采用传统的协同过滤技术，确定第一上下文信息对应的第一推荐内容。协同过滤技术可以理解为，通过对大量活跃用户兴趣的分析，来预测特定用户U感兴趣的物品，以便实现个性化推荐。举例来说，获得用户U的多维度上下文信息后，可以利用对活跃用户的分析结果，预测潜在物品在用户U的各维度上下文信息中的评分值，然后再结合各维度上下文信息的预设权重，计算潜在物品对于用户U来说的预估评分值，若该预估评分值较高，则可将潜在物品作为推荐内容发送给用户U。

作为一种示例，还可预先建立上下文信息、应用场景与推荐内容三者之间的对应关系，通过查表方式获得第一推荐内容。具体地，可以先查找与第一上下文信息相匹配的第一应用场景，进而将第一应用场景对应的推荐内容确定为第一推荐内容。可选地，本发明实施例还提供一种建立上下文信息与应用场景之间对应关系、应用场景与推荐内容之间对应关系的方案，具体可参见下文所做介绍，此处暂不详述。

举例来说，本步骤中的第一上下文信息可以包括时间维度上下文信息和地点维度上下文信息，其中时间向量为10:00，地点向量为北京，且为该第一上下文信息确定的第一推荐内容为时事类新闻。

S102，获取用户针对所述第一推荐内容的响应信息，所述响应信息用于表示用户是否对所述第一推荐内容感兴趣。

通常，个性化推荐均是基于对多数用户行为习惯的分析实现，在实际应用中，可能被推荐用户的行为习惯与多数用户相一致，那么，针对该用户实现的个性化推荐准确性较高；或者，可能被推荐用户的行为习惯与多数用户不同甚至相反，那么，针对该用户实现的个性化推荐的准确性较低。

本发明方案中，为了保证个性化推荐的准确性，将第一推荐内容发送给用户后，还可根据用户的在线反馈，进行动态调整，以便为用户提供更具针对性的推荐内容。具体地，用户的在线反馈可以通过响应信息传递，也就是说，通过响应信息可以获知用户是否对第一推荐内容感兴趣，也即第一推荐内容是否符合用户需求。

举例来说，在线反馈可以为用户是否查看了第一推荐内容所包括的物品，如用户点击查看了第一推荐内容中的物品A，未点击查看第一推荐内容中的物品B，如此可知用户对物品A感兴趣，对物品B不感兴趣。

举例来说，在线反馈可以为用户对第一推荐内容所包括物品的评分值，如评分值为1～5，用户点击查看第一推荐内容中的物品C后评分为4，点击查看第一推荐内容中的物品D后评分为1，如此可知用户对物品C感兴趣，对物品D不感兴趣。

举例来说，在线反馈可以为用户对第一推荐内容所包括物品的喜爱程度，如，用户针对第一推荐内容中的物品E选择感兴趣，针对第一推荐内容中的物品F选择不感兴趣。

举例来说，在线反馈还可以为用户对第一推荐内容之外的其他物品是否感兴趣，可体现为是否查看了所述其他物品、对所述其他物品的评分值、对所述其他物品的喜爱程度等等。另外，所述其他物品可以是用户查看第一推荐内容所包括物品时，与该物品相关的关联推荐物品，或者所述其他物品还可以为热点物品，本发明实施例对此可不做具体限定。

上文所举在线反馈的相关示例中，各示例之间可以单独使用，或者，还可使至少两个示例相结合，共同表示用户对第一推荐内容是否感兴趣，本发明实施例对在线反馈的具体形式、使用方式等可不做具体限定。另外，需要说明的是，一条响应信息可用于传递一条对应的在线反馈，或者，还可先在用户侧进行反馈信息汇总后，再由一条响应信息传递汇总后的反馈信息，本发明实施例对此亦可不做具体限定。

S103，根据所述响应信息判断是否调整所述第一推荐内容，如果是，则确定与所述响应信息相匹配的第二推荐内容，所述第一推荐内容和所述第二推荐内容根据同一推荐算法计算获得。

本发明方案中，用户的在线反馈能在一定程度上反映用户的行为习惯，因此可以基于S102获得的响应信息，判断针对用户来说是否需要调整第一推荐内容，如果用户的行为习惯与多数用户相一致，则不需要调整，可继续在抓取到第一上下文信息时，向用户发送第一推荐内容；如果用户的行为习惯与多数用户不一致，则需要调整。

举例来说，根据响应信息判断是否需要调整第一推荐内容时，可以先根据响应信息调整第一上下文信息与第一推荐内容之间的匹配值；然后再判断调整后的匹配值是否低于预设值，如果调整后的匹配值低于预设值，则判定需要调整第一推荐内容。可选地，如果调整后的匹配值不低于预设值，则可判定不需要调整第一推荐内容。需要说明的是，本发明实施例中的预设值可以由计算第一推荐内容和第二推荐内容的推荐算法的正确率而定。举例来说，预设值可以是正确率的一半，也就是说，当调整后的匹配值低于推荐算法正确率的一半时，就需要进行推荐内容调整。或者，可以结合实际应用，利用正确率确定一个合适的预设值，本发明实施例对此可不做具体限定。

举例来说，第一上下文信息与第一推荐内容之间可以设置一个匹配值，如初始匹配值设置为正确率，若响应信息表示用户对第一推荐内容感兴趣，则可调高匹配值，反之则可调低匹配值。对此可以理解为，针对该用户来说，调整后的匹配值越高，第一上下文信息与第一推荐内容的匹配度越高，第一推荐内容符合用户需求；反之，调整后的匹配值越低，则说明二者之间的匹配度越低，第一推荐内容不符合用户需求。

通常，正确率可以为第一推荐内容中用户感兴趣的物品数目与第一推荐内容所包括物品总数目之比。作为一种示例，正确率可以是对预设样本进行离线测试获得，预设样本可以来自于上文所述多数用户。举例来说，可以利用预设样本做训练获得推荐算法的正确率；或者，可以利用部分样本(如预设样本的70％)做训练获得推荐算法的训练正确率，然后再利用剩余样本(如预设样本的剩余30％)做测试，校验所述训练正确率，得到所述推荐算法的正确率。本发明实施例对获得正确率的具体方式可不做限定。

利用响应信息判定需要调整第一推荐内容时，可以从推荐算法计算获得的所有推荐内容中，查找与响应信息相匹配的推荐内容作为第二推荐内容，即，从已有的推荐内容中查找更为符合用户行为习惯的第二推荐内容。具体地，可以先根据所述响应信息确定出用户感兴趣的物品；再从所述推荐算法计算得到的所有推荐内容中，查找出与所述用户感兴趣的物品的匹配度最高的推荐内容，作为所述第二推荐内容。以用户查看了物品表示用户对物品感兴趣为例，通过响应信息可以知晓用户查看了哪些物品，如用户查看了10篇新闻，则可将这10篇新闻确定为用户感兴趣的物品，然后与已有的所有推荐内容相比对，查找出哪些推荐内容中包括上述用户感兴趣的物品，如推荐内容A中包括上述10篇新闻中的7篇，推荐内容B中包括上述10篇新闻中的4篇，则可将推荐内容A确定为第二推荐内容。

S104，将与所述第一上下文信息相匹配的所述第一推荐内容调整为第二推荐内容。

S103获得更符合用户行为习惯的第二推荐内容后，可针对该被推荐用户，将与第一上下文信息相匹配的第一推荐内容调整为第二推荐内容，如此，便可在后续抓取到第一上下文信息时，向用户发送第二推荐内容。

作为一种示例，若S101利用预先建立的上下文信息、应用场景与推荐内容三者之间的对应关系，获得第一推荐内容，本步骤则可相应地通过修改三者对应关系的方式，进行推荐内容调整。具体地，获得第二推荐内容后，可以先查找第二推荐内容对应的第二应用场景，进而将第一上下文信息、第一应用场景与第一推荐内容三者之间的对应关系，调整为第一上下文信息、第二应用场景与第二推荐内容三者之间的对应关系。

针对S101处所举示例，为用户确定出的第二推荐内容为娱乐类新闻，如此，针对该用户在时间向量为10:00、地点向量为北京的第一上下文信息，再进行个性化推荐时，可将娱乐类新闻发送给该用户。

综上，便实现了本发明的个性化推荐过程。本发明方案充分考虑个体用户与群体用户之间的差距，为行为习惯不同于多数用户的个体用户进行更具针对性和准确性的个性化推荐。与不断更换推荐算法调整推荐内容的传统方案相比，本发明方案采用同一推荐算法计算推荐内容，并在需要进行推荐内容调整时，根据响应信息查找更符合用户需求的第二推荐内容即可，减化了个性化推荐过程中的计算量，使本发明个性化推荐方案更易于实现。

上文S101处所提，可以利用预先建立的上下文信息、应用场景与推荐内容三者之间的对应关系，通过查表方式获得第一上下文信息对应的第一推荐内容。

作为一种示例，本发明可以通过协同过滤技术建立应用场景与推荐内容的对应关系：基于抓取到的用户user—物品item—上下文信息context—评分值value，利用协同过滤算法计算潜在物品在应用场景下的预估评分值，若预估评分值较高，则可将潜在物品作为该应用场景的推荐内容。

作为一种示例，若本发明中的上下文信息为多维度上下文信息，参见图2，示出了本发明建立上下文信息与应用场景之间的对应关系的流程图，可以包括：

S201，分别对各维度的上下文信息做如下处理：根据该维度上下文信息所包括的各个向量之间的紧密程度，将所述各个向量划分到不同向量组。

在个性化推荐过程中，可以多数用户的行为习惯为基础，分析建立上下文信息与应用场景间的对应关系。通常，可以抓取如下三方面信息：用户数据、上下文信息、用户对物品的评分值。举例来说，用户B点击观看了网页上的视频B，那么，用户数据可体现为观看视频B；该用户数据对应的上下文信息可以体现为如下5个维度：时间为20:30、地点为北京、设备类型为pad、视频播放来源为优酷、联网方式为wifi连接；评分值可以为用户B观看视频B后打出的分数，如1～5分中用户B点击了3分，即用户B对视频B的评分值为3分。

综上，针对用户B点击观看网页上的视频B，便可获得如下一组信息：用户B—视频B—20:30—北京—pad—优酷—wifi连接—评分值为3，针对该组信息可以简化理解为：user—item—多维度上下文信息context_n—value，其中，n表示上下文信息的维度数目。

按照上述过程，还可抓取用户B在全天其他时间段观看视频的信息，以及其他用户在全天观看视频的信息。举例来说，除上述用户B观看视频B抓取到的一组信息之外，还抓取到用户C观看视频B的一组信息：用户C—视频B—20:10—沈阳—pad—优酷—wifi连接—评分值为4，用户D观看视频B的一组信息：用户D—视频B—20:15—北京—phone—优酷—wifi连接—评分值为5，等等，此处不再其他举例说明。

上述示例中，通过抓取大量用户观看视频的信息，便可得到一个5维度的上下文信息，且每个维度的上下文信息中包括很多向量。举例来说，时间维度可定义为C1，且包括n_C1个时间向量；地点维度可定义为C2，且包括n_C2个地点向量；以此类推，设备类型、视频播放来源、联网方式可依次定义为C3、C4、C5，且每个维度对应包括的向量数目依次为n_C3、n_C4、n_C5。

举例来说，每个维度上下文信息中向量的划分粒度可以为最小粒度；或者，还可以根据物品，确定每个维度上下文信息中向量的划分粒度。举例来说，如果物品为随时间维度变化较慢的类型，例如对于服饰类物品的购买行为分析，可将时间维度的向量粒度划分为1day；如果物品为随时间维度变化较快的类型，例如对于视频物品的观看行为，可将时间维度的向量粒度划分为30min，等等。通常，向量粒度越细，所含向量数目越多，越有助于通过聚类分析找到向量的客观分组，但计算量也会随之增大，对此，可结合实际应用而定，本发明实施例对向量粒度的划分方式可不做具体限定。

本发明方案旨在通过处理，将多维度上下文信息降阶为单维度上下文信息，有助于简化基于本发明方案进行个性化推荐的过程。

基于此，可先对每个维度的上下文信息进行分组处理，找到各维度下的向量的合理分组。具体地，可以计算各维度上下文信息的两两向量之间的紧密程度，并根据该紧密程度实现向量分组。举例来说，两两向量之间的紧密程度可以体现为向量间的相似度，通常，相似度取值越大表示两个向量越相近；或者，两两向量之间的紧密程度还可以体现为向量间的距离，通常，距离取值越小表示两个向量越相近。

若以向量间的相似度来表示紧密程度，则可通过线性回归的方式进行聚类分析，获得向量组。

若以向量间的距离来表示紧密程度，则可通过以下方式进行向量分组：利用物品在任两个向量下的评分值进行欧式距离计算，获得所述任两个向量之间的距离；利用所述任两个向量之间的距离，通过聚类分析，将该维度上下文信息包括的各个向量划分到不同向量组。举例来说，可通过K-means、K-medoids等方式实现聚类分析，本发明实施例对此可不做具体限定。

以时间维度为例，可以获得不同用户针对物品1在时间向量1下的评分值1、不同用户针对物品1在时间向量2下的评分值2，然后对这两个时间向量下的评分值进行欧式距离计算，获得时间向量1和时间向量2之间的距离。以此类推，便可得到时间维度下任两个时间向量之间的距离，再通过聚类分析，将距离较近的向量划分到一个向量组中。作为一种示例，可以采用皮尔森相关系数，计算向量间的距离r，以时间向量为例，可体现为下述公式。

其中，N表示评分值的数目；x_i表示时间向量1下的评分值；

表示时间向量1下的平均评分值；y_i表示时间向量2下的评分值；

表示时间向量2下的平均评分值。

本发明实施例中，物品1在时间向量1下的评分值1可以理解为，在抓取到的user—item—context_n—value中，忽略其他维度的上下文信息，将value作为时间维度的评分值，即，user—item—context_time—value。

时间维度以1h为向量粒度，针对在20:00～21:00抓取到的用户观看视频B时的信息、在21:00～22:00抓取到的用户观看视频B时的信息，可得到下表所示数据。

则时间向量T1与T2之间的紧密程度r：

综上，便获得了T1与T2之间的紧密程度r＝0.866。

上文仅以时间向量的紧密程度为例，对计算过程进行了解释说明，结合实际应用，还可参照上述方式计算获得其他维度的向量紧密程度，此处不再举例说明。

另外，本发明实施例中，距离较近可以理解为两个向量之间的距离不超过预设距离值。可选地，可以结合应用情况，设定所述预设距离值，并在聚类分析过程中，依据该预设距离值进行向量分组；或者，可以结合应用情况，设定指定向量组数目，并在聚类分析过程中，依据指定向量组数目和计算出的两两向量间的距离，确定一个合适的预设距离值，进而实现向量分组，本发明实施例对此可不做具体限定。

举例来说，若时间维度的向量划分粒度为1h，经由上述聚类分析过程后，可能将时间向量8:00～9:00、11:00～13:00、17:00～18:00划分到一个向量组中，表示这些时间段内用户的行为习惯较为相似，可进行聚类合并。对此我们可以理解为，上述时间段属于非工作时间，用户行为趋向一致。相比人为将时间维度划分为上午、中午、下午、晚上的分组方式，本发明方案得到的分组，更能客观准确的反映用户行为习惯，基于对用户行为习惯的准确把握，使得在本发明方案基础上进行的个性化推荐的准确性也会有所提高。

如此，还可针对地点、设备类型、视频播放来源、联网方式这4个维度的上下文信息，进行向量分组，具体可参照上文介绍，此处不再详述。举例来说，时间维度聚类分组后得到K_C1个向量组，地点、设备类型、视频播放来源、联网方式这4个维度聚类分组后依次得到K_C2、K_C3、K_C4、K_C5个向量组。通常，聚类分析得到的向量组数目要少于该维度上下文信息所包括的向量数目。

需要说明的是，关于通过聚类分析将向量划分到不同向量组的具体过程，可参照下文所做介绍，此处暂不详述。

S202，将所述各维度的上下文信息划分出的向量组的笛卡尔积，作为抽象向量，获得抽象维度的上下文信息。

S203，根据所述抽象向量之间的紧密程度，将所述抽象向量划分到不同应用场景，建立所述抽象向量与所述应用场景的映射关系，获得所述上下文信息与应用场景之间的对应关系。

S201获得各维度上下文信息的聚类分组后，可利用得到的向量组建立一个单维度的上下文信息，即，本发明实施例中的抽象维度的上下文信息。具体地，为了获得多维度上下文信息的向量组之间的任意组合，可以将各维度的上下文信息划分出的向量组的笛卡尔积，作为抽象维度的上下文信息的抽象向量。通常，该抽象向量包括每个维度上下文信息中的至少一个向量。

举例来说，针对抽象向量1可能存在如下一组关系：物品—时间向量组1—地点向量组1—设备类型向量组1—视频播放来源向量组1—联网方式向量组1—评分值1，对此可以简化理解为：物品—抽象向量1—评分值1。

抽象维度上下文信息作为单维度上下文信息，可参照S201处所做介绍，计算两两抽象向量间的紧密程度，进而依据紧密程度进行抽象向量分组，每个抽象向量组对应一个应用场景，如此，便可建立抽象向量与应用场景之间的映射关系。举例来说，映射关系可以体现为：抽象向量组1—应用场景1，通常，每个抽象向量组包括至少一个抽象向量。

与S201处所做介绍相似，本发明中两两抽象向量间的紧密程度可以体现为抽象向量间的相似度，或者还可以体现为抽象向量间的距离，本发明实施例对此可不做具体限定。

另外，本发明实施例中，应用场景可以体现为实际场景，如时事类场景、娱乐类场景等等；或者，应用场景还可以体现为场景编号，如应用场景1、应用场景2等等，本发明实施例对应用场景的具体表现形式可不做限定。

图2所示方案中，针对抓取用户数据过程中获取的多维度上下文信息，可以将多维度上下文信息降阶处理为单维度上下文信息，然后再对单维度上下文信息进行聚类分析，获得上下文信息与应用场景间的对应关系，有助于简化基于本发明方案进行个性化推荐的过程。

进一步地，本发明方案基于向量紧密程度以及聚类分析，实现各维度上下文信息所包括向量的分组，该分组不依赖于任何人为因素，能真实反映用户的行为习惯，具有客观性，同时还有助于发现隐式的分组可能，有助于提高分组的合理性。

进一步地，本发明方案基于抽象向量紧密程度以及聚类分析，实现抽象维度上下文信息所包括抽象向量的分组，还有助于实现可复用的应用场景。也就是说，在多数用户的行为习惯不发生较大变动的情况下，本发明方案获得映射关系可在一段时间内都维持有效，无需频繁进行映射关系调整。

如S201处所提，本发明通过聚类分析将向量划分到不同向量组，至少可通过如下方式实现。

方式一，根据预设距离值，对各维度上下文信息所包括的向量进行分组。举例来说，针对各维度上下文信息可以设置同一个预设距离值，或者，针对不同维度上下文信息可以设置不同预设距离值，对此可结合实际应用而定，本发明实施例可不做具体限定。本方式中，只要两个向量间的距离不超过预设距离值，即可将这两个向量划分到一个向量组中，基于这一原则，可以实现各维度上下文信息所包括向量的分组，且通过该方式获得的向量组数目不定。

方式二，根据指定向量组数目，对各维度上下文信息所包括的向量进行分组。举例来说，针对各维度上下文信息可以设置相同的指定向量组数目，或者，针对不同维度上下文信息可以设置不同的指定向量组数目，对此可结合实际应用而定，本发明实施例可不做具体限定。另外，可以通过外部输入的向量组划分指令获得指定向量组数目，或者，可以通过预配置的方式将指定向量组数目保存于本地，并在需要时从本地读取，本发明实施例对此亦可不做具体限定。本方式中，可以根据计算出的两两向量间的距离、指定向量组数目，先确定出一个合适的预设距离值，然后再基于该预设距离值进行向量分组，通过该方式可以控制上下文信息分组后的向量组数目。

方式三，方式一和方式二相互配合，对各维度上下文信息所包括的向量进行分组。具体地，可以先通过方式一所示过程对各维度上下文信息所包括的向量进行分组，若如此得到的向量组不合理，如向量组数目过多，说明向量组之间还可能进一步聚类，则可通过方式二适当减少所分向量组的数目，使其更为合理；或者，向量组数目过少，可能会在聚类过程中掩盖某些分组，则可通过方式二适当增多所分向量组的数目。

在具体应用过程中，可以结合实际情况选取合适的方式进行向量分组，本发明实施例对此并不做具体限定。此外，针对抽象向量的分组过程亦可参考上述方式实现，此处不再赘述。

另外，需要说明的是，与传统推荐方案相比，基于图2所示对应关系实现的个性化推荐过程，只需要查表即可确定出与多维度上下文信息相匹配的推荐内容，实现过程简单，计算量少，有助于提高个性化推荐的效率。另外，在实际应用过程中，受抓取技术或者用户隐私设置的限制，可能获取不到用户在某些维度的上下文信息，导致该维度上下文信息中出现空值，即出现上下文信息稀疏性的问题，如用户隐私设置为禁止获取地理位置信息，则可能抓取不到地点维度的上下文信息。针对于此，传统个性化推荐方案只能将这部分空值舍弃掉，如此势必会影响个性化推荐的准确性。相对于此，本发明进行多维度上下文信息处理时，考虑到了多维度上下文信息中的每个维度，也就是说，抽象向量与应用场景之间的映射关系，是综合各维度上下文信息的情况后得到的，即使针对特定用户进行个性化推荐时出现稀疏性问题，考虑到映射关系中已涉及所有维度的上下文信息，基于该映射关系得到的推荐内容的准确性，相对传统方案亦会有多提高，有助于解决上下文信息稀疏性的问题。此外，若抓取用户数据时获得新的维度的上下文信息，经过本发明方案处理，该新的维度的上下文信息可能会被归类到现有的应用场景下，无需为该新的维度的上下文信息建立一个新的应用场景，同样有助于解决上下文信息稀疏性的问题。

与图1所示方法相对应，本发明实施例还提供一种个性化推荐装置300，参见图3所示示意图，所述装置可包括：

推荐内容获得单元301，用于抓取用户数据对应的第一上下文信息，获得与所述第一上下文信息相匹配的第一推荐内容；

响应信息获取单元302，用于获取用户针对所述第一推荐内容的响应信息，所述响应信息用于表示用户是否对所述第一推荐内容感兴趣；

调整判断单元303，用于根据所述响应信息判断是否调整所述第一推荐内容；

推荐内容确定单元304，用于在所述调整判断单元判定调整所述第一推荐内容时，确定与所述响应信息相匹配的第二推荐内容，所述第一推荐内容和所述第二推荐内容根据同一推荐算法计算获得；

推荐内容调整单元305，用于将与所述第一上下文信息相匹配的所述第一推荐内容调整为第二推荐内容。

可选地，所述向量组划分单元还包括：粒度确定单元，用于根据所述物品，确定该维度上下文信息中向量的划分粒度。

可选地，所述聚类分析单元，具体用于获得向量组划分指令，所述向量组划分指令包括指定向量组数目；按照所述指定向量组数目，调整聚类分析划分出的向量组数目，将所述各个向量划分到不同向量组。

以上结合附图详细描述了本发明的优选实施方式，但是，本发明并不限于上述实施方式中的具体细节，在本发明的技术构思范围内，可以对本发明的技术方案进行多种简单变型，这些简单变型均属于本发明的保护范围。

另外需要说明的是，在上述具体实施方式中所描述的各个具体技术特征，在不矛盾的情况下，可以通过任何合适的方式进行组合，为了避免不必要的重复，本发明对各种可能的组合方式不再另行说明。

此外，本发明的各种不同的实施方式之间也可以进行任意组合，只要其不违背本发明的思想，其同样应当视为本发明所公开的内容。

Claims

1.一种个性化推荐方法，其特征在于，预先建立有上下文信息、应用场景与推荐内容三者之间的对应关系，所述方法包括：

抓取用户数据对应的第一上下文信息，查找与所述第一上下文信息相匹配的第一应用场景，将所述第一应用场景对应的推荐内容作为第一推荐内容；

查找所述第二推荐内容对应的第二应用场景，将所述第一上下文信息、第一应用场景与第一推荐内容三者之间的对应关系，调整为所述第一上下文信息、第二应用场景与第二推荐内容三者之间的对应关系，

其中，所述上下文信息为多维度上下文信息，建立上下文信息与应用场景之间的对应关系，包括：

2.根据权利要求1所述的方法，其特征在于，针对各维度上下文信息，预先建立有物品、向量和评分值三者之间的对应关系，则，所述根据该维度上下文信息所包括的各个向量之间的紧密程度，将所述各个向量划分到不同向量组，包括：

3.根据权利要求1或2所述的方法，其特征在于，所述根据所述响应信息判断是否调整所述第一推荐内容，包括：

4.根据权利要求3所述的方法，其特征在于，对预设样本进行离线测试，获得所述推荐算法的正确率。

5.根据权利要求1或2所述的方法，其特征在于，所述确定与所述响应信息相匹配的第二推荐内容，包括：

根据所述响应信息确定用户感兴趣的物品；

6.一种个性化推荐装置，其特征在于，预先建立有上下文信息、应用场景与推荐内容三者之间的对应关系，所述装置包括：

推荐内容获得单元，用于查找与第一上下文信息相匹配的第一应用场景，将所述第一应用场景对应的推荐内容作为第一推荐内容；

推荐内容调整单元，用于查找所述第二推荐内容对应的第二应用场景，将所述第一上下文信息、第一应用场景与第一推荐内容三者之间的对应关系，调整为所述第一上下文信息、第二应用场景与第二推荐内容三者之间的对应关系，

其中，所述上下文信息为多维度上下文信息，所述装置还包括：

7.根据权利要求6所述的装置，其特征在于，针对各维度上下文信息，预先建立有物品、向量和评分值三者之间的对应关系，则所述向量组划分单元包括：

8.根据权利要求6或7所述的装置，其特征在于，

所述调整判断单元，具体用于根据所述响应信息调整所述第一上下文信息与所述第一推荐内容之间的匹配值；判断调整后的匹配值是否低于预设值，所述预设值由所述推荐算法的正确率确定；如果所述调整后的匹配值低于所述预设值，判定调整所述第一推荐内容。

9.根据权利要求6或7所述的装置，其特征在于，

所述推荐内容确定单元，具体用于根据所述响应信息确定用户感兴趣的物品；从所述推荐算法计算得到的所有推荐内容中，查找出与所述用户感兴趣的物品的匹配度最高的推荐内容，作为所述第二推荐内容。