CN105808637B - 个性化推荐方法和装置 - Google Patents

Abstract

本发明提出了一种个性化推荐方法，该方法包括：获取用户信息，判断获取的所述用户信息是否完整，若是，则根据所述用户信息建立多个模型；从所述多个模型中确定与所述用户信息匹配的模型，根据确定的与所述用户信息匹配的模型，获取用户对应的标签信息，根据所述标签信息进行推荐。通过系统自动获取用户信息，进行信息匹配，提高了效率，同时根据用户信息建立多个模型，选出最匹配的模型，提高了预测的准确率，根据用户对应的标签信息进行推荐，每个用户都有自己独特的标签，这样可以为每个用户进行个性化推荐，提高了推荐的准确率。此外，还提出了一种个性化推荐装置。

Description

个性化推荐方法和装置

技术领域

本发明涉及计算机处理领域，特别是涉及一种个性化推荐方法和装置。

背景技术

随着互联网的发展，人们的生活越来越多的与互联网紧密联系在了一起。在这个快节奏的时代，用户希望能够通过互联网快速的找到自己需要的产品，但是海量的产品数据每天不断地在互联网中产生，这导致互联网用户很难快速的找到自己需要的或者感兴趣的信息。为了让用户快速的找到自己感兴趣的产品，传统的方式是通过问卷的形式让用户回答问题，进而为用户进行产品的推荐。但是传统的通过问卷回答问题往往需要用户回答很多问题，而且很多时候问题针对性不强。这样不但浪费了用户的时间，而且无法准确的预测用户的行为。

发明内容

基于此，为了解决上述耗时且推荐准确率不高的问题，提出了一种个性化推荐方法和装置。

一种个性化推荐方法，所述方法包括：获取用户信息；判断获取的所述用户信息是否完整；若是，则根据所述用户信息建立多个模型；从所述多个模型中确定与所述用户信息匹配的模型；根据确定的与所述用户信息匹配的模型，获取用户对应的标签信息；根据所述标签信息进行推荐。

在其中一个实施例中，在所述判断获取的所述用户信息是否完整的步骤之后还包括：若获取的用户信息不完整，则获取与缺少的信息对应的问题，加入到问卷中，通过所述问卷采集所述缺少的信息，当信息补充完整后，则进入根据所述用户信息建立多个模型的步骤。

在其中一个实施例中，所述方法还包括:计算所述问卷中问题的选项对模型的影响度，生成相应的报告。

在其中一个实施例中，所述从所述多个模型中确定与所述用户信息匹配的模型的步骤包括：计算各个模型对应的预测准确率，将预测准确率最高的模型作为与所述用户信息匹配的模型。

在其中一个实施例中，所述根据所述标签信息进行推荐的步骤包括：根据所述标签信息采用不同的推荐方式进行推荐，获取用户对不同推荐方式的点击率，将点击率最高的推荐方式作为最终的推荐方式。

一种个性化推荐装置，所述装置包括：获取模块，用于获取用户信息；判断模块，用于判断获取的所述用户信息是否完整；建立模块，用于若获取的用户信息完整，则根据所述用户信息建立多个模型；确定模块，用于从所述多个模型中确定与所述用户信息匹配的模型；标签获取模块，用于根据确定的与所述用户信息匹配的模型，获取用户对应的标签信息；推荐模块，用于根据所述标签信息进行推荐。

在其中一个实施例中，所述装置包括：补充模块，用于若获取的用户信息不完整，则获取与缺少的信息对应的问题，加入到问卷中，通过所述问卷采集所述缺少的信息，当信息补充完整后，则通知建立模块根据所述用户信息建立多个模型。

在其中一个实施例中，所述装置还包括:计算模块，用于计算所述问卷中问题的选项对模型的影响度，生成相应的报告。

在其中一个实施例中，所述确定模块还用于计算各个模型对应的预测准确率，将预测准确率最高的模型作为与所述用户信息匹配的模型。

在其中一个实施例中，所述推荐模块还用于根据所述标签信息采用不同的推荐方式进行推荐，获取用户对不同推荐方式的点击率，将点击率最高的推荐方式作为最终的推荐方式。

上述个性化推荐方法和装置，通过获取用户信息，判断获取的用户信息是否完整，若完整，则根据该用户信息建立多个模型，从多个模型中选出与用户信息匹配的模型，根据该匹配的模型，获取用户对应的标签信息，进而根据标签信息进行推荐。通过自动获取用户信息，进行自动的信息匹配，提高了效率，同时根据用户信息建立多个模型，选出匹配的模型，提高了预测的准确率，根据用户对应的标签信息进行推荐，每个用户都有自己独特的标签，这样可以为每个用户进行个性化推荐，提高了推荐的准确率。

附图说明

图1为一个实施例中个性化推荐方法的流程图；

图2为一个实施例中进行信息补全的方法的流程图；

图3为一个实施例中个性化推荐装置的结构框图；

图4为另一个实施例中个性化推荐装置的结构框图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

如图1所示，在一个实施例中，提出了一种个性化推荐方法包括以下步骤：

步骤102，获取用户信息。

具体的，可以让用户通过手机验证码或者微信等授权登录的方式进行登录，便于获取用户的相关信息，当检测到用户的登录信息后，根据用户的登录信息获取对应的用户信息。其中，用户信息包括静态信息和动态信息。静态信息是指用户的固有属性，包括年龄、性别、籍贯、职业、收入等。动态信息是指用户的行为属性，比如，近一个月是否浏览过相关的网址，搜索过相关的关键词，是否曾经购买过相关的产品等。

步骤104，判断获取的用户信息是否完整，若是，则进入步骤106，若否，则进入步骤105。

具体的，获取到用户的静态信息和动态信息后，根据当前的项目需求判断获取的用户信息是否完整，如果获取的用户信息完整，那么进入根据用户信息建立多个模型的步骤，若获取的用户信息不完整，则进行信息补全，当信息补充完整后，再进入根据用户信息建立多个模型的步骤。

步骤105，进行信息补全。

在本实施例中，若获取的用户信息不完整，则进行信息补全，待补充完整后进入步骤106。具体的，可以通过获取预设的与缺少的信息对应的问题，加入到问卷中，通过用户回答相关的问题来采集对应缺少的信息，进而完善用户信息，等到用户信息补充完整后，再进入根据用户信息建立多个模型的步骤。

步骤106，根据用户信息建立多个模型。

具体的，获取用户信息后，在不同的场景下，采用不同的模型进行建模，以便从建立的多个模型中确定与用户信息匹配的模型。比如，可以采用随机森林、协同过滤、决策树、随机游走等方式建模。具体的，如果是二分类的问题，那么就可以分别采用决策树和随机森林来进行建模，最后根据预测的准确率，AUC(Area Under roc Curve，曲线下面积)等来判断哪个模型的效果更好，其中，AUC是一种用来度量分类模型好坏的一个标准。

步骤108，从多个模型中确定与用户信息匹配的模型。

具体的，根据用户信息建立多个模型，从多个模型中确定与用户信息匹配的模型。从多个模型中确定匹配模型，可以通过分别计算各个模型的预测准确率，进而将预测准确率最高的模型作为匹配模型。预测准确率的计算是根据已有样本进行的预测。

步骤110，根据确定的与用户信息匹配的模型，获取用户对应的标签信息。

具体的，根据确定的与用户信息匹配的模型，计算用户对某个事物的感兴趣度，进而根据计算得到的感兴趣度获取用户对应的标签信息。这里的标签信息可以是为用户贴上的购买某种产品的概率，也可以是为用户贴上的需求的产品特征的信息。比如，根据确定的与用户信息匹配的模型，计算得到用户购买意外险的概率是90％，购买养老险的概率是40％，购买车险的概率是95％，那么该用户的标签信息就可以为意外险，车险，之后就可以根据该标签信息为用户进行个性化的推荐，比如，针对上述用户，可以为该用户推荐可能感兴趣的车险、意外险等。

步骤112，根据标签信息进行推荐。

具体的，为用户贴上标签信息后，根据标签信息为用户进行相应的推荐。用户的标签信息反映了用户的兴趣点，购买意向。根据用户的标签信息为用户进行个性化的推荐，这样有利于提高推荐的准确率。

在本实施例中，通过获取用户信息，判断获取的用户信息是否完整，若完整，则根据该用户信息建立多个模型，从多个模型中选出与用户信息匹配的模型，根据该匹配的模型，获取用户对应的标签信息，进而根据标签信息进行推荐。通过自动获取用户信息，进行自动的信息匹配，提高了效率，同时根据用户信息建立多个模型，选出最匹配的模型，提高了预测的准确率，根据用户对应的标签信息进行推荐，每个用户都有自己独特的标签，这样可以为每个用户进行个性化推荐，提高了推荐的准确率。

如图2所示，在一个实施例中，进行信息补全的步骤105包括：

步骤105a，获取与缺少的信息对应的问题，加入到问卷中。

步骤105b，通过问卷采集所述缺少的信息。

具体的，预先设定与各个信息对应的问题，当提取的用户信息不完整的时候，获取与缺少的信息对应的问题，将获取的问题统一加入到问卷中，通过用户回答对应的问题，获取缺少的信息，当信息补充完整后，则再根据用户信息建立多个模型。比如，假如判断一个用户是否对某个产品感兴趣，需要获取该用户的年龄段，收入，职业等信息，当根据用户的历史信息获取不到用户的年龄段、职业等信息时，则在系统中获取与用户的年龄段、职业等信息对应的问题，比如，年龄段对应的问题为：从下面四个选项中选择您的年龄段，A:0-20岁，B：20-40岁，C：40-60岁，D：60岁以上。将获取的问题加入到问卷中，根据用户的选择获取相关的信息。在本实施例中，当获取不到用户的相关信息时，针对缺少的信息获取相应的问题，进而根据用户的回答获取对应缺少的信息，该方法针对性强，避免了让用户回答过多的问题，给用户带来了方便，提高了用户的满意度。

在一个实施例中，上述个性化推荐方法还包括:计算问卷中问题的选项对模型的影响度，生成相应的报告。

在本实施例中，为了更好的获取用户的信息，提高模型的可用性，需要不断的科学的对相关问题的设定进行改进。具体的，当通过问卷获取用户信息后，计算问卷中各个问题的选项对该问题以及对该模型的影响度，并生成相应的报告。通过生成的报告，判断问题的选项的设定是否合适，如果合适则保留，如果不合适则进行改进或者删除。比如，如果发现某个问题的选项对模型的影响程度很小，可以对这个问题进行改进或者直接删掉，具体的，可以通过信息增益或gini(基尼系数)的方式对问题进行改进。通过计算各个问题选项对模型的影响权重，权重影响很小的可以忽略不计。

在一个实施例中，从多个模型中确定与用户信息匹配的模型的步骤包括：计算各个模型对应的预测准确率，将预测准确率最高的模型作为与用户信息匹配的模型。

具体的，从多个模型中确定与用户信息匹配的模型的方法，可以根据已有样本分别计算各个模型对应的预测准确率，将预测准确率最高的模型作为与用户信息匹配的模型。在本实施例中，通过将比较多个模型预测的准确率，选出预测准确率最高的模型作为匹配的模型，有利于提高为用户进行推荐的准确率。

在一个实施例中，根据标签信息进行推荐的步骤包括：根据标签信息采用不同的推荐方式进行推荐，获取用户对不同推荐方式的点击率，将点击率最高的推荐方式作为最终的推荐方式。

在本实施例中，获取用户的标签信息，根据标签信息进行推荐，可以采用不用的推荐方式进行推荐，通过获取用户对不同推荐方式的点击率，将点击率最高的推荐方式作为最终的推荐方式。比如，可以采用ABtest方法进行判断哪个推荐方式效果比较好，进而将效果最好的方式作为最终的推荐方式。在本实施例中，通过获取用户对不同推荐方式的点击率，将点击率最高的推荐方式作为最终的推荐方式。

如图3所示，在一个实施例中，提出了一种个性化推荐装置，该装置包括：

获取模块302，用于获取用户信息。

具体的，可以让用户通过手机验证码或者微信等授权登录的方式进行登录，便于获取用户的相关信息，当检测到用户的登录信息后，根据用户的登录信息获取对应的用户信息。其中，用户信息包括静态信息和动态信息。静态信息是指用户的固有属性，包括年龄、性别、籍贯、职业、收入等。动态信息是指用户的行为属性，比如，近一个月是否浏览过相关的网址，搜索过相关的关键词，是否曾经购买过相关的产品等。

判断模块304，用于判断获取的用户信息是否完整。

具体的，获取到用户的静态信息和动态信息后，根据当前的项目需求判断获取的用户信息是否完整，如果获取的用户信息完整，则通知建立模块根据用户信息建立多个模型，若获取的用户信息不完整，则进行信息补全，当信息补充完整后，再通知建立模块根据用户信息建立多个模型。

建立模块306，用于若获取的用户信息完整，则根据用户信息建立多个模型。

具体的，获取用户信息后，在不同的场景下，采用不同的模型进行建模，以便从建立的多个模型中确定与用户信息匹配的模型。比如，可以采用随机森林、协同过滤、决策树、随机游走等方式建模。具体的，如果是二分类的问题，那么就可以分别采用决策树和随机森林来进行建模，最后根据预测的准确率，AUC(Area Under roc Curve，曲线下面积)等来判断哪个模型的效果更好，其中，AUC是一种用来度量分类模型好坏的一个标准。

确定模块308，用于从所述多个模型中确定与用户信息匹配的模型。

具体的，根据用户信息建立多个模型，从多个模型中确定与用户信息匹配的模型。从多个模型中确定匹配模型，可以通过分别计算各个模型的预测准确率，进而将预测准确率最高的模型作为匹配模型。预测准确率的计算是根据已有样本进行的预测。

标签获取模块310，用于根据确定的与用户信息匹配的模型，获取用户对应的标签信息。

具体的，根据确定的与用户信息匹配的模型，计算用户对某个事物的感兴趣度，进而根据计算得到的感兴趣度获取用户对应的标签信息。这里的标签信息可以是为用户贴上的购买某种产品的概率，也可以是为用户贴上的需求的产品特征的信息。比如，根据确定的与用户信息匹配的模型，计算得到用户购买意外险的概率是90％，购买养老险的概率是40％，购买车险的概率是95％，那么该用户的标签信息就可以为意外险，车险，之后就可以根据该标签信息为用户进行个性化的推荐，比如，针对上述用户，可以为该用户推荐可能感兴趣的车险、意外险等。

推荐模块312，用于根据标签信息进行推荐。

具体的，为用户贴上标签信息后，根据标签信息为用户进行相应的推荐。用户的标签信息反映了用户的兴趣点，购买意向。根据用户的标签信息为用户进行个性化的推荐，这样有利于提高推荐的准确率。

在本实施例中，通过获取用户信息，判断获取的用户信息是否完整，若完整，则根据该用户信息建立多个模型，从多个模型中选出与用户信息匹配的模型，根据该匹配的模型，获取用户对应的标签信息，进而根据标签信息进行推荐。通过自动获取用户信息，进行自动的信息匹配，提高了效率，同时根据用户信息建立多个模型，选出最匹配的模型，提高了预测的准确率，根据用户对应的标签信息进行推荐，每个用户都有自己独特的标签，这样可以为每个用户进行个性化推荐，提高了推荐的准确率。

如图4所示，在一个实施例中，上述个性化推荐装置还包括：

补充模块305，用于若获取的用户信息不完整，则获取与缺少的信息对应的问题，加入到问卷中，通过所述问卷采集所述缺少的信息，当信息补充完整后，则通知建立模块根据所述用户信息建立多个模型。

具体的，预先设定与各个信息对应的问题，当提取的用户信息不完整的时候，获取与缺少的信息对应的问题，将获取的问题统一加入到问卷中，通过用户回答对应的问题，获取缺少的信息，当信息补充完整后，则再根据用户信息建立多个模型。比如，假如判断一个用户是否对某个产品感兴趣，需要获取该用户的年龄段，收入，职业等信息，当根据用户的历史信息获取不到用户的年龄段、职业等信息时，则在系统中获取与用户的年龄段、职业等信息对应的问题，比如，年龄段对应的问题为：从下面四个选项中选择您的年龄段，A:0-20岁，B：20-40岁，C：40-60岁，D：60岁以上。将获取的问题加入到问卷中，根据用户的选择获取相关的信息。在本实施例中，当获取不到用户的相关信息时，针对缺少的信息获取相应的问题，进而根据用户的回答获取对应缺少的信息，该方法针对性强，避免了让用户回答过多的问题，给用户带来了方便，提高了用户的满意度。

在一个实施例中，上述个性化推荐装置还包括:

计算模块，用于计算问卷中问题的选项对模型的影响度，生成相应的报告。

在本实施例中，为了更好的获取用户的信息，提高模型的可用性，需要不断的科学的对相关问题的设定进行改进。具体的，当通过问卷获取用户信息后，计算问卷中各个问题的选项对该问题以及对该模型的影响度，并生成相应的报告。通过生成的报告，判断问题的选项的设定是否合适，如果合适则保留，如果不合适则进行改进或者删除。比如，如果发现某个问题的选项对模型的影响程度很小，可以对这个问题进行改进或者直接删掉，具体的，可以通过信息增益或gini(基尼系数)的方式对问题进行改进。通过计算各个问题选项对模型的影响权重，权重影响很小的可以忽略不计。

在一个实施例中，确定模块308还用于计算各个模型对应的预测准确率，将预测准确率最高的模型作为与所述用户信息匹配的模型。

具体的，从多个模型中确定与用户信息匹配的模型的方法，可以根据已有样本分别计算各个模型对应的预测准确率，将预测准确率最高的模型作为与用户信息匹配的模型。在本实施例中，通过将比较多个模型预测的准确率，选出预测准确率最高的模型作为匹配的模型，有利于提高为用户进行推荐的准确率。

在一个实施例中，推荐模块312还用于根据所述标签信息采用不同的推荐方式进行推荐，获取用户对不同推荐方式的点击率，将点击率最高的推荐方式作为最终的推荐方式。

在本实施例中，获取用户的标签信息，根据标签信息进行推荐，可以采用不用的推荐方式进行推荐，通过获取用户对不同推荐方式的点击率，将点击率最高的推荐方式作为最终的推荐方式。比如，可以采用ABtest方法进行判断哪个推荐方式效果比较好，进而将效果最好的方式作为最终的推荐方式。在本实施例中，通过获取用户对不同推荐方式的点击率，将点击率最高的推荐方式作为最终的推荐方式。

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本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 (8)

1.一种个性化推荐方法，所述方法包括以下步骤：

检测到用户登录信息后，根据所述登录信息获取用户信息；

判断获取的所述用户信息是否完整；

若是，则根据所述用户信息建立多个模型；

从所述多个模型中确定与所述用户信息匹配的模型；

根据确定的与所述用户信息匹配的模型，获取用户对应的标签信息；

根据所述标签信息进行推荐；

所述从所述多个模型中确定与所述用户信息匹配的模型的步骤包括：

计算各个模型对应的预测准确率，将预测准确率最高的模型作为与所述用户信息匹配的模型；

其中，根据确定的与所述用户信息匹配的模型，获取用户对应的标签信息包括：

根据确定的与用户信息匹配的模型，计算用户的感兴趣度，根据计算得到的感兴趣度获取用户对应的标签信息。

2.根据权利要求1所述的方法，其特征在于，在所述判断获取的所述用户信息是否完整的步骤之后还包括：

若获取的用户信息不完整，则获取与缺少的信息对应的问题，加入到问卷中，通过所述问卷采集所述缺少的信息，当信息补充完整后，则进入根据所述用户信息建立多个模型的步骤。

3.根据权利要求2所述的方法，其特征在于，所述方法还包括:计算所述问卷中问题的选项对模型的影响度，生成相应的报告。

4.根据权利要求1所述的方法，其特征在于，所述根据所述标签信息进行推荐的步骤包括：

根据所述标签信息采用不同的推荐方式进行推荐，获取用户对不同推荐方式的点击率，将点击率最高的推荐方式作为最终的推荐方式。

5.一种个性化推荐装置，其特征在于，所述装置包括：

获取模块，用于检测到用户登录信息后，根据所述登录信息获取用户信息；

判断模块，用于判断获取的所述用户信息是否完整；

建立模块，用于若获取的用户信息完整，则根据所述用户信息建立多个模型；

确定模块，用于从所述多个模型中确定与所述用户信息匹配的模型；

标签获取模块，用于根据确定的与所述用户信息匹配的模型，获取用户对应的标签信息；

推荐模块，用于根据所述标签信息进行推荐；

所述确定模块还用于计算各个模型对应的预测准确率，将预测准确率最高的模型作为与所述用户信息匹配的模型；

其中，根据确定的与所述用户信息匹配的模型，获取用户对应的标签信息包括：

根据确定的与用户信息匹配的模型，计算用户的感兴趣度，根据计算得到的感兴趣度获取用户对应的标签信息。

6.根据权利要求5所述的装置，其特征在于，所述装置还包括：

补充模块，用于若获取的用户信息不完整，则获取与缺少的信息对应的问题，加入到问卷中，通过所述问卷采集所述缺少的信息，当信息补充完整后，则通知建立模块根据所述用户信息建立多个模型。

7.根据权利要求6所述的装置，其特征在于，所述装置还包括:

计算模块，用于计算所述问卷中问题的选项对模型的影响度，生成相应的报告。

8.根据权利要求5所述的装置，其特征在于，所述推荐模块还用于根据所述标签信息采用不同的推荐方式进行推荐，获取用户对不同推荐方式的点击率，将点击率最高的推荐方式作为最终的推荐方式。