CN105976161A - 一种基于时间轴上的智能推荐日历及基于用户的呈现方法 - Google Patents

Abstract

本发明公开基于时间轴上的智能推荐日历及基于用户的呈现方法，智能推荐日历包括：按照时间轴采集日历中的使用数据，使用数据包括，用户的浏览行为和浏览内容；将上述使用数据以日志的形式同步至后台服务器，并对用户使用日历的行为进行模拟，建立用户日历推荐模型；提取得到关键词，根据关键词作为所述时间轴中事件的索引词汇，建立基于用户维度的标签系统；根据标签系统，得到用户的数据标签，数据标签包括用户的感兴趣内容，再根据数据标签在日历中完成时间提醒以及相关内容的推荐。本发明具有高效性、分类整合、协同过滤功能，能够基于用户感兴趣内容进行智能推荐，同时根据用户的时间管理习惯及喜好作出线上、线下事件/内容的精准推荐。

Description

一种基于时间轴上的智能推荐日历及基于用户的呈现方法

技术领域

本发明涉及计算机软件领域，特别涉及基于时间轴上的智能推荐日历及基于用户的呈现方法。

背景技术

日历做为时间最常用的表达/记录工具APP之一，目前在国内有12亿用户，在国外有63亿用户,但大部分的日历APP却没有被很好地利用起来，都是上一代工业设计出来的产品。

手机/客户端的系统日历只能简单地成为人们浏览日期和时间的方式，以iphone系统日历为例，如图1(a)所示为iphone日历日视图，如图1(b)所示为iphone日历日程列表界面。如图1(c)所示是很多第三方市场日历更是强性植入各种与时间毫无关系的内容等。

上述日历在移动设备上设计的的日历，用户能接受到的仅仅是单一的时间，又或者是时间与事件相分离的内容，无法连贯起来。

缺点如下：

1)单一的时间记录、不合理强植入式的内容，

2)与用户匹配度极低，带给用户最直观的体验就是只能简单写个备忘、设置闹铃；

3)容易收到一大堆不相关的广告和内容的干扰，让用户感觉还不如选择某款专业的记事、闹铃软件。

上述的单一的时间记录、未与时间融合的内容模式让用户体验极差，粘度极低，无法带给用户真正的价值。

发明内容

本发明要解决的技术问题是，提供一种既能够满足用户基础、简单的日历需求，进行学习和匹配到用户的个性化需求并进行智能推荐的智能推荐日历，并根据用户的时间管理习惯及喜好作出线上、线下事件/内容的精准推荐。

解决上述技术问题，本发明提供了基于时间轴上的智能推荐日历，包括：

按照时间轴采集日历中的使用数据，所述使用数据包括，用户的浏览行为和浏览内容；

将上述使用数据以日志的形式同步至后台服务器，并对用户使用日历的行为进行模拟，建立用户日历推荐模型；

通过所述用户日历推荐模型，提取得到关键词，根据所述关键词作为所述时间轴中事件的索引词汇，建立基于用户维度的标签系统；

根据所述标签系统，得到用户的数据标签，所述数据标签包括用户的感兴趣内容，再根据数据标签在日历中完成时间提醒以及相关内容的推荐。

用户的兴趣和需求会随着时间和场景发生变化，推荐系统要考虑到用户长期兴趣偏好和短期兴趣偏好，还要考虑兴趣的变化。

其中，用户的浏览行为和内容体现了用户的兴趣和需求。使用数据包括了浏览次数、频率、停留时长、浏览页面时的操作(收藏，保存，分享等)、浏览时用户手机电量的变化等。

更进一步，所述时间轴通过将日历中的事件进行组织和呈现，其中事件的分类按照纵向时间轴进行组织和呈现，事件的发生时间按照横向时间轴进行组织和呈现。

更进一步，所述事件的发生时间包括，历史事件中的数据、未来事件中的数据、即将发生事件中的数据、定期发生事件中的数据、不定期发生事件中的数据。

更进一步，所述事件的分类包括，用户的浏览事件、点击事件，所述浏览事件根据终端访问WEB服务器的URL获得，所述点击事件按照用户点击内容详情以及用户点击消除内容获得。

更进一步，所述用户日历推荐模型按照如下方式建立：

通过目标用户兴趣特征，建立基于用户兴趣特征提取的模型，得到用户对内容的兴趣矩阵；

通过所述兴趣矩阵计算得到相似系数，根据相似系数寻找目标用户的邻居用户，并得到邻居用户集合；

根据所述邻居用户集合中邻居用户对内容的兴趣度预测目标用户对内容的兴趣度；

根据所述用户对内容的兴趣度得到用户日历推荐模型。

更进一步，所述日历中的事件选择用户UGC中定义的内容，包括：用户的日程、用户的记事、用户的待办事项、用户设定的节日、用户设置的闹钟、用户通过SNS服务进行内容分享。

更进一步，所述根据数据标签在日历中完成时间提醒的方法具体为：

根据用户对内容的浏览行为，得到用户偏好和对浏览内容的兴趣度：

若用户偏好发生转移，则原来的兴趣度减少，若用户偏好不发生转移，则原来的兴趣度维持或者增加；

若用户对感兴趣的内容高频度的点击和浏览，则用户对这类内容感兴趣，对应的兴趣值增加。

更进一步，所述基于用户维度的标签系统包括：用户标签体系元数据库、用户标签应用场景库、用户标签挖掘框架；

所述用户标签体系元数据库，用以组织和储放多级标签；

所述用户标签应用场景库，用以组织和储放与标签对应的应用场景；

所述用户标签挖掘框架，用以对上述的标签进行聚合；

在所述用户标签体系元数据库中包括，一级标签、二级标签、三级标签、四级标签；

所述一级标签为大类标签，用以划分内容领域；所述二级标签从属于大类标签，用以对所述内容领域进行再次划分；所述三级标签从属于所述二级标签，用以二级标签进行再次划分；所述四级标签用以将每个实体对象的属性标准化

在用户标签挖掘框架中对每一个粒度的标签聚合信息，在上述每个标签下聚合具有该对应的细分标签能力的用户群体，得到用户能力标签。

所述标签，通过在一设定时间轴内容下的相关信息中挖掘出至少一个代表词语作为该内容的标签。

更进一步，所述用户日历推荐模型包括，用户建模模块、推荐标签对象建模模块以及推荐算法模块；

在所述用户建模模块，将用户属性、用户主动输入的信息、用户的浏览行为和浏览数据以及推荐对象的属性特征，作为模型的输入数据，同时在大数据集群上进行用户画像计算和存储；

在所述推荐标签对象建模模块，基于推荐标签对象的描述文件，根据其中的对象特征描述文件和用户描述文件中的兴趣偏好进行推荐计算；

所述推荐算法模块，用以基于内容推荐和协同过滤推荐联合确定推荐策略。

本发明还提供了基于用户的呈现方法，包括如下步骤：

设置事件，并按照事件的先后次序在日程中建立纵向滚动时间轴；

当外部触发，则时间轴会按照触发方向进行反向滚动；

所述时间轴根据事件的分类和事件发生时间将事件进行归类并排序

本发明的有益效果：

1)本发明中的时间线信息流正是以时间轴为主线的内容呈现方式，将人们的工作、生活信息等内容通过时间串联起来，所有呈现事件/内容都是与时间相关，主要体现时间的强属性及强用户帮助性。在日历所独有的时间线上，通过日期和时间的索引，把事件、地点、人物等有机的串联起来，构成了用户所特有的时间印记。

2)本发明的基于时间轴上的智能推荐日历，在移动互联网技术日趋成熟的信息爆炸时代里，给用户创造了三个方面的价值：

2-1)高效性：用户通过时间轴不仅能快速记录事件并添加一键提醒，更能获得更多关于时间安排的精准信息推荐，从而更高效地管理专属个人的精彩生活；

2-2)分类整合：时间线信息流是通过整合生活信息的内容呈现方式，用户不仅能阅读到现有内容和安排当下事件，还有即将到来事件/内容的预热。通过现有及未来信息呈现，在一定程度上影响用户未来生活方式；

2-3)协同过滤：基于云计算机器学习的技术，能够很好地为用户过滤掉不相关、没兴趣等垃圾信息内容，从而有限地为用户节省了时间。

3)由于本发明中的基于时间轴上的智能推荐日历，按照时间轴采集日历中的使用数据，所述使用数据包括，用户的浏览行为和浏览内容；将上述使用数据以日志的形式同步至后台服务器，并对用户使用日历的行为进行模拟，建立用户日历推荐模型；通过所述用户日历推荐模型，提取得到关键词，根据所述关键词作为所述时间轴中事件的索引词汇，建立基于用户维度的标签系统。从用户需求出发，根据用户需求和潜在需求组织广告内容，该发明把日历广告变成了一种内容服务。

4)目前全球有75亿手机日历用户，每天产生了非常丰富的使用行为数据，80％以上的用户行为数据价值未被处理和挖掘，本发明中的基于时间轴上的智能推荐日历，通过时间线信息流通过合理采集用户浏览、点击、阅读、互动的行为数据，提高潜在大用户群的挖掘效率。

附图说明

图1(a)-图1(c)是现有技术中的在手机上显示日历的三种方式。

图2是本发明一实施例中的基于时间轴上的智能推荐日历的方法流程示意图。

图3是图2中的智能推荐日历设计参考示意图。

图4是图2中的事件的发生时间组成示意图。

图5是图2中的事件的分类组成示意图。

图6是图2中的用户日历推荐模型建立方式示意图。

图7是图2中的日历中的事件选择用户UGC中定义的内容组成示意图。

图8是图2中根据数据标签在日历中完成时间提醒的流程示意图。

图9是图2中基于用户维度的标签系统的结构示意图。

图10是图2中的用户标签体系元数据库的结构示意图。

图11是图2中的用户日历推荐模型的结构示意图。

图12是图2中的用户日历推荐模型中的方法流程示意图。

图13是本发明一实施例中的基于用户的呈现方法流程示意图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本发明进一步详细说明。

请参考图2是本发明一实施例中的基于时间轴上的智能推荐日历的方法流程示意图。

在本实施例中的基于时间轴上的智能推荐日历，包括以下的步骤：

S1按照时间轴采集日历中的使用数据，所述使用数据包括，用户的浏览行为和浏览内容；用户的浏览行为和浏览内容体现了用户的兴趣和需求，比如使用数据包括了浏览智能移动终端的次数、浏览智能移动终端的频率、浏览智能移动终端中某一页面的停留时长、浏览智能移动终端的浏览页面时的操作(收藏，保存，分享等)、在智能移动终端浏览时用户手机电量的变化等。在此过程中，用户的兴趣和需求会随着时间和场景发生变化，推荐系统要考虑到用户长期兴趣偏好和短期兴趣偏好，还要考虑兴趣的变化。表1是一种具体的用户的兴趣和需求会随着时间和场景发生变化的分析。

时间线信息流正是以时间轴为主线的内容呈现方式，将人们的工作、生活信息等内容通过时间串联起来，所有呈现事件/内容都是与时间相关，主要体现时间的强属性及强用户帮助性。在日历所独有的时间线上，通过日期和时间的索引，把事件、地点、人物等有机的串联起来，构成了用户所特有的时间印记。

在一些实施例中，在所述时间轴上不仅能呈现当下事件/内容，还有未来事件/活动的预热，是一种系统、完整的记录方式。

表1

S2将上述使用数据以日志的形式同步至后台服务器，并对用户使用日历的行为进行模拟，建立用户日历推荐模型；当使用数据以日志的形式进行保存时，不仅保证了能够记录所有的相关的使用操作，同时便于之后的查询和建模。

在一些实施例中，基于不同的客户端采集的日志来完成，不同平台的客户端定义了相同的日志报文格式，但计算流程上使用的信息稍有不同。比如区分独立设备的字段(或一组字段)，因平台不同而有所差异。

S3通过所述用户日历推荐模型，提取得到关键词，根据所述关键词作为所述时间轴中事件的索引词汇，建立基于用户维度的标签系统；比如关键词可以包括但不限于，{KEY WORD：体育}、{KEY WORD：航天}、{KEY WORD：军事}、{KEY WORD：生活}、{KEY WORD：微信文章}、{KEY WORD：知乎推送}、{KEY WORD：电商购物}、{KEY WORD：游戏}、{KEY WORD：直播}、{KEY WORD：聊天}、{KEY WORD：母婴}、{KEY WORD：教育}、{KEY WORD：食品}、{KEY WORD：今日热点}、{KEY WORD：农历}、{KEY WORD：天气}、{KEY WORD：节假日}、{KEY WORD：室内运动}、{KEY WORD：室外运动}、{KEY WORD：桌游}、{KEYWORD：知识产权}、{KEY WORD：找工作}、{KEY WORD：租房}、{KEY WORD：旅游推荐}、{KEY WORD：美食推荐}、{KEY WORD：小说推荐}。通过将所述关键词作为所述时间轴中事件的索引词汇，能够对时间轴进行划分。

S4根据所述标签系统，得到用户的数据标签，所述数据标签包括用户的感兴趣内容，再根据数据标签在日历中完成时间提醒以及相关内容的推荐。

在一些实施例中，通过日历用户中使用数据积累，可熟悉日历用户相关阅读行为和兴趣偏好，从而进行用户人群划分，根据行为及兴趣模型推荐相应阅读内容，让用户去选择感兴趣的事件。

请参考图3是图2中的智能推荐日历设计参考示意图。

作为本实施例中的优选，所述时间轴通过将日历中的事件进行组织和呈现，其中事件的分类22按照纵向时间轴进行组织和呈现，比如在图3中包括的事件的分类22为：

通过事件的分类22，包括了日期和对应的日子，将事件按照纵向进行显示。

通过事件的发生时间21，按照横向时间轴进行组织和呈现。

请参考图4是图2中的事件的发生时间组成示意图。

在本实施例中，所述事件的发生时间包括，历史事件中的数据31、未来事件中的数据32、即将发生事件中的数据33、定期发生事件中的数据34、不定期发生事件35中的数据。

所述历史事件中的数据31是指，根据当天按照时间轴依次推后的事件。

未来事件中的数据32是指，按照时间轴中，在近期即将发生的事件，包括但不限于，提前1天的日程提醒、提醒1小时的工作提醒等。

即将发生事件中的数据33是指，在1天室内将要发生的时间，包括但不限于，6am-12am，1pm-11pm中发生的事件。

定期发生事件中的数据34是指，在不同的年份相同日子发生的事件，包括但不限于，生日提醒、历史上的今天、纪念日提醒等。

不定期发生事件35中是指，用户自行设定的事件。

通过上述的时间线信息流正是以时间轴为主线的内容呈现方式，可将人们的工作、生活信息等内容通过时间串联起来，所有呈现事件/内容都是与时间相关，主要体现时间的强属性及强用户帮助性。通过在日历所独有的时间线上，通过日期和时间的索引，把事件、地点、人物等有机的串联起来，构成了用户所特有的时间印记。

请参考图5是图2中的事件的分类组成示意图。

在本实施例中，所述事件的分类41包括，用户的浏览事件42、点击事件43，所述浏览事件42根据终端访问WEB服务器的URL获得，具体地，可根据不同客户端中的用户的浏览事件42，对WEB服务器进行访问，所述WEB服务器会响应所述用户的浏览事件42，将用户想要浏览的结果进行反馈。点击事件43按照用户点击内容详情以及用户点击消除内容获得，具体地，用户点击内容详情决定了用户的感兴趣内容，用户点击消除内容可能是广告或者其它不感兴趣的内容。

请参考图6是图2中的用户日历推荐模型建立方式示意图。

在本实施例中的基于时间轴上的智能推荐日历，包括了如下步骤：

S1按照时间轴采集日历中的使用数据，所述使用数据包括，用户的浏览行为和浏览内容；

S2将上述使用数据以日志的形式同步至后台服务器，并对用户使用日历的行为进行模拟，建立用户日历推荐模型；

S3通过所述用户日历推荐模型，提取得到关键词，根据所述关键词作为所述时间轴中事件的索引词汇，建立基于用户维度的标签系统；

S4根据所述标签系统，得到用户的数据标签，所述数据标签包括用户的感兴趣内容，再根据数据标签在日历中完成时间提醒以及相关内容的推荐。

作为本实施例中的优选，所述用户日历推荐模型按照如下方式建立：

S51通过目标用户兴趣特征，建立基于用户兴趣特征提取的模型，得到用户对内容的兴趣矩阵；

S52通过所述兴趣矩阵计算得到相似系数，根据相似系数寻找目标用户的邻居用户，并得到邻居用户集合；

S53根据所述邻居用户集合中邻居用户对内容的兴趣度预测目标用户对内容的兴趣度；

S54根据所述用户对内容的兴趣度得到用户日历推荐模型。

具体地，上述步骤中，从用户兴趣特征入手，建立用户兴趣特征提取的数学模型，进而建立用户对内容的兴趣度矩阵；在此基础上，利用Pearson相似系数寻找目标用户的邻居用户集合，利用邻居用户对内容的兴趣度预测目标用户对内容的兴趣度，这套模型基于FP-Growth原理建立关联规则推荐算法。所述邻居用户是指与目标用户相关联的用户。比如都喜爱在同一时段观看新闻，都习惯在夜晚聆听轻音乐。

请参考图7是图2中的日历中的事件选择用户UGC中定义的内容组成示意图。

在在本实施例中，所述日历中的事件选择用户UGC中定义的内容，包括：用户的日程61、用户的记事62、用户的待办事项63、用户设定的节日64、用户设置的闹钟65、用户通过SNS服务进行内容分享66。其中所述UGC(UserGenerated Content)指用户原创内容，是伴随着以提倡个性化为主要特点的Web2.0概念而兴起的。它并不是某一种具体的业务，而是一种用户使用互联网的新方式，即由原来的以下载为主变成下载和上传并重。随着互联网运用的发展，网络用户的交互作用得以体现，用户既是网络内容的浏览者，也是网络内容的创造者。UGC中的内容包括但不限于，Facebook，My Space，开心网，人人网(校内)，朋友网(QQ校友)，众众网、YouTube，优酷网，土豆网，搜狐视频、百度百科、百度知道、维基百科、百度贴吧，天涯社区，知乎、Twitter，新浪微博等。

请参考图8是图2中根据数据标签在日历中完成时间提醒的流程示意图。

在本实施例中的基于时间轴上的智能推荐日历，包括了如下步骤：

S1按照时间轴采集日历中的使用数据，所述使用数据包括，用户的浏览行为和浏览内容；

S2将上述使用数据以日志的形式同步至后台服务器，并对用户使用日历的行为进行模拟，建立用户日历推荐模型；

S3通过所述用户日历推荐模型，提取得到关键词，根据所述关键词作为所述时间轴中事件的索引词汇，建立基于用户维度的标签系统；

S4根据所述标签系统，得到用户的数据标签，所述数据标签包括用户的感兴趣内容，再根据数据标签在日历中完成时间提醒以及相关内容的推荐。

作为本实施例中的优选，所述根据数据标签在日历中完成时间提醒的方法具体为：

S71根据用户对内容的浏览行为，得到用户偏好和对浏览内容的兴趣度：

S72用户偏好判断？若有则进入S73；

S73若用户偏好发生转移，则原来的兴趣度减少，若用户偏好不发生转移，则原来的兴趣度维持或者增加；

S74是否有用户感兴趣内容？若有则进入S75；

S75若用户对感兴趣的内容高频度的点击和浏览，则用户对这类内容感兴趣，对应的兴趣值增加。

用户的浏览行为反应了用户的兴趣，两者的关系具有以下特点：

考虑到1.不同年龄，职业，性别的用户偏好反映在用户在对内容的浏览行为上；

考虑到2.用户偏好具有动态转移性，将其反映在用户兴趣度上，即若用户偏好发生转移，则原来的兴趣度减少

考虑到3.用户对感兴趣的内容高频度的点击和浏览，假设用户对某一类内容的浏览时间变长、频率也越高，用户对这类内容越感兴趣，反映用户偏好的兴趣度值也会随之增加。

推荐算法的推荐质量评价标准中，本实施例中采用平均绝对差(MAE)，它是通过计算预测的用户对内容的兴趣度和该用户对该内容的真实兴趣度之间的偏差来度量算法预测的准确性，MAE值越小，则预测的越准确，推荐精度也越高。

请参考图9是图2中基于用户维度的标签系统的结构示意图。

在本实施例中的所述基于用户维度的标签系统8包括：用户标签体系元数据库81，所述用户标签体系元数据库81，用以组织和储放多级标签；用户标签应用场景库82，所述用户标签应用场景库82，用以组织和储放与标签对应的应用场景；用户标签挖掘框架83，所述用户标签挖掘框架83，用以对上述的标签进行聚合；在所述用户标签体系元数据库中包括，一级标签、二级标签、三级标签、四级标签；所述一级标签为大类标签，用以划分内容领域；所述二级标签从属于大类标签，用以对所述内容领域进行再次划分；所述三级标签从属于所述二级标签，用以二级标签进行再次划分；所述四级标签用以将每个实体对象的属性标准化；在用户标签挖掘框架中对每一个粒度的标签聚合信息，在上述每个标签下聚合具有该对应的细分标签能力的用户群体，得到用户能力标签；所述标签，通过在一设定时间轴内容下的相关信息中挖掘出至少一个代表词语作为该内容的标签。

请参考图10是图9中的用户标签体系元数据库的结构示意图。

在本实施例中，用户标签体系元数据库81包括了：一级标签、二级标签、三级标签、四级标签。日历作为最大的工具，每天都有丰富的信息在其上发布与传播，从某个时间轴内容(日程)下的相关信息中挖掘出一个或者多个具有代表性的词语作为标签，能够方便对用户与内容的查找与分析。因此，对于在日历上能够聚合出的数量庞大的标签库而言，为了有效的梳理标签，方便挖掘工作的进行，需要构建一个清晰完整的用户标签体系。在当前的三层用户标签体系中，共存在20多个一级标签，200多个二级标签和近10万的三级标签；其中一级标签是大类标签，类似于新闻客户端中常见的频道(如娱乐，财经、互联网等)，二级标签是从属于一级标签的细分(如财经下的股票，互联网下的互联网安全等)，三级标签是对二级标签的进一步细分，能对应到一级标签下的实体对象(如财经下某一支具体的股票，互联网下的某一家具体公司等)，在规划中，会构建四级标签，会将每个实体对象的属性标准化。在所确定的标签体系下，需要对每一个粒度的标签聚合信息，具体到用户能力标签，就是要在每个标签下聚合具有该细分标签能力的用户群体。

请参考图11是图2中的用户日历推荐模型的结构示意图。

在本实施例中的所述用户日历推荐模型9包括，用户建模模块91、推荐标签对象建模模块92以及推荐算法模块93；在所述用户建模模块91，将用户属性、用户主动输入的信息、用户的浏览行为和浏览数据以及推荐对象的属性特征，作为模型的输入数据，同时在大数据集群上进行用户画像计算和存储；在所述推荐标签对象建模模块92，基于推荐标签对象的描述文件，根据其中的对象特征描述文件和用户描述文件中的兴趣偏好进行推荐计算；所述推荐算法模块93，用以基于内容推荐和协同过滤推荐联合确定推荐策略。

请参考图12是图2中的用户日历推荐模型中的方法流程示意图。

在所述用户日历推荐模型9中，进行如下的操作：

S101在所述用户建模模块，将用户属性、用户主动输入的信息、用户的浏览行为和浏览数据以及推荐对象的属性特征，作为模型的输入数据；

S102同时在大数据集群上进行用户画像计算和存储；大数据集群包括但不限于云端储存方式。

S103在所述推荐标签对象建模模块，基于推荐标签对象的描述文件，根据其中的对象特征描述文件和用户描述文件中的兴趣偏好进行推荐计算；

S104所述推荐算法模块，用以基于内容推荐和协同过滤推荐联合确定推荐策略。

比如基于内容推荐，根据用户过去喜欢的产品(item)，为用户推荐和他过去喜欢的产品相似的产品。例如，一个推荐饭店的餐饮系统可以依据某个用户之前喜欢(根据日历的访问及用户感兴趣内容)很多的烤肉店而为用户推荐烤肉店。若用户已经对一些item给出了他的喜好判断，喜欢其中的一部分item，不喜欢其中的另一部分。则可以通过用户过去的这些喜好判断，为他产生一个模型。通过这个模型，就可以根据此模型来判断用户u是否会喜欢一个新的item。学习模型中采用的学习算法包括但不限于，最近邻方法kNN算法、Rocchio算法、决策树DT算法、线性分类LC算法、朴素贝叶斯NB算法。在推荐时，如果学习模型中使用的是分类模型，则根据模型预测的用户最可能感兴趣的n个item作为推荐返回给用户。如果学习模型中使用的直接学习用户属性的方法：Rocchio算法，则将与用户属性最相关的n个item作为推荐返回给用户。

协同过滤推荐CF，包括了以下几个步骤：收集用户偏好、找到相似的用户或物品、计算推荐几个步骤。

收集用户偏好表如下：

找到相似的用户或物品为，当已经对用户行为进行分析得到用户喜好后，根据用户喜好计算相似用户和物品，然后基于相似用户或者物品进行推荐：比如，相似邻居的计算或者相似度的计算。最后通过kNN模型获得推荐的结果。

在一些实施例中，用户日历推荐模型9中的推荐库内容划分为黄历、天气、那年今日、国际、军事、财经、情感、娱乐、历史、旅游、亲子、健康、美食、社会、教育、女性、星座、命理、体育、科技等类别，根据用户添加感兴趣类别的订阅，再推荐相应内容。

请参考图13是本发明一实施例中的基于用户的呈现方法流程示意图。

在本实施例中的基于用户的呈现方法，包括如下步骤：

S111设置事件，并按照事件的先后次序在日程中建立纵向滚动时间轴；日历最重要的功能之一是提醒，索引提醒的最好的方式是日程，而日程的变现形式就是时间轴，利用一条纵轴线，把事件发生的先后次序用时间轴来表达，依据分类和时间把事件归类和排序，以最适合移动设备的人机交互界面展示给用户。时间轴上不仅能呈现当下事件/内容，还有未来事件/活动的预热，是一种系统、完整的记录方式。

S112当外部触发，则时间轴会按照触发方向进行反向滚动；时间轴的反向滚动符合用户的设计，用户体验好。

S113所述时间轴根据事件的分类和事件发生时间将事件进行归类并排序。

所属领域的普通技术人员应当理解：以上，所述仅为本发明的具体实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.基于时间轴上的智能推荐日历，其特征在于包括：

按照时间轴采集日历中的使用数据，所述使用数据包括，用户的浏览行为和浏览内容；

将上述使用数据以日志的形式同步至后台服务器，并对用户使用日历的行为进行模拟，建立用户日历推荐模型；

通过所述用户日历推荐模型，提取得到关键词，根据所述关键词作为所述时间轴中事件的索引词汇，建立基于用户维度的标签系统；

根据所述标签系统，得到用户的数据标签，所述数据标签包括用户的感兴趣内容，再根据数据标签在日历中完成时间提醒以及相关内容的推荐。

2.根据权利要求1所述的智能推荐日历，其特征在于，所述时间轴通过将日历中的事件进行组织和呈现，其中事件的分类按照纵向时间轴进行组织和呈现，事件的发生时间按照横向时间轴进行组织和呈现。

3.根据权利要求2所述的智能推荐日历，其特征在于，所述事件的发生时间包括，历史事件中的数据、未来事件中的数据、即将发生事件中的数据、定期发生事件中的数据、不定期发生事件中的数据。

4.根据权利要求1所述的智能推荐日历，其特征在于，所述事件的分类包括，用户的浏览事件、点击事件，所述浏览事件根据终端访问WEB服务器的URL获得，所述点击事件按照用户点击内容详情以及用户点击消除内容获得。

5.根据权利要求1所述的智能推荐日历，其特征在于，所述用户日历推荐模型按照如下方式建立：

通过目标用户兴趣特征，建立基于用户兴趣特征提取的模型，得到用户对内容的兴趣矩阵；

通过所述兴趣矩阵计算得到相似系数，根据相似系数寻找目标用户的邻居用户，并得到邻居用户集合；

根据所述邻居用户集合中邻居用户对内容的兴趣度预测目标用户对内容的兴趣度；

根据所述用户对内容的兴趣度得到用户日历推荐模型。

6.根据权利要求1所述的智能推荐日历，其特征在于，所述日历中的事件选择用户UGC中定义的内容，包括：用户的日程、用户的记事、用户的待办事项、用户设定的节日、用户设置的闹钟、用户通过SNS服务进行内容分享。

7.根据权利要求1所述的智能推荐日历，其特征在于，所述根据数据标签在日历中完成时间提醒的方法具体为：

根据用户对内容的浏览行为，得到用户偏好和对浏览内容的兴趣度：

若用户偏好发生转移，则原来的兴趣度减少，若用户偏好不发生转移，则原来的兴趣度维持或者增加；

若用户对感兴趣的内容高频度的点击和浏览，则用户对这类内容感兴趣，对应的兴趣值增加。

8.根据权利要求1所述的智能推荐日历，其特征在于，所述基于用户维度的标签系统包括：用户标签体系元数据库、用户标签应用场景库、用户标签挖掘框架；

所述用户标签体系元数据库，用以组织和储放多级标签；

所述用户标签应用场景库，用以组织和储放与标签对应的应用场景；

所述用户标签挖掘框架，用以对上述的标签进行聚合；

在所述用户标签体系元数据库中包括，一级标签、二级标签、三级标签、四级标签；

所述一级标签为大类标签，用以划分内容领域；所述二级标签从属于大类标签，用以对所述内容领域进行再次划分；所述三级标签从属于所述二级标签，用以二级标签进行再次划分；所述四级标签用以将每个实体对象的属性标准化；

在用户标签挖掘框架中对每一个粒度的标签聚合信息，在上述每个标签下聚合具有该对应的细分标签能力的用户群体，得到用户能力标签；

所述标签，通过在一设定时间轴内容下的相关信息中挖掘出至少一个代表词语作为该内容的标签。

9.根据权利要求1所述的智能推荐日历，其特征在于，所述用户日历推荐模型包括，用户建模模块、推荐标签对象建模模块以及推荐算法模块；

在所述用户建模模块，将用户属性、用户主动输入的信息、用户的浏览行为和浏览数据以及推荐对象的属性特征，作为模型的输入数据，同时在大数据集群上进行用户画像计算和存储；

在所述推荐标签对象建模模块，基于推荐标签对象的描述文件，根据其中的对象特征描述文件和用户描述文件中的兴趣偏好进行推荐计算；

所述推荐算法模块，用以基于内容推荐和协同过滤推荐联合确定推荐策略。

10.基于用户的呈现方法，其特征在于包括如下步骤：

设置事件，并按照事件的先后次序在日程中建立纵向滚动时间轴；

当外部触发，则时间轴会按照触发方向进行反向滚动；

所述时间轴根据事件的分类和事件发生时间将事件进行归类并排序。