CN106055661A - 基于多Markov链模型的多兴趣资源推荐方法 - Google Patents

Abstract

本发明涉及一种基于多Markov链模型的多兴趣资源推荐方法，按照如下步骤实现：在多Markov链模型的学习阶段，通过训练数据，获取用户特征关键字序列，并根据该用户特征关键字序列生成类Markov链；对类Markov链进行聚类与合并，完成多Markov链模型的学习；在多Markov链模型的预测阶段，通过测试数据，判定用户类别，获取该用户类别对应的用以描述用户兴趣特征的类Markov链，并预测用户下一时刻的兴趣关键字；在预测过程中，确定用户多兴趣特征向量，并为该用户多兴趣特征向量中每个多兴趣特征关键字分配权值，进而建立多兴趣用户需求矩阵；根据所述多兴趣用户需求矩阵中兴趣特征关键字及相应的权值，通过匹配资源对用户进行推荐。

Description

基于多Markov链模型的多兴趣资源推荐方法

技术领域

本发明涉及社交网络信息分析技术领域，特别是一种基于多Markov链模型的多兴趣资源推荐方法。

背景技术

随着社交网络的极速发展，全球社交网络用户数量增长到新的峰值。网络社交生活产生了巨大的社交信息数据，这些数据中蕴含着大量的用户信息。通过这些信息可以挖掘出用户的偏好和兴趣所在，以此对其进行资源推荐，一方面方便了用户生活，另一方面也可以提高服务提供商的营销效率。

多Markov模型基于各个用户的兴趣特征，将用户分类，然后为每个类建立Markov链来描述该类用户的兴趣特征，并作出兴趣预测。相比其他预测模型，多Markov模型能够较为准确地描述用户的兴趣特征，并对用户做出有效的兴趣预测。

资源推荐是基于对用户的兴趣预测结果，分析其与资源特征的匹配程度，然后向用户推荐资源的方法。

发明内容

本发明的目的在于提供一种基于多Markov链模型的多兴趣资源推荐方法，以克服现有技术中存在的缺陷。

为实现上述目的，本发明的技术方案是：一种基于多Markov链模型的多兴趣资源推荐方法，按照如下步骤实现：

步骤S1：在多Markov链模型的学习阶段，通过训练数据，获取用户特征关键字序列，并根据该用户特征关键字序列生成类Markov链；

步骤S2：对类Markov链进行聚类与合并，完成多Markov链模型的学习；

步骤S3：在多Markov链模型的预测阶段，通过测试数据，判定用户类别；并通过所述多Markov链模型，获取该用户类别对应的用以描述用户兴趣特征的类Markov链，进而预测用户下一时刻的兴趣关键字；

步骤S4：在预测过程中，确定用户多兴趣特征向量，并为该用户多兴趣特征向量中每个多兴趣特征关键字分配权值，进而建立多兴趣用户需求矩阵；

步骤S5：根据所述多兴趣用户需求矩阵中兴趣特征关键字及相应的权值，通过匹配资源对用户进行推荐。

在本发明一实施例中，在所述步骤S1中，还包括如下步骤：

步骤S11：从用户的微博数据中获取用户在一预设时间段内发表或转发的微博信息，按照帕累托原理获取m₁个训练数据以及m₂个测试数据；

步骤S12：获取x个热门微博类别，以及该预设时间段内每个热门微博类别中的热门微博；

步骤S13：对所获取的热门微博进行预处理，包括中文分词、词频统计以及去重，得出z个热门关键词作为基础特征关键字；

步骤S14：对所述m₁个训练数据以及所述m₂个测试数据进行预处理，包括中文分词以及停用词处理；

步骤S15：按照该预设时间段的时间顺序，记录用户发表或转发的微博信息中t个热门关键字出现的序列，作为用户特征关键字序列，进而生成类Markov链。

在本发明一实施例中，所述多Markov链模型为一个四元组：<X,K,P(C),MC>，其中，X为一离散随机变量，值域为{x₁,x₂,...,x_n}，每个元素对应一个特征关键字，且为多Markov链模型的一个状态；K表示多Markov链模型包含的用户类别数目；C＝{c₁,c₂,...,c_K}表示用户的类别，其分布函数P(C)表示不同类别用户的概率分布；MC＝{mc₁,mc₂,...,mc_K}为类Markov链集合，每一个元素mc_k是描述类别为c_k的用户兴趣特征的Markov链，也即类Markov链，并通过转移矩阵以及初始状态分布进行表征。

在本发明一实施例中，所述类Markov链的转移矩阵为：

$A_k=\left(p_{{\mathrm{ki}}_1{j}_1}\right)=\left(\begin{array}{cccccc}{p}_{k11}& p_{k12}& \mathrm{...}& p_{k1j_1}& \mathrm{...}& p_{k1n}\\ p_{k21}& p_{k22}& \mathrm{...}& p_{k2j_1}& \mathrm{...}& p_{k2n}\\ \mathrm{...}& \mathrm{...}& \mathrm{...}& \mathrm{...}& \mathrm{...}& \mathrm{...}\\ p_{ki1}& p_{{\mathrm{ki}}_{1}2}& \mathrm{...}& p_{{\mathrm{ki}}_1{j}_1}& \mathrm{...}& p_{{\mathrm{ki}}_{1}n}\\ \mathrm{...}& \mathrm{...}& \mathrm{...}& \mathrm{...}& \mathrm{...}& \mathrm{...}\\ p_{kn1}& p_{kn2}& \mathrm{...}& p_{{\mathrm{knj}}_1}& \mathrm{...}& p_{knn}\end{array}\right)$

初始状态分布为：

${\mathrm{\&lambda;}}_k=\left(p_{{\mathrm{ki}}_1}\right)=(p_{k1},p_{k2},...,p_{kn});$

并通过Byaes估计计算所述转移矩阵A_k和所述初始状态概率λ_k中的每一项：

$p_{{\mathrm{ki}}_1{j}_1}=\frac{S_{{\mathrm{ki}}_1{j}_1}+{\mathrm{\&alpha;}}_{{\mathrm{ki}}_1{j}_1}}{\underset{j_1=1}{\overset{n}{\&Sigma;}}(S_{{\mathrm{ki}}_1{j}_1}+{\mathrm{\&alpha;}}_{{\mathrm{ki}}_1{j}_1})}$

$p_{{\mathrm{ki}}_1}=\frac{\underset{j=1}{\overset{n}{\&Sigma;}}\left(S_{{\mathrm{ki}}_1{j}_1}+{\mathrm{\&alpha;}}_{{\mathrm{ki}}_1{j}_1}\right)}{\underset{i=1}{\overset{n}{\&Sigma;}}\underset{j=1}{\overset{n}{\&Sigma;}}\left(S_{{\mathrm{ki}}_1{j}_1}+{\mathrm{\&alpha;}}_{{\mathrm{ki}}_1{j}_1}\right)}$

其中，S_kij表示用户特征关键字序列中，状态对(x_i,x_j)出现的次数；α_kij为超级参数，且

${\mathrm{\&alpha;}}_{{\mathrm{ki}}_1{j}_1}=\frac{\mathrm{\&beta;}}{n\&times;n}$

常数β常取值为n。

在本发明一实施例中，在所述步骤S3中，采用基于最小错误率的贝叶断，即如果满足：

则用户的类别为c_k；

通过如下方式预测用户下一时刻的兴趣关键字：

$V\left(t\right)=w_{t-1}H(t-1)\&times;A_k^1+w_{t-2}H(t-2)\&times;A_k^2+...+w_{t-h}H(t-h)\&times;A_k^h$

其中，A_k为类Markov链mc_k的转移矩阵，是权值，满足等式w₁+w₂+…+w_h＝1，向量H(t)表示用户在t时刻的状态，即如果此时用户处于状态x_i，则该向量H(t)的第i维为1，其他各维为0；向量V(t)＝[P(Xt＝x1),P(Xt＝x2),...,P(Xt＝xn)]，每个P(Xt＝xi)表示t时刻，系统处于状态x_i的概率。

在本发明一实施例中，在所述步骤S4中，将P＝P((x₁,x₂,…,x_l)|C＝c_k)P(C_k)按降序排序，取前s个P值对应的类Markov链对用户进行预测，得到用户下一时刻可能感兴趣的关键字序列，且将关键字按照相应的P值大小顺序排序，形成用户多兴趣特征向量。

在本发明一实施例中，在所述步骤S4中，按照如下方式为多兴趣特征关键字分配权值并结合用户多兴趣特征向量，形成2*s的二维用户需求矩阵，且当有m₃个用户时，形成m₃*2*s的三维多兴趣用户需求矩阵：

${\mathrm{wp}}_{i_3}=\frac{P\left(\right(x_1,x_2,...,x_n)|C=c_{i_3})P\left(C_{i_3}\right)}{\underset{j_3=1,2,...,s}{\&Sigma;}P\left(\right(x_1,x_2,...,x_n)|C=c_{j_3})P\left(C_{j_3}\right)},i_3=1,2,...,s$

其中，满足wp₁+wp₂+…+wp_s＝1。

相较于现有技术，本发明具有以下有益效果：本发明所提出的一种基于多Markov链模型的多兴趣资源推荐方法，通过提取特征关键字序列，将多马尔科夫链理论运用于微博用户的兴趣预测，即通过用户历史发表微博中的关键字序列预测用户下一时刻可能的兴趣关键字，并以此对用户进行资源推荐，相比其他技术，具有相对较高的精确度。

附图说明

图1为本发明中基于多Markov链模型的多兴趣资源推荐方法的流程图。

图2为本发明一实施例中基础特征关键字序列。

图3为本发明一实施例中一个用户的关键字序列。

具体实施方式

下面结合附图，对本发明的技术方案进行具体说明。

本发明提出一种基于多Markov链模型的多兴趣资源推荐方法，具体按照如下方式实现。

①提取特征序列

获取微博若干个用户在一段时间内发表或转发的微博信息，按照帕累托原理分为m₁个训练数据和m₂个测试数据，获取x个热门微博类别，以及在相应时间段内每个热门微博类别中的热门微博。对热门微博进行预处理，包括分词、词频统计和去重，得出z个热门关键词作为微博的基础特征关键字。在本实施例中，用户的微博数据可以通过微博爬虫或者购买已有的网络数据获得。

进一步的，在本实施例中，取20个热门微博类别，分别为：娱乐，财经，体育，文化，时尚，星座，爆料，笑话，情感，科技，健康，动漫，影视，旅行，美食，萌宠，美图，音乐，韩流，囧人糗事。经处理获得如图2所示的基础特征关键字序列。

进一步的，在本实施例中，以微博用户为单位，对训练数据，测试数据进行预处理，包括中文分词、停用词处理。再按照时间顺序记录每个用户历史发表微博中，t个热门关键字出现的序列，将此过程抽象为一个特殊的随机过程——齐次离散MARKOV链，用转移矩阵描述用户的兴趣特征，并基于此对用户兴趣进行预测。

进一步的，在本实施例中，由于不同用户的训练数据以及测试数据中对应t个热门关键字的内容不一定相同，得到的用户关键字序列长短不一，如图3为本实施例中其中一个用户的关键字序列。

进一步的，在本实施例中，中文分词的方法为：采用中文分词系统，结合自定义用户词典对微博星系进行分词；停用词处理的方法为：采用HashMap快速索引查表法对无用信息进行过滤，从而降低微博信息的噪音。去重：考虑到不同类别可能包含相同的关键字，重复数据删除功能是必要的，以减少冗余的手动操作的过程。m₁、m₂、x、z以及t均为正整数。

②建立多Markov链模型

用户发表的微博中，各类关键字出现的顺序过程是一个受到文化背景，兴趣爱好等多种因素影响的复杂过程，这些因素的差异使得用户发表的微博也呈现不同的个性化特征，但某些用户也可能会有相似的特点。通过对用户分类，使得同一类别的用户间具有相似的个性特征，然后使用同一条Markov链来描述，这样得到的多Markov链模型能够更精确的描述用户的个性特征，并能做出更准确的预测。

进一步的，在本实施例中，多Markov链模型可以表示为一个四元组：<X,K,P(C),MC>。其中，X是一个离散随机变量，值域为{x₁,x₂,...,x_n}，每个x_i对应一个关键字，称为模型的一个状态，{x₁,x₂,...,x_n}为用户特征关键字序列；K表示模型包含的用户类别数目；C＝{c₁,c₂,...,c_K}表示用户的类别，其分布函数P(C)表示不同类别用户的概率分布；MC＝{mc₁,mc₂,...,mc_K}为类Markov链集合，每一个元素mc_k是描述类别为c_k的用户兴趣特征的Markov链，称为类Markov链，转移矩阵和初始状态分布分别表示为

$A_k=\left(p_{{\mathrm{ki}}_1{j}_1}\right)=\left(\begin{array}{cccccc}{p}_{k11}& p_{k12}& \mathrm{...}& p_{k1j_1}& \mathrm{...}& p_{k1n}\\ p_{k21}& p_{k22}& \mathrm{...}& p_{k2j_1}& \mathrm{...}& p_{k2n}\\ \mathrm{...}& \mathrm{...}& \mathrm{...}& \mathrm{...}& \mathrm{...}& \mathrm{...}\\ p_{ki1}& p_{{\mathrm{ki}}_{1}2}& \mathrm{...}& p_{{\mathrm{ki}}_1{j}_1}& \mathrm{...}& p_{{\mathrm{ki}}_{1}n}\\ \mathrm{...}& \mathrm{...}& \mathrm{...}& \mathrm{...}& \mathrm{...}& \mathrm{...}\\ p_{kn1}& p_{kn2}& \mathrm{...}& p_{{\mathrm{knj}}_1}& \mathrm{...}& p_{knn}\end{array}\right)---\left(1\right)$

${\mathrm{\&lambda;}}_k=\left(p_{{\mathrm{ki}}_1}\right)=(p_{k1},p_{k2},...,p_{kn})---\left(2\right)$

进一步的，在本实施例中，采用Byaes估计来计算转移矩阵A_k和初始状态概率λ_k中的每一项：

$p_{{\mathrm{ki}}_1{j}_1}=\frac{S_{{\mathrm{ki}}_1{j}_1}+{\mathrm{\&alpha;}}_{{\mathrm{ki}}_1{j}_1}}{\underset{j_1=1}{\overset{n}{\&Sigma;}}(S_{{\mathrm{ki}}_1{j}_1}+{\mathrm{\&alpha;}}_{{\mathrm{ki}}_1{j}_1})}---\left(3\right)$

$p_{{\mathrm{ki}}_1}=\frac{\underset{j=1}{\overset{n}{\&Sigma;}}(S_{{\mathrm{ki}}_1{j}_1}+{\mathrm{\&alpha;}}_{{\mathrm{ki}}_1{j}_1})}{\underset{i=1}{\overset{n}{\&Sigma;}}\underset{j=1}{\overset{n}{\&Sigma;}}(S_{{\mathrm{ki}}_1{j}_1}+{\mathrm{\&alpha;}}_{{\mathrm{ki}}_1{j}_1})}---\left(4\right)$

其中，S_kij表示用户特征关键字序列中，状态对(x_i,x_j)出现的次数；α_kij为超级参数，在贝叶斯估计中代表学习的背景知识，采用Bayes假设：假设在每一类用户兴趣特征关键字序列中，所有状态对(x_i,x_j)的出现次数都相同，则：

${\mathrm{\&alpha;}}_{{\mathrm{ki}}_1{j}_1}=\frac{\mathrm{\&beta;}}{n\&times;n}---\left(5\right)$

其中，常数β常取值为问题空间域的大小n。

进一步的，在本实施例中，多Markov链模型的学习过程需要完成两个任务：一是对用户特征序列进行聚类；二是为每个类别生成类Markov链。这里采用这样的思想：先将每个用户看做一个独立的类别，生成类Markov链。然后对这些Markov链进行聚类与合并，当聚类结果达到标准后完成多Markov链模型的学习，也即通过计算聚类结果所确定的Bayes网络的后验概率，并通过比较，后验概率最大的聚类结果最优。

进一步的，在本实施例中，多Markov链模型的预测过程分为两个步骤：

首先判定用户类别。判定规则使用基于最小错误率的贝叶斯判定规则，即如果

$P\left(\left(x_1,x_2,...,x_n\right)|C=c_k\right)P\left(C_k\right)=\underset{j_2=1,2,...,K}{\max }\left(P\left(\left(x_1,x_2,...,x_n\right)|C=c_{j2}\right)P\left(C=c_{j_2}\right)\right)---\left(6\right)$

那么用户的类别就为c_k。

然后使用该模型进行预测。确定了用户的类别c_k后，就可以用其类Markov链mc_k来描述用户的兴趣特征，采用如下公式进行预测：

$V\left(t\right)=w_{t-1}H(t-1)\&times;A_k^1+w_{t-2}H(t-2)\&times;A_k^2+...+w_{t-h}H(t-h)\&times;A_k^h---\left(7\right)$

其中，A_k为类Markov链mc_k的转移矩阵，是权值，满足等式w₁+w₂+…+w_h＝1。

进一步的，在本实施例中，H(t)表示t时刻该用户的特征关键字，也即向量H(t)表示在时间点t时的状态，即若此时用户处于状态x_i，则该向量的第i维是1，其他维都是0。向量v(t):V(t)＝[P(X_t＝x₁),P(X_t＝x₂),...,P(X_t＝x_n)]表示在时刻t时，系统中每一种状态出现的概率。在V(t)中概率值最大的那一维对应的状态，也即在该时刻用户最可能的状态。

③构造多兴趣特征向量

目前关于用户分类和兴趣推荐的研究中，都是将用户分到一个类别当中，再向用户推荐相应的资源。但现实生活中，用户往往不单有一个兴趣，而是会有多个兴趣标签。因此需要考虑用户的多个兴趣类别的特征，对用户进行多次分类，将多个分类结果作为用户的需求特征，以此为基础来向用户推荐资源将会更加合理。所以本发明构造多兴趣特征向量来对用户具有多个兴趣类别的属性进行描述。

进一步的，在本实施例中，构造多兴趣特征向量的过程可描述为：修改多Markov链模型的预测过程，实现对用户的多兴趣预测。具体实现：多Markov链模型建立好后，在预测过程的判定用户类别步骤中，将P＝P((x₁,x₂,…,x_n)|C＝c_k)P(C_k)按降序排序，取前s个P值对应的类Markov链对用户进行预测，得到用户下一时刻可能感兴趣的关键字序列，关键字按照相应的P值大小顺序排序，形成用户多兴趣特征向量，s为大于1的正整数。

在得到的兴趣类别中，用户可能会有所侧重，因此需要为多兴趣特征分配权值建立用户需求特征。其中，

${\mathrm{wp}}_{i_3}=\frac{P\left(\right(x_1,x_2,...,x_n)|C=c_{i_2})P\left(C_{i_2}\right)}{\underset{j_3=1,2,...,s}{\&Sigma;}P\left(\right(x_1,x_2,...,x_n)|C=c_{j_3})P\left(C_{j_3}\right)},i_3=1,2,...,s---\left(8\right)$

满足wp₁+wp₂+…+wp_s＝1。结合用户多兴趣特征向量，形成2*s的二维用户需求矩阵，有m₃个用户，即形成了m₃*2*s的三维多兴趣用户需求矩阵。

④资源推荐

根据多兴趣用户需求矩阵中，兴趣特征关键字及相应的权值，匹配资源对用户进行推荐，也即根据预测结果，即用户下一时刻可能感兴趣的关键字，根据该关键字搜索资源数据库中的相关资源，将其推荐给用户。多兴趣资源推荐系统框架如图1所示：使用用户数据建立多Markov链模型，对用户兴趣进行多次预测，根据得到的结果，建立用户的需求特征，然后整合资源，实现资源推荐。

进一步的，在本实施例中，输入一个用户历史发表的所有微博内容，先提取该用户的关键字序列，对其进行分类，然后使用该用户所属类别的类Markov链对其进行预测，得到该用户下一时刻的兴趣关键字，使用该关键字搜索资源数据库，最后将得到的相关资源推荐给该用户。

以上是本发明的较佳实施例，凡依本发明技术方案所作的改变，所产生的功能作用未超出本发明技术方案的范围时，均属于本发明的保护范围。

Claims (7)

1.一种基于多Markov链模型的多兴趣资源推荐方法，其特征在于，按照如下步骤实现：

步骤S1：在多Markov链模型的学习阶段，通过训练数据，获取用户特征关键字序列，并根据该用户特征关键字序列生成类Markov链；

步骤S2：对类Markov链进行聚类与合并，完成多Markov链模型的学习；

步骤S3：在多Markov链模型的预测阶段，通过测试数据，判定用户类别；并通过所述多Markov链模型，获取该用户类别对应的用以描述用户兴趣特征的类Markov链，进而预测用户下一时刻的兴趣关键字；

步骤S4：在预测过程中，确定用户多兴趣特征向量，并为该用户多兴趣特征向量中每个多兴趣特征关键字分配权值，进而建立多兴趣用户需求矩阵；

步骤S5：根据所述多兴趣用户需求矩阵中兴趣特征关键字及相应的权值，通过匹配资源对用户进行推荐。

2.根据权利要求1所述的基于多Markov链模型的多兴趣资源推荐方法，其特征在于，在所述步骤S1中，还包括如下步骤：

步骤S11：从用户的微博数据中获取用户在一预设时间段内发表或转发的微博信息，按照帕累托原理获取m₁个训练数据以及m₂个测试数据；

步骤S12：获取x个热门微博类别，以及该预设时间段内每个热门微博类别中的热门微博；

步骤S13：对所获取的热门微博进行预处理，包括中文分词、词频统计以及去重，得出z个热门关键词作为基础特征关键字；

步骤S14：对所述m₁个训练数据以及所述m₂个测试数据进行预处理，包括中文分词以及停用词处理；

步骤S15：按照该预设时间段的时间顺序，记录用户发表或转发的微博信息中t个热门关键字出现的序列，作为用户特征关键字序列，进而生成类Markov链。

3.根据权利要求2所述的基于多Markov链模型的多兴趣资源推荐方法，其特征在于，所述多Markov链模型为一个四元组：<X,K,P(C),MC>，其中，X为一离散随机变量，值域为{x₁,x₂,...,x_n}，每个元素对应一个特征关键字，且为多Markov链模型的一个状态；K表示多Markov链模型包含的用户类别数目；C＝{c₁,c₂,...,c_K}表示用户的类别，其分布函数P(C)表示不同类别用户的概率分布；MC＝{mc₁,mc₂,...,mc_K}为类Markov链集合，每一个元素mc_k是描述类别为c_k的用户兴趣特征的Markov链，也即类Markov链，并通过转移矩阵以及初始状态分布进行表征。

4.根据权利要求3所述的基于多Markov链模型的多兴趣资源推荐方法，其特征在于，所述类Markov链的转移矩阵为：

$A_k=\left(p_{{\mathrm{ki}}_1{j}_1}\right)=\left(\begin{array}{cccccc}{p}_{k11}& p_{k12}& \mathrm{...}& p_{k1j_1}& \mathrm{...}& p_{k1n}\\ p_{k21}& p_{k22}& \mathrm{...}& p_{k2j_1}& \mathrm{...}& p_{k2n}\\ \mathrm{...}& \mathrm{...}& \mathrm{...}& \mathrm{...}& \mathrm{...}& \mathrm{...}\\ p_{ki1}& p_{{\mathrm{ki}}_{1}2}& \mathrm{...}& p_{{\mathrm{ki}}_1{j}_1}& \mathrm{...}& p_{{\mathrm{ki}}_{1}n}\\ \mathrm{...}& \mathrm{...}& \mathrm{...}& \mathrm{...}& \mathrm{...}& \mathrm{...}\\ p_{kn1}& p_{kn2}& \mathrm{...}& p_{{\mathrm{knj}}_1}& \mathrm{...}& p_{knn}\end{array}\right)$

初始状态分布为：

${\mathrm{\&lambda;}}_k=\left(p_{{\mathrm{ki}}_1}\right)=(p_{k1},p_{k2},...,p_{kn});$

并通过Byaes估计计算所述转移矩阵A_k和所述初始状态概率λ_k中的每一项：

$p_{{\mathrm{ki}}_1{j}_1}=\frac{S_{{\mathrm{ki}}_1{j}_1}+{\mathrm{\&alpha;}}_{{\mathrm{ki}}_1{j}_1}}{\underset{j_1=1}{\overset{n}{\&Sigma;}}\left(S_{{\mathrm{ki}}_1{j}_1}+{\mathrm{\&alpha;}}_{{\mathrm{ki}}_1{j}_1}\right)}$

$p_{{\mathrm{ki}}_1}=\frac{\underset{j=1}{\overset{n}{\&Sigma;}}\left(S_{{\mathrm{ki}}_1{j}_1}+{\mathrm{\&alpha;}}_{{\mathrm{ki}}_1{j}_1}\right)}{\underset{i=1}{\overset{n}{\&Sigma;}}\underset{j=1}{\overset{n}{\&Sigma;}}\left(S_{{\mathrm{ki}}_1{j}_1}+{\mathrm{\&alpha;}}_{{\mathrm{ki}}_1{j}_1}\right)}$

其中，S_kij表示用户特征关键字序列中，状态对(x_i,x_j)出现的次数；α_kij为超级参数，且

${\mathrm{\&alpha;}}_{{\mathrm{ki}}_1{j}_1}=\frac{\mathrm{\&beta;}}{n\&times;n}$

常数β取值为n。

5.根据权利要求3所述的基于多Markov链模型的多兴趣资源推荐方法，其特征在于，在所述步骤S3中，采用基于最小错误率的贝叶断，即如果满足：

则用户的类别为c_k；

通过如下方式预测用户下一时刻的兴趣关键字：

$V\left(t\right)=w_{t-1}H(t-1)\&times;A_k^1+w_{t-2}H(t-2)\&times;A_k^2+...+w_{t-h}H(t-h)\&times;A_k^h$

其中，A_k为类Markov链mc_k的转移矩阵，是权值，满足等式w₁+w₂+…+w_h＝1，向量H(t)表示用户在t时刻的状态，即如果此时用户处于状态x_i，则该向量H(t)的第i维为1，其他各维为0；向量V(t)＝[P(Xt＝x1),P(Xt＝x2),...,P(Xt＝xn)]，每个P(Xt＝xi)表示t时刻，系统处于状态x_i的概率。

6.根据权利要求5所述的基于多Markov链模型的多兴趣资源推荐方法，其特征在于，在所述步骤S4中，将P＝P((x₁,x₂,…,x_l)|C＝c_k)P(C_k)按降序排序，取前s个P值对应的类Markov链对用户进行预测，得到用户下一时刻可能感兴趣的关键字序列，且将关键字按照相应的P值大小顺序排序，形成用户多兴趣特征向量。

7.根据权利要求6所述的基于多Markov链模型的多兴趣资源推荐方法，其特征在于，在所述步骤S4中，按照如下方式为多兴趣特征关键字分配权值并结合用户多兴趣特征向量，形成2*s的二维用户需求矩阵，且当有m₃个用户时，形成m₃*2*s的三维多兴趣用户需求矩阵：

${\mathrm{wp}}_{i_3}=\frac{P\left(\right(x_1,x_2,...,x_n\left)\right|C=c_{i_3})P\left(C_{i_3}\right)}{\underset{j_3=1,2,...,s}{\&Sigma;}P\left(\right(x_1,x_2,...,x_n\left)\right|C=c_{j_3})P\left(C_{j_3}\right)},i_3=1,2,...,s$

其中，满足wp₁+wp₂+…+wp_s＝1。