CN106354855A - 一种推荐方法及系统 - Google Patents
一种推荐方法及系统 Download PDFInfo
- Publication number
- CN106354855A CN106354855A CN201610802148.6A CN201610802148A CN106354855A CN 106354855 A CN106354855 A CN 106354855A CN 201610802148 A CN201610802148 A CN 201610802148A CN 106354855 A CN106354855 A CN 106354855A
- Authority
- CN
- China
- Prior art keywords
- user
- project
- attribute
- sub
- recommendation
- 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.)
- Granted
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
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明实施例公开了一种推荐方法及系统，应用于云计算技术领域，所述方法包括：获取数据源，根据多个用户中的至少一个用户对多个项目的评价信息，分析多个项目的每个属性的潜在因子，确定用户子属性偏好和用户子属性评分，并存入数据源；根据用户子属性偏好、用户子属性评分、用户属性偏好和用户当前状态，确定项目的推荐分数；对推荐分数按照从大到小进行排序，选取前N个项目给用户进行本轮推荐，根据用户对前N个项目的反馈信息；确定本轮推荐之后进行下一轮推荐时，以网页的方式提供人机交互接口，推荐前M个项目给用户。与现有的推荐系统相比，本发明实施例获取的推荐结果多样性好、精确性高和可解释性强。
Description
技术领域
本发明涉及云计算技术领域，特别涉及一种推荐方法及系统。
背景技术
随着互联网的迅速发展，接入网络的服务器和网页的数目呈现指数增长的态势，与此相关的网上信息也大幅增长，用户在面对大量信息中难以获取到真正有用的信息，对信息的使用效率反而降低，导致信息超载的问题。
目前，针对信息超载的解决方法之一是个性化推荐系统。根据用户的信息需求和兴趣等，将用户感兴趣的信息和产品等推荐给用户，通过研究用户的兴趣偏好，进行个性计算，由系统发现用户的兴趣点，从而引导用户发现自己的信息需求。一个好的推荐系统不仅能为用户提供个性化的服务，还能和用户之间建立密切关系，让用户对推荐产生依赖，而现有的推荐系统多样性和精确性差、可解释性弱，对信息的利用率低。
发明内容
本发明实施例的目的在于提供一种推荐方法及系统，能够得到更加多样的、精确性更高的和可解释性更强的推荐结果，提高信息的利用率。
为达到上述目的，本发明实施例公开了一种推荐方法，包括：
获取数据源，其中，所述数据源包括：多个用户的用户信息、每个用户的多个项目的项目信息和每个用户对多个项目的评价信息；
根据所述多个用户中的至少一个用户对多个项目的评价信息，分析所述多个项目的每个属性的潜在因子，确定用户子属性偏好和用户子属性评分，并存入所述数据源，其中，所述用户的多个项目对应多个属性，每个属性对应多个子属性；
根据所述用户子属性偏好、所述用户子属性评分、用户属性偏好和用户当前状态，确定项目的推荐分数；
对所述推荐分数按照从大到小进行排序，选取前N个项目给所述用户进行本轮推荐，其中，所述N为大于或等于1的整数；
接收由所述用户针对所述前N个项目返回的用户反馈信息；
根据所述用户反馈信息，确定所述本轮推荐之后进行下一轮推荐时，以网页的方式提供人机交互接口，推荐前M个项目给所述用户，其中，所述M为大于或等于1的整数。
较佳的，所述根据所述多个用户中的至少一个用户对多个项目的评价信息，分析所述多个项目的每个属性的潜在因子，确定用户子属性偏好和用户子属性评分，并存入所述数据源，包括：
获取并根据所述多个用户中的至少一个用户对多个项目的评价信息，建立初始矩阵；
通过潜在因子算法对所述初始矩阵进行奇异值分解，确定所述用户子属性偏好和所述用户子属性评分，并存入所述数据源。
较佳的，所述根据所述用户子属性偏好、所述用户子属性评分、用户属性偏好和用户当前状态，确定项目的推荐分数，包括：
通过最小角回归算法分析所述用户子属性偏好、所述用户子属性评分、用户属性偏好和用户当前状态，确定项目的推荐分数。
较佳的，所述选取前N个项目给所述用户进行本轮推荐，包括：
在所述用户的数目大于1时，通过Node.js高并发技术，处理多个用户的推荐请求；
根据所述多个用户的推荐请求中的项目内容，分别选取与所述项目内容对应的前第一数量个项目给所述多个用户进行本轮推荐，其中，所述第一数量与所述N相同或不同。
较佳的，所述以网页的方式提供人机交互接口，推荐前M个项目给所述用户，包括：
通过第五代超文本标记语言为核心的网页技术提供可视化的人机交互接口，推荐所述前M个项目给所述用户。
较佳的，所述以网页的方式提供人机交互接口，推荐前M个项目给所述用户，包括：
以网页的方式提供人机交互接口，显示所述前M个项目及所述前M个项目对应的预设推荐理由给所述用户。
较佳的，所述根据所述用户反馈信息，确定所述本轮推荐之后进行下一轮推荐，包括：
所述用户对所述前N个项目的采样率低于预设值时，或
所述用户对所述前N个项目的满意度未达到平均值时，进行下一轮推荐。
本发明实施例还公开了一种推荐系统，包括：
数据源模块，用于获取数据源，其中，所述数据源包括：多个用户的用户信息、每个用户的多个项目的项目信息和每个用户对多个项目的评价信息；
推荐引擎训练模块，用于根据所述多个用户中的至少一个用户对多个项目的评价信息，分析所述多个项目的每个属性的潜在因子，确定用户子属性偏好和用户子属性评分，并存入所述数据源，其中，所述用户的多个项目对应多个属性，每个属性对应多个子属性；
推荐引擎推荐模块，用于根据所述用户子属性偏好、所述用户子属性评分、用户属性偏好和用户当前状态，确定项目的推荐分数；
推荐结果处理模块，用于对所述推荐分数按照从大到小进行排序，选取前N个项目给所述用户进行本轮推荐，其中，所述N为大于或等于1的整数；
用户反馈模块，用于接收由所述用户针对所述前N个项目返回的用户反馈信息；
推荐结果显示模块，用于根据所述用户反馈信息，确定所述本轮推荐之后进行下一轮推荐时，以网页的方式提供人机交互接口，推荐前M个项目给所述用户，其中，所述M为大于或等于1的整数。
较佳的，所述推荐引擎训练模块包括：
初始矩阵获取子模块，用于获取并根据所述多个用户中的至少一个用户对多个项目的评价信息，建立初始矩阵；
数据存储子模块，用于通过潜在因子算法对所述初始矩阵进行奇异值分解，确定所述用户子属性偏好和所述用户子属性评分，并存入所述数据源。
较佳的，所述推荐引擎推荐模块进一步用于，通过最小角回归算法分析所述用户子属性偏好、所述用户子属性评分、用户属性偏好和用户当前状态，确定项目的推荐分数。
由上述的技术方案可见，本发明实施例提供的推荐方法及系统，通过获取数据源，根据用户对多个项目的评价信息，确定用户子属性偏好和用户子属性评分，并根据用户属性偏好和用户当前状态，确定项目的推荐分数。对推荐分数按照从大到小进行排序，选取前N个项目推荐给用户。确定本轮推荐之后进行下一轮推荐时，以网页的方式提供人机交互接口，推荐前M个项目给用户。应用本发明实施例获取的推荐结果更具有多样性、精确性更高和可解释性更强。当然，实施本发明的任一产品或方法必不一定需要同时达到以上所述的所有优点。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例的推荐方法的流程图；
图2为本发明实施例的评分、属性和潜在因子的关系示意图；
图3为本发明实施例的推荐系统的结构图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
为使本发明的目的、技术方案和优点更加清楚，下面结合附图对本发明作进一步的详细描述。
参见图1，图1为本发明实施例的推荐方法的流程图，包括以下步骤：
步骤101，获取数据源，其中，数据源包括：多个用户的用户信息、每个用户的多个项目的项目信息和每个用户对多个项目的评价信息。
本发明实施例中，数据源以关系型数据库MySQL为基础，将用户信息存为用户User表，项目信息存为项目Item表，评价信息存为评价Rating表。用户信息至少可以包括：昵称、性别和年龄等；项目信息至少可以包括：名称、均价和位置等；评价信息至少可以包括：每个用户对多个项目信息的每个属性的评价信息。
步骤102，根据多个用户中的至少一个用户对多个项目的评价信息，分析多个项目的每个属性的潜在因子，确定用户子属性偏好和用户子属性评分，并存入数据源，其中，用户的多个项目对应多个属性，每个属性对应多个子属性。
以餐馆推荐为例进行详细说明，餐馆A和餐馆B属于不同的两个项目信息，餐馆A和餐馆B具有相同的属性，例如：口味、距离和价格等，每个属性包括多个子属性，例如，口味至少可以包括多个子属性：火锅、烧烤、西餐和小吃快餐等。
用户a和用户b对餐馆A和餐馆B的每个属性的子属性做出评价，得到评价信息。
实际应用中，多个项目中项目数量越多，用户对多个项目的评价信息越多，得到的用户子属性偏好和用户子属性评分越精确，给用户提供的推荐结果更能反映用户需求。
步骤103，根据用户子属性偏好、用户子属性评分、用户属性偏好和用户当前状态，确定项目的推荐分数。
以步骤102中餐馆推荐为例进行说明，用户属性偏好指用户对口味、距离和价格的不同偏好。
通常，用户的当前状态至少可以包括：距离和交通状况等。
步骤104，对推荐分数按照从大到小进行排序，选取前N个项目给用户进行本轮推荐，其中，N为大于或等于1的整数。
步骤105，接收由用户针对前N个项目返回的用户反馈信息。
这里的步骤105可以具体是，接收由用户通过终端针对前N个项目返回的用户反馈信息，由于用户需要操作终端才能选择所需的服务，进而通过终端进行反馈，这样可以直接通过终端获取到用户反馈信息，方便后续对用户反馈信息的处理。
步骤106，根据用户反馈信息，确定本轮推荐之后进行下一轮推荐时，以网页的方式提供人机交互接口，推荐前M个项目给用户，其中，M为大于或等于1的整数。
本步骤中，根据用户反馈信息，确定是否进行下一轮的推荐，可以根据用户需求得到用户更加满意的推荐结果，使推荐结果更精确。实际应用中，在每一轮推荐中，推荐的前N个项目和前M个项目中N和M的数值可以根据实际情况进行设定，N和M的数值可以相同或不同。
可见，应用本发明实施例的推荐方法，能够得到多样的、精确度高的和可解释性强的推荐结果，使用户能够快速获取有用信息，提高了用户对信息的使用效率。
优选地，本发明实施例的推荐方法中，根据多个用户中的至少一个用户对多个项目的评价信息，分析多个项目的每个属性的潜在因子，确定用户子属性偏好和用户子属性评分，并存入数据源，包括：
第一步，获取并根据多个用户中的至少一个用户对多个项目的评价信息，建立初始矩阵；
初始矩阵为用户对项目的评分构成的矩阵。
第二步，通过潜在因子算法对初始矩阵进行奇异值分解，确定用户子属性偏好和用户子属性评分，并存入数据源。
潜在因子算法通过奇异值分解用户对应的评分矩阵，可以得出用户偏好和潜在因子值。参见图2，图2为本发明实施例的评分、属性和潜在因子的关系示意图。
优选地，本发明实施例的推荐方法中，根据用户子属性偏好、用户子属性评分、用户属性偏好和用户当前状态，确定项目的推荐分数，包括：
通过最小角回归算法分析用户子属性偏好、用户子属性评分、用户属性偏好和用户当前状态，确定项目的推荐分数。
最小角回归算法是Efron于2004年提出的一种变量选择的方法，类似于向前逐步回归的形式。从解的过程上来看它是lasso regression的一种高效解法。
优选地，本发明实施例的推荐方法中，选取前N个项目给用户进行本轮推荐，包括：
在用户的数目大于1时，通过Node.js高并发技术，处理多个用户的推荐请求；根据多个用户的推荐请求中的项目内容，分别选取与项目内容对应的前第一数量个项目给多个用户进行本轮推荐，其中，第一数量与N相同或不同。
第一数量与N一般选定前1至10的范围内，这样方便用户筛选。具体可以根据实际情况确定，在此不一一举例。
Node.js使用一个事件驱动、非阻塞式I/O的模型，使其轻量又高效，Node.js的包管理器npm，是全球最大的开源库生态系统，Node.js是基于Chrome V8引擎的JavaScript运行环境，能够给众多用户提供推荐。本发明实施例中，通过Node.js高并发的特性可以处理包括用户的多个用户的推荐请求。
优选地，本发明实施例的推荐方法中，以网页的方式提供人机交互接口，推荐前M个项目给用户，包括：
通过第五代超文本标记语言为核心的网页技术提供可视化的人机交互接口，推荐前M个项目给用户。
HTML(HyperText Markup Language，超文本标记语言)是一种用于创建网页的标准标记语言，常与CSS、JavaScript一起被众多网站用于设计令人赏心悦目的网页、网页应用程序以及移动应用程序的用户界面。网页浏览器可以读取HTML文件，并将其渲染成可视化网页，提高可视化性能，方便用户进行查看。
优选地，本发明实施例的推荐方法中，以网页的方式提供人机交互接口，推荐前M个项目给用户，包括：
以网页的方式提供人机交互接口，显示前M个项目及前M个项目对应的预设推荐理由给用户。
实际应用中，根据提供的推荐结果向用户解释推荐这些项目的原因。仍然以餐馆为例进行说明，预测推荐理由可以是：符合用户的口味，距离比较近，环境好和价格便宜等。
优选地，本发明实施例的推荐方法中，根据用户反馈信息，确定本轮推荐之后进行下一轮推荐，包括：
在用户对前N个项目的采样率低于预设值时，或
用户对前N个项目的满意度未达到平均值时，进行下一轮推荐。
采样率为用户对前N个项目的查看率，预设值可根据实际情况进行设定。满意度为用户对前N个项目的满意情况。
以N等于10为例进行详细说明，若用户仅仅查看前10个项目中的2个，则采样率为20％，若采样率的预设值为50％，则需要进行下一轮推荐。若用户对前10个项目的满意度为7分，满意度的平均值为8分，则需要进行下一轮推荐。
可见，应用本发明实施例的推荐方法，通过分析用户对多个项目的评价信息，再结合用户当前的状态进行推荐，得到的推荐结果精确度更高，更符合用户的需求，提高了用户对信息的使用效率。
参见图3，图3为本发明实施例的推荐系统的结构图，可以包括：后端系统300和前端系统310，其中：
后端系统300可以包括：数据源模块301、推荐引擎训练模块302、推荐引擎推荐模块303、推荐结果处理模块304和用户反馈模块305。
数据源模块301，用于获取数据源，其中，数据源包括：多个用户的用户信息、每个用户的多个项目的项目信息和每个用户对多个项目的评价信息。
本发明实施例中，数据源以关系型数据库MySQL为基础，将用户信息存为用户User表，项目信息存为项目Item表，评价信息存为评价Rating表。用户信息至少可以包括：昵称、性别和年龄等；项目信息至少可以包括：名称、均价和位置等；评价信息至少可以包括：每个用户对多个项目信息的每个属性的评价信息。
推荐引擎训练模块302，用于根据多个用户中的至少一个用户对多个项目的评价信息，分析多个项目的每个属性的潜在因子，确定用户子属性偏好和用户子属性评分，并存入数据源，其中，用户的多个项目对应多个属性，每个属性对应多个子属性。
以餐馆推荐为例进行详细说明，餐馆A和餐馆B属于不同的两个项目信息，餐馆A和餐馆B具有相同的属性，例如：口味、距离和价格等，每个属性包括多个子属性，例如，口味至少可以包括多个子属性：火锅、烧烤、西餐和小吃快餐等。
用户a和用户b对餐馆A和餐馆B的每个属性的子属性做出评价，得到评价信息。
实际应用中，多个项目中项目数量越多，用户对多个项目的评价信息越多，得到的用户子属性偏好和用户子属性评分越精确，给用户提供的推荐结果更能反映用户需求。
推荐引擎推荐模块303，用于根据用户子属性偏好、用户子属性评分、用户属性偏好和用户当前状态，确定项目的推荐分数。
以推荐引擎训练模块中餐馆推荐为例进行说明，用户属性偏好指用户对口味、距离和价格的不同偏好。
通常，用户的当前状态至少可以包括：距离和交通状况等。
推荐结果处理模块304，用于对推荐分数按照从大到小进行排序，选取前N个项目给用户进行本轮推荐，其中，N为大于或等于1的整数。
用户反馈模块305，用于接收由用户针对前N个项目返回的用户反馈信息。
前端系统310可以包括：推荐结果显示模块311。
推荐结果显示模块311，用于根据用户反馈信息，确定本轮推荐之后进行下一轮推荐时，以网页的方式提供人机交互接口，推荐前M个项目给用户，其中，M为大于或等于1的整数。
根据用户反馈信息，确定是否进行下一轮的推荐，可以根据用户需求得到用户更加满意的推荐结果，使推荐结果更精确。实际应用中，在每一轮推荐中，推荐的前N个项目和前M个项目中N和M的数值可以根据实际情况进行设定，N和M的数值可以相同或不同。
可见，应用本发明实施例的推荐系统，能够得到多样的、精确度高的和可解释性强的推荐结果，使用户能够快速获取有用信息，提高了用户对信息的使用效率。
需要说明的是，本发明实施例的推荐系统是应用上述推荐方法的系统，则上述推荐方法的所有实施例均适用于该系统，且均能达到相同或相似的有益效果。
优选地，本发明实施例的推荐系统中，推荐引擎训练模块包括：
初始矩阵获取子模块，用于获取并根据多个用户中的至少一个用户对多个项目的评价信息，建立初始矩阵。
初始矩阵为用户对项目的评分构成的矩阵。
数据存储子模块，用于通过潜在因子算法对初始矩阵进行奇异值分解，确定用户子属性偏好和用户子属性评分，并存入数据源。
潜在因子算法通过奇异值分解用户对应的评分矩阵，可以得出用户偏好和潜在因子值。参见图2，图2为本发明实施例的评分、属性和潜在因子的关系示意图。
优选地，本发明实施例的推荐系统中，推荐引擎推荐模块进一步用于，通过最小角回归算法分析用户子属性偏好、用户子属性评分、用户属性偏好和用户当前状态，确定项目的推荐分数。
最小角回归算法是Efron于2004年提出的一种变量选择的方法，类似于向前逐步回归的形式。从解的过程上来看它是lasso regression的一种高效解法。
优选地，本发明实施例的推荐系统中，推荐结果处理模块进一步用于，在所述用户的数目大于1时，通过Node.js高并发技术，处理多个用户的推荐请求；
根据多个用户的推荐请求中的项目内容，分别选取与项目内容对应的前第一数量个项目给多个用户进行本轮推荐，其中，第一数量与N相同或不同。
第一数量与N一般选定前1至10的范围内，这样方便用户筛选。具体可以根据实际情况确定，在此不一一举例。
Node.js使用一个事件驱动、非阻塞式I/O的模型，使其轻量又高效，Node.js的包管理器npm，是全球最大的开源库生态系统，Node.js是基于Chrome V8引擎的JavaScript运行环境，能够给众多用户提供推荐。本发明实施例中，通过Node.js高并发的特性可以处理包括用户的多个用户的推荐请求。
优选地，本发明实施例的推荐系统中，推荐结果显示模块进一步用于，通过第五代超文本标记语言为核心的网页技术提供可视化的人机交互接口，推荐前M个项目给用户。
HTML(HyperText Markup Language，超文本标记语言)是一种用于创建网页的标准标记语言，常与CSS、JavaScript一起被众多网站用于设计令人赏心悦目的网页、网页应用程序以及移动应用程序的用户界面。网页浏览器可以读取HTML文件，并将其渲染成可视化网页，提高可视化性能，方便用户进行查看。
优选地，本发明实施例的推荐系统中，推荐结果显示模块进一步用于，以网页的方式提供人机交互接口，显示前M个项目及前M个项目对应的预设推荐理由给用户。
实际应用中，根据提供的推荐结果向用户解释推荐这些项目的原因。仍然以餐馆为例进行说明，预测推荐理由可以是：符合用户的口味，距离比较近，环境好和价格便宜等。
优选地，本发明实施例的推荐系统中，用户反馈模块进一步用于，在用户对前N个项目的采样率低于预设值时，或
用户对前N个项目的满意度未达到平均值时，进行下一轮推荐。
采样率为用户对前N个项目的查看率，预设值可根据实际情况进行设定。满意度为用户对前N个项目的满意情况。
以N等于10为例进行详细说明，若用户仅仅查看前10个项目中的2个，则采样率为20％，若采样率的预设值为50％，则需要进行下一轮推荐。若用户对前10个项目的满意度为7分，满意度的平均值为8分，则需要进行下一轮推荐。
可见，应用本发明实施例的推荐系统，通过分析用户对多个项目的评价信息，再结合用户当前的状态进行推荐，得到的推荐结果精确度高，更符合用户的需求，提高了用户对信息的使用效率。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本说明书中的各个实施例均采用相关的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
以上所述仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内所作的任何修改、等同替换、改进等，均包含在本发明的保护范围内。
Claims (10)
1.一种推荐方法，其特征在于，包括：
获取数据源，其中，所述数据源包括：多个用户的用户信息、每个用户的多个项目的项目信息和每个用户对多个项目的评价信息；
根据所述多个用户中的至少一个用户对多个项目的评价信息，分析所述多个项目的每个属性的潜在因子，确定用户子属性偏好和用户子属性评分，并存入所述数据源，其中，所述用户的多个项目对应多个属性，每个属性对应多个子属性；
根据所述用户子属性偏好、所述用户子属性评分、用户属性偏好和用户当前状态，确定项目的推荐分数；
对所述推荐分数按照从大到小进行排序，选取前N个项目给所述用户进行本轮推荐，其中，所述N为大于或等于1的整数；
接收由所述用户针对所述前N个项目返回的用户反馈信息；
根据所述用户反馈信息，确定所述本轮推荐之后进行下一轮推荐时，以网页的方式提供人机交互接口，推荐前M个项目给所述用户，其中，所述M为大于或等于1的整数。
2.根据权利要求1所述的推荐方法，其特征在于，所述根据所述多个用户中的至少一个用户对多个项目的评价信息，分析所述多个项目的每个属性的潜在因子，确定用户子属性偏好和用户子属性评分，并存入所述数据源，包括：
获取并根据所述多个用户中的至少一个用户对多个项目的评价信息，建立初始矩阵；
通过潜在因子算法对所述初始矩阵进行奇异值分解，确定所述用户子属性偏好和所述用户子属性评分，并存入所述数据源。
3.根据权利要求1所述的推荐方法，其特征在于，所述根据所述用户子属性偏好、所述用户子属性评分、用户属性偏好和用户当前状态，确定项目的推荐分数，包括：
通过最小角回归算法分析所述用户子属性偏好、所述用户子属性评分、用户属性偏好和用户当前状态，确定项目的推荐分数。
4.根据权利要求1所述的推荐方法，其特征在于，所述选取前N个项目给所述用户进行本轮推荐，包括：
在所述用户的数目大于1时，通过Node.js高并发技术，处理多个用户的推荐请求；
根据所述多个用户的推荐请求中的项目内容，分别选取与所述项目内容对应的前第一数量个项目给所述多个用户进行本轮推荐，其中，所述第一数量与所述N相同或不同。
5.根据权利要求1所述的推荐方法，其特征在于，所述以网页的方式提供人机交互接口，推荐前M个项目给所述用户，包括：
通过第五代超文本标记语言为核心的网页技术提供可视化的人机交互接口，推荐所述前M个项目给所述用户。
6.根据权利要求1所述的推荐方法，其特征在于，所述以网页的方式提供人机交互接口，推荐前M个项目给所述用户，包括：
以网页的方式提供人机交互接口，显示所述前M个项目及所述前M个项目对应的预设推荐理由给所述用户。
7.根据权利要求1所述的推荐方法，其特征在于，所述根据所述用户反馈信息，确定所述本轮推荐之后进行下一轮推荐，包括：
所述用户对所述前N个项目的采样率低于预设值时，或
所述用户对所述前N个项目的满意度未达到平均值时，进行下一轮推荐。
8.一种推荐系统，其特征在于，包括：
数据源模块，用于获取数据源，其中，所述数据源包括：多个用户的用户信息、每个用户的多个项目的项目信息和每个用户对多个项目的评价信息；
推荐引擎训练模块，用于根据所述多个用户中的至少一个用户对多个项目的评价信息，分析所述多个项目的每个属性的潜在因子，确定用户子属性偏好和用户子属性评分，并存入所述数据源，其中，所述用户的多个项目对应多个属性，每个属性对应多个子属性；
推荐引擎推荐模块，用于根据所述用户子属性偏好、所述用户子属性评分、用户属性偏好和用户当前状态，确定项目的推荐分数；
推荐结果处理模块，用于对所述推荐分数按照从大到小进行排序，选取前N个项目给所述用户进行本轮推荐，其中，所述N为大于或等于1的整数；
用户反馈模块，用于接收由所述用户针对所述前N个项目返回的用户反馈信息；
推荐结果显示模块，用于根据所述用户反馈信息，确定所述本轮推荐之后进行下一轮推荐时，以网页的方式提供人机交互接口，推荐前M个项目给所述用户，其中，所述M为大于或等于1的整数。
9.根据权利要求8所述的推荐系统，其特征在于，所述推荐引擎训练模块包括：
初始矩阵获取子模块，用于获取并根据所述多个用户中的至少一个用户对多个项目的评价信息，建立初始矩阵；
数据存储子模块，用于通过潜在因子算法对所述初始矩阵进行奇异值分解，确定所述用户子属性偏好和所述用户子属性评分，并存入所述数据源。
10.根据权利要求8所述的推荐系统，其特征在于，所述推荐引擎推荐模块进一步用于，通过最小角回归算法分析所述用户子属性偏好、所述用户子属性评分、用户属性偏好和用户当前状态，确定项目的推荐分数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610802148.6A CN106354855B (zh) | 2016-09-05 | 2016-09-05 | 一种推荐方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610802148.6A CN106354855B (zh) | 2016-09-05 | 2016-09-05 | 一种推荐方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN106354855A true CN106354855A (zh) | 2017-01-25 |
| CN106354855B CN106354855B (zh) | 2019-11-08 |
Family
ID=57858849
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201610802148.6A Active CN106354855B (zh) | 2016-09-05 | 2016-09-05 | 一种推荐方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN106354855B (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107609951A (zh) * | 2017-09-27 | 2018-01-19 | 北京小度信息科技有限公司 | 向用户推荐消费对象的方法及装置 |
| CN108509573A (zh) * | 2018-03-27 | 2018-09-07 | 陕西科技大学 | 基于矩阵分解协同过滤算法的图书推荐方法及系统 |
| CN110119465A (zh) * | 2019-05-17 | 2019-08-13 | 哈尔滨工业大学 | 融合lfm潜在因子与svd的手机应用用户喜好检索方法 |
| CN110147490A (zh) * | 2017-08-07 | 2019-08-20 | 声音猎手公司 | 自然语言推荐反馈 |
| CN112685637A (zh) * | 2020-12-30 | 2021-04-20 | 青岛海信智慧生活科技股份有限公司 | 一种智能设备的智能交互方法及智能设备 |
| CN116701773A (zh) * | 2023-08-04 | 2023-09-05 | 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院) | 可解释推荐方法及用于可解释推荐的装置 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20100030764A1 (en) * | 2008-07-30 | 2010-02-04 | At&T Corp. | Recommender System Utilizing Collaborative Filtering Combining Explicit and Implicit Feedback with both Neighborhood and Latent Factor Models |
| CN102053971A (zh) * | 2009-10-30 | 2011-05-11 | 日电（中国）有限公司 | 用于面向排序的协同过滤的推荐方法和设备 |
| CN104866530A (zh) * | 2015-04-27 | 2015-08-26 | 宁波网传媒有限公司 | 一种基于滑标评分的推荐系统及方法 |
-
2016
- 2016-09-05 CN CN201610802148.6A patent/CN106354855B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20100030764A1 (en) * | 2008-07-30 | 2010-02-04 | At&T Corp. | Recommender System Utilizing Collaborative Filtering Combining Explicit and Implicit Feedback with both Neighborhood and Latent Factor Models |
| CN102053971A (zh) * | 2009-10-30 | 2011-05-11 | 日电（中国）有限公司 | 用于面向排序的协同过滤的推荐方法和设备 |
| CN104866530A (zh) * | 2015-04-27 | 2015-08-26 | 宁波网传媒有限公司 | 一种基于滑标评分的推荐系统及方法 |
Non-Patent Citations (1)
| Title |
|---|
| 苏本昌: ""基于滑标评分的推荐系统模型及算法研究"", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110147490A (zh) * | 2017-08-07 | 2019-08-20 | 声音猎手公司 | 自然语言推荐反馈 |
| US11276398B1 (en) | 2017-08-07 | 2022-03-15 | Soundhound, Inc. | System and method for providing natural language recommendations |
| CN107609951A (zh) * | 2017-09-27 | 2018-01-19 | 北京小度信息科技有限公司 | 向用户推荐消费对象的方法及装置 |
| CN108509573A (zh) * | 2018-03-27 | 2018-09-07 | 陕西科技大学 | 基于矩阵分解协同过滤算法的图书推荐方法及系统 |
| CN108509573B (zh) * | 2018-03-27 | 2021-04-27 | 宁夏三得教育科技有限公司 | 基于矩阵分解协同过滤算法的图书推荐方法及系统 |
| CN110119465A (zh) * | 2019-05-17 | 2019-08-13 | 哈尔滨工业大学 | 融合lfm潜在因子与svd的手机应用用户喜好检索方法 |
| CN110119465B (zh) * | 2019-05-17 | 2023-06-13 | 哈尔滨工业大学 | 融合lfm潜在因子与svd的手机应用用户喜好检索方法 |
| CN112685637A (zh) * | 2020-12-30 | 2021-04-20 | 青岛海信智慧生活科技股份有限公司 | 一种智能设备的智能交互方法及智能设备 |
| CN116701773A (zh) * | 2023-08-04 | 2023-09-05 | 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院) | 可解释推荐方法及用于可解释推荐的装置 |
| CN116701773B (zh) * | 2023-08-04 | 2023-11-10 | 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院) | 可解释推荐方法及用于可解释推荐的装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN106354855B (zh) | 2019-11-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11710054B2 (en) | Information recommendation method, apparatus, and server based on user data in an online forum | |
| CN106354855A (zh) | 一种推荐方法及系统 | |
| US8655949B2 (en) | Correlated information recommendation | |
| CN103019550B (zh) | 关联内容实时展现方法及系统 | |
| CN105677765B (zh) | 给用户推荐期望的功能序列的方法及系统 | |
| CN105426528B (zh) | 一种商品数据的检索排序方法及系统 | |
| TWI582712B (zh) | A method and a device for generating a page content | |
| JP5386663B1 (ja) | 情報処理装置、情報処理方法、情報処理プログラム及び記録媒体 | |
| US10210237B2 (en) | Information processing system, similar category identification method, program, and computer readable information storage medium | |
| CN105718184A (zh) | 一种数据处理方法和装置 | |
| US9460463B2 (en) | Method, web server and web browser of providing information | |
| CN102934113B (zh) | 信息提供系统、信息提供方法、信息提供设备 | |
| CN103970850B (zh) | 网站信息推荐方法和系统 | |
| CN110175895B (zh) | 一种物品推荐方法及装置 | |
| CN109447713A (zh) | 一种基于知识图谱的推荐方法及装置 | |
| CN109165847B (zh) | 一种基于推荐系统的项目推荐方法、装置及设备 | |
| CN106062743A (zh) | 用于关键字建议的系统和方法 | |
| WO2012088591A9 (en) | System and method for performing a semantic operation on a digital social network | |
| CN105931082B (zh) | 一种商品类目关键词提取方法和装置 | |
| CN103699603A (zh) | 一种基于用户行为的信息推荐方法和系统 | |
| CN107292648A (zh) | 一种用户行为分析方法及装置 | |
| JP5668010B2 (ja) | 情報推薦方法、装置及びプログラム | |
| CN111654714B (zh) | 信息处理方法、装置、电子设备和存储介质 | |
| JP2013171436A (ja) | ユーザ嗜好に合った批評者を推薦するレコメンドプログラム、装置及び方法 | |
| CN112948602B (zh) | 一种内容显示方法、装置、系统、设备及存储介质 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |