CN107665202B - 一种构建兴趣模型的方法、装置及电子设备 - Google Patents

Abstract

本发明的实施例公开一种构建兴趣模型的方法、装置及电子设备，涉及信息推荐技术，能够提升信息推荐效率。所述构建兴趣模型的方法包括：在预先设置的时间周期内，获取具有隐式行为反馈的信息集；对所述信息集中的信息进行维度划分，得到一个或多个维度信息集；以维度为单位，统计维度信息集中各信息包含的信息标签，对统计的信息标签进行向量权重系数赋值，得到当前维度上的信息标签向量；基于预先设置的时间衰减参数，计算对所述信息标签向量中各信息标签的兴趣值；依据计算得到的各维度上信息标签的兴趣向量，构建兴趣模型。本发明适用于基于构建的兴趣模型进行信息推荐。

Description

一种构建兴趣模型的方法、装置及电子设备

技术领域

本发明涉及信息推荐技术，尤其涉及一种构建兴趣模型的方法、装置及电子设备。

背景技术

当今社会，越来越多的用户使用电子设备，通过互联网络获取所需的信息，例如，通过移动电话，进行网上新闻、幽默笑话等阅读，以了解基于自己兴趣爱好的各种时事动态，借以缓解生活以及工作压力。

以新闻为例，随着互联网上信息的爆炸式发展，每天发生的新闻数量庞大、新闻类型繁多，用户从如此海量的新闻中找到符合自己兴趣爱好的新闻，需要花费大量的时间，导致新闻浏览效率较低。为了提升用户浏览信息的效率，现有技术中，提出了一种基于用户兴趣模型的信息推荐方法，用以基于用户的兴趣，通过将用户兴趣和信息联系起来，例如，通过统计用户对信息的行为反馈，提取用户对信息中包含的各标签的偏好，例如，提取用户对信息标签的偏好，进而为用户搜索到与用户信息标签具有相似标签的信息，从而从海量的信息中挑选出符合每个用户独特兴趣的信息，向对应的用户进行推荐，可以提升信息推荐效果，增强用户的信息浏览体验。其中，

用户的行为反馈包括：显式行为反馈以及隐式行为反馈，其中，获取用户对信息的显式行为反馈(例如，评分)的成本较高，因而，一般基于用户的隐式行为反馈，例如，点击、分享、收藏等，基于用户的隐式行为反馈次数，提取用户对信息中包含的各信息标签的偏好，得到用户对信息中包含的各信息标签的偏好程度，构建兴趣模型，利用构建的兴趣模型中的信息标签分布，结合待推荐信息包含的信息标签，为用户推荐与其兴趣相吻合的信息。

但该兴趣模型构建方法，由于基于用户的隐式行为反馈次数进行构建，一些热门信息的大量曝光，给该信息中包含的信息标签带来了大量的点击机会，使得用户的隐式行为反馈次数集中在对应的这些热门信息标签上，而每个用户感兴趣的独特信息中包含的信息标签，由于其较少的展示机会和点击量，相对于热门信息标签的点击量，往往可以被忽略，因而，容易被大众化的热门信息标签淹没。使得基于隐式行为反馈次数构建的兴趣模型进行信息推荐时，偏向于普遍流行的热点信息中包含的热点信息标签，削弱了用户感兴趣的信息标签的“个性化”，导致用户兴趣误偏向少数热门信息标签，并不能很好地突出用户的个性化兴趣；进而，基于该兴趣模型生成的推荐信息易集中在热点信息，使得真正符合用户个性化兴趣的长尾优质信息得不到展示，信息推荐效率还是较低。例如，在利用上述兴趣模型得到的类别维度标签的分布中，其中，“娱乐”、“社会”、“时尚”类别维度下的信息属于热门信息，占据了主要的展示和点击流量，约占据总流量的50％，从而使得真正符合用户个性化兴趣的信息标签的流量较少，导致得到的用户兴趣分布也向热门信息标签严重偏移，使得依据该热门信息标签推荐的信息与用户兴趣不够吻合，用户阅读兴趣偏低，使得信息推荐效率低。

发明内容

有鉴于此，本发明实施例提供一种构建兴趣模型的方法、装置及电子设备，能够提升信息推荐效率，以解决现有的构建兴趣模型的方法中，依据热门信息标签推荐的信息与用户兴趣不够吻合，使得信息推荐效率低的问题。

第一方面，本发明实施例提供一种构建兴趣模型的方法，包括：

在预先设置的时间周期内，获取具有隐式行为反馈的信息集；

对所述信息集中的信息进行维度划分，得到一个或多个维度信息集；

以维度为单位，统计维度信息集中各信息包含的信息标签，对统计的信息标签进行向量权重系数赋值，得到当前维度上的信息标签向量组；

基于预先设置的时间衰减参数，计算对所述信息标签向量组中各信息标签向量对应的兴趣向量；

依据计算得到的各信息标签向量的兴趣值，构建兴趣模型。

结合第一方面，在第一方面的第一种实施方式中，利用下式构建所述信息标签向量组：

式中，

F(C)为一维度下的信息标签向量；

C为维度信息集；

C_j为维度信息集中的第j条信息；

t_k为信息标签向量中的第k个信息标签；

w_jk为第k个信息标签在第j条信息中的向量权重系数；

m为信息标签向量中包含的信息标签数。

结合第一方面的第一种实施方式，在第一方面的第二种实施方式中，所述基于预先设置的时间衰减参数，计算对所述信息标签向量组中各信息标签向量对应的兴趣向量，包括：

计算所述信息标签向量中各信息标签的累计隐式行为反馈值；

基于所述信息标签的累计隐式行为反馈值，计算所述信息标签向量的累计隐式行为反馈值；

基于所述信息标签的累计隐式行为反馈值以及所述信息标签向量的累计隐式行为反馈值，计算所述信息标签的期望隐式行为反馈值；

基于所述信息标签向量的累计隐式行为反馈值以及所述信息标签的期望隐式行为反馈值，计算所述信息标签的用户期望隐式行为反馈值；

基于所述信息标签向量的累计隐式行为反馈值以及所述信息标签的用户期望隐式行为反馈值，计算所述信息标签向量的兴趣值。

结合第一方面的第二种实施方式，在第一方面的第三种实施方式中，利用下式计算所述信息标签的累计隐式行为反馈值：

式中，

N_ik为第i个用户对第k个信息标签的累计隐式行为反馈值，i为常数；

u_i为第i个用户；

α为时间衰减参数；

T_ij为在信息标签向量中，当前时间与第i个用户对第j条信息具有隐式行为反馈时的时间的时间差。

结合第一方面的第三种实施方式，在第一方面的第四种实施方式中，利用下式计算所述信息标签向量的累计隐式行为反馈值：

式中，

N_i为第i个用户在所述信息标签向量的累计隐式行为反馈值。

结合第一方面的第四种实施方式，在第一方面的第五种实施方式中，利用下式计算所述信息标签的期望隐式行为反馈值：

式中，

为第k个信息标签向量的期望隐式行为反馈值。

结合第一方面的第五种实施方式，在第一方面的第六种实施方式中，利用下式计算所述信息标签向量上各标签的用户期望隐式行为反馈值：

式中，

E_ik为第i个用户在第k条信息标签向量的用户期望隐式行为反馈值。

结合第一方面的第六种实施方式，在第一方面的第七种实施方式中，利用下式计算所述信息标签向量的兴趣值：

式中，

w_ik为第i个用户对第k个信息标签的兴趣值；

ε为预先设置的平滑参数。

结合第一方面、第一方面的第一种至第七种中任一种实施方式，在第一方面的第八种实施方式中，所述方法还包括：

获取待推荐信息中包含的维度标识，提取所述维度标识下包含的信息标签，初始化提取的信息标签值；

查询得到所述维度标识映射的兴趣模型，基于初始化的信息标签值以及得到的兴趣模型，计算对所述待推荐信息的兴趣值；

基于计算得到的兴趣值和其它用户及信息特征，构建推荐模型，根据模型预测的用户行为概率，决定是否推荐所述信息以及推荐的顺序。

第二方面，本发明实施例提供一种构建兴趣模型的装置，包括：信息集获取模块、维度集分类模块、向量组模块、兴趣值计算模块以及兴趣模型构建模块，其中，

信息集获取模块，用于在预先设置的时间周期内，获取具有隐式行为反馈的信息集；

维度集分类模块，用于对所述信息集中的信息进行维度划分，得到一个或多个维度信息集；

向量组模块，用于以维度为单位，统计维度信息集中各信息包含的信息标签，对统计的信息标签进行向量权重系数赋值，得到当前维度上的信息标签向量，多个维度上的信息标签向量组成信息标签向量组；

兴趣值计算模块，用于基于预先设置的时间衰减参数，计算对所述信息标签向量组中各信息标签向量的兴趣值；

兴趣模型构建模块，用于依据计算得到的各信息标签向量的兴趣值，构建兴趣模型。

结合第二方面，在第二方面的第一种实施方式中，利用下式构建所述信息标签向量组：

式中，

F(C)为一维度下的信息标签向量；

C为维度信息集；

C_j为维度信息集中的第j条信息；

t_k为信息标签向量组中的第k个信息标签；

w_jk为第k个信息标签在第j条信息中的向量权重系数；

m为信息标签向量中包含的信息标签向量数。

结合第二方面的第一种实施方式，在第二方面的第二种实施方式中，所述兴趣值计算模块包括：第一反馈值计算单元、第二反馈值计算单元、第三反馈值计算单元、第四反馈值计算单元以及兴趣值计算单元，其中，

第一反馈值计算单元，用于计算所述信息标签向量组中一信息标签向量的累计隐式行为反馈值；

第二反馈值计算单元，用于基于所述信息标签向量的累计隐式行为反馈值，计算所述信息标签向量组的累计隐式行为反馈值；

第三反馈值计算单元，用于基于所述信息标签向量的累计隐式行为反馈值以及所述信息标签向量组的累计隐式行为反馈值，计算信息标签向量的期望隐式行为反馈值；

第四反馈值计算单元，用于基于所述信息标签向量的累计隐式行为反馈值以及所述信息标签向量的期望隐式行为反馈值，计算信息标签向量的用户期望隐式行为反馈值；

兴趣值计算单元，用于基于所述信息标签向量的累计隐式行为反馈值以及所述信息标签向量的用户期望隐式行为反馈值，计算信息标签向量的兴趣值。

结合第二方面的第二种实施方式，在第二方面的第三种实施方式中，利用下式计算所述信息标签向量的累计隐式行为反馈值：

式中，

N_ik为第i个用户对第k个信息标签的累计隐式行为反馈值，i为常数；

u_i为第i个用户；

α为时间衰减参数；

T_ij为在信息标签向量中，当前时间与第i个用户对第j条信息具有隐式行为反馈时的时间的时间差。

结合第二方面的第三种实施方式，在第二方面的第四种实施方式中，利用下式计算所述信息标签向量的累计隐式行为反馈值：

式中，

N_i为第i个用户在所述信息标签向量的累计隐式行为反馈值。

结合第二方面的第四种实施方式，在第二方面的第五种实施方式中，利用下式计算所述信息标签的期望隐式行为反馈值：

式中，

为第k个信息标签的期望隐式行为反馈值。

结合第二方面的第五种实施方式，在第二方面的第六种实施方式中，利用下式计算所述信息标签的用户期望隐式行为反馈值：

式中，

E_ik为第i个用户在第k个信息标签的用户期望隐式行为反馈值。

结合第二方面的第六种实施方式，在第二方面的第七种实施方式中，利用下式计算所述信息标签的兴趣值：

式中，

w_ik为第i个用户对第k个信息标签的兴趣值；

ε为预先设置的平滑参数。

结合第二方面、第二方面的第一种至第七种中任一种实施方式，在第二方面的第八种实施方式中，所述装置还包括：

推荐模块，用于获取待推荐信息中包含的维度标识，提取所述维度标识下包含的信息标签，初始化提取的信息标签值；查询得到所述维度标识映射的兴趣模型，基于初始化的信息标签值以及得到的兴趣模型，计算对所述待推荐信息的兴趣值；基于计算得到的兴趣值和其它用户及信息特征，构建推荐模型，根据模型预测的用户行为概率，决定是否推荐所述信息以及推荐的顺序。

第三方面，本发明实施例提供一种电子设备，所述电子设备包括：壳体、处理器、存储器、电路板和电源电路，其中，电路板安置在壳体围成的空间内部，处理器和存储器设置在电路板上；电源电路，用于为上述电子设备的各个电路或器件供电；存储器用于存储可执行程序代码；处理器通过读取存储器中存储的可执行程序代码来运行与可执行程序代码对应的程序，用于执行前述任一所述的构建兴趣模型的方法。

本发明实施例提供的一种构建兴趣模型的方法、装置及电子设备，通过在预先设置的时间周期内，获取具有隐式行为反馈的信息集；对所述信息集中的信息进行维度划分，得到一个或多个维度信息集；以维度为单位，统计维度信息集中各信息包含的信息标签，对统计的信息标签进行向量权重系数赋值，得到当前维度上的信息标签向量组；基于预先设置的时间衰减参数，计算对所述信息标签向量组中各信息标签向量中各标签的兴趣值，得到所述信息标签上的兴趣向量；依据计算得到的各信息标签的兴趣向量，构建兴趣模型，能够提升信息推荐效率，以解决现有的构建兴趣模型的方法中，依据热门信息标签推荐的信息与用户兴趣不够吻合，使得信息推荐效率低的问题。

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它的附图。

图1为本发明的实施例一构建兴趣模型的方法流程示意图；

图2为本发明的实施例二构建兴趣模型的装置结构示意图；

图3为本发明电子设备一个实施例的结构示意图。

具体实施方式

下面结合附图对本发明实施例进行详细描述。

应当明确，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作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。

图1为本发明的实施例一构建兴趣模型的方法流程示意图，如图1所示，本实施例的方法可以包括：

步骤101，在预先设置的时间周期内，获取具有隐式行为反馈的信息集；

本实施例中，时间周期可依据实际需要设置，例如，时间周期可以设置为3天、5天、7天、10天或15天等，本实施例对此不作限定。

本实施例中，作为一可选实施例，隐式行为反馈包括但不限于：阅读、评论、分享、点赞、点击、收藏等。例如，可以获取预先设置数量的用户在7天内点击过的信息，经过去重得到信息集。

本实施例中，作为一可选实施例，每一用户对应一信息集。

本实施例中，信息集包含一条或多条信息，每一条信息具有一个或多个维度下的信息标签。关于为信息设置信息标签以及维度，为公知技术，在此略去详述。

步骤102，对所述信息集中的信息进行维度划分，得到一个或多个维度信息集；

本实施例中，由于信息具有一个或多个维度下的信息标签，因而，通过信息中设置的维度标识，可以获取信息所属的维度。

作为一可选实施例，一信息可以具有一个或多个维度标识，例如，具有第一维度标识和第二维度标识，则将该信息分别置于第一维度信息集以及第二维度信息集中。

步骤103，以维度为单位，统计维度信息集中各信息包含的信息标签，对统计的信息标签进行向量权重系数赋值，得到当前维度上的信息标签向量组；

本实施例中，一维度下的维度信息集中的一信息对应有一个或多个信息标签，例如，针对某一维度信息集，统计得到的信息标签包括：娱乐、社会、时尚、育儿、健康、军事、汽车、历史、国际、宠物、搞笑、文化、美食、金融、教育、情感、科技、时政、体育、旅游、房产、星座、游戏、科学、动漫、生活等。

本实施例中，由于用户对不同的信息标签的喜好程度不同，因而，可以设置每一信息标签的向量权重系数。对于不同的用户，对于同一维度下的各信息标签，设置的向量权重系数可以相同，也可以不同，本实施例对此不作限定。

本实施例中，作为一可选实施例，信息标签向量组可以表示如下：

式中，

F(C)为一维度下的信息标签向量；

C为维度信息集；

C_j为维度信息集中的第j条信息；

t_k为信息标签向量组中的第k个信息标签；

w_jk为第k个信息标签在第j条信息中的向量权重系数；

m为信息标签向量中包含的信息标签向量数。

步骤104，基于预先设置的时间衰减参数，计算对所述信息标签向量中各信息标签的兴趣值；

本实施例中，作为一可选实施例，基于预先设置的时间衰减参数，计算对所述信息标签向量组中各信息标签向量的兴趣值包括：

A11，计算所述信息标签向量组中一信息标签向量的累计隐式行为反馈值；

本实施例中，利用下式计算信息标签向量的累计隐式行为反馈值：

式中，

N_ik为第i个用户对第k个信息标签的累计隐式行为反馈值，i为常数；

u_i为第i个用户；

α为时间衰减参数；

T_ij为在信息标签向量中，当前时间与第i个用户对第j条信息具有隐式行为反馈时的时间的时间差。

本实施例中，作为一可选实施例，0πα≤1。

A12，基于所述信息标签向量的累计隐式行为反馈值，计算所述信息标签向量的累计隐式行为反馈值；

本实施例中，利用下式计算信息标签向量的累计隐式行为反馈值：

式中，

N_i为第i个用户在所述信息标签向量的累计隐式行为反馈值。

A13，基于所述信息标签的累计隐式行为反馈值以及所述信息标签向量的累计隐式行为反馈值，计算信息标签的期望隐式行为反馈值；

本实施例中，利用下式计算信息标签的期望隐式行为反馈值：

式中，

为第k个信息标签的期望隐式行为反馈值。

A14，基于所述信息标签的累计隐式行为反馈值以及所述信息标签的期望隐式行为反馈值，计算信息标签上的用户期望隐式行为反馈值；

本实施例中，利用下式计算信息标签的用户期望隐式行为反馈值：

式中，

E_ik为第i个用户在第k个信息标签上的用户期望隐式行为反馈值。

A15，基于所述信息标签的累计隐式行为反馈值以及所述信息标签的用户期望隐式行为反馈值，计算对所述信息标签的兴趣值。

本实施例中，利用下式计算用户对信息标签的兴趣值，即信息标签向量中当前信息标签的兴趣值：

式中，

w_ik为第i个用户对第k个信息标签的兴趣值；

ε为预先设置的平滑参数。

本实施例中，作为一可选实施例，εφ0。

本实施例中，作为一可选实施例，该方法还包括：

对计算得到的各信息标签向量对应的兴趣向量进行归一化处理。

步骤105，依据计算得到的各信息标签向量对应的兴趣向量，构建兴趣模型。

本实施例中，在用户对应的当前维度信息集中，该用户对所有信息标签向量对应的兴趣向量构成当前维度上的兴趣模型，兴趣模型可以表示如下：

Preference(u_i)＝<(t₁，w_i1)，(t₂，w_i2)，K，(t₁，w_i1)，K，(t_n，w_in)>

式中，

Preference(u_i)为兴趣模型。包含维度信息集中的所有信息标签以及每一信息标签对应的兴趣值。

本实施例中，作为一可选实施例，兴趣模型可以为一矢量矩阵。

本实施例中，对于其他维度下的维度信息集中的兴趣模型的构建，与构建上述维度下的兴趣模型相类似，在此略去详述。

本实施例中，每一维度对应一兴趣模型，各兴趣模型相互独立。各兴趣模型中，可以包含相同的信息标签，信息标签对应的兴趣值可以相同，也可以不同。

作为一可选实施例，该方法还包括：

B11，获取待推荐信息中包含的维度标识，提取所述维度标识下包含的信息标签，初始化提取的信息标签值；

本实施例中，作为一可选实施例，待推荐信息可以是一条或多条信息，如果是多条信息，则针对每条信息进行处理。

本实施例中，一条待推荐信息可以包含一个或多个维度标识。

本实施例中，对提取的信息标签进行初始化赋值，例如，将提取的信息标签赋值为1，而对于其他信息标签，默认为0。

B12，查询得到所述维度标识映射的兴趣模型，基于初始化的信息标签值以及得到的兴趣模型，计算对所述待推荐信息的兴趣值；

本实施例中，作为一可选实施例，兴趣模型为一矢量矩阵，构建与矢量矩阵相同维数的信息标签提取矩阵，在信息标签提取矩阵的相应信息标签处，写入初始化的信息标签值，对于信息标签提取矩阵中的其他信息标签，默认为0，将矢量矩阵与信息标签提取矩阵进行点击运算，得到用户对信息的兴趣程度。

B13，基于计算得到的兴趣值，作为一个因素或特征，结合其它用户及信息特征，构建推荐模型，根据模型预测的用户行为概率，决定是否推荐所述信息以及推荐的顺序。

本实施例中，作为一可选实施例，推荐模型可依据实际需要进行设置，例如，使用单一维度的兴趣值，作为推荐的强度，对于多维度的兴趣，可以利用多个维度的兴趣值加权和，作为推荐的强度。

本实施例中，作为一可选实施例，如果待推荐信息为多条，可以按照计算得到的兴趣值，结合其它用户或信息属性进行点击预测建模，按照点击预测概率由高至低进行排序，选取排序前N位的信息进行推荐，或者，选取超过概率阈值的多条信息进行推荐。

本实施例中，作为一可选实施例，如果待推荐信息包含有多个维度标识，对于每一维度，计算该维度下该待推荐信息的兴趣值，然后将各维度下的兴趣值进行综合考虑，进一步结合其它用户或信息属性进行点击预测建模，按照点击预测概率确定是否推荐该信息。

本实施例中，对于一个性化推荐信息系统，如新闻资讯推荐系统，核心的任务是获取用户对不同信息标签的兴趣分布，由于目前的兴趣模型，信息的热门程度对用户的隐式行为反馈有很大的影响。因此，对用户个性化兴趣的建模不能建立在用户绝对的隐式行为反馈量上，需要尽量消除热门信息标签对用户隐式行为反馈带来的影响。因而，通过提出一种基于偏差模型的兴趣建模方法，从而可以通过计算过去一段时间所有用户对当前信息标签的隐式行为反馈比例来衡量该信息标签的热门程度，作为该信息标签的期望比例，进而，计算当前用户在该信息标签上期望点击作为偏差，然后通过其真实点击次数和点击偏差的差异，定量衡量用户对该信息标签的兴趣程度。

本实施例中，对用户的兴趣建模采用周期性迭代更新模式，每隔一个固定时间片对用户当前兴趣模型进行更新，并利用时间衰减法，根据点击时间的远近降低相应行为产生的权重，使得在用户个体和整体感兴趣的话题随着时间发生变化时，兴趣模型中的信息标签的集合及其分布也会发生变化，能够及时反映用户短期兴趣的变化。

本实施例中，以一个月为时间周期，分别利用现有基于信息标签频度的兴趣建模方法和本发明中提出的基于偏差模型的兴趣建模方法，得到信息标签的用户比例，即用户兴趣标签的分布。对于现有基于信息标签频度的方法，未考虑信息标签本身的热门程度，导致得到的用户感兴趣的信息标签严重偏向“娱乐”、“社会”等热门信息标签，基于此得到的向不同用户的推荐信息非常相似；而基于偏差模型的方法，能够更好地突出类似“教育”、“旅游”等更能体现用户独特兴趣的个性化信息标签。经过实际系统线上测试，采用基于偏差模型的用户建模方法，可以使线上内容点击率提升3.5％，人均阅读时长提升2.4％。

本发明实施例一构建兴趣模型的方法，在预先设置的时间周期内，获取具有隐式行为反馈的信息集；对所述信息集中的信息进行维度划分，得到一个或多个维度信息集；以维度为单位，统计维度信息集中各信息包含的信息标签，对统计的信息标签进行向量权重系数赋值，得到当前维度上的信息标签向量组；基于预先设置的时间衰减参数，计算对所述信息标签向量中各信息标签的兴趣值；依据计算得到的各信息标签向量上各标签的兴趣值，得到兴趣向量，构建兴趣模型。这样，考虑热门信息和信息标签对用户行为产生的影响，通过计算用户期望点击作为偏差(信息标签向量的用户期望隐式行为反馈值)，进而根据真实点击(信息标签向量的累计隐式行为反馈值)和偏差之间的差异，衡量用户的兴趣大小。因此，在一定程度上减弱了热门信息标签对用户行为带来的影响，降低了热门信息和热门信息标签对用户兴趣建模产生的影响，更好地突出用户具有独特兴趣的个性化兴趣信息标签。此外，通过时间衰减法来突出用户的近期兴趣，能够推荐的信息更加符合用户兴趣。同时，对不同概念维度上的兴趣单独计算，能更准确地覆盖用户在各维度上的兴趣。使得点击率、人均阅读时长等指标显著提升，从而可以有效提升信息推荐效率，增强用户信息浏览体验。

图2为本发明的实施例二构建兴趣模型的装置结构示意图，如图2所示，本实施例的装置可以包括：信息集获取模块21、维度集分类模块22、向量组模块23、兴趣值计算模块24以及兴趣模型构建模块25，其中，

信息集获取模块21，用于在预先设置的时间周期内，获取具有隐式行为反馈的信息集；

本实施例中，作为一可选实施例，隐式行为反馈包括但不限于：阅读、评论、分享、点赞、点击、收藏等。例如，可以获取预先设置数量的用户在7天内点击过的信息，经过去重得到信息集。

本实施例中，作为一可选实施例，每一用户对应一信息集。

本实施例中，信息集包含一条或多条信息，每一条信息具有一个或多个维度下的信息标签。

维度集分类模块22，用于对所述信息集中的信息进行维度划分，得到一个或多个维度信息集；

作为一可选实施例，一信息可以具有一个或多个维度标识，例如，具有第一维度标识和第二维度标识，则将该信息分别置于第一维度信息集以及第二维度信息集中。

向量组模块23，用于以维度为单位，统计维度信息集中各信息包含的信息标签，对统计的信息标签进行向量权重系数赋值，得到当前维度上的信息标签向量组；

本实施例中，作为一可选实施例，利用下式构建所述信息标签向量组：

式中，

F(C)为一维度下的信息标签向量；

C为维度信息集；

C_j为维度信息集中的第j条信息；

t_k为信息标签向量组中的第k个信息标签向量；

w_jk为第k个信息标签向量在第j条信息中的向量权重系数；

m为信息标签向量中包含的信息标签向量数。

兴趣值计算模块24，用于基于预先设置的时间衰减参数，计算对所述信息标签向量组中各信息标签向量上各信息标签的兴趣值；

本实施例中，作为一可选实施例，兴趣值计算模块24包括：第一反馈值计算单元、第二反馈值计算单元、第三反馈值计算单元、第四反馈值计算单元以及兴趣值计算单元(图中未示出)，其中，

第一反馈值计算单元，用于计算所述信息标签向量组中一信息标签向量的累计隐式行为反馈值；

本实施例中，作为一可选实施例，利用下式计算所述信息标签的累计隐式行为反馈值：

式中，

N_ik为第i个用户对第k个信息标签的累计隐式行为反馈值，i为常数；

u_i为第i个用户；

α为时间衰减参数；

T_ij为在信息标签向量中，当前时间与第i个用户对第j条信息具有隐式行为反馈时的时间的时间差。

本实施例中，作为一可选实施例，0πα≤1。

第二反馈值计算单元，用于基于所述信息标签的累计隐式行为反馈值，计算所述信息标签向量的累计隐式行为反馈值；

本实施例中，作为一可选实施例，利用下式计算所述信息标签向量的累计隐式行为反馈值：

式中，

N_i为第i个用户在所述信息标签向量的累计隐式行为反馈值。

第三反馈值计算单元，用于基于所述信息标签的累计隐式行为反馈值以及所述信息标签向量的累计隐式行为反馈值，计算信息标签的期望隐式行为反馈值；

本实施例中，作为一可选实施例，利用下式计算所述信息标签的期望隐式行为反馈值：

式中，

为第k个信息标签的期望隐式行为反馈值。

第四反馈值计算单元，用于基于所述信息标签的累计隐式行为反馈值以及所述信息标签的期望隐式行为反馈值，计算信息标签的用户期望隐式行为反馈值；

本实施例中，作为一可选实施例，利用下式计算所述信息标签的用户期望隐式行为反馈值：

式中，

E_ik为第i个用户在第k个信息标签的用户期望隐式行为反馈值。

兴趣值计算单元，用于基于所述信息标签的累计隐式行为反馈值以及所述信息标签的用户期望隐式行为反馈值，计算对所述信息标签的兴趣值。

本实施例中，作为一可选实施例，利用下式计算所述信息标签的兴趣值：

式中，

w_ik为第i个用户对第k个信息标签的兴趣值；

ε为预先设置的平滑参数。

本实施例中，作为一可选实施例，εφ0。

本实施例中，作为一可选实施例，兴趣值计算模块24还包括：

归一化单元，用于对计算得到的各信息标签向量的兴趣值进行归一化处理。

兴趣模型构建模块25，用于依据计算得到的各信息标签向量对各信息标签的兴趣值，得到兴趣向量，构建兴趣模型。

本实施例中，在用户对应的当前维度信息集中，该用户对所有信息标签向量上各标签的兴趣值构成当前维度上的兴趣模型，兴趣模型可以表示如下：

Preference(u_i)＝<(t₁，w_i1)，(t₂，w_i2)，K，(t₁，w_i1)，K，(t_n，w_in)>

式中，

Preference(u_i)为兴趣模型。包含维度信息集中的所有信息标签以及每一信息标签对应的兴趣值。

本实施例中，作为一可选实施例，该装置还包括：

推荐模块26，用于获取待推荐信息中包含的维度标识，提取所述维度标识下包含的信息标签，初始化提取的信息标签值；查询得到所述维度标识映射的兴趣模型，基于初始化的信息标签值以及得到的兴趣模型，计算对所述待推荐信息的兴趣值；基于计算得到的兴趣值，作为一个因素或特征，结合其它用户及信息特征，构建推荐模型，根据模型预测的用户行为概率，决定是否推荐所述信息以及推荐的顺序。

本实施例中，作为一可选实施例，推荐模块26包括：信息标签值初始化单元、信息兴趣值计算单元以及推荐单元(图中未示出)，其中，

信息标签值初始化单元，用于获取待推荐信息中包含的维度标识，提取所述维度标识下包含的信息标签，初始化提取的信息标签值；

信息兴趣值计算单元，用于查询得到所述维度标识映射的兴趣模型，基于初始化的信息标签值以及得到的兴趣模型，计算对所述待推荐信息的兴趣值；

本实施例中，作为一可选实施例，兴趣模型为一矢量矩阵，构建与矢量矩阵相同维数的信息标签提取矩阵，在信息标签提取矩阵的相应信息标签处，写入初始化的信息标签值，对于信息标签提取矩阵中的其他信息标签，默认为0，将矢量矩阵与信息标签提取矩阵进行点击运算，得到用户对信息的兴趣程度。

推荐单元，如果计算得到的兴趣值超过预先设置的兴趣阈值，推荐所述信息。

本实施例的装置，可以用于执行图1所示方法实施例的技术方案，其实现原理和技术效果类似，此处不再赘述。

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，对于装置实施例而言，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。

在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，″计算机可读介质″可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或多个布线的电连接部(电子装置)，便携式计算机盘盒(磁装置)，随机存取存储器(RAM)，只读存储器(ROM)，可擦除可编辑只读存储器(EPROM或闪速存储器)，光纤装置，以及便携式光盘只读存储器(CDROM)。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。

应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。

在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA)等。

本发明实施例还提供一种电子设备，所述电子设备包含前述任一实施例所述的装置。

图3为本发明电子设备一个实施例的结构示意图，可以实现本发明图1-2所示实施例的流程，如图3所示，上述电子设备可以包括：壳体31、处理器32、存储器33、电路板34和电源电路35，其中，电路板34安置在壳体31围成的空间内部，处理器32和存储器33设置在电路板34上；电源电路35，用于为上述电子设备的各个电路或器件供电；存储器33用于存储可执行程序代码；处理器32通过读取存储器33中存储的可执行程序代码来运行与可执行程序代码对应的程序，用于执行前述任一实施例所述的构建兴趣模型的方法。

处理器32对上述步骤的具体执行过程以及处理器32通过运行可执行程序代码来进一步执行的步骤，可以参见本发明图1-2所示实施例的描述，在此不再赘述。

该电子设备以多种形式存在，包括但不限于：

(1)移动通信设备：这类设备的特点是具备移动通信功能，并且以提供话音、数据通信为主要目标。这类终端包括：智能手机(例如iPhone)、多媒体手机、功能性手机，以及低端手机等。

(2)超移动个人计算机设备：这类设备属于个人计算机的范畴，有计算和处理功能，一般也具备移动上网特性。这类终端包括：PDA、MID和UMPC设备等，例如iPad。

(3)便携式娱乐设备：这类设备可以显示和播放多媒体内容。该类设备包括：音频、视频播放器(例如iPod)，掌上游戏机，电子书，以及智能玩具和便携式车载导航设备。

(4)服务器：提供计算服务的设备，服务器的构成包括处理器、硬盘、内存、系统总线等，服务器和通用的计算机架构类似，但是由于需要提供高可靠的服务，因此在处理能力、稳定性、可靠性、安全性、可扩展性、可管理性等方面要求较高。

(5)其他具有数据交互功能的电子设备。

本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。

为了描述的方便，描述以上装置是以功能分为各种单元/模块分别描述。当然，在实施本发明时可以把各单元/模块的功能在同一个或多个软件和/或硬件中实现。

通过以上的实施方式的描述可知，本领域的技术人员可以清楚地了解到本发明可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例或者实施例的某些部分所述的方法。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。

Claims (17)

1.一种构建兴趣模型的方法，其特征在于，应用于信息推荐中，包括：

在预先设置的时间周期内，获取具有隐式行为反馈的信息集；

对所述信息集中的信息进行维度划分，得到一个或多个维度信息集；

以维度为单位，统计维度信息集中各信息包含的信息标签，对统计的信息标签进行向量权重系数赋值，得到当前维度上的信息标签向量组；

基于预先设置的时间衰减参数，计算对所述信息标签向量组中各信息标签向量对应的兴趣向量；

依据计算得到的各信息标签向量的兴趣向量，构建兴趣模型；

基于所述兴趣模型确定向用户推荐的信息；

其中，利用下式构建所述信息标签向量组：

式中，

F(C)为一维度下的隐式反馈信息标签向量；

C为维度信息集；

C_j为维度信息集中的第j条信息；

t_k为信息标签向量中的第k条信息标签；

w_jk为第k个信息标签在第j条信息中的向量权重系数；

m为信息标签向量中包含的信息标签数。

2.根据权利要求1所述的构建兴趣模型的方法，其特征在于，所述基于预先设置的时间衰减参数，计算对所述当前维度上信息标签向量中各信息标签的兴趣值，包括：

计算所述信息标签向量中一信息标签的累计隐式行为反馈值；

基于所述一信息标签的累计隐式行为反馈值，计算所述信息标签向量的累计隐式行为反馈值；

基于所述一信息标签的累计隐式行为反馈值以及所述信息标签向量的累计隐式行为反馈值，计算信息标签向量的期望隐式行为反馈值；

基于所述一信息标签的累计隐式行为反馈值以及所述信息标签向量的期望隐式行为反馈值，计算所述信息标签向量的用户期望隐式行为反馈值；

基于所述信息标签向量的累计隐式行为反馈值以及所述信息标签向量的用户期望隐式行为反馈值，计算信息标签向量的兴趣值，进而得到所述维度上信息标签兴趣向量。

3.根据权利要求2所述的构建兴趣模型的方法，其特征在于，利用下式计算所述信息标签向量上一信息标签的累计隐式行为反馈值：

式中，

N_ik为第i个用户对第k条信息标签的累计隐式行为反馈值，i为常数；

u_i为第i个用户；

α为时间衰减参数；

T_ij为在信息标签向量中，当前时间与第i个用户对第j条信息具有隐式行为反馈时的时间的时间差。

4.根据权利要求3所述的构建兴趣模型的方法，其特征在于，利用下式计算所述信息标签向量的累计隐式行为反馈值：

式中，

N_i为第i个用户在所述信息标签向量上累计隐式行为反馈值。

5.根据权利要求4所述的构建兴趣模型的方法，其特征在于，利用下式计算所述信息标签向量上各标签的期望隐式行为反馈值：

式中，

为第k个信息标签的期望隐式行为反馈值。

6.根据权利要求5所述的构建兴趣模型的方法，其特征在于，利用下式计算所述信息标签向量上各标签的用户期望隐式行为反馈值：

式中，

E_ik为第i个用户在第k个信息标签的用户期望隐式行为反馈值。

7.根据权利要求6所述的构建兴趣模型的方法，其特征在于，利用下式计算所述信息标签向量上各标签的兴趣值：

式中，

w_ik为第i个用户对第k个信息标签的兴趣值；

ε为预先设置的平滑参数。

8.根据权利要求1至7任一项所述的构建兴趣模型的方法，其特征在于，所述方法还包括：

获取待推荐信息中包含的维度标识，提取所述维度标识下包含的信息标签，初始化提取的信息标签值；

查询得到所述维度标识映射的兴趣模型，基于初始化的信息标签值以及得到的兴趣模型，计算对所述待推荐信息的兴趣值；

基于计算得到的兴趣值和其它用户及信息特征，构建推荐模型，根据模型预测的用户行为概率，决定是否推荐所述信息以及推荐的顺序。

9.一种构建兴趣模型的装置,其特征在于，包括：信息集获取模块、维度集分类模块、向量组模块、兴趣值计算模块以及兴趣模型构建模块，其中，

信息集获取模块，用于在预先设置的时间周期内，获取具有隐式行为反馈的信息集；

维度集分类模块，用于对所述信息集中的信息进行维度划分，得到一个或多个维度信息集；

向量组模块，用于以维度为单位，统计维度信息集中各信息包含的信息标签，对统计的信息标签进行向量权重系数赋值，得到当前维度上的信息标签向量，多个维度上的信息标签向量组成信息标签向量组；

兴趣值计算模块，用于基于预先设置的时间衰减参数，计算对所述信息标签向量组中各信息标签向量对应的兴趣向量；

兴趣模型构建模块，用于依据计算得到的各信息标签向量的兴趣向量，构建兴趣模型；

推荐信息确定模块，用于基于所述兴趣模型确定向用户推荐的信息；

其中，利用下式构建所述信息标签向量组：

式中，

F(C)为一维度下的信息标签向量；

C为维度信息集；

C_j为维度信息集中的第j条信息；

t_k为信息标签向量中的第k个信息标签；

w_jk为第k个信息标签在第j条信息中的向量权重系数；

m为信息标签向量组中包含的信息标签向量数。

10.根据权利要求9所述的构建兴趣模型的装置，其特征在于，所述兴趣值计算模块包括：第一反馈值计算单元、第二反馈值计算单元、第三反馈值计算单元、第四反馈值计算单元以及兴趣值计算单元，其中，

第一反馈值计算单元，用于计算所述信息标签向量中一信息标签的累计隐式行为反馈值；

第二反馈值计算单元，用于基于所述一信息标签的累计隐式行为反馈值，计算所述信息标签向量的累计隐式行为反馈值；

第三反馈值计算单元，用于基于所述一信息标签的累计隐式行为反馈值以及所述信息标签向量的累计隐式行为反馈值，计算所述信息标签向量的期望隐式行为反馈值；

第四反馈值计算单元，用于基于所述信息标签向量的累计隐式行为反馈值以及所述信息标签向量的期望隐式行为反馈值，计算所述信息标签向量的用户期望隐式行为反馈值；

兴趣值计算单元，用于基于所述信息标签向量的累计隐式行为反馈值以及所述信息标签向量的用户期望隐式行为反馈值，计算信息标签向量的兴趣值。

11.根据权利要求10所述的构建兴趣模型的装置，其特征在于，利用下式计算所述一信息标签的累计隐式行为反馈值：

式中，

N_ik为第i个用户对第k个信息标签的累计隐式行为反馈值，i为常数；

u_i为第i个用户；

α为时间衰减参数；

T_ij为在信息标签向量中，当前时间与第i个用户对第j条信息具有隐式行为反馈时的时间的时间差。

12.根据权利要求11所述的构建兴趣模型的装置，其特征在于，利用下式计算所述信息标签向量的累计隐式行为反馈值：

式中，

N_i为第i个用户在所述信息标签向量的累计隐式行为反馈值。

13.根据权利要求12所述的构建兴趣模型的装置，其特征在于，利用下式计算所述信息标签向量的期望隐式行为反馈值：

式中，

为第k个信息标签的期望隐式行为反馈值。

14.根据权利要求13所述的构建兴趣模型的装置，其特征在于，利用下式计算所述信息标签向量的用户期望隐式行为反馈值：

式中，

E_ik为第i个用户在第k个信息标签的用户期望隐式行为反馈值。

15.根据权利要求14所述的构建兴趣模型的装置，其特征在于，利用下式计算所述信息标签向量的兴趣值：

式中，

w_ik为第i个用户对第k个信息标签的兴趣值；

ε为预先设置的平滑参数。

16.根据权利要求9至15任一项所述的构建兴趣模型的装置，其特征在于，所述装置还包括：

推荐模块，用于获取待推荐信息中包含的维度标识，提取所述维度标识下包含的信息标签，初始化提取的信息标签值；查询得到所述维度标识映射的兴趣模型，基于初始化的信息标签值以及得到的兴趣模型，计算对所述待推荐信息的兴趣值；基于计算得到的兴趣值和其它用户及信息特征，构建推荐模型，根据模型预测的用户行为概率，决定是否推荐所述信息以及推荐的顺序。

17.一种电子设备，其特征在于，所述电子设备包括：壳体、处理器、存储器、电路板和电源电路，其中，电路板安置在壳体围成的空间内部，处理器和存储器设置在电路板上；电源电路，用于为上述电子设备的各个电路或器件供电；存储器用于存储可执行程序代码；处理器通过读取存储器中存储的可执行程序代码来运行与可执行程序代码对应的程序，用于执行前述权利要求1-8任一所述的构建兴趣模型的方法。

Images