CN108717414B - 资源推荐方法及装置 - Google Patents
资源推荐方法及装置 Download PDFInfo
- Publication number
- CN108717414B CN108717414B CN201810265278.XA CN201810265278A CN108717414B CN 108717414 B CN108717414 B CN 108717414B CN 201810265278 A CN201810265278 A CN 201810265278A CN 108717414 B CN108717414 B CN 108717414B
- Authority
- CN
- China
- Prior art keywords
- resource
- recommendation
- user
- node
- probability
- 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.)
- Active
Links
Images
Landscapes
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明提供了一种资源推荐方法及装置,其中的方法包括:当接收到用户针对目标资源集的推荐请求时,实时获取预先为所述目标资源集建立的资源主题网络;根据所述资源主题网络,确定所述用户在所述资源主题网络各个节点的推荐概率,其中,所述推荐概率是基于各节点的随机游走概率和所述用户在资源主题网络的置信区间得到的;根据所述各个节点的推荐概率,从所述资源主题网络中确定出推荐主题。本发明实施例可提高资源推荐的扩展性。
Description
技术领域
本发明涉及互联网技术领域,特别是涉及一种资源推荐方法及装置。
背景技术
随着人工智能(AI)技术的发展,越来越多的领域使用AI技术为用户提供服务。一种常见的网络资源(例如视频资源)的个性化推荐框架是:通过用户行为构建用户画像,提取特征,利用算法模型提供给用户一组排序好的推荐列表。这种人工智能的方式相较于传统的人工运营方法具有更强的个性化、更好的多样性和更好的数据效果;然而,对于兴趣越集中的用户,这种方法计算出的推荐列表也相对集中,用户看到的也更多是自己原本感兴趣的内容。如此循环,会导致用户兴趣越来越集中,而更多非兴趣范围内的东西用户将很难看到,也就是存在“马太效应”。
发明内容
为了实现对资源进行扩展性推荐,本发明实施例提供一种资源推荐方法及装置。
本发明实施例提供一种资源推荐方法,包括:
当接收到用户针对目标资源集的推荐请求时,实时获取预先为所述目标资源集建立的资源主题网络;
根据所述资源主题网络,确定所述用户在所述资源主题网络各个节点的推荐概率,其中,所述推荐概率是基于各节点的随机游走概率和所述用户在资源主题网络的置信区间得到的;
根据所述各个节点的推荐概率,从所述资源主题网络中确定出推荐主题。
在一种可选方式中,还包括:通过如下步骤建立资源主题网络:
收集样本用户的兴趣特征候选集;
计算每两个兴趣特征之间的相似度,从而得到兴趣特征之间的相似矩阵;
根据所述相似矩阵中各个节点的随机游走概率,选取出多个节点;
根据选取出的各个节点,构建所述资源主题网络。
在一种可选方式中,还包括:确定所述用户在资源主题网络的置信区间;
所述用户在资源主题网络的置信区间包括:
计算每个样本用户对于资源主题网络所有节点的探索置信区间;
根据用户反馈行为实时确定用户兴趣主题,实时更新所述探索置信区间,得到所述用户在资源主题网络的置信区间。
在一种可选方式中,所述根据所述资源主题网络,确定所述用户在所述资源主题网络各个节点的推荐概率,包括:
根据所述资源主题网络,确定所述用户对于每个主题的初始推荐概率;
按照所述初始推荐概率,随机确定初始推荐主题;
遍历所述初始推荐主题下所有节点,根据所述用户在每个节点的随机游走概率和所述用户在资源主题网络的置信区间,计算得到所述用户在每个节点的探索概率;
根据当前节点探索概率与所有节点探索概率之和,计算出当前节点的推荐概率。
在一种可选方式中,所述根据所述各个节点的推荐概率,从所述资源主题网络中确定出推荐主题,包括:
根据所述各个节点的推荐概率,确定推荐概率最高的节点为推荐主题节点;
将所述推荐主题节点对应的主题,确定为所述推荐主题。
在一种可选方式中,所述目标资源集包括多个主题资源子集;
在所述确定推荐主题之后,所述方法还包括:
基于所述推荐主题对应的主题资源子集,从所述主题资源子集中随机选取资源向用户进行推荐,或者,按照所述主题资源子集中各资源的优先级顺序向用户进行推荐。
本发明实施例提供一种资源推荐装置,包括:
资源主题网络获取单元,用于当接收到用户针对目标资源集的推荐请求时,实时获取预先为所述目标资源集建立的资源主题网络;
推荐概率确定单元,用于根据所述资源主题网络,确定所述用户在所述资源主题网络各个节点的推荐概率,其中,所述推荐概率是基于各节点的随机游走概率和所述用户在资源主题网络的置信区间得到的;
推荐主题确定单元,用于根据所述各个节点的推荐概率,从所述资源主题网络中确定出推荐主题。
在一种可选方式中,还包括:资源主题网络建立单元;
所述资源主题网络建立单元包括:
特征收集子单元,用于收集样本用户的兴趣特征候选集;
相似矩阵子单元,用于计算每两个兴趣特征之间的相似度,从而得到兴趣特征之间的相似矩阵;
节点选取子单元,用于根据所述相似矩阵中各个节点的随机游走概率,选取出多个节点;
网络构建子单元用,于根据选取出的各个节点,构建所述资源主题网络。
在一种可选方式中,还包括:
置信区间计算单元,用于计算每个样本用户对于资源主题网络所有节点的探索置信区间;根据用户反馈行为实时确定用户兴趣主题,实时更新所述探索置信区间,得到针对资源主题网络各节点的置信区间。
在一种可选方式中,所述推荐概率确定单元具体用于:根据所述资源主题网络,确定所述用户对于每个主题的初始推荐概率;按照所述初始推荐概率,随机确定初始推荐主题;遍历所述初始推荐主题下所有节点,根据所述用户在每个节点的随机游走概率和所述用户在资源主题网络的置信区间,计算得到所述用户在每个节点的探索概率;根据当前节点探索概率与所有节点探索概率之和,计算出当前节点的推荐概率。
在一种可选方式中,所述推荐主题确定单元具体用于:根据所述各个节点的推荐概率,确定推荐概率最高的节点为推荐主题节点;将所述推荐主题节点对应的主题,确定为所述推荐主题。
在一种可选方式中,所述目标资源集包括多个主题资源子集;
所述装置还包括:
推荐执行单元,用于基于所述推荐主题对应的主题资源子集,从所述主题资源子集中随机选取资源向用户进行推荐,或者,按照所述主题资源子集中各资源的优先级顺序向用户进行推荐。
可见,本发明实施例从用户现有兴趣出发,通过样本用户确定的资源主题网络,使用随机游走的方式,能够以一定的概率发现用户的新兴趣,实现资源推荐的扩展;使用置信区间的方式又能够结合线上的用户反馈,在探索的过程中实时的控制探索的方向。本发明实施例可为用户探索一些现有兴趣外的内容,以期达到减少“马太效应”、提高多样性和惊喜度的效果。
附图说明
图1是本发明一个实施例提供的一种资源推荐方法流程图;
图2是本发明一个实施例提供的一种资源推荐方法中构建资源主题网络流程图;
图3是本发明另一个实施例提供的一种资源推荐装置结构示意图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
参见图1,为本发明实施例提供的一种资源推荐方法流程图,该方法包括:
S101:当接收到用户针对目标资源集的推荐请求时,实时获取预先为所述目标资源集建立的资源主题网络。
目标资源集是指包括多个目标资源的集合。例如,针对视频播放网站,目标资源集可以是数目众多的视频资源。如何在海量的视频资源中向用户进行个性化基础上的扩展推荐,本发明实施例提出根据预先建立的资源主题网络进行资源推荐。
例如,资源主题网络可基于随机游走(RandomWalk)构建。随机游走(random walk)也称随机漫步,其思路是指任何无规则行走者所带的守恒量都各自对应着一个扩散运输定律,接近于布朗运动,是布朗运动理想的数学状态。根据随机游走构建的资源主题网络,可以在主题之间实现游走,扩展出相近似的周边主题。
S102:根据资源主题网络,确定用户在资源主题网络各个节点的推荐概率,其中,推荐概率是基于各节点的随机游走概率和用户在资源主题网络的置信区间得到的。
随机游走概率是代表资源主题网络中从原主题游走到当前主题的概率。置信区间是指由样本统计量所构造的总体参数的估计区间,置信区间体现的是这个参数的真实值有一定概率落在测量结果的周围的程度,置信区间给出的是被测量参数的测量值的可信程度,即“一个概率”。本发明实施例中,资源主题网络上某个节点的随机游走概率是代表该节点被游走到的概率;用户在资源主题网络的置信区间代表用户落入该资源主题网络的概率。
在一种可选方式中,通过以下方式确定用户在资源主题网络各个节点的推荐概率:
(1)根据资源主题网络,确定用户对于每个主题的初始推荐概率;
(2)按照初始推荐概率,随机确定初始推荐主题;
(3)遍历初始推荐主题下所有节点,根据用户在每个节点的随机游走概率和用户在资源主题网络的置信区间,计算得到用户在每个节点的探索概率;
(4)根据当前节点探索概率与所有节点探索概率之和,计算出当前节点的推荐概率。
S103:根据各个节点的推荐概率,从资源主题网络中确定出推荐主题。
资源主题网络可以理解为预先建立的表征各个主题之间关系(被游走到的概率)的一个网络。在本发明实施例中,资源主题网络每个节点代表一种推荐主题。在一种可选方式中,通过遍历资源主题网络确定出目标节点从而确定推荐主题,最终在该推荐主题下向用户进行资源推荐。例如,通过如下步骤确定推荐主题:
(1)根据各个节点的推荐概率,确定推荐概率最高的节点为推荐主题节点;
(2)将推荐主题节点对应的主题,确定为推荐主题。
以视频资源为例,视频资源集中往往包括多个主题构成的主题资源子集。例如,电影视频资源集包括动作电影子集、爱情电影子集、喜剧电影子集等等。
在一种可选方式中,在确定推荐主题之后,还可执行如下步骤:基于推荐主题对应的主题资源子集,从主题资源子集中随机选取资源向用户进行推荐,或者,按照主题资源子集中各资源的优先级顺序向用户进行推荐。
例如,对于电影视频资源而言,如果确定的推荐主题为“爱情”电影,则查找到“爱情”电影主题对应的主题资源子集:爱情电影子集,然后从爱情电影子集中随机或者按照电影优先级选取出一部或多部爱情主题的电影向用户进行推荐。其中,主题资源子集中各资源优先级可以按照播放次数、评分等因素进行排序。
可见,本发明实施例提出的资源推荐方法,基于随机游走构建的资源主题网络,可以向用户推荐出被高概率游走的兴趣主题;同时结合置信区间的方式,能够实时的获取用户对于推荐内容的反馈,并且及时的将用户的反馈信息作用到下一次的推荐结果,能够更快的构建出用户的兴趣画像,发现用户的兴趣。
本发明实施例在已有的资源主题网络的基础上,对用户进行主题扩展的资源推荐。可以理解,在推荐之前需要建立该资源主题网络。
下面对资源主题网络构建过程以及如何利用资源主题网络进行预测进行详细的示例性介绍。
一、构建资源主题网络
参见图2,建立资源主题网络的过程包括S201-S204。
S201:收集样本用户的兴趣特征候选集。
S202:计算每两个兴趣特征之间的相似度,从而得到兴趣特征之间的相似矩阵。
S203:根据相似矩阵中各个节点的随机游走概率选取出多个节点。
S204:根据选取出的各个节点,构建所述资源主题网络。
为了建立资源主题网络,需要收集已知兴趣偏好的样本用户的兴趣特征。这些特征信息是提前确定的,包括但不限于各个样本用户的资源偏好特征(例如通过分析用户历史行为探索出用户感兴趣的主题特征等)。
下面首先介绍随机游走原理,然后以构建资源主题网络的一个具体示例对上述过程进行详细描述。
(一)随机游走(RandomWalk)介绍
随机游走兴趣图上的RandomWalk是指给定一个图和一个出发点,随机地选择一个邻居节点,移动到邻居节点上,然后把当前节点作为出发点,重复以上过程。
随机游走概率表示为:
P(x=i+1)=P(X=i)*W(i,i+1)
其中:P(x-i+1)表示第i+1点的随机游走概率,P(x=i)表示第i点的随机游走概率,W(i,i+1)表示第i点和第i+1点的边权重。
(二)构建资源主题网络示例
步骤1:计算各主题特征(Topic-Topic)之间的相似矩阵,例如相似矩阵记作TT。
用户的topic下的行为数据构建topic的文档,计算topic的向量(vector),从而计算topic之间的相似度,构建出相似矩阵。
步骤2:根据相似矩阵TT构建资源主题网络。
资源主题网络也称兴趣图(topicGraph)。
例如,使用矩阵相乘的方式实现,Topic Ti与Tj之间的相似度记为Wij,得分列表的长度由Wij和得分阈值T决定。
步骤2又进一步包括步骤a-c:
步骤a:扩充相似矩阵到N*N维(N为Topic的总数)的新矩阵TT_New,扩充的新关系得分为0,自映射得分为1;
步骤b:遍历矩阵TT_New,对于Topic Ti,遍历其得分列表的每一个Topic Tj。若Wij的值大于指定的阈值,Tj加入Ti的游走列表Topic_Walk;
步骤c:循环步骤a-b多次(例如α轮),α为随机值,表示随机游走的次数。
其中每一次循环中:(1)将TT_New做矩阵相乘,得到新的矩阵。若Topic已经存在Topic_Walk中,取得分累加或者Max,新得分记为Gij;(2)遍历新矩阵,找到新的Topic加入Ti的游走列表Topic_Walk
结束循环,资源主题网络构建完成。
二、置信区间计算
置信区间上界(Upper Confidence Bound,UCB):每次都选择置信区间最大的去尝试。
在构建出资源主题网络之后,计算每个样本用户对于资源主题网络所有节点的探索置信区间;根据用户反馈行为实时确定用户兴趣主题,实时更新探索置信区间,得到针对资源主题网络各节点的置信区间。
例如,具体过程为:
(1)计算每个用户对于资源主题网络所有节点的探索置信区间:
其中:置信区间值与收益正相关,与被探索次数负相关;所以倾向于探索收益较高的、被探索次数少的节点。
(2)根据用户的反馈行为实时更新用户资源偏好特征,实时更新用户对资源主题网络各节点的置信区间。
三、在线推荐
(步骤1):计算初始User-Topic概率计算。
根据User-Topic得分,计算每个用户对于每个Topic的初始概率:
P_i=〖UTScore〗_i/(∑_(j=1)^n〖UTScore〗_j)。
(步骤2)按照User-Topic的初始概率Pi,随机一个初始Topic Ti。
(步骤3)遍历Topic Ti相关联的所有节点,计算每个节点的得分Sj=G_ij+B_uj(G_ij表示i到j的边权重,B_uj表示user对Topic T_j的UCB得分)。
(步骤4)Topic Ti相关联的每个节点的探索概率:
(步骤5)根据Pj,随机选择一个Topic做为从Topip Ti探索的结果。
可见,本发明实施例从用户现有兴趣出发,通过样本用户确定的资源主题网络,使用随机游走的方式,能够以一定的概率发现用户的新兴趣,实现资源推荐的扩展;使用置信区间的方式又能够结合线上的用户反馈,在探索的过程中实时的控制探索的方向。本发明实施例可为用户探索一些现有兴趣外的内容,以期达到减少“马太效应”、提高多样性和惊喜度的效果。
需要说明的是,对于方法实施例,为了简单描述,故将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本发明实施例并不受所描述的动作顺序的限制,因为依据本发明实施例,某些步骤可以采用其他顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于优选实施例,所涉及的动作并不一定是本发明实施例所必须的。
参照图3,是本发明实施例提供的一种资源推荐装置结构示意图。该装置包括:
资源主题网络获取单元301,用于当接收到用户针对目标资源集的推荐请求时,实时获取预先为所述目标资源集建立的资源主题网络;
推荐概率确定单元302,用于根据所述资源主题网络,确定所述用户在所述资源主题网络各个节点的推荐概率,其中,所述推荐概率是基于各节点的随机游走概率和所述用户在资源主题网络的置信区间得到的;
推荐主题确定单元303,用于根据所述各个节点的推荐概率,从所述资源主题网络中确定出推荐主题。
在一种可选方式中,还包括:资源主题网络建立单元304;
所述资源主题网络建立单元304包括:
特征收集子单元3041,用于收集样本用户的兴趣特征候选集;
相似矩阵子单元3042,用于计算每两个兴趣特征之间的相似度,从而得到兴趣特征之间的相似矩阵;
节点选取子单元3043,用于根据所述相似矩阵中各个节点的随机游走概率,选取出多个节点;
网络构建子单元3044,用于根据选取出的各个节点,构建所述资源主题网络。
在一种可选方式中,还包括:
置信区间计算单元305,用于计算每个样本用户对于资源主题网络所有节点的探索置信区间;根据用户反馈行为实时确定用户兴趣主题,实时更新所述探索置信区间,得到用户在资源主题网络的置信区间。
在一种可选方式中,所述推荐概率确定单元302具体用于:根据所述资源主题网络,确定所述用户对于每个主题的初始推荐概率;按照所述初始推荐概率,随机确定初始推荐主题;遍历所述初始推荐主题下所有节点,根据所述用户在每个节点的随机游走概率和所述用户在资源主题网络的置信区间,计算得到所述用户在每个节点的探索概率;根据当前节点探索概率与所有节点探索概率之和,计算出当前节点的推荐概率。
在一种可选方式中,所述推荐主题确定单元303具体用于:根据所述各个节点的推荐概率,确定推荐概率最高的节点为推荐主题节点;将所述推荐主题节点对应的主题,确定为所述推荐主题。
在一种可选方式中,所述目标资源集包括多个主题资源子集;
所述装置还包括:
推荐执行单元306,用于基于所述推荐主题对应的主题资源子集,从所述主题资源子集中随机选取资源向用户进行推荐,或者,按照所述主题资源子集中各资源的优先级顺序向用户进行推荐。
对于装置实施例而言,由于其与方法实施例基本相似,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。
本说明书中的各个实施例均采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似的部分互相参见即可。
本领域内的技术人员应明白,本发明实施例的实施例可提供为方法、装置、或计算机程序产品。因此,本发明实施例可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明实施例是参照根据本发明实施例的方法、终端设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理终端设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理终端设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理终端设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理终端设备上,使得在计算机或其他可编程终端设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程终端设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本发明实施例的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例做出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本发明实施例范围的所有变更和修改。
最后,还需要说明的是,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、物品或者终端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、物品或者终端设备所固有的要素。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、物品或者终端设备中还存在另外的相同要素。
以上对本发明所提供的一种关系型数据库的调度方法及系统,进行了详细介绍,本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本发明的限制。
Claims (11)
1.一种资源推荐方法,其特征在于,包括:
当接收到用户针对目标资源集的推荐请求时,实时获取预先为所述目标资源集建立的资源主题网络;
根据所述资源主题网络,确定所述用户在所述资源主题网络各个节点的推荐概率,其中,所述推荐概率是基于各节点的随机游走概率和所述用户在资源主题网络的置信区间得到的;
根据所述各个节点的推荐概率,从所述资源主题网络中确定出推荐主题;
所述方法,还包括:确定所述用户在资源主题网络的置信区间;
所述用户在资源主题网络的置信区间包括:
计算每个样本用户对于资源主题网络所有节点的探索置信区间;
根据用户反馈行为实时确定用户兴趣主题,并实时更新所述探索置信区间,以得到所述用户在资源主题网络的置信区间。
2.根据权利要求1所述的方法,其特征在于,还包括:通过如下步骤建立资源主题网络:
收集样本用户的兴趣特征候选集;
计算每两个兴趣特征之间的相似度,从而得到兴趣特征之间的相似矩阵;
根据所述相似矩阵中各个节点的随机游走概率,选取出多个节点;
根据选取出的各个节点,构建所述资源主题网络。
3.根据权利要求1所述的方法,其特征在于,所述根据所述资源主题网络,确定所述用户在所述资源主题网络各个节点的推荐概率,包括:
根据所述资源主题网络,确定所述用户对于每个主题的初始推荐概率;
按照所述初始推荐概率,随机确定初始推荐主题;
遍历所述初始推荐主题下所有节点,根据所述用户在每个节点的随机游走概率和所述用户在资源主题网络的置信区间,计算得到所述用户在每个节点的探索概率;
根据当前节点探索概率与所有节点探索概率之和,计算出当前节点的推荐概率。
4.根据权利要求1-2任一项所述的方法,其特征在于,所述根据所述各个节点的推荐概率,从所述资源主题网络中确定出推荐主题,包括:
根据所述各个节点的推荐概率,确定推荐概率最高的节点为推荐主题节点;
将所述推荐主题节点对应的主题,确定为所述推荐主题。
5.根据权利要求4所述的方法,其特征在于,所述目标资源集包括多个主题资源子集;
在所述确定推荐主题之后,所述方法还包括:
基于所述推荐主题对应的主题资源子集,从所述主题资源子集中随机选取资源向用户进行推荐,或者,按照所述主题资源子集中各资源的优先级顺序向用户进行推荐。
6.一种资源推荐装置,其特征在于,包括:
资源主题网络获取单元,用于当接收到用户针对目标资源集的推荐请求时,实时获取预先为所述目标资源集建立的资源主题网络;
推荐概率确定单元,用于根据所述资源主题网络,确定所述用户在所述资源主题网络各个节点的推荐概率,其中,所述推荐概率是基于各节点的随机游走概率和所述用户在资源主题网络的置信区间得到的;
推荐主题确定单元,用于根据所述各个节点的推荐概率,从所述资源主题网络中确定出推荐主题;
所述装置,还包括:确定所述用户在资源主题网络的置信区间;
所述用户在资源主题网络的置信区间包括:
计算每个样本用户对于资源主题网络所有节点的探索置信区间;
根据用户反馈行为实时确定用户兴趣主题,并实时更新所述探索置信区间,以得到所述用户在资源主题网络的置信区间。
7.根据权利要求6所述的装置,其特征在于,还包括:资源主题网络建立单元;
所述资源主题网络建立单元包括:
特征收集子单元,用于收集样本用户的兴趣特征候选集;
相似矩阵子单元,用于计算每两个兴趣特征之间的相似度,从而得到兴趣特征之间的相似矩阵;
节点选取子单元,用于根据所述相似矩阵中各个节点的随机游走概率,选取出多个节点;
网络构建子单元用,于根据选取出的各个节点,构建所述资源主题网络。
8.根据权利要求7所述的装置,其特征在于,还包括:
置信区间计算单元,用于计算每个样本用户对于资源主题网络所有节点的探索置信区间;根据用户反馈行为实时确定用户兴趣主题,实时更新所述探索置信区间,得到所述用户在资源主题网络的置信区间。
9.根据权利要求8所述的装置,其特征在于,所述推荐概率确定单元具体用于:根据所述资源主题网络,确定所述用户对于每个主题的初始推荐概率;按照所述初始推荐概率,随机确定初始推荐主题;遍历所述初始推荐主题下所有节点,根据所述用户在每个节点的随机游走概率和所述用户在资源主题网络的置信区间,计算得到所述用户在每个节点的探索概率;根据当前节点探索概率与所有节点探索概率之和,计算出当前节点的推荐概率。
10.根据权利要求6-8任一项所述的装置,其特征在于,所述推荐主题确定单元具体用于:根据所述各个节点的推荐概率,确定推荐概率最高的节点为推荐主题节点;将所述推荐主题节点对应的主题,确定为所述推荐主题。
11.根据权利要求10所述的装置,其特征在于,所述目标资源集包括多个主题资源子集;
所述装置还包括:
推荐执行单元,用于基于所述推荐主题对应的主题资源子集,从所述主题资源子集中随机选取资源向用户进行推荐,或者,按照所述主题资源子集中各资源的优先级顺序向用户进行推荐。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810265278.XA CN108717414B (zh) | 2018-03-28 | 2018-03-28 | 资源推荐方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810265278.XA CN108717414B (zh) | 2018-03-28 | 2018-03-28 | 资源推荐方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108717414A CN108717414A (zh) | 2018-10-30 |
CN108717414B true CN108717414B (zh) | 2021-01-12 |
Family
ID=63898922
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810265278.XA Active CN108717414B (zh) | 2018-03-28 | 2018-03-28 | 资源推荐方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108717414B (zh) |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102135999A (zh) * | 2011-03-25 | 2011-07-27 | 南京财经大学 | 用户可信度和项目最近邻相结合的互联网推荐方法 |
US20130097056A1 (en) * | 2011-10-13 | 2013-04-18 | Xerox Corporation | Methods and systems for recommending services based on an electronic social media trust model |
CN104834710A (zh) * | 2015-04-30 | 2015-08-12 | 广东工业大学 | 一种电影推荐评分系统的冷启动处理方法 |
US10185983B2 (en) * | 2015-12-31 | 2019-01-22 | TCL Research America Inc. | Least-ask: conversational recommender system with minimized user interaction |
CN105574216A (zh) * | 2016-03-07 | 2016-05-11 | 达而观信息科技(上海)有限公司 | 基于概率模型和用户行为分析的个性化推荐方法、系统 |
US20170278114A1 (en) * | 2016-03-24 | 2017-09-28 | Xerox Corporation | Adaptive collaborative filtering with extended kalman filters and multi-armed bandits |
CN106326351A (zh) * | 2016-08-05 | 2017-01-11 | 天津大学 | 一种基于用户反馈的推荐系统冷启动解决方法 |
CN107403390B (zh) * | 2017-08-02 | 2020-06-02 | 桂林电子科技大学 | 一种融合贝叶斯推理和图上随机游走的好友推荐方法 |
-
2018
- 2018-03-28 CN CN201810265278.XA patent/CN108717414B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN108717414A (zh) | 2018-10-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Singer et al. | Detecting memory and structure in human navigation patterns using Markov chain models of varying order | |
Mehrotra et al. | Bandit based optimization of multiple objectives on a music streaming platform | |
CN107391542B (zh) | 一种基于文件知识图谱的开源软件社区专家推荐方法 | |
CN111651671B (zh) | 用户对象推荐方法、装置、计算机设备和存储介质 | |
CN107463701B (zh) | 基于人工智能推送信息流的方法和装置 | |
Shi et al. | Cars2: Learning context-aware representations for context-aware recommendations | |
CN111506820B (zh) | 推荐模型、方法、装置、设备及存储介质 | |
CN114265986B (zh) | 一种融合知识图谱结构与路径语义的信息推送方法和系统 | |
CN104951465A (zh) | 应用推荐方法及装置 | |
CN108595526B (zh) | 资源推荐方法及装置 | |
CN109118379B (zh) | 基于社交网络的推荐方法和装置 | |
CN110287424B (zh) | 基于单源SimRank的协同过滤推荐方法 | |
CN112507245A (zh) | 基于图神经网络的社交网络好友推荐方法 | |
WO2019212570A1 (en) | Transition regularized matrix factorization for sequential recommendation | |
CN113641811B (zh) | 促进购买行为的会话推荐方法、系统、设备及存储介质 | |
US20220058448A1 (en) | Image selection from a database | |
CN113742580A (zh) | 目标类型数据的召回方法、装置、电子设备及存储介质 | |
CN113962417A (zh) | 一种视频处理方法、装置、电子设备和存储介质 | |
CN108717414B (zh) | 资源推荐方法及装置 | |
WO2015158224A1 (zh) | 消息推荐方法及装置 | |
Sitkrongwong et al. | Bayesian probabilistic model for context-aware recommendations | |
Ezin et al. | Group decision making with collaborative-filtering ‘in the loop’: interaction-based preference and trust elicitation | |
JP5555238B2 (ja) | ベイジアンネットワーク構造学習のための情報処理装置及びプログラム | |
CN114547440A (zh) | 基于互联网大数据的用户画像挖掘方法及人工智能云系统 | |
Movahedian et al. | A tag-based recommender system using rule-based collaborative profile enrichment |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | 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 |