CN108959641A - 一种基于人工智能的内容信息推荐方法及系统 - Google Patents

Abstract

本申请公开了一种基于人工智能的内容信息推荐方法及系统，方法包括：收集目标用户的行为数据，基于人工智能对行为数据进行预处理，对经过预处理后的行为数据，根据不同应用的行为分析方法，得到目标用户偏好的二维矩阵，其中，二维矩阵的一维是目标用户列表，另一维是物品列表，值是目标用户对物品的偏好，基于目标用户对物品的偏好确定出相邻邻居用户，将相邻邻居用户的喜好推荐给所述目标用户。本申请能够基于人工智能的智能推荐技术，提高推荐的有效性，推荐内容信息的准确性，以及使推荐的内容信息更具有个性。

Description

一种基于人工智能的内容信息推荐方法及系统

技术领域

本申请涉及数据处理技术领域，尤其涉及一种基于人工智能的内容信息推荐方法及系统。

背景技术

随着电子商务的高速发展和普及应用，内容信息推荐已经成为一个重要的研究领域。

目前，内容推荐主要采用的是协同过滤推荐方式，协同过滤推荐方式的技术方案主要包括评分标示、邻近选择以及产生推荐。其中，评分标示，即传统协同过滤推荐算法的输入数据是一个m×n的用户-项目评分矩阵。紧邻选择，即协同过滤算法的推荐原理就是查找与目标用户相似的近邻用户，通过近邻用户的评价对目标用户产生推荐。近邻用户的选择方法如下：计算目标用户与推荐系统中其他所有用户的相似性，根据相似性排序从大到小依次选择前面的K个最相似的用户作为目标用户的近邻集合。产生推荐，即协同过滤算法一个基本的假设就是具有相似喜好的用户对于同一个项目会给出相似的评分，因此，目标用户的近邻集合生成后，就可以根据近邻集合中用户的评分，来预测目标用户对于未评分项目的评分。

由此可以看出，协同过滤技术在推荐系统中取得了广泛的应用和巨大的成功，但是随着互联网的发展和普及，用户人数和商品、网络资源的爆增，站点结构复杂度的增加，以及网络信息安全的不断升级，协同过滤推荐系统也面临着如下诸多问题和挑战：数据稀疏、冷启动问题、可扩展性问题、鲁棒性问题、隐性喜好发现等。

发明内容

有鉴于此，本申请提供了一种基于人工智能的内容信息推荐方法，能够基于人工智能的智能推荐技术，提高推荐的有效性，推荐内容信息的准确性，以及使推荐的内容信息更具有个性。

本申请提供了一种基于人工智能的内容信息推荐方法，所述方法包括：

收集目标用户的行为数据；

基于人工智能对所述行为数据进行预处理；

对经过预处理后的行为数据，根据不同应用的行为分析方法，得到所述目标用户偏好的二维矩阵，其中，所述二维矩阵的一维是目标用户列表，另一维是物品列表，值是目标用户对物品的偏好；

基于目标用户对物品的偏好确定出相邻邻居用户，将所述相邻邻居用户的喜好推荐给所述目标用户。

优选地，所述基于人工智能对所述行为数据进行预处理包括：

对所述行为数据进行减噪和归一化处理。

优选地，对所述行为数据进行减噪处理包括：

通过数据挖掘算法过滤掉所述行为数据中的噪音。

优选地，对所述行为数据进行归一化处理包括：

通过归一化处理将各个行为的行为数据统一在一个相同的取值范围中。

优选地，所述基于目标用户对物品的偏好确定出相邻邻居用户包括：

将用户对物品的偏好作为一个向量来计算用户之间的相似度，将与目标用户的相似度满足预设条件的用户确定为相邻邻居用户。

一种基于人工智能的内容信息推荐系统，包括：

收集模块，用于收集目标用户的行为数据；

处理模块，用于基于人工智能对所述行为数据进行预处理；

分析模块，用于对经过预处理后的行为数据，根据不同应用的行为分析方法，得到所述目标用户偏好的二维矩阵，其中，所述二维矩阵的一维是目标用户列表，另一维是物品列表，值是目标用户对物品的偏好；

推荐模块，用于基于目标用户对物品的偏好确定出相邻邻居用户，将所述相邻邻居用户的喜好推荐给所述目标用户。

优选地，所述处理模块具体用于：

对所述行为数据进行减噪和归一化处理。

优选地，所述处理模块包括：

去噪单元，用于通过数据挖掘算法过滤掉所述行为数据中的噪音。

优选地，所述处理模块还包括：

归一化单元，用于通过归一化处理将各个行为的行为数据统一在一个相同的取值范围中。

优选地，所述推荐模块具体用于：

将用户对物品的偏好作为一个向量来计算用户之间的相似度，将与目标用户的相似度满足预设条件的用户确定为相邻邻居用户，将所述相邻邻居用户的喜好推荐给所述目标用户。

综上所述，本申请公开了一种基于人工智能的内容信息推荐方法，当需要给用户推荐信息时，首先收集目标用户的行为数据，然后基于人工智能对行为数据进行预处理，对经过预处理后的行为数据，根据不同应用的行为分析方法，得到目标用户偏好的二维矩阵，其中，二维矩阵的一维是目标用户列表，另一维是物品列表，值是目标用户对物品的偏好，最后基于目标用户对物品的偏好确定出相邻邻居用户，将相邻邻居用户的喜好推荐给目标用户。本申请能够基于人工智能的智能推荐技术，提高推荐的有效性，推荐内容信息的准确性，以及使推荐的内容信息更具有个性。

附图说明

为了更清楚地说明本申请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申请的一些实施例，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为本申请公开的一种基于人工智能的内容信息推荐方法实施例1的流程图；

图2为本申请公开的一种基于人工智能的内容信息推荐方法实施例2的流程图；

图3为本申请公开的一种基于人工智能的内容信息推荐方法实施例3的流程图；

图4为本申请公开的一种基于人工智能的内容信息推荐系统实施例1的结构示意图；

图5为本申请公开的一种基于人工智能的内容信息推荐系统实施例2的结构示意图；

图6为本申请公开的一种基于人工智能的内容信息推荐系统实施例3的结构示意图。

具体实施方式

下面将结合本申请实施例中的附图，对本申请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申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。

如图1所示，为本申请公开的一种基于人工智能的内容信息推荐方法实施例1的流程图，所述方法可以包括以下步骤：

S101、收集目标用户的行为数据；

基于人工智能的内容推荐，采用协同过滤推荐算法和深度机器学习技术。在推荐时需要收集用户偏好，要从用户的行为和偏好中发现规律，并基于此给予推荐，如何收集用户的偏好信息成为系统推荐效果最基础的决定因素。

用户有很多方式向系统提供自己的偏好信息，而且不同的应用也可能大不相同，将不同的行为分组，一般可以分为“查看”和“购买”等等，然后基于不同的行为，计算不同的用户/物品相似度；然后进行加权操作，根据不同行为反映用户喜好的程度将它们进行加权，得到用户对于物品的总体喜好。一般来说，显式的用户反馈比隐式的权值大，但比较稀疏，毕竟进行显示反馈的用户是少数；同时相对于“查看”，“购买”行为反映用户喜好的程度更大，但这也因应用而异。

由此可以看出，在进行内容推荐时，首先需要手机目标用户的行为数据，其中，目标用户是指需要被进行内容推荐的用户。

S102、基于人工智能对行为数据进行预处理；

手机到目标用户的行为数据后，进一步还需要人工智能对行为数据进行预处理。需要说明的是，人工智能学科是涉及数学、计算机科学、控制论、心理学、哲学等学科的交叉学科和边缘学科，其应用领域包括问题求解、专家系统、机器学习、模式识别、自动定理证明、自然语言理解、人工神经网络和智能检索等。人工智能用于信息检索主要有基于本体论、神经网络、遗传算法、自然语言理解和ID3算法等的智能检索方法。

S103、对经过预处理后的行为数据，根据不同应用的行为分析方法，得到目标用户偏好的二维矩阵，其中，二维矩阵的一维是目标用户列表，另一维是物品列表，值是目标用户对物品的偏好；

对行为数据进行预处理后，根据不同应用的行为分析方法，可以选择分组或者加权处理，之后我们可以得到一个用户偏好的二维矩阵，一维是用户列表，另一维是物品列表，值是用户对物品的偏好，一般是[0,1]或者[-1,1]的浮点数值。

S104、基于目标用户对物品的偏好确定出相邻邻居用户，将相邻邻居用户的喜好推荐给所述目标用户。

当已经对用户行为进行分析得到用户偏好后，可以根据用户偏好计算相似用户和物品，然后基于相似用户或者物品对目标用户进行推荐。

综上所述，在上述实施例中，当需要给用户推荐信息时，首先收集目标用户的行为数据，然后基于人工智能对行为数据进行预处理，对经过预处理后的行为数据，根据不同应用的行为分析方法，得到目标用户偏好的二维矩阵，其中，二维矩阵的一维是目标用户列表，另一维是物品列表，值是目标用户对物品的偏好，最后基于目标用户对物品的偏好确定出相邻邻居用户，将相邻邻居用户的喜好推荐给目标用户。本申请能够基于人工智能的智能推荐技术，提高推荐的有效性，推荐内容信息的准确性，以及使推荐的内容信息更具有个性。

如图2所示，为本申请公开的一种基于人工智能的内容信息推荐方法实施例2的流程图，所述方法可以包括以下步骤：

S201、收集目标用户的行为数据；

基于人工智能的内容推荐，采用协同过滤推荐算法和深度机器学习技术。在推荐时需要收集用户偏好，要从用户的行为和偏好中发现规律，并基于此给予推荐，如何收集用户的偏好信息成为系统推荐效果最基础的决定因素。

用户有很多方式向系统提供自己的偏好信息，而且不同的应用也可能大不相同，将不同的行为分组，一般可以分为“查看”和“购买”等等，然后基于不同的行为，计算不同的用户/物品相似度；然后进行加权操作，根据不同行为反映用户喜好的程度将它们进行加权，得到用户对于物品的总体喜好。一般来说，显式的用户反馈比隐式的权值大，但比较稀疏，毕竟进行显示反馈的用户是少数；同时相对于“查看”，“购买”行为反映用户喜好的程度更大，但这也因应用而异。

由此可以看出，在进行内容推荐时，首先需要手机目标用户的行为数据，其中，目标用户是指需要被进行内容推荐的用户。

S202、基于人工智能对行为数据进行减噪和归一化处理；

手机到目标用户的行为数据后，进一步还需要人工智能对行为数据进行预处理。其中，对行为数据预处理最核心的工作即是减噪和归一化。需要说明的是，人工智能学科是涉及数学、计算机科学、控制论、心理学、哲学等学科的交叉学科和边缘学科，其应用领域包括问题求解、专家系统、机器学习、模式识别、自动定理证明、自然语言理解、人工神经网络和智能检索等。人工智能用于信息检索主要有基于本体论、神经网络、遗传算法、自然语言理解和ID3算法等的智能检索方法。

S203、对经过预处理后的行为数据，根据不同应用的行为分析方法，得到目标用户偏好的二维矩阵，其中，二维矩阵的一维是目标用户列表，另一维是物品列表，值是目标用户对物品的偏好；

对行为数据进行预处理后，根据不同应用的行为分析方法，可以选择分组或者加权处理，之后我们可以得到一个用户偏好的二维矩阵，一维是用户列表，另一维是物品列表，值是用户对物品的偏好，一般是[0,1]或者[-1,1]的浮点数值。

S204、基于目标用户对物品的偏好确定出相邻邻居用户，将相邻邻居用户的喜好推荐给所述目标用户。

当已经对用户行为进行分析得到用户偏好后，可以根据用户偏好计算相似用户和物品，然后基于相似用户或者物品对目标用户进行推荐。

综上所述，在上述实施例中，当需要给用户推荐信息时，首先收集目标用户的行为数据，然后基于人工智能对行为数据进行减噪和归一化处理，对经过预处理后的行为数据，根据不同应用的行为分析方法，得到目标用户偏好的二维矩阵，其中，二维矩阵的一维是目标用户列表，另一维是物品列表，值是目标用户对物品的偏好，最后基于目标用户对物品的偏好确定出相邻邻居用户，将相邻邻居用户的喜好推荐给目标用户。本申请能够基于人工智能的智能推荐技术，提高推荐的有效性，推荐内容信息的准确性，以及使推荐的内容信息更具有个性。

如图3所示，为本申请公开的一种基于人工智能的内容信息推荐方法实施例3的流程图，所述方法可以包括以下步骤：

S301、收集目标用户的行为数据；

基于人工智能的内容推荐，采用协同过滤推荐算法和深度机器学习技术。在推荐时需要收集用户偏好，要从用户的行为和偏好中发现规律，并基于此给予推荐，如何收集用户的偏好信息成为系统推荐效果最基础的决定因素。

用户有很多方式向系统提供自己的偏好信息，而且不同的应用也可能大不相同，将不同的行为分组，一般可以分为“查看”和“购买”等等，然后基于不同的行为，计算不同的用户/物品相似度；然后进行加权操作，根据不同行为反映用户喜好的程度将它们进行加权，得到用户对于物品的总体喜好。一般来说，显式的用户反馈比隐式的权值大，但比较稀疏，毕竟进行显示反馈的用户是少数；同时相对于“查看”，“购买”行为反映用户喜好的程度更大，但这也因应用而异。

由此可以看出，在进行内容推荐时，首先需要手机目标用户的行为数据，其中，目标用户是指需要被进行内容推荐的用户。

S302、通过数据挖掘算法过滤掉行为数据中的噪音；

手机到目标用户的行为数据后，进一步还需要人工智能对行为数据进行预处理。其中，对行为数据预处理最核心的工作即是减噪和归一化。用户行为数据是用户在使用应用过程中产生的，它可能存在大量的噪音和用户的误操作，因此可以通过经典的数据挖掘算法过滤掉行为数据中的噪音，这样可以是分析更加精确。

S303、通过归一化处理将各个行为的行为数据统一在一个相同的取值范围中；

如何将各个行为的数据统一在一个相同的取值范围中，从而使得加权求和得到的总体偏好更加精确，就需要对行为数据进行归一化处理。

S304、对经过预处理后的行为数据，根据不同应用的行为分析方法，得到目标用户偏好的二维矩阵，其中，二维矩阵的一维是目标用户列表，另一维是物品列表，值是目标用户对物品的偏好；

对行为数据进行预处理后，根据不同应用的行为分析方法，可以选择分组或者加权处理，之后我们可以得到一个用户偏好的二维矩阵，一维是用户列表，另一维是物品列表，值是用户对物品的偏好，一般是[0,1]或者[-1,1]的浮点数值。

S305、将用户对物品的偏好作为一个向量来计算用户之间的相似度，将与目标用户的相似度满足预设条件的用户确定为相邻邻居用户。

当已经对用户行为进行分析得到用户偏好后，可以根据用户偏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，这就是最典型的CF的两个分支：基于用户的CF和基于物品的CF。相似度的计算：几种基本方法都是基于向量的，其实也就是计算两个向量的距离，距离越近相似度越大。在推荐的场景中，在用户-物品偏好的二维矩阵中，我们可以将一个用户对所有物品的偏好作为一个向量来计算用户之间的相似度，或者将所有用户对某个物品的偏好作为一个向量来计算物品之间的相似度。相似邻居的计算：固定数量的邻居和基于相似度门槛的邻居。然后计算推荐基于用户对物品的偏好找到相邻邻居用户，然后将邻居用户喜欢的推荐给当前用户。计算上，就是将一个用户对所有物品的偏好作为一个向量来计算用户之间的相似度，找到B邻居后，根据邻居的相似度权重以及他们对物品的偏好，预测当前用户没有偏好的未涉及物品，计算得到一个排序的物品列表作为推荐。

综上所述，在上述实施例中，本申请基于人工智能算法进行协同过滤的方法推荐内容，通过建立机器学习模型，构建第一层学习网络，以第一层网络的学习标记作为输入，构建第二层学习网络，以此类推，构建更深层次的学习网络。自动爬虫获取大数据，通过模型训练大数据，不断提高修正学习结果，提高学习效率。对目标用户行为数据进行分析、研究，将目标用户行为数据和标有相同喜好的邻居作对比，然后根据目标用户的邻居的偏好产生向目标用户的推荐。提高了推荐的有效性，推荐内容信息的准确性，以及使推荐的内容信息更具有个性。

如图4所示，为本申请公开的一种基于人工智能的内容信息推荐系统实施例1的结构示意图，所述系统可以包括：

收集模块401，用于收集目标用户的行为数据；

基于人工智能的内容推荐，采用协同过滤推荐算法和深度机器学习技术。在推荐时需要收集用户偏好，要从用户的行为和偏好中发现规律，并基于此给予推荐，如何收集用户的偏好信息成为系统推荐效果最基础的决定因素。

用户有很多方式向系统提供自己的偏好信息，而且不同的应用也可能大不相同，将不同的行为分组，一般可以分为“查看”和“购买”等等，然后基于不同的行为，计算不同的用户/物品相似度；然后进行加权操作，根据不同行为反映用户喜好的程度将它们进行加权，得到用户对于物品的总体喜好。一般来说，显式的用户反馈比隐式的权值大，但比较稀疏，毕竟进行显示反馈的用户是少数；同时相对于“查看”，“购买”行为反映用户喜好的程度更大，但这也因应用而异。

由此可以看出，在进行内容推荐时，首先需要手机目标用户的行为数据，其中，目标用户是指需要被进行内容推荐的用户。

处理模块402，用于基于人工智能对行为数据进行预处理；

手机到目标用户的行为数据后，进一步还需要人工智能对行为数据进行预处理。需要说明的是，人工智能学科是涉及数学、计算机科学、控制论、心理学、哲学等学科的交叉学科和边缘学科，其应用领域包括问题求解、专家系统、机器学习、模式识别、自动定理证明、自然语言理解、人工神经网络和智能检索等。人工智能用于信息检索主要有基于本体论、神经网络、遗传算法、自然语言理解和ID3算法等的智能检索方法。

分析模块403，用于对经过预处理后的行为数据，根据不同应用的行为分析方法，得到目标用户偏好的二维矩阵，其中，二维矩阵的一维是目标用户列表，另一维是物品列表，值是目标用户对物品的偏好；

对行为数据进行预处理后，根据不同应用的行为分析方法，可以选择分组或者加权处理，之后我们可以得到一个用户偏好的二维矩阵，一维是用户列表，另一维是物品列表，值是用户对物品的偏好，一般是[0,1]或者[-1,1]的浮点数值。

推荐模块404，用于基于目标用户对物品的偏好确定出相邻邻居用户，将相邻邻居用户的喜好推荐给所述目标用户。

当已经对用户行为进行分析得到用户偏好后，可以根据用户偏好计算相似用户和物品，然后基于相似用户或者物品对目标用户进行推荐。

综上所述，在上述实施例中，当需要给用户推荐信息时，首先收集目标用户的行为数据，然后基于人工智能对行为数据进行预处理，对经过预处理后的行为数据，根据不同应用的行为分析方法，得到目标用户偏好的二维矩阵，其中，二维矩阵的一维是目标用户列表，另一维是物品列表，值是目标用户对物品的偏好，最后基于目标用户对物品的偏好确定出相邻邻居用户，将相邻邻居用户的喜好推荐给目标用户。本申请能够基于人工智能的智能推荐技术，提高推荐的有效性，推荐内容信息的准确性，以及使推荐的内容信息更具有个性。

如图5所示，为本申请公开的一种基于人工智能的内容信息推荐系统实施例2的结构示意图，所述系统可以包括：

收集模块501，用于收集目标用户的行为数据；

基于人工智能的内容推荐，采用协同过滤推荐算法和深度机器学习技术。在推荐时需要收集用户偏好，要从用户的行为和偏好中发现规律，并基于此给予推荐，如何收集用户的偏好信息成为系统推荐效果最基础的决定因素。

用户有很多方式向系统提供自己的偏好信息，而且不同的应用也可能大不相同，将不同的行为分组，一般可以分为“查看”和“购买”等等，然后基于不同的行为，计算不同的用户/物品相似度；然后进行加权操作，根据不同行为反映用户喜好的程度将它们进行加权，得到用户对于物品的总体喜好。一般来说，显式的用户反馈比隐式的权值大，但比较稀疏，毕竟进行显示反馈的用户是少数；同时相对于“查看”，“购买”行为反映用户喜好的程度更大，但这也因应用而异。

由此可以看出，在进行内容推荐时，首先需要手机目标用户的行为数据，其中，目标用户是指需要被进行内容推荐的用户。

处理模块502，用于基于人工智能对行为数据进行减噪和归一化处理；

手机到目标用户的行为数据后，进一步还需要人工智能对行为数据进行预处理。其中，对行为数据预处理最核心的工作即是减噪和归一化。需要说明的是，人工智能学科是涉及数学、计算机科学、控制论、心理学、哲学等学科的交叉学科和边缘学科，其应用领域包括问题求解、专家系统、机器学习、模式识别、自动定理证明、自然语言理解、人工神经网络和智能检索等。人工智能用于信息检索主要有基于本体论、神经网络、遗传算法、自然语言理解和ID3算法等的智能检索方法。

分析模块503，用于对经过预处理后的行为数据，根据不同应用的行为分析方法，得到目标用户偏好的二维矩阵，其中，二维矩阵的一维是目标用户列表，另一维是物品列表，值是目标用户对物品的偏好；

对行为数据进行预处理后，根据不同应用的行为分析方法，可以选择分组或者加权处理，之后我们可以得到一个用户偏好的二维矩阵，一维是用户列表，另一维是物品列表，值是用户对物品的偏好，一般是[0,1]或者[-1,1]的浮点数值。

推荐模块504，用于基于目标用户对物品的偏好确定出相邻邻居用户，将相邻邻居用户的喜好推荐给所述目标用户。

当已经对用户行为进行分析得到用户偏好后，可以根据用户偏好计算相似用户和物品，然后基于相似用户或者物品对目标用户进行推荐。

综上所述，在上述实施例中，当需要给用户推荐信息时，首先收集目标用户的行为数据，然后基于人工智能对行为数据进行减噪和归一化处理，对经过预处理后的行为数据，根据不同应用的行为分析方法，得到目标用户偏好的二维矩阵，其中，二维矩阵的一维是目标用户列表，另一维是物品列表，值是目标用户对物品的偏好，最后基于目标用户对物品的偏好确定出相邻邻居用户，将相邻邻居用户的喜好推荐给目标用户。本申请能够基于人工智能的智能推荐技术，提高推荐的有效性，推荐内容信息的准确性，以及使推荐的内容信息更具有个性。

如图6所示，为本申请公开的一种基于人工智能的内容信息推荐系统实施例3的结构示意图，所述系统可以包括：

收集模块601，用于收集目标用户的行为数据；

基于人工智能的内容推荐，采用协同过滤推荐算法和深度机器学习技术。在推荐时需要收集用户偏好，要从用户的行为和偏好中发现规律，并基于此给予推荐，如何收集用户的偏好信息成为系统推荐效果最基础的决定因素。

用户有很多方式向系统提供自己的偏好信息，而且不同的应用也可能大不相同，将不同的行为分组，一般可以分为“查看”和“购买”等等，然后基于不同的行为，计算不同的用户/物品相似度；然后进行加权操作，根据不同行为反映用户喜好的程度将它们进行加权，得到用户对于物品的总体喜好。一般来说，显式的用户反馈比隐式的权值大，但比较稀疏，毕竟进行显示反馈的用户是少数；同时相对于“查看”，“购买”行为反映用户喜好的程度更大，但这也因应用而异。

由此可以看出，在进行内容推荐时，首先需要手机目标用户的行为数据，其中，目标用户是指需要被进行内容推荐的用户。

去噪单元602，用于通过数据挖掘算法过滤掉所述行为数据中的噪音；

手机到目标用户的行为数据后，进一步还需要人工智能对行为数据进行预处理。其中，对行为数据预处理最核心的工作即是减噪和归一化。用户行为数据是用户在使用应用过程中产生的，它可能存在大量的噪音和用户的误操作，因此可以通过经典的数据挖掘算法过滤掉行为数据中的噪音，这样可以是分析更加精确。

归一化单元603，用于通过归一化处理将各个行为的行为数据统一在一个相同的取值范围中；

如何将各个行为的数据统一在一个相同的取值范围中，从而使得加权求和得到的总体偏好更加精确，就需要对行为数据进行归一化处理。

分析模块604，用于对经过预处理后的行为数据，根据不同应用的行为分析方法，得到目标用户偏好的二维矩阵，其中，二维矩阵的一维是目标用户列表，另一维是物品列表，值是目标用户对物品的偏好；

对行为数据进行预处理后，根据不同应用的行为分析方法，可以选择分组或者加权处理，之后我们可以得到一个用户偏好的二维矩阵，一维是用户列表，另一维是物品列表，值是用户对物品的偏好，一般是[0,1]或者[-1,1]的浮点数值。

推荐模块605，用于将用户对物品的偏好作为一个向量来计算用户之间的相似度，将与目标用户的相似度满足预设条件的用户确定为相邻邻居用户。

当已经对用户行为进行分析得到用户偏好后，可以根据用户偏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，这就是最典型的CF的两个分支：基于用户的CF和基于物品的CF。相似度的计算：几种基本方法都是基于向量的，其实也就是计算两个向量的距离，距离越近相似度越大。在推荐的场景中，在用户-物品偏好的二维矩阵中，我们可以将一个用户对所有物品的偏好作为一个向量来计算用户之间的相似度，或者将所有用户对某个物品的偏好作为一个向量来计算物品之间的相似度。相似邻居的计算：固定数量的邻居和基于相似度门槛的邻居。然后计算推荐基于用户对物品的偏好找到相邻邻居用户，然后将邻居用户喜欢的推荐给当前用户。计算上，就是将一个用户对所有物品的偏好作为一个向量来计算用户之间的相似度，找到B邻居后，根据邻居的相似度权重以及他们对物品的偏好，预测当前用户没有偏好的未涉及物品，计算得到一个排序的物品列表作为推荐。

综上所述，在上述实施例中，本申请基于人工智能算法进行协同过滤的方法推荐内容，通过建立机器学习模型，构建第一层学习网络，以第一层网络的学习标记作为输入，构建第二层学习网络，以此类推，构建更深层次的学习网络。自动爬虫获取大数据，通过模型训练大数据，不断提高修正学习结果，提高学习效率。对目标用户行为数据进行分析、研究，将目标用户行为数据和标有相同喜好的邻居作对比，然后根据目标用户的邻居的偏好产生向目标用户的推荐。提高了推荐的有效性，推荐内容信息的准确性，以及使推荐的内容信息更具有个性。

本说明书中各个实施例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部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

专业人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。

结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。

对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下，在其它实施例中实现。因此，本申请将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (10)

1.一种基于人工智能的内容信息推荐方法，其特征在于，所述方法包括：

收集目标用户的行为数据；

基于人工智能对所述行为数据进行预处理；

对经过预处理后的行为数据，根据不同应用的行为分析方法，得到所述目标用户偏好的二维矩阵，其中，所述二维矩阵的一维是目标用户列表，另一维是物品列表，值是目标用户对物品的偏好；

基于目标用户对物品的偏好确定出相邻邻居用户，将所述相邻邻居用户的喜好推荐给所述目标用户。

2.根据权利要求1所述的方法，其特征在于，所述基于人工智能对所述行为数据进行预处理包括：

对所述行为数据进行减噪和归一化处理。

3.根据权利要求2所述的方法，其特征在于，对所述行为数据进行减噪处理包括：

通过数据挖掘算法过滤掉所述行为数据中的噪音。

4.根据权利要求2所述的方法，其特征在于，对所述行为数据进行归一化处理包括：

通过归一化处理将各个行为的行为数据统一在一个相同的取值范围中。

5.根据权利要求1所述的方法，其特征在于，所述基于目标用户对物品的偏好确定出相邻邻居用户包括：

将用户对物品的偏好作为一个向量来计算用户之间的相似度，将与目标用户的相似度满足预设条件的用户确定为相邻邻居用户。

6.一种基于人工智能的内容信息推荐系统，其特征在于，包括：

收集模块，用于收集目标用户的行为数据；

处理模块，用于基于人工智能对所述行为数据进行预处理；

分析模块，用于对经过预处理后的行为数据，根据不同应用的行为分析方法，得到所述目标用户偏好的二维矩阵，其中，所述二维矩阵的一维是目标用户列表，另一维是物品列表，值是目标用户对物品的偏好；

推荐模块，用于基于目标用户对物品的偏好确定出相邻邻居用户，将所述相邻邻居用户的喜好推荐给所述目标用户。

7.根据权利要求6所述的系统，其特征在于，所述处理模块具体用于：

对所述行为数据进行减噪和归一化处理。

8.根据权利要求7所述的系统，其特征在于，所述处理模块包括：

去噪单元，用于通过数据挖掘算法过滤掉所述行为数据中的噪音。

9.根据权利要求7所述的系统，其特征在于，所述处理模块还包括：

归一化单元，用于通过归一化处理将各个行为的行为数据统一在一个相同的取值范围中。

10.根据权利要求6所述的系统，其特征在于，所述推荐模块具体用于：

将用户对物品的偏好作为一个向量来计算用户之间的相似度，将与目标用户的相似度满足预设条件的用户确定为相邻邻居用户，将所述相邻邻居用户的喜好推荐给所述目标用户。