CN109190013A - 用户偏好的确定方法、系统、可读存储介质及电子设备 - Google Patents
用户偏好的确定方法、系统、可读存储介质及电子设备 Download PDFInfo
- Publication number
- CN109190013A CN109190013A CN201810664206.2A CN201810664206A CN109190013A CN 109190013 A CN109190013 A CN 109190013A CN 201810664206 A CN201810664206 A CN 201810664206A CN 109190013 A CN109190013 A CN 109190013A
- Authority
- CN
- China
- Prior art keywords
- user
- matrix
- service
- type
- weighted value
- 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
- 238000000034 method Methods 0.000 title claims abstract description 67
- 239000011159 matrix material Substances 0.000 claims abstract description 133
- 230000006399 behavior Effects 0.000 claims description 44
- 230000003542 behavioural effect Effects 0.000 claims description 29
- 238000004364 calculation method Methods 0.000 claims description 14
- 230000005484 gravity Effects 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 5
- 238000012790 confirmation Methods 0.000 claims 2
- 238000004458 analytical method Methods 0.000 abstract description 8
- 230000008569 process Effects 0.000 description 14
- 238000004519 manufacturing process Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 101100261000 Caenorhabditis elegans top-3 gene Proteins 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000003733 optic disk Anatomy 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种用户偏好的确定方法、系统、可读存储介质及电子设备，该方法包括如下步骤：确定用户访问分类体系中各层级的业务类型所对应的业务类型数，根据业务类型以及对应的业务类型数构建一准则矩阵；根据准则矩阵计算得到与每个业务类型相对应的第一权重值；构建一用户行为矩阵，根据用户行为矩阵与对应层级的第一权重值计算以得到一用户加权行为矩阵；根据用户加权行为矩阵计算以得到每个业务类型对应的第二权重值，根据第二权重值确认用户所偏好的业务类型。本发明提出的用户偏好的确定方法，可较为准确地确定用户所偏好的业务类型，满足了实际分析需求。
Description
技术领域
本发明涉及互联网数据分析技术领域，特别涉及一种用户偏好的确定方法、系统、可读存储介质及电子设备。
背景技术
随着移动终端的智能化，用户可以在移动终端上安装各类应用程序以满足其不同的需求。为了给用户提供更加符合用户操作习惯的服务，应用程序会采集用户针对该应用程序的操作行为并对该操作行为进行分析，形成应用程序内部的用户的行为偏好。例如，收音机应用程序可以通过采集和分析用户的操作行为，以得到该用户的行为偏好是收听古典音乐频道，从而可以根据该用户的行为偏好向用户推送与古典音乐相关的节目。
具体的，互联网用户偏好通常依据用户在互联网上的行为计算得出。例如在电商平台，可以通过用户对商品的浏览、收藏、购买等行为获取用户偏好的隐式反馈，也即通过用户的一些行为记录从而提取用户的兴趣偏好，。例如用户浏览一双鞋子10余次并收藏，那么该用户对这双鞋子的喜爱程度或者购买概率就大大提升；反之，若该用户对某些商品只浏览过一次，则反映出用户对这些商品的兴趣并不是很大。用户偏好的评估主要是为了根据用户的个性化差异，向其提供个性化的服务或推荐，增加企业营收和流量，对用户偏好进行研究的最直接目的就是做到用户的千人千面。目前，在进行用户偏好描述和提取时，常用的方法包括：(1)基于规则的用户偏好进行提取；(2)用户行为加权，例如：用户浏览矩阵为A1，购买矩阵为A2，评分矩阵为A3，则加权矩阵为A＝a1*A1+a2*A2+a3*A3，其中a1、a2、a3为各矩阵的权重，如果更希望找到用户的品味偏好，则权重可能是a1<a2<a3，如果更希望用户产生更多的购买行为，则权重可能是a1<a3<a2；(3)各个属性的相关性分析(如Pearson相关性分析)及降维技术(如PCA)等，直接选取更重要的属性，根据这些筛选出来的属性进行用户偏好的确定；(4)统计量，通过对比单个属性的统计量进行属性确定，例如购买量，浏览量的总数，统计量通常与规则结合，但也常用作数据挖掘算法的特征，例如以统计量为特征进行K-Means聚类，根据聚类结果的簇中所有用户的偏好TopN作为该簇中所有用户的偏好；(5)单纯的用层次分析法或者熵权法计算属性权重。
然而，现有的用户偏好的确定方法，其一般采用传统的层次分析方法，单纯地采用层次分析法，最终计算得到的各项目权重值与真实值偏差较大，无法非常精准地确定用户偏好。
发明内容
为此，本发明的目的是为了解决现有技术中，由于单纯地采用层次分析法造成最终计算得到的项目权重值与真实值偏差较大的问题。
本发明提出一种用户偏好的确定方法，其中，包括如下步骤：
确定用户访问分类体系中各层级的业务类型所对应的业务类型数，根据所述业务类型以及对应的所述业务类型数构建一准则矩阵；
根据所述准则矩阵计算得到与所述业务类型相对应的第一权重值；
构建一用户行为矩阵，根据所述用户行为矩阵与对应层级的所述第一权重值计算以得到一用户加权行为矩阵；
根据所述用户加权行为矩阵计算以得到每个所述业务类型对应的第二权重值，并将所述第二权重值进行排序以确认用户所偏好的所述业务类型。
本发明提出的用户偏好的确定方法，首先采用传统的层次分析法构建一准则矩阵，然后计算该准则矩阵中每个元素对应的第一权重值，若继续采用传统的层次分析法，则该用户访问分类体系中最底层的业务类型无疑很多，所构建的准则矩阵很大，对应的计算量无疑非常的庞大，因此在本发明中，在计算得到了上述的第一权重值后，构建一用户行为矩阵，然后采用熵权法，也即根据上述的第一权重值以及用户行为矩阵得到一用户加权行为矩阵，根据该用户加权行为矩阵计算得到每个业务类型对应的第二权重值，进而根据第二权重值确定用户偏好。本发明由于采用层次分析法与熵权法相结合的方式来计算确定权重值，相较于传统的层次分析法而言提高了计算精度，且避免了计算量巨大的问题，提高了计算效率，满足了实际分析需求。
所述用户偏好的确定方法，其中，所述准则矩阵中的每个所述业务类型对应有多个业务比较值，所述业务比较值为任意两个所述业务类型之间的重要程度比值，所述根据所述准则矩阵计算得到与所述业务类型相对应的第一权重值的方法包括如下步骤：
分别将所述准则矩阵中的每行的所述业务比较值相乘得到多个元素值，其中多个所述元素值组成一中间特征向量；
在对所述中间特征向量中的多个所述元素值分别开n次方根后，进行归一化处理以得到一目标特征向量，其中所述目标特征向量中包括多个目标特征值，n为每个层级中对应的所述业务类型数；
根据所述目标特征向量中的多个所述目标特征值，计算所述准则矩阵中每个所述业务类型对应的所述第一权重值。
所述用户偏好的确定方法，其中，所述用户访问分类体系中的层级至少为两级，所述第一权重值为至少二级的所述业务类型对应的权重值，计算所述第一权重值的方法包括如下步骤：
根据公式计算得到与所述业务类型对应的所述第一权重值，其中Q1为所述第一权重值，n1为第一层级的业务类型数，n2为第二层级的业务类型数，aj为第一层级的准则矩阵中的目标特征值，cij为矩阵中的各个子权重值，i为矩阵中的行数，j为矩阵中的列数。
所述用户偏好的确定方法，其中，所述用户行为矩阵的构建方法包括如下步骤：
根据公式UserBH＝N*(n1*U)构建得到所述用户行为矩阵，其中UserBH为所述用户行为矩阵，N为最底部层级对应的业务类型数，n1为第一层级的业务类型数，U为用户总数。
所述用户偏好的确定方法，其中，所述根据所述用户行为矩阵与对应层级的所述第一权重值计算以得到一用户加权行为矩阵的方法包括如下步骤：
将所述用户行为矩阵中每行的所述业务类型与对应层级的所述第一权重值相乘，以得到所述用户加权行为矩阵。
所述用户偏好的确定方法，其中，所述根据所述用户加权行为矩阵计算以得到每个所述业务类型对应的第二权重值的方法包括如下步骤：
根据公式计算得到用户比重值，所述用户比重值为所述用户加权行为矩阵中第i行的业务类型中第j个用户的比重，
根据公式计算所述用户加权行为矩阵中第j列的业务类型的信息熵；
根据公式计算得到所述第二权重值，所述第二权重值为所述用户加权行为矩阵中第j业务类型的权重值；
其中yij为所述用户比重值，x′ij为所述用户加权行为矩阵中第i行第j列所对应的元素值，U为用户总数，K＝1/lnN，wj为所述第二权重值。
所述用户偏好的确定方法，其中，所述将所述第二权重值进行排序以确认用户所偏好的所述业务类型的方法包括如下步骤：
将所述第二权重值按照降序的顺序进行排列，选取预设次数的所述第二权重值以确认用户所偏好的所述业务类型。
本发明还提出一种用户偏好的确定系统，其中，所述系统包括：
矩阵构建模块，用于确定用户访问分类体系中各层级的业务类型所对应的业务类型数，根据所述业务类型以及对应的所述业务类型数构建一准则矩阵；
权重计算模块，用于根据所述准则矩阵计算得到与每个所述业务类型相对应的第一权重值；
矩阵加权模块，用于构建一用户行为矩阵，根据所述用户行为矩阵与对应层级的所述第一权重值计算以得到一用户加权行为矩阵；
偏好确定模块，用于根据所述用户加权行为矩阵计算以得到每个所述业务类型对应的第二权重值，根据所述第二权重值确认用户所偏好的所述业务类型。
本发明还提出一种可读存储介质，其上存储有计算机程序，其中，所述程序被处理器执行时实现如上所述的用户偏好的确定方法。
本发明还提出一种电子设备，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，其中，所述处理器执行所述程序时实现如上所述的用户偏好的确定方法。
本发明的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解，其中：
图1为本发明第一实施例中的用户偏好的确定方法的流程图；
图2为本发明第一实施例中用户访问分类体系中目标层至准则层B的结构示意图；
图3为本发明第一实施例中用户访问分类体系中准则层B与准则层C的结构示意图；
图4为本发明第二实施例中用户偏好的确定系统的结构示意图。
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，下面结合附图对本发明的具体实施方式做详细的说明。附图中给出了本发明的若干实施例。但是，本发明可以以许多不同的形式来实现，并不限于本文所描述的实施例。相反地，提供这些实施例的目的是使对本发明的公开内容更加透彻全面。
需要说明的是，当元件被称为“固设于”另一个元件，它可以直接在另一个元件上或者也可以存在居中的元件。当一个元件被认为是“连接”另一个元件，它可以是直接连接到另一个元件或者可能同时存在居中元件。本文所使用的术语“垂直的”、“水平的”、“左”、“右”、“上”、“下”以及类似的表述只是为了说明的目的，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
在本发明中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。本文所使用的术语“及/或”包括一个或多个相关的所列项目的任意的和所有的组合。
现有的用户偏好的确定方法，其一般采用传统的层次分析方法，该方法对应的计算量很大，无法在较短的时间内得出准确的偏好分析结果，限制了实际应用。
为了解决这一技术问题，本发明提出了一种用户偏好的确定方法，请参阅图1至图3，下面将以一具体的实施例对本发明提出的用户偏好的确定方法进行详细说明，对于本发明第一实施例提出的用户偏好的确定方法，其中，该方法包括如下步骤：
S101，确定用户访问分类体系中各层级的业务类型所对应的业务类型数，根据所述业务类型以及对应的所述业务类型数构建一准则矩阵。
从图2中可以看出，本发明的用户访问分类体系为最顶层的用户偏好类型。其中，最顶层的用户偏好类型为目标层，“学习”、“感谢”、“关注”以及“分享”为准则层A，“产品类型”、“课程内容”、“学科”、“学段”、“学期”、“制作形式”、“应用场景”以及“制作者”为准则层B，也即准则层A的业务类型数为4，准则层B的业务类型数为8。
此外，请参阅图3，在准则层B的下方还对应有准则层C。例如，在准则层B“学段”下方的准则层C对应的业务类型数有5个，分别为“幼儿园”、“小学”、“初中”以及“高中”。在本发明中，该用户访问分类体系的层级为三级。
对于上述提出的用户访问分类体系，从目标层到准则层A，构造一个P*P的准则矩阵，在本文案例中即为4*4矩阵，在该准则矩阵中有多个业务比较值，其中该业务比较值为任意两个业务类型之间的重要程度比值。在本实施例中，上述的比较值是根据1～9的标度而确定的。例如，对于学习行感谢列的数值5，则表示学习相比于感谢而言，对于用户偏好目标而言是明显重要的。在此需要指出的是，矩阵中的数值是可以根据业务需求进行修改的。基于准则层A所构建的准则矩阵请参见表一：
| 学习 | 感谢 | 关注 | 分享 | |
| 学习 | 1 | 5 | 3 | 3 |
| 感谢 | 1/5 | 1 | 1/3 | 1/3 |
| 关注 | 1/3 | 3 | 1 | 1 |
| 分享 | 1/3 | 3 | 1 | 1 |
S102，根据所述准则矩阵计算得到与每个所述业务类型相对应的第一权重值。
如上所述，在构建了准则层A对应的准则矩阵后，可以根据该准则矩阵计算准则层B中各业务类型对应的权重值。也即计算准则层B中“产品类型”、“课程内容”、“学科”、“学段”、“学期”、“制作形式”、“应用场景”以及“制作者”对应的权重值，该权重值即为上述的第一权重值。
具体的，在计算第一权重值时，首先分别将上述准则矩阵中的每行的业务比较值相乘得到多个元素值，相乘得到的多个元素值组成一中间特征向量。例如，学习行的各业务比较值相乘为1*5*3*3＝45。由于该准则矩阵A有四行，因此可以得到四个值，该四个值组成一中间特征向量在得到该中间特征向量之后，将该中间特征向量中的多个元素值分别开n次方根后，在本实施例中，由于准则矩阵中业务类型数为4，则n的值为4，也即将 中的四个元素值分别开四次方根得到向量在开方之后再进行归一化处理得到目标特征向量
其中，根据公式进行归一化处理即得到目标特征向量例如，该目标特征向量中有四个目标特征值，分别为0.105,0.337,0.258以及0.300。如上所得的为准则层A对应的目标特征向量以及目标特征值。
在此需要补充的是，在求得了目标特征向量之后，可根据公式来计算该目标特征向量对应的最大特征值。其中，A为上述的准则层A对应的准则矩阵，λ为最大特征值。其中，计算最大特征值λ主要用于后期验证，保证计算得到的各个权重值的总和为1。
同理，可采用同样的层次分析方法，来计算准则层B中各业务类型对应的目标特征向量以及目标特征值。
具体的，此时对应有4个8*8的矩阵B1、B2、B3和B4。例如，对于A准则层的“学习”而言，对应有准则层B对应的准则矩阵，也即“产品类型”、“课程内容”、“学科”、“学段”、“学期”、“制作形式”、“应用场景”以及“制作者”所组成的8*8准则矩阵。采用如上所述的方法，可以分别求出B1～B4的目标特征向量以及目标特征值。然后将所求得的目标特征向量进行总排序，也即将B1～B4的目标特征向量合并在一起，组成一个8*4的矩阵。其中，8为8个课程类，4为4个B层准则矩阵的特征向量。
在此需要指出的是，在进行总排序时，根据下述公式计算准则层B中每个课程类对应的第一权重值：
其中，Q1为第一权重值，n1为第一层级的业务类型数，也即为准则层A中的用户行为的数目，n2为第二层级的业务类型数，也即为准则层B中课程类的数目，aj为准则层A对应的目标特征向量对应的目标特征值，cij为矩阵中的各个子权重值，i为矩阵中的行数，j为矩阵中的列数。
具体的组合矩阵请参见表二：
从表二中可以看出，对于准则层B而言，其所包含的业务类型“产品类型”、“课程内容”、“学科”、“学段”、“学期”、“制作形式”、“应用场景”以及“制作者”所分别对应的第一权重值为表二中Q1列所对应的数值。
S103，构建一用户行为矩阵，根据所述用户行为矩阵与对应层级的所述第一权重值计算以得到一用户加权行为矩阵。
如上所述，在计算得到了准则层B中的各业务类型对应的权重值之后，可以按照传统的层级分析法，继续准则层C中各业务类型对应的权重值进行计算。然而从图3中可以看出，在准则层C中所包含的业务类型总共有5+4+14+4+2+3+3+2＝37种。也即后期要构造一个N*N＝37*37的准则矩阵。此种方法的计算量无疑巨大。因此在本发明中，为了减少计算量，采用层级分析法与熵权法相结合的方式进行计算。
具体的，在得到了准则层B中各课程类对应的第一权重值后，根据下述公式构建得到一用户行为矩阵：
UserBH＝N*(n1*U)
其中UserBH为上述的用户行为矩阵，N为最底部层级对应的业务类型数，n1为第一层级的业务类型数，U为用户总数。在本实施例中，N为37，n1为4。
在构建了用户行为矩阵后，将上述的用户行为矩阵UserBH中每行的业务类型与对应层级的第一权重值相乘，以得到一用户加权行为矩阵UserBH'。
在此需要指出的是，此处的相乘指的是每行乘以对应大类别的权重值。例如，在准则层B中“产品类型”下的5个类别(“EN5”、“Care”、“Link”、“剪辑师”以及“其他”，即对应5行)都乘以“产品类型”在层次分析法中计算得到的权重值。
S104，根据所述用户加权行为矩阵计算以得到每个所述业务类型对应的第二权重值，根据所述第二权重值确认用户所偏好的所述业务类型。
如上所述，在计算得到了用户加权行为矩阵UserBH'后，根据下述公式计算得到用户比重值yij：
其中，用户比重值yij为用户加权行为矩阵中第i行的业务类型中第j个用户的比重。
在计算得到了用户比重值yij后，根据该用户比重值yij计算第j列的业务类型的信息熵，具体如下：
最后再根据如下公式计算得到用户加权行为矩阵中第j列业务类型的权重值，具体如下：
其中，yij为用户比重值，x′ij为用户加权行为矩阵中第i行第j列所对应的元素值，U为用户总数，K＝1/lnN，wj为第二权重值。
如此可以计算得到上述的用户加权行为矩阵中各业务类型对应的权重值，即为第二权重值。然后，将上述的第二权重值按照降序的顺序进行排列，选取预设次数(例如为top3)的权重值，来确定用户的偏好的业务类型。
本发明提出的用户偏好的确定方法，首先采用传统的层次分析法构建一准则矩阵，然后计算该准则矩阵中每个元素对应的第一权重值，若继续采用传统的层次分析法，则该用户访问分类体系中最底层的业务类型无疑很多，所构建的准则矩阵很大，对应的计算量无疑非常的庞大，因此在本发明中，在计算得到了上述的第一权重值后，构建一用户行为矩阵，然后采用熵权法，也即根据上述的第一权重值以及用户行为矩阵得到一用户加权行为矩阵，根据该用户加权行为矩阵计算得到每个业务类型对应的第二权重值，进而根据第二权重值确定用户偏好。本发明由于采用层次分析法与熵权法相结合的方式来计算确定权重值，相较于传统的层次分析法而言提高了计算精度，且避免了计算量巨大的问题，提高了计算效率，满足了实际分析需求。
请参阅图4，对于本发明第二实施例提出的用户偏好的确定系统，其包括相互连接的矩阵构建模块11、权重计算模块12、矩阵加权模块13以及偏好确定模块14；
其中，所述矩阵构建模块11具体用于：
确定用户访问分类体系中各层级的业务类型所对应的业务类型数，根据所述业务类型以及对应的所述业务类型数构建一准则矩阵；
所述权重计算模块12具体用于：
根据所述准则矩阵计算得到与所述业务类型相对应的第一权重值；
所述矩阵加权模块13具体用于：
构建一用户行为矩阵，根据所述用户行为矩阵与对应层级的所述第一权重值计算以得到一用户加权行为矩阵；
所述偏好确定模块14具体用于：
根据所述用户加权行为矩阵计算以得到每个所述业务类型对应的第二权重值，并将所述第二权重值进行排序以确认用户所偏好的所述业务类型。
本发明还提出一种可读存储介质，其上存储有计算机程序，其中，所述程序被处理器执行时实现如上所述的用户偏好的确定方法。
本发明还提出一种电子设备，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，其中，所述处理器执行所述程序时实现如上所述的用户偏好的确定方法。
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。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种用户偏好的确定方法，其特征在于，包括如下步骤：
确定用户访问分类体系中各层级的业务类型所对应的业务类型数，根据所述业务类型以及对应的所述业务类型数构建一准则矩阵；
根据所述准则矩阵计算得到与每个所述业务类型相对应的第一权重值；
构建一用户行为矩阵，根据所述用户行为矩阵与对应层级的所述第一权重值计算以得到一用户加权行为矩阵；
根据所述用户加权行为矩阵计算以得到每个所述业务类型对应的第二权重值，根据所述第二权重值确认用户所偏好的所述业务类型。
2.根据权利要求1所述的用户偏好的确定方法，其特征在于，所述准则矩阵中的每个所述业务类型对应有多个业务比较值，所述业务比较值为任意两个所述业务类型之间的重要程度比值，所述根据所述准则矩阵计算得到与每个所述业务类型相对应的第一权重值的方法包括如下步骤：
分别将所述准则矩阵中的每行的所述业务比较值相乘得到多个元素值，其中多个所述元素值组成一中间特征向量；
在对所述中间特征向量中的多个所述元素值分别开n次方根后，进行归一化处理以得到一目标特征向量，其中所述目标特征向量中包括多个目标特征值，n为每个层级中对应的所述业务类型数；
根据所述目标特征向量中的多个所述目标特征值，计算所述准则矩阵中每个所述业务类型对应的所述第一权重值。
3.根据权利要求2所述的用户偏好的确定方法，其特征在于，所述用户访问分类体系中的层级至少为两级，所述第一权重值为至少二级的所述业务类型对应的权重值，计算所述第一权重值的方法包括如下步骤：
根据公式计算得到与所述业务类型对应的所述第一权重值，其中Q1为所述第一权重值，n1为第一层级的业务类型数，n2为第二层级的业务类型数，aj为第一层级的准则矩阵中的目标特征值，cij为矩阵中的各个子权重值，i为矩阵中的行数，j为矩阵中的列数。
4.根据权利要求3所述的用户偏好的确定方法，其特征在于，所述用户行为矩阵的构建方法包括如下步骤：
根据公式UserBH＝N*(n1*U)构建得到所述用户行为矩阵，其中UserBH为所述用户行为矩阵，N为最底部层级对应的业务类型数，n1为第一层级的业务类型数，U为用户总数。
5.根据权利要求4所述的用户偏好的确定方法，其特征在于，所述根据所述用户行为矩阵与对应层级的所述第一权重值计算以得到一用户加权行为矩阵的方法包括如下步骤：
将所述用户行为矩阵中每行的所述业务类型与对应层级的所述第一权重值相乘，以得到所述用户加权行为矩阵。
6.根据权利要求4所述的用户偏好的确定方法，其特征在于，所述根据所述用户加权行为矩阵计算以得到每个所述业务类型对应的第二权重值的方法包括如下步骤：
根据公式计算得到用户比重值，所述用户比重值为所述用户加权行为矩阵中第i行的业务类型中第j个用户的比重，
根据公式计算所述用户加权行为矩阵中第j列的业务类型的信息熵；
根据公式计算得到所述第二权重值，所述第二权重值为所述用户加权行为矩阵中第j业务类型的权重值；
其中yij为所述用户比重值，x′ij为所述用户加权行为矩阵中第i行第j列所对应的元素值，U为用户总数，K＝1/lnN，wj为所述第二权重值。
7.根据权利要求6所述的用户偏好的确定方法，其特征在于，所述根据所述第二权重值确认用户所偏好的所述业务类型的方法包括如下步骤：
将所述第二权重值按照降序的顺序进行排列，选取预设次数的所述第二权重值以确认用户所偏好的所述业务类型。
8.一种用户偏好的确定系统，其特征在于，所述系统包括：
矩阵构建模块，用于确定用户访问分类体系中各层级的业务类型所对应的业务类型数，根据所述业务类型以及对应的所述业务类型数构建一准则矩阵；
权重计算模块，用于根据所述准则矩阵计算得到与每个所述业务类型相对应的第一权重值；
矩阵加权模块，用于构建一用户行为矩阵，根据所述用户行为矩阵与对应层级的所述第一权重值计算以得到一用户加权行为矩阵；
偏好确定模块，用于根据所述用户加权行为矩阵计算以得到每个所述业务类型对应的第二权重值，根据所述第二权重值确认用户所偏好的所述业务类型。
9.一种可读存储介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行时实现上述权利要求1至7任意一项所述的用户偏好的确定方法。
10.一种电子设备，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现上述权利要求1至7任意一项所述的用户偏好的确定方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810664206.2A CN109190013B (zh) | 2018-06-25 | 2018-06-25 | 用户偏好的确定方法、系统、可读存储介质及电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810664206.2A CN109190013B (zh) | 2018-06-25 | 2018-06-25 | 用户偏好的确定方法、系统、可读存储介质及电子设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109190013A true CN109190013A (zh) | 2019-01-11 |
| CN109190013B CN109190013B (zh) | 2021-09-14 |
Family
ID=64948541
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810664206.2A Active CN109190013B (zh) | 2018-06-25 | 2018-06-25 | 用户偏好的确定方法、系统、可读存储介质及电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109190013B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109948059A (zh) * | 2019-03-28 | 2019-06-28 | 北京字节跳动网络技术有限公司 | 内容的推荐方法、装置、设备及存储介质 |
| CN114547482A (zh) * | 2022-03-03 | 2022-05-27 | 智慧足迹数据科技有限公司 | 业务特征生成方法、装置、电子设备及存储介质 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103167027A (zh) * | 2013-02-18 | 2013-06-19 | 西安交通大学 | 应急救灾场景下单终端的事件驱动的移动模型 |
| US20150112801A1 (en) * | 2013-10-22 | 2015-04-23 | Microsoft Corporation | Multiple persona based modeling |
| CN106503140A (zh) * | 2016-10-20 | 2017-03-15 | 安徽大学 | 一种基于Hadoop云平台Web资源个性化推荐系统及方法 |
-
2018
- 2018-06-25 CN CN201810664206.2A patent/CN109190013B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103167027A (zh) * | 2013-02-18 | 2013-06-19 | 西安交通大学 | 应急救灾场景下单终端的事件驱动的移动模型 |
| US20150112801A1 (en) * | 2013-10-22 | 2015-04-23 | Microsoft Corporation | Multiple persona based modeling |
| CN106503140A (zh) * | 2016-10-20 | 2017-03-15 | 安徽大学 | 一种基于Hadoop云平台Web资源个性化推荐系统及方法 |
Non-Patent Citations (2)
| Title |
|---|
| 廖红强 等: "《对应用层次分析法确定权重系数的探讨》", 《机械工程师》 * |
| 肖倩: "《基于用户行为特征的水果搭配混合推荐方法设计与实现》", 《中国优秀硕士学位论文全文数据库信息科学辑》 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109948059A (zh) * | 2019-03-28 | 2019-06-28 | 北京字节跳动网络技术有限公司 | 内容的推荐方法、装置、设备及存储介质 |
| CN114547482A (zh) * | 2022-03-03 | 2022-05-27 | 智慧足迹数据科技有限公司 | 业务特征生成方法、装置、电子设备及存储介质 |
| CN114547482B (zh) * | 2022-03-03 | 2023-01-20 | 智慧足迹数据科技有限公司 | 业务特征生成方法、装置、电子设备及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109190013B (zh) | 2021-09-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Westerlund | New simple tests for panel cointegration | |
| Hur et al. | A variable impacts measurement in random forest for mobile cloud computing | |
| Hand | Good practice in retail credit scorecard assessment | |
| Liu et al. | Using context similarity for service recommendation | |
| Alfò et al. | Two‐part regression models for longitudinal zero‐inflated count data | |
| CN108665159A (zh) | 一种风险评估方法、装置、终端设备及存储介质 | |
| Li et al. | Variable selection in data envelopment analysis via Akaike’s information criteria | |
| Rafeh et al. | An adaptive approach to dealing with unstable behaviour of users in collaborative filtering systems | |
| CN105095411B (zh) | 一种基于app质量的app排名预测方法及系统 | |
| CN103678618A (zh) | 一种基于社交网络平台的Web服务推荐方法 | |
| Li et al. | A novel collaborative filtering recommendation approach based on soft co-clustering | |
| CN110647696A (zh) | 一种业务对象的排序方法及装置 | |
| Mild et al. | Collaborative filtering or regression models for Internet recommendation systems? | |
| Zhou et al. | Relevance feature mapping for content-based multimedia information retrieval | |
| CN109034960A (zh) | 一种基于用户节点嵌入的多属性推断的方法 | |
| Charoenrat et al. | The performance of Thai manufacturing SMEs: Data envelopment analysis (DEA) approach | |
| Lu et al. | A method for estimating design-based sampling variances for surveys with weighting, poststratification, and raking | |
| CN110232154A (zh) | 基于随机森林的产品推荐方法、装置及介质 | |
| CN111178986A (zh) | 用户-商品偏好的预测方法及系统 | |
| CN112131261A (zh) | 基于社区网络的社区查询方法、装置和计算机设备 | |
| Consonni et al. | Testing Hardy–Weinberg equilibrium: an objective Bayesian analysis | |
| CN109190013A (zh) | 用户偏好的确定方法、系统、可读存储介质及电子设备 | |
| Merigo et al. | Decision making in the European Union under risk and uncertainty | |
| Kirkland | Hypothesis testing for group structure in legislative networks | |
| Zhang et al. | Hybrid recommender system using semi-supervised clustering based on Gaussian mixture model |
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 |