CN109815413A - 一种智能推荐系统及其智能推荐方法 - Google Patents
一种智能推荐系统及其智能推荐方法 Download PDFInfo
- Publication number
- CN109815413A CN109815413A CN201910210092.9A CN201910210092A CN109815413A CN 109815413 A CN109815413 A CN 109815413A CN 201910210092 A CN201910210092 A CN 201910210092A CN 109815413 A CN109815413 A CN 109815413A
- Authority
- CN
- China
- Prior art keywords
- data
- information
- user
- machine learning
- intelligent 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.)
- Pending
Links
Abstract
本发明公开了一种智能推荐系统及其智能推荐方法,包括一数据获取单元;一机器学习单元,所述机器学习单元通信地连接所述数据单元,所述机器学习单元包括一比较模块和一匹配模块,所述比较模块通信地连接所述数据获取单元和所述数据存储单元,所述匹配模块通信地连接所述比较模块和所述数据存储单元;一数据存储单元,所述数据存储单元通信地连接所述机器学习单元;以及一推送单元,所述推送单元通信地连接所述机器学习单元和所述用户终端。使得当用户不同的实时数据信息下,所生成的推送结果能够适应不同的浏览习惯,避免不符合当前实时信息的推送信息推送至用户,同时提高了所述智能推荐系统的推荐精确度。
Description
技术领域
本发明涉及通信领域,特别涉及一种智能推荐系统及其智能推荐方法。
背景技术
随着移动应用的发展,信息数据量正爆炸式增长。大数据概念受到了整个社会的普遍关注。大数据在丰富人类生活的同时,也带来了大量的问题。信息过载是当下大数据环境下最严重的问题,其会导致信息的利用率降低,用户在寻找所需的信息时会浪费过多时间和金钱在大量无关的信息中。因此,如何快速有效地从繁杂的数据中获取有价值的信息。大数据内容繁多,冗余大等特点使得传统推荐系统无法满足其对数据处理能力的要求,同时大量的数据使得用户对推荐系统有更高的实时性和准确性要求。
因此,传统的推荐系统技术不能直接地应用在大数据环境下的推荐系统中去,需要对传统推荐算法进行改进与完善,才能较好地满足用户对大数据环境下智能推荐系统的要求。
但是,现有技术中,大数据环境下的智能推荐系统是在传统推荐系统基础上进行的改进与完善,由于大数据环境下面临着更加复杂的数据特征以及各种难辨别的数据信息,只有在准确地获取用户的行为信息以及精确地预测用户偏好后,才能够有效地生成精确度更高的推荐。大数据环境下的智能推荐系统有以下几个要求:
(1)要求更高的数据处理能力;
(2)能解决评分数据的稀疏性对智能推荐系统的性能影响;
(3)数据更新周期更快;
(4)对推荐的准确性要求更高;
(5)对推荐的实时性要求更高。
但是,在大数据场景下需要处理的数据量更大,那么多源数据融合则会引入高维稀疏性数据,而这个过程中,容易导致数据存在更高的冗杂和更大的噪声,从而影响数据推荐。
发明内容
本发明要解决的技术问题是提供一种智能推荐系统及其智能推荐方法,使得在多维数据情况下进行聚类分析,当用户浏览习惯发生变化时,用户聚类结果也会随之变化,使得所述智能推荐系统能够更加贴合用户的使用习惯。
为了解决上述技术问题,本发明的技术方案为:
一种智能推荐系统,通信地连接于至少一用户终端,包括:
一数据获取单元,所述数据获取单元通信地获取所述用户终端的用户数据信息以及环境信息;
一机器学习单元,所述机器学习单元通信地连接所述数据单元,所述机器学习单元包括一比较模块和一匹配模块,所述比较模块通信地连接所述数据获取单元和所述数据存储单元,对用户的实时数据信息和历史数据信息进行比较,所述匹配模块通信地连接所述比较模块和所述数据存储单元,进而对用户数据信息和所述环境信息进行匹配和关联以生成一推送结果;
一数据存储单元,所述数据存储单元通信地连接所述机器学习单元;以及
一推送单元,所述推送单元通信地连接所述机器学习单元和所述用户终端,并将所述推送结果推送至所述用户终端。
优选地,所述数据存储单元包括一实时数据库,所述数据获取单元包括一用户数据模块,所述用户数据模块通信地连接所述机器学习单元,获取所述用户终端的用户数据信息并通过所述机器学习单元分析处理进而存储至所述实时数据库。
优选地,所述数据存储单元还包括一学习数据库,所述数据获取单元还包括一环境数据模块,所述环境数据模块通信地连接所述机器学习单元,获取环境数据信息并通过所述机器学习单元分析处理进而存储至所述学习数据库。
优选地,所述比较模块通信地连接所述用户数据模块和所述实时数据库,比较实时用户数据信息和来自所述实时数据库的用户历史数据信息,进而生成一比较信息,所述匹配模块通信地连接所述学习数据库和所述比较模块,进而对所述比较信息和来自所述学习数据库中的环境信息进行匹配和关联。
优选地,所述推送结果进入到所述机器学习单元中进行分析并存储至所述数据存储单元,所述智能推荐系统包括一日志单元,所述日志单元通信地连接所述机器学习单元和所述数据存储单元。
本发明进一步地提供了一智能推荐方法,包括以下步骤:
(a)获取实时的用户数据信息;
(b)比较实时用户数据信息和来自所述实时数据库的聚类数据,并生成一比较信息;
(c)匹配和关联所述比较信息与来自所述学习数据库中的环境信息,并生成一推送结果;以及
(d)推送所述推送结果至所述用户终端。
优选地,在步骤(a)之前,还包括以下步骤:
(a1)获取用户的历史数据信息;
(a2)聚类分析所述历史数据信息以生成一聚类数据;以及
(a3)存储所述聚类数据至所述实时数据库。
优选地,在步骤(c)之中,还包括以下步骤:
(c1)获取互联网大数据;
(c2)分析所述互联网大数据以生成一环境信息;以及
(c3)存储所述环境信息至所述学习数据库。
优选地,在步骤(d)之后,还包括以下步骤:
(d1)重新分析所述推送结果以生成一环境信息;以及
(d2)存储所述环境信息至所述学习数据库。
优选地,在步骤(d)之后,还包括以下步骤:
(e)记录上述步骤的每一决策过程和决策信息。
采用以上的技术方案,由于对用户不同的历史信息进行分析,并且将用户实时信息与历史信息进行比较,得出不同的推送结果,使得当用户不同的实时数据信息下,所生成的推送结果能够适应不同的浏览习惯,避免不符合当前实时信息的推送信息推送至用户,同时提高了所述智能推荐系统的推荐精确度。
附图说明
图1为本发明所述智能推荐系统的系统示意图。
图2为本发明所述智能推荐系统的流程示意图。
图3为本发明所述智能推荐系统的所述数据存储单元的流程示意图。
图4为本发明所述智能推荐系统中所述推荐结果重新分析存储的流程示意图。
图5为本发明所述智能推荐系统的另一实施方式的系统示意图。
具体实施方式
下面结合附图对本发明的具体实施方式作进一步说明。在此需要说明的是,对于这些实施方式的说明用于帮助理解本发明,但并不构成对本发明的限定。此外,下面所描述的本发明各个实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互组合。
如图1所示,本发明提供了一基于大数据的智能推荐系统,所述智能推荐系统包括一数据获取单元10,所述数据获取单元10包括一用户数据模块11,所述用户数据模块11获取到用户的当前数据和历史数据,所述数据获取单元10能够实时获取用户的数据信息。所述数据获取单元10还包括一环境数据模块12,所述环境数据模块12能够获取到外部的环境信息,所述环境信息为互联网大数据。
如图2和图3所示,进一步地,所述智能推荐系统还包括一数据存储单元20,所述数据存储单元20通信地连接所述数据获取单元10,所述数据存储单元20具有两个数据库,分别是一实时数据库201和一学习数据库202,当用户的数据信息和所述环境信息被获取到所述智能推荐系统中,则进入到所述实时数据库201。而当所述数据信息和所述环境信息经过学习和训练之后,则进入到所述学习数据库202。
进一步地,所述智能推荐系统还包括一机器学习单元30,所述机器学习单元30通信地连接所述数据获取单元10和所述数据存储单元20。当所述数据信息通过所述数据获取单元10获取至所述机器学习单元30,所述机器学习单元30则对所述数据信息不间断地进行分布式训练。
在所述机器学习单元30中,所述用户数据信息和所述环境信息通过所述机器学习单元30进行聚类分析。也就是说,所述环境信息在所述机器学习单元30中进行聚类分析,以不同的特征来进行聚类分析进而得出一推送结果。
具体地,所述机器学习单元30具有一匹配模块31,当所述用户数据信息与所述环境信息的其中一个聚类相互匹配时,所述匹配模块31随即进行匹配,并且生成一推送结果。
更进一步地,所述智能推荐系统还包括一推送单元40,所述推送单元40通信地连接所述机器学习单元30和一用户终端,此时将所述推送结果推送至所述用户终端,完成用户推荐。
一般情况下,所述用户数据模块11接收来自用户的数据信息,此时传输到所述机器学习单元30,而在这之前,所述机器学习单元30通过对所述环境数据模块12接收的环境信息进行学习和训练已经得出聚类分析结果。所述用户数据信息在所述机器学习单元30中进行匹配,进而所述机器学习单元30进行匹配关联,得到一推送结果。
在本发明中,所述用户数据模块11在接收用户数据信息之后,将所述用户数据信息传输至所述机器学习单元30进行聚类分析进而得出一聚类数据,得出的聚类数据结果则存储至所述实时数据库201。也就是所述实时数据库201中存储有用户数据信息的多维数据。
例如:一个用户在进行搜索的时候,可能会在不同领域的信息之间随意切换,而不同领域之间的信息的维度是不一样的,就像餐饮、服装、旅游等不同类型。当客户在同一领域(如餐饮)中搜索的习惯发生变化,就像之前一段时间一直在搜索香辣类餐馆,而此时搜索的是养生类餐馆,此时很容易把原有的的香辣类餐馆的信息传输至用户终端,实际上这个信息在这个时候属于无用信息。因此所述用户数据模块11在所述实时数据库201保存有用户的历史数据。
当所述用户数据模块11接收到一个新的用户数据信息时,所述用户数据信息传输至所述机器学习单元30,所述机器学习单元30包括一比较模块31,所述比较模块31通信地连接所述实时数据库201和所述用户数据模块11,所述比较模块31接收所述用户数据信息,并且调用所述实时数据库201中的所述比较模块31进行数据比较。具体地,所述比较模块31针对所述用户数据信息和所述实时数据库201中的用户的所述聚类数据进行比较以生成一比较信息,所述聚类数据即是用户历史数据习惯。
此时,所述机器学习单元30还包括一匹配模块32,所述匹配模块32通信地连接所述比较模块31和所述学习数据库202。具体地,所述匹配模块32获取所述比较模块31的比较信息以及所述学习数据库202中的环境信息,进而匹配关联以生成一新的推送结果,进而进行推送。
如图4所示,进一步地,所述推送结果被传输至所述机器学习单元30,此时所述机器学习单元30重新分析所述推送结果以生成一环境信息,并且存储所述环境信息至所述数据存储单元20,以在下一次分析和推送时能够更加贴合用户的使用习惯。
根据上述系统内容,本发明提供了一系统推荐流程,包括以下流程:
第一步:所述用户数据模块11接收用户的历史数据,在所述机器学习单元30中进行聚类分析以得到一聚类数据,并将所述聚类数据存储在所述实时数据库201。
第二步:所述用户数据模块11接收用户的实时数据,所述机器学习单元30接收所述用户实时数据和来自所述实时数据库201的所述聚类数据以完成比较分析,生成一比较信息。
第三步:所述机器学习单元30的所述匹配模块32获取所述比较信息和来自所述学习数据库202中的所述环境信息以进行匹配和关联,进而生成一推送结果,并将所述推送结果推送至所述用户终端。
在第三步之后,所述机器学习单元30重新分析所述推送结果以生成一环境信息,并且存储所述环境信息至所述学习数据库202,以在下一次分析和推送时能够更加贴合用户的使用习惯。
如图5所示,在本发明的另一实施方式,所述智能推荐系统还包括一日志单元50,所述日志单元50通信地连接所述数据存储单元20和所述数据学习单元30,并实时记录每一个决策过程和决策结果。
根据上述系统内容和系统流程,本发明进一步地提供了一智能推荐方法,包括以下步骤:
(a)获取实时的用户数据信息;
(b)比较实时用户数据信息和来自所述实时数据库的聚类数据,并生成一比较信息;
(c)匹配和关联所述比较信息与来自所述学习数据库中的环境信息,并生成一推送结果;以及
(d)推送所述推送结果至所述用户终端。
根据所述智能推荐方法,在步骤(a)之前,还包括以下步骤:
(a1)获取用户的历史数据信息;
(a2)聚类分析所述历史数据信息以生成一聚类数据;以及
(a3)存储所述聚类数据至所述实时数据库。
根据所述智能推荐方法,在步骤(c)之中,还包括以下步骤:
(c1)获取互联网大数据;
(c2)分析所述互联网大数据以生成一环境信息;以及
(c3)存储所述环境信息至所述学习数据库。
根据所述智能推荐方法,在步骤(d)之后,还包括以下步骤:
(d1)重新分析所述推送结果以生成一环境信息;以及
(d2)存储所述环境信息至所述学习数据库。
根据所述智能推荐方法,在步骤(d)之后,还包括以下步骤:
(e)记录上述步骤的每一决策过程和决策信息。
以上结合附图对本发明的实施方式作了详细说明,但本发明不限于所描述的实施方式。对于本领域的技术人员而言,在不脱离本发明原理和精神的情况下,对这些实施方式进行多种变化、修改、替换和变型,仍落入本发明的保护范围内。
Claims (10)
1.一种智能推荐系统,通信连接于至少一用户终端,其特征在于,包括:
一数据获取单元,所述数据获取单元通信地获取所述用户终端的用户数据信息以及环境信息;
一机器学习单元,所述机器学习单元通信连接所述数据单元,所述机器学习单元包括一比较模块和一匹配模块,所述比较模块通信连接所述数据获取单元和所述数据存储单元,对用户的实时数据信息和历史数据信息进行比较,所述匹配模块通信连接所述比较模块和所述数据存储单元,进而对用户数据信息和所述环境信息进行匹配和关联以生成一推送结果;
一数据存储单元,所述数据存储单元通信连接所述机器学习单元;以及
一推送单元,所述推送单元通信连接所述机器学习单元和所述用户终端,并将所述推送结果推送至所述用户终端。
2.根据权利要求1所述的智能推荐系统,其特征在于,所述数据存储单元包括一实时数据库,所述数据获取单元包括一用户数据模块,所述用户数据模块通信连接所述机器学习单元,获取所述用户终端的用户数据信息并通过所述机器学习单元分析处理进而存储至所述实时数据库。
3.根据权利要求2所述的智能推荐系统,其特征在于,所述数据存储单元还包括一学习数据库,所述数据获取单元还包括一环境数据模块,所述环境数据模块通信连接所述机器学习单元,获取环境数据信息并通过所述机器学习单元分析处理进而存储至所述学习数据库。
4.根据权利要求3所述的智能推荐系统,其特征在于,所述比较模块通信连接所述用户数据模块和所述实时数据库,比较实时用户数据信息和来自所述实时数据库的用户历史数据信息,进而生成一比较信息,所述匹配模块通信连接所述学习数据库和所述比较模块,进而对所述比较信息和来自所述学习数据库中的环境信息进行匹配和关联。
5.根据权利要求1-4任一项所述的智能推荐系统,其特征在于,所述推送结果进入到所述机器学习单元中进行分析并存储至所述数据存储单元,所述智能推荐系统包括一日志单元,所述日志单元通信连接所述机器学习单元和所述数据存储单元。
6.一智能推荐方法,其特征在于,包括以下步骤:
(a)获取实时的用户数据信息;
(b)比较实时用户数据信息和来自所述实时数据库的聚类数据,并生成一比较信息;
(c)匹配和关联所述比较信息与来自所述学习数据库中的环境信息,并生成一推送结果;以及
(d)推送所述推送结果至所述用户终端。
7.根据权利要求6所述的智能推荐方法,其特征在于,在步骤(a)之前,还包括以下步骤:
(a1)获取用户的历史数据信息;
(a2)聚类分析所述历史数据信息以生成一聚类数据;以及
(a3)存储所述聚类数据至所述实时数据库。
8.根据权利要求6所述的智能推荐方法,其特征在于,在步骤(c)之中,还包括以下步骤:
(c1)获取互联网大数据;
(c2)分析所述互联网大数据以生成一环境信息;以及
(c3)存储所述环境信息至所述学习数据库。
9.根据权利要求6所述的智能推荐方法,其特征在于,在步骤(d)之后,还包括以下步骤:
(d1)重新分析所述推送结果以生成一环境信息;以及
(d2)存储所述环境信息至所述学习数据库。
10.根据权利要求6-9任一项所述的智能推荐方法,其特征在于,在步骤(d)之后,还包括以下步骤:
(e)记录上述步骤的每一决策过程和决策信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910210092.9A CN109815413A (zh) | 2019-03-19 | 2019-03-19 | 一种智能推荐系统及其智能推荐方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910210092.9A CN109815413A (zh) | 2019-03-19 | 2019-03-19 | 一种智能推荐系统及其智能推荐方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109815413A true CN109815413A (zh) | 2019-05-28 |
Family
ID=66609616
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910210092.9A Pending CN109815413A (zh) | 2019-03-19 | 2019-03-19 | 一种智能推荐系统及其智能推荐方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109815413A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112182413A (zh) * | 2020-12-01 | 2021-01-05 | 三盟科技股份有限公司 | 一种基于教学大数据的智能推荐方法及服务器 |
CN113378046A (zh) * | 2021-06-09 | 2021-09-10 | 北京爱论答科技有限公司 | 一种本地化学习内容的智能推送或推荐方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102750334A (zh) * | 2012-06-01 | 2012-10-24 | 北京市农林科学院农业科技信息研究所 | 一种基于dm的农业信息精准推送的方法 |
CN104243598A (zh) * | 2014-09-25 | 2014-12-24 | 海信集团有限公司 | 一种信息推荐方法及装置 |
CN108280128A (zh) * | 2017-12-19 | 2018-07-13 | 苏宁云商集团股份有限公司 | 一种展示个性化页面的方法及设备 |
CN108763452A (zh) * | 2018-05-28 | 2018-11-06 | 深圳市零度智控科技有限公司 | 基于大数据的游戏应用推送方法、系统及计算机存储介质 |
CN109271574A (zh) * | 2018-08-28 | 2019-01-25 | 麒麟合盛网络技术股份有限公司 | 一种热词推荐方法及装置 |
-
2019
- 2019-03-19 CN CN201910210092.9A patent/CN109815413A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102750334A (zh) * | 2012-06-01 | 2012-10-24 | 北京市农林科学院农业科技信息研究所 | 一种基于dm的农业信息精准推送的方法 |
CN104243598A (zh) * | 2014-09-25 | 2014-12-24 | 海信集团有限公司 | 一种信息推荐方法及装置 |
CN108280128A (zh) * | 2017-12-19 | 2018-07-13 | 苏宁云商集团股份有限公司 | 一种展示个性化页面的方法及设备 |
CN108763452A (zh) * | 2018-05-28 | 2018-11-06 | 深圳市零度智控科技有限公司 | 基于大数据的游戏应用推送方法、系统及计算机存储介质 |
CN109271574A (zh) * | 2018-08-28 | 2019-01-25 | 麒麟合盛网络技术股份有限公司 | 一种热词推荐方法及装置 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112182413A (zh) * | 2020-12-01 | 2021-01-05 | 三盟科技股份有限公司 | 一种基于教学大数据的智能推荐方法及服务器 |
CN112182413B (zh) * | 2020-12-01 | 2021-02-19 | 三盟科技股份有限公司 | 一种基于教学大数据的智能推荐方法及服务器 |
CN113378046A (zh) * | 2021-06-09 | 2021-09-10 | 北京爱论答科技有限公司 | 一种本地化学习内容的智能推送或推荐方法 |
CN113378046B (zh) * | 2021-06-09 | 2022-04-15 | 北京爱论答科技有限公司 | 一种本地化学习内容的智能推送或推荐方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109522083B (zh) | 一种页面智能化响应交互系统及方法 | |
CN107797984B (zh) | 智能交互方法、设备及存储介质 | |
CN105138558B (zh) | 基于用户访问内容的实时个性化信息采集方法 | |
CN101551806A (zh) | 一种个性化网址导航的方法和系统 | |
CN110399490A (zh) | 一种弹幕文本分类方法、装置、设备及存储介质 | |
CN110543598A (zh) | 信息推荐方法、装置及终端 | |
CN110909182A (zh) | 多媒体资源搜索方法、装置、计算机设备及存储介质 | |
US20180004815A1 (en) | Stop word identification method and apparatus | |
CN105721944A (zh) | 智能电视的新闻资讯推荐方法 | |
CN109241451B (zh) | 一种内容组合推荐方法、装置及可读存储介质 | |
CN108319672A (zh) | 基于云计算的移动终端不良信息过滤方法及系统 | |
CN105871585A (zh) | 终端关联方法及装置 | |
CN105279206A (zh) | 一种智能推荐方法和系统 | |
CN109815413A (zh) | 一种智能推荐系统及其智能推荐方法 | |
CN113673260A (zh) | 模型处理方法、装置、存储介质和处理器 | |
CN111597446B (zh) | 基于人工智能的内容推送方法、装置、服务器和存储介质 | |
CN108446333B (zh) | 一种大数据文本挖掘处理系统及其方法 | |
CN101339560A (zh) | 一种搜索系列性数据的方法、装置及一种搜索引擎系统 | |
CN111859127A (zh) | 消费数据的订阅方法、装置及存储介质 | |
CN106021423B (zh) | 基于群组划分的元搜索引擎个性化结果推荐方法 | |
CN111428007B (zh) | 基于跨平台的同步推送反馈方法 | |
CN113781113B (zh) | 一种连锁式信息推送系统及方法 | |
CN112231547A (zh) | 一种基于知识图谱的内容推荐方法和系统 | |
CN115795156A (zh) | 物料召回和神经网络训练方法、装置、设备及存储介质 | |
CN113422810B (zh) | 向服务提供商发送信息的方法及设备 |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20190528 |
|
WD01 | Invention patent application deemed withdrawn after publication |