CN110070134A - 一种基于用户兴趣感知的推荐方法及装置 - Google Patents

Abstract

本发明公开了一种基于用户兴趣感知的推荐方法及装置，其根据用户兴趣对用户进行聚类处理，得到一个以上的用户类型；根据所述用户类型生成对应的用户簇；获取当前用户的用户信息，并根据所述用户信息判断该当前用户的用户类型；根据当前用户的用户类型判断该当前用户所属的用户簇；从所属的用户簇中随机选择其中任一用户作为当前用户的邻居用户；根据所述邻居用户的用户兴趣为所述当前用户产生推荐内容，能够在很大程度上改善了传统的基于用户的推荐算法，弥补了现有技术的不足，提高推荐的质量，具有更高的准确性。

Description

一种基于用户兴趣感知的推荐方法及装置

技术领域

本发明涉及数据处理技术领域，特别是一种基于用户兴趣感知的推荐方法、图书推荐方法及其应用该方法的装置。

背景技术

近年来广泛使用基于用户的历史信息等来推测用户的爱好，并自动推荐被预测为符合用户爱好的内容等的“推荐服务”。用于这种推荐服务中的具有代表性的技术称为“协同过滤”。该协同过滤为在各用户之间或者在各内容之间通过比较购买历史或浏览历史等用户的历史信息来定义相似性、并基于该相似性，将被预测为用户感兴趣的内容作为推荐结果来输出的方法。

现有技术的协同过滤主要包括：

1、基于用户的协同过滤

主要包括以下两个步骤：

(1).找到和这个目标用户兴趣相似的用户集合；

(2).找到这个集合中用户喜欢的，且目标用户没有听说过的物品推荐给目标用户。

评价感兴趣程度的计算公式如下：

其中，p(u,i)表示用户u对物品i的感兴趣程度，S(u,k)表示和用户u兴趣最接近的K个用户，N(i)表示对物品i有过行为的用户集合，Wuv表示用户u和用户v的兴趣相似度，Rvi表示用户v对物品i的兴趣。

2、基于物品的协同过滤

主要包括以下两个步骤：

(1).计算物品之间的相似度，建立用户对物品的喜好程度矩阵；

(2).根据物品之间的相似度和用户的历史行为给用户生成推荐列表。

物品相似度公式如下：

其中，分母是喜欢物品i的用户数，而分子是同时喜欢物品i和物品j的用户数。因此，上述公式可以理解为喜欢物品i的用户中有多少比例的用户也喜欢物品j。

通过如下公式计算用户u对一个物品j的兴趣：

其中，N(u)是用户喜欢过的物品集合，S(j,K)是和物品j最相似的K个物品的集合，Wji是物品j和i的相似度，Rui是用户u对物品i的兴趣。

综上，通过对比基于用户与基于物品的公式明显看出：

基于用户的公式中p(u,i)表示用户u对物品i的感兴趣程度，S(u,k)表示和用户u兴趣最接近的K个用户，N(i)表示对物品i有过行为的用户集合，Wuv表示用户u和用户v的兴趣相似度，Rvi表示用户v对物品i的兴趣。而在基于物品上N(u)是用户喜欢过的物品集合，S(j,K)是和物品j最相似的K个物品的集合，Wji是物品j和i的相似度，Rui是用户u对物品i的兴趣。

因此，现有技术具有以下缺点：

(1).假设两个用户没有同时对任何一个项目有过行为，则无法计算他们之间的相似性；

(2).又如冷启动问题，如果没有新用户任何数据的时候，无法为新用户推荐物品，很难对新用户提供个性化服务；

(3).仅有少量的评价数据无法进行精确推荐，不仅难以寻找最近邻，并且计算相似性非常耗时间，从而使得用户或物品之间的相似性计算结果与实际相差甚大，导致推荐质量难以令人满意；

(4).无法为有特殊偏好的用户做推荐。

发明内容

本发明为解决上述问题，提供了一种基于用户兴趣感知的推荐方法及装置，能够在很大程度上改善了传统的基于用户的推荐算法，弥补了现有技术的不足，提高推荐的质量，具有更高的准确性。

本发明的目的之一在于，提供一种基于用户兴趣感知的推荐方法，其包括以下步骤：

根据用户兴趣对用户进行聚类处理，得到一个以上的用户类型；

根据所述用户类型生成对应的用户簇；

获取当前用户的用户信息，并根据所述用户信息判断该当前用户的用户类型；

根据当前用户的用户类型判断该当前用户所属的用户簇；

从所属的用户簇中随机选择其中任一用户作为当前用户的邻居用户；

根据所述邻居用户的用户兴趣为所述当前用户产生推荐内容。

优选的，每个用户类型或每个用户簇设有对应的类型标签，获取当前用户的用户信息后，进一步根据该用户信息设置该当前用户的类型标签，从而根据该类型标签匹配对应的用户簇，得到该当前用户所属的用户簇。

优选的，所述的聚类处理，是采用欧几里德距离公式进行计算用户兴趣的相似度，将用户兴趣的相似度大于预设阈值的用户设置相同的类型标签，并将具有相同的类型标签的用户划分在同一个用户簇中。

优选的，所述的用户兴趣，是根据用户对兴趣对象的真实评分和/或预测评分进行判断用户对所述兴趣对象的感兴趣对象类型和感兴趣程度，并根据感兴趣对象类型和感兴趣程度进行推荐内容的排序。

进一步的，所述的预测评分，是指同一个用户簇中的用户对相同类型的兴趣对象的评分的平均值；所述预测评分的计算公式如下：

其中，Train代表训练集数据，φ代表用户类型的函数，代表兴趣对象类型的函数，φ(u)、φ(v)分别代表用户u、用户v所属的用户类型，分别代表兴趣对象i、兴趣对象j所属的对象类型，r_vj代表用户v对兴趣对象j的真实评分，代表用户u对兴趣对象i的预测评分。

本发明的目的之二在于，提供一种基于用户兴趣感知的图书推荐方法，其包括以下步骤：

根据用户的图书借阅日志判断用户兴趣，并根据用户兴趣对用户进行聚类处理，得到一个以上的用户类型；

根据所述用户类型生成对应的用户簇；

获取当前用户的用户信息，并根据所述用户信息判断该当前用户的用户类型；

根据当前用户的用户类型判断该当前用户所属的用户簇；

从所属的用户簇中随机选择其中任一用户作为当前用户的邻居用户；

根据所述邻居用户的用户兴趣为所述当前用户产生推荐图书。

优选的，每个用户类型或每个用户簇设有对应的图书类型标签，获取当前用户的用户信息后，进一步根据该用户信息设置该当前用户的图书类型标签，从而根据该图书类型标签匹配对应的用户簇，得到该当前用户所属的用户簇。

优选的，所述的聚类处理，是采用欧几里德距离公式进行计算用户兴趣的相似度，将用户兴趣的相似度大于预设阈值的用户设置相同的图书类型标签，并将具有相同的图书类型标签的用户划分在同一个用户簇中。

优选的，所述的图书借阅日志，包括借阅记录号、书目记录号、借阅日期、借阅条形码、借阅时间、借阅类别、读者记录号中的一个以上信息。

优选的，所述的用户兴趣，是根据用户借阅的图书和借阅时长进行判断用户感兴趣的图书类型和感兴趣程度，或者，是根据用户对图书的真实评分和/或预测评分进行判断用户感兴趣的图书类型和感兴趣程度，然后根据感兴趣的图书类型和感兴趣程度产生推荐图书并对推荐书目进行排序。

进一步的，所述的预测评分，是指同一个用户簇中的用户对相同类型的图书的评分的平均值；所述预测评分的计算公式如下：

其中，Train代表训练集数据，φ代表用户类型的函数，代表图书类型的函数，φ(u)、φ(v)分别代表用户u、用户v所属的用户类型，分别代表图书i、图书j所属的图书类型，r_vj代表用户v对图书j的真实评分，代表用户u对图书i的预测评分。

本发明的目的之三在于，提供一种基于用户兴趣感知的推荐装置，包括存储器和处理器，所述存储器中存储有指令，所述处理器通过执行所述存储器中存储的指令使得推荐装置实现如上任一项所述的基于用户兴趣感知的推荐方法或者基于用户兴趣感知的图书推荐方法。

本发明的有益效果是：

(1).本发明根据用户兴趣对用户进行聚类处理得到一个以上的用户簇，从而将相似兴趣的用户簇中的任一用户作为当前用户的邻居用户，以根据该邻居用户的兴趣偏好为当前用户产生推荐，无需了解当前用户的兴趣偏好，从而能够在很大程度上改善了传统的基于用户的推荐算法，弥补了现有技术的不足；

(2).本发明通过获取当前用户的用户信息，根据该用户信息来判断用户类型和匹配所属的用户簇，能够提高推荐的质量，具有更高的准确性；

(3).本发明只需获取当前用户的基础用户信息，例如账号信息、性别信息、年龄信息、职业信息、兴趣信息等，无需了解当前用户的兴趣偏好，对于系统中未产生用户行为的新用户也能够产生较准确的推荐，适用范围更广；

(4).本发明根据用户的借阅时长和/或评分情况进行判断兴趣类型和感兴趣程度，能够更准确的反应用户的兴趣偏好。

附图说明

此处所说明的附图用来提供对本发明的进一步理解，构成本发明的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：

图1为本发明一种基于用户兴趣感知的推荐方法的流程简图；

图2为本发明一种基于用户兴趣感知的图书推荐方法的数据架构示意图。

具体实施方式

为了使本发明所要解决的技术问题、技术方案及有益效果更加清楚、明白，以下结合附图及实施例对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。

第一实施例：

如图1所示，本实施例提供一种基于用户兴趣感知的推荐方法，其包括以下步骤：

根据用户兴趣对用户进行聚类处理，得到一个以上的用户类型；

根据所述用户类型生成对应的用户簇；

获取当前用户的用户信息，并根据所述用户信息判断该当前用户的用户类型；

根据当前用户的用户类型判断该当前用户所属的用户簇；

从所属的用户簇中随机选择其中任一用户作为当前用户的邻居用户；

根据所述邻居用户的用户兴趣为所述当前用户产生推荐内容。

即，本实施例以聚类算法来划分不同的用户类型，用欧几里德距离公式来计算用户相似度，把相似的用户分为一个簇，簇中的用户具有高度的相似性，这样就把具有相似兴趣的用户归在一起，随机选择簇中除当前用户的其余用户作为当前用户的邻居用户，最后为当前用户产生推荐。

本实施例中进一步根据类型标签对数据库中的用户或者当前用户进行分类，首先，每个用户类型或每个用户簇设有对应的类型标签，获取当前用户的用户信息后，进一步根据该用户信息设置该当前用户的类型标签，从而根据该类型标签匹配对应的用户簇，得到该当前用户所属的用户簇。其中，数据库中的用户的类型标签主要是通过聚类算法自动标注，当前用户的类型标签可通过人工标注，也可通过对当前用户的用户信息的自动识别进行自动标注。

本实施例中，所述的聚类处理，是采用欧几里德距离公式进行计算用户兴趣的相似度，将用户兴趣的相似度大于预设阈值的用户设置相同的类型标签，并将具有相同的类型标签的用户划分在同一个用户簇中。本实施例中，所述的聚类处理采用K-Means算法处理，采用欧几里德距离来计算相似度，并根据相似度将相应用户分配到对应的簇，然后计算生成的簇的中心点，一直反复这个过程进行聚类处理迭代，不断更新质心，直到满足算法收敛条件，即，直到各个簇的中心点不再产生变化，即可终止聚类算法。K-Means聚类算法完成后，没有离群点，所有的用户都会被指派到对应的簇中。具体包括以下步骤：

a.从数据库中随机选择k个用户作为初始的质心用户；

b.计算每个非质心用户p到所述k个质心用户的欧几里德距离，将非质心用户p指派给距离最近的质心用户；

c.根据所述的k个质心用户及其对应的非质心用户集，重新计算新的质心用户；

d.如果没有满足聚类算法终止条件，则返回步骤b；如果满足聚类算法终止条件，则输出聚类结果，得到一个以上的用户簇。

所述的步骤c中，质心计算方法如下：假设k-means聚类过程中，得到某一个簇的集合Ci＝{p(x1,y1),p(x2,y2),…,p(xn,yn)}，则簇Ci的质心，质心x坐标为(x1+x2+…+xn)/n，质心y坐标为(y1+y2+…+yn)/n。

所述的步骤d中，K-Means算法的终止条件：质心在每一轮迭代中会发生变化，然后需要重新将非质心点指派给最近的质心而形成新的簇，如果只有很少的一部分点在迭代过程中，还在改变簇(如，更新一次质心，有些点从一个簇移动到另一个簇)，那么满足这样一个收敛条件，可以提前结束迭代过程。

所述的当前用户的用户信息，包括当前用户的账号信息、性别信息、年龄信息、职业信息、兴趣信息中的一个以上信息。

所述的用户兴趣，是根据用户对兴趣对象的真实评分和/或预测评分进行判断用户对所述兴趣对象的感兴趣对象类型和感兴趣程度，并根据感兴趣对象类型和感兴趣程度进行推荐内容的排序。

所述的预测评分，是指同一个用户簇中的用户对相同类型的兴趣对象的评分的平均值；所述预测评分的计算公式如下：

其中，Train代表训练集数据，φ代表用户类型的函数，代表兴趣对象类型的函数，φ(u)、φ(v)分别代表用户u、用户v所属的用户类型，分别代表兴趣对象i、兴趣对象j所属的对象类型，r_vj代表用户v对兴趣对象j的真实评分，代表用户u对兴趣对象i的预测评分。

第二实施例：

本实施例提供一种基于用户兴趣感知的图书推荐方法，其包括以下步骤：

根据用户的图书借阅日志判断用户兴趣，并根据用户兴趣对用户进行聚类处理，得到一个以上的用户类型；

根据所述用户类型生成对应的用户簇；

获取当前用户的用户信息，并根据所述用户信息判断该当前用户的用户类型；

根据当前用户的用户类型判断该当前用户所属的用户簇；

从所属的用户簇中随机选择其中任一用户作为当前用户的邻居用户；

根据所述邻居用户的用户兴趣为所述当前用户产生推荐图书。

本实施例中，每个用户类型或每个用户簇设有对应的图书类型标签，获取当前用户的用户信息后，进一步根据该用户信息设置该当前用户的图书类型标签，从而根据该图书类型标签匹配对应的用户簇，得到该当前用户所属的用户簇。

其中，所述的聚类处理，是采用欧几里德距离公式进行计算用户兴趣的相似度，将用户兴趣的相似度大于预设阈值的用户设置相同的图书类型标签，并将具有相同的图书类型标签的用户划分在同一个用户簇中。并且，本实施例的所述的聚类处理也可采用K-Means算法处理，具体处理步骤与第一实施例基本相似，在此不进行赘述。

本实施例中，所述的图书借阅日志，包括借阅记录号、书目记录号、借阅日期、借阅条形码、借阅时间、借阅类别、读者记录号中的一个以上信息。所述的当前用户的用户信息，包括当前用户的账号信息、性别信息、年龄信息、职业信息、兴趣信息、院系班级信息、读者记录号、读者姓名中的一个以上信息。

本实施例中，所述的用户兴趣，是根据用户借阅的图书和借阅时长进行判断用户感兴趣的图书类型和感兴趣程度，或者，是根据用户对图书的真实评分和/或预测评分进行判断用户感兴趣的图书类型和感兴趣程度，然后根据感兴趣的图书类型和感兴趣程度产生推荐图书并对推荐书目进行排序。推荐书目主要包括用户ID、书目ID、评分项等。

如图2所示，本实施例中，图书数据库主要包括以下数据：

(1)读者信息，包括读者记录号，读者姓名，读者ID，读者班级和读者密码。

(2)用户信息，包括用户姓名，用户ID，用户班级和用户密码，以及用户邮箱。

(3)借阅日志信息，包括借阅记录号，借阅日期，借阅条码号，借阅时间，借阅类别(3031借书,3033还书，3035续借)，读者记录号；其中，借阅条码号是与馆藏表的条码号相连，读者记录号与读者表的记录号相连。

(4)馆藏表信息，包括条形码和书目记录号。

(5)书目表信息，包括书目记录号，书目和作者。

(6)推荐表信息，包括用户ID和书目ID，评分项。

本实施例中，进一步根据图书数据库中的数据进行创建读者借阅视图Map，然后，通过用户ID从Map中获得用户的书籍评价信息，以数据结构Map来维护，当为空的时候表明用户之前没有创建过评价信息，并为该用户新增一个Map来维护，将用户书籍评价信息添加至Map中。

本实施例将用户借阅一本图书的天数作为用户对一本图书的喜爱程度，因此，使用已有数据统计出每次借阅的借阅时长，将借阅时长与用户、图书三者组成关系矩阵进行聚类计算。在进行基于社交网络的推荐计算时，按照班级、专业方向等用户信息，对数据进行分组。

同时，在已有的数据集中，取出一部分借阅数据作为测试集，不参加聚类计算，用来作为离线检验的依据。该测试集数据采用最新的借阅记录，占比约为整个数据集的20％。我们针对评分预测是通过离线试验进行研究。对于测试集中的一对用户和物品(u,i)，用户u对物品i的真实评分是r_ui，而推荐算法预测的用户对物品i的评分是那么一般用均方根误差RMSE度量预测的精度，计算公式如下：

其中，RMSE是指均方根误差，Test是指测试集数据，r_ui是指用户u对物品i的真实评分，用户u对物品i的预测评分。

本实施例中，所述的预测评分，是指同一个用户簇中的用户对相同类型的图书的评分的平均值；所述预测评分的计算公式如下：

其中，Train代表训练集数据，φ代表用户类型的函数，代表图书类型的函数，φ(u)、φ(v)分别代表用户u、用户v所属的用户类型，分别代表图书i、图书j所属的图书类型，r_vj代表用户v对图书j的真实评分，代表用户u对图书i的预测评分。

第三实施例：

本实施例提供一种基于用户兴趣感知的推荐装置，包括存储器和处理器，所述存储器中存储有指令，所述处理器通过执行所述存储器中存储的指令使得推荐装置实现如上任一项所述的基于用户兴趣感知的推荐方法或者基于用户兴趣感知的图书推荐方法。

需要说明的是，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。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。

并且，在本文中，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。另外，本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成，也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，上述提到的存储介质可以是只读存储器，磁盘或光盘等。

上述说明示出并描述了本发明的优选实施例，应当理解本发明并非局限于本文所披露的形式，不应看作是对其他实施例的排除，而可用于各种其他组合、修改和环境，并能够在本文发明构想范围内，通过上述教导或相关领域的技术或知识进行改动。而本领域人员所进行的改动和变化不脱离本发明的精神和范围，则都应在本发明所附权利要求的保护范围内。

Claims (12)

1.一种基于用户兴趣感知的推荐方法，其特征在于，包括以下步骤：

根据用户兴趣对用户进行聚类处理，得到一个以上的用户类型；

根据所述用户类型生成对应的用户簇；

获取当前用户的用户信息，并根据所述用户信息判断该当前用户的用户类型；

根据当前用户的用户类型判断该当前用户所属的用户簇；

从所属的用户簇中随机选择其中任一用户作为当前用户的邻居用户；

根据所述邻居用户的用户兴趣为所述当前用户产生推荐内容。

2.根据权利要求1所述的一种基于用户兴趣感知的推荐方法，其特征在于：每个用户类型或每个用户簇设有对应的类型标签，获取当前用户的用户信息后，进一步根据该用户信息设置该当前用户的类型标签，从而根据该类型标签匹配对应的用户簇，得到该当前用户所属的用户簇。

3.根据权利要求2所述的一种基于用户兴趣感知的推荐方法，其特征在于：所述的聚类处理，是采用欧几里德距离公式进行计算用户兴趣的相似度，将用户兴趣的相似度大于预设阈值的用户设置相同的类型标签，并将具有相同的类型标签的用户划分在同一个用户簇中。

4.根据权利要求1至3任一项所述的一种基于用户兴趣感知的推荐方法，其特征在于：所述的用户兴趣，是根据用户对兴趣对象的真实评分和/或预测评分进行判断用户对所述兴趣对象的感兴趣对象类型和感兴趣程度，并根据感兴趣对象类型和感兴趣程度进行推荐内容的排序。

5.根据权利要求4所述的一种基于用户兴趣感知的推荐方法，其特征在于：所述的预测评分，是指同一个用户簇中的用户对相同类型的兴趣对象的评分的平均值；所述预测评分的计算公式如下：

其中，Train代表训练集数据，φ代表用户类型的函数，代表兴趣对象类型的函数，φ(u)、φ(v)分别代表用户u、用户v所属的用户类型，分别代表兴趣对象i、兴趣对象j所属的对象类型，r_vj代表用户v对兴趣对象j的真实评分，代表用户u对兴趣对象i的预测评分。

6.一种基于用户兴趣感知的图书推荐方法，其特征在于，包括以下步骤：

根据用户的图书借阅日志判断用户兴趣，并根据用户兴趣对用户进行聚类处理，得到一个以上的用户类型；

根据所述用户类型生成对应的用户簇；

获取当前用户的用户信息，并根据所述用户信息判断该当前用户的用户类型；

根据当前用户的用户类型判断该当前用户所属的用户簇；

从所属的用户簇中随机选择其中任一用户作为当前用户的邻居用户；

根据所述邻居用户的用户兴趣为所述当前用户产生推荐图书。

7.根据权利要求6所述的一种基于用户兴趣感知的图书推荐方法，其特征在于：每个用户类型或每个用户簇设有对应的图书类型标签，获取当前用户的用户信息后，进一步根据该用户信息设置该当前用户的图书类型标签，从而根据该图书类型标签匹配对应的用户簇，得到该当前用户所属的用户簇。

8.根据权利要求7所述的一种基于用户兴趣感知的图书推荐方法，其特征在于：所述的聚类处理，是采用欧几里德距离公式进行计算用户兴趣的相似度，将用户兴趣的相似度大于预设阈值的用户设置相同的图书类型标签，并将具有相同的图书类型标签的用户划分在同一个用户簇中。

9.根据权利要求6至8任一项所述的一种基于用户兴趣感知的图书推荐方法，其特征在于：所述的图书借阅日志，包括借阅记录号、书目记录号、借阅日期、借阅条形码、借阅时间、借阅类别、读者记录号中的一个以上信息。

10.根据权利要求6至8任一项所述的一种基于用户兴趣感知的图书推荐方法，其特征在于：所述的用户兴趣，是根据用户借阅的图书和借阅时长进行判断用户感兴趣的图书类型和感兴趣程度，或者，是根据用户对图书的真实评分和/或预测评分进行判断用户感兴趣的图书类型和感兴趣程度，然后根据感兴趣的图书类型和感兴趣程度产生推荐图书并对推荐书目进行排序。

11.根据权利要求10所述的一种基于用户兴趣感知的图书推荐方法，其特征在于：所述的预测评分，是指同一个用户簇中的用户对相同类型的图书的评分的平均值；所述预测评分的计算公式如下：

其中，Train代表训练集数据，φ代表用户类型的函数，代表图书类型的函数，φ(u)、φ(v)分别代表用户u、用户v所属的用户类型，分别代表图书i、图书j所属的图书类型，r_vj代表用户v对图书j的真实评分，代表用户u对图书i的预测评分。

12.一种基于用户兴趣感知的推荐装置，其特征在于，包括存储器和处理器，所述存储器中存储有指令，所述处理器通过执行所述存储器中存储的指令使得推荐装置实现如权利要求1至5任一项所述的基于用户兴趣感知的推荐方法或者如权利要求6至11任一项所述的基于用户兴趣感知的图书推荐方法。