CN110457492A - 一种个性化数据推荐算法及推荐系统 - Google Patents

Abstract

本发明涉及一种个性化数据推荐算法及推荐系统，所述方法包括：对个性化请求解析，获得用户请求id，根据用户请求id获得用户播放历史的记录信息，遍历记录信息，逐条获取记录中的歌曲id，根据歌曲id获得相似度信息，遍历相似度信息，计算该歌曲的打分结果和相似度歌曲的相似值的相乘结果，查找并记录相似度id及相乘结果，相似度id相同时累加相乘结果，当遍历完成后，按相乘结果降序排列。本发明，根据用户播放记录（播放歌曲记录），推算出该用户的偏好视频（歌曲视频），算法可靠性好，兼顾用户播放历史以及歌曲相似度信息，占用内存较少，提升推荐系统的稳定性、可靠性，增强个性化策略模型的运算效率。

Description

一种个性化数据推荐算法及推荐系统

技术领域

本发明涉及根据用户行为进行多媒体内容推荐技术领域，具体说是一种个性化数据推荐算法及推荐系统。

背景技术

由于互联网技术的发展，伴随着大数据的普及，从而对计算机系统（尤其是硬件）的要求也越来越高，如果某些系统资源占用率高，则存在系统整体性能下降的问题，影响系统的稳定运行。例如：

现有的B2C（Business-to-Customer）业务，其特点在于流量大、数据多，在同一时间段内会有大量的用户对系统进行高并发的访问，这对系统造成大量的访问压力，极易出现系统资源不足的问题，例如服务器端的内存、cpu、网络带宽不足等问题。

推荐系统就是一种B2C（Business-to-Customer）业务，有大量的数据需要占用内存进行相关存储计算等，由于服务器端的内存空间有限，当大量的数据占用内存时，就会导致系统整体性能下降，影响系统的稳定运行，用户的请求不能及时得到响应，导致使用推荐系统的用户体验不佳。

为了提高运算效率，减轻大量的数据占用内存对系统带来的影响，推荐系统通常根据不同用户的使用情况，采用个性化策略模型，有针对性的发觉个性化长尾，提高用户体验。这种个性化策略模型，针对不同用户的使用情况、使用习惯等，计算向用户推荐的内容，不但能为用户推荐其喜欢或感兴趣的内容，而且能在一定程度上避免非偏好信息的计算和推荐，优化对系统资源的占用。

个性化策略模型涉及个性化数据推荐算法，现有的该算法通常根据用户播放歌曲形成的记录，即用户播放历史的记录信息，推算出该用户的个性化数据，避免重复推送。但是，仅依靠用户播放历史的记录信息，不能充分挖掘长尾信息，导致推送信息不够全面，且对用户喜欢或感兴趣的内容估算不充分。

因此本发明针对该算法进行设计、优化，以期提升推荐系统的稳定性、可靠性，增强个性化策略模型的运算效率。

发明内容

针对现有技术中存在的缺陷，本发明的目的在于提供一种个性化数据推荐算法及推荐系统，根据用户播放记录（播放歌曲记录），推算出该用户的偏好视频（歌曲视频），算法可靠性好，兼顾用户播放历史以及歌曲相似度信息，占用内存较少，提升推荐系统的稳定性、可靠性，增强个性化策略模型的运算效率。

为达到以上目的，本发明采取的技术方案是：

一种个性化数据推荐算法，其特征在于，包括如下步骤：

等待个性化请求，当接收到个性化请求后，对请求进行解析，获得用户请求id，所述用户请求id，用于唯一标识用户，

根据用户请求id获取对应的历史信息索引文件，进而获得用户播放历史的记录信息，并将记录信息存入数据结构history_map中，

遍历用户播放历史的记录信息，逐条取出记录信息中的播放记录，并进行如下处理：

获取播放记录中的歌曲id，查询该歌曲的所有相似度信息，并将信息存入数据结构simi_map中，

遍历相似度信息，并进行如下处理：

该歌曲的打分结果和该歌曲的相似度歌曲的相似值相乘，得出相乘结果，

以相似歌曲的歌曲id作为相似度id，查找该相似度id是否插入了数据结构score_map中，

如果没有插入，则将相似度id和相乘结果插入数据结构score_map中，

如果已经插入，则将数据结构score_map中的原相乘结果加上本次遍历相似度信息计算得到的相乘结果，

当遍历相似度信息和遍历用户播放历史的记录信息均完成后，进行如下处理：

将数据结构score_map中的记录根据相乘结果的数值进行降序排列。

在上述技术方案的基础上，所述个性化请求，该请求的发起可采用以下任意之一：

基于用户的主动请求，当用户希望使用推荐系统，则用户可通过主动操作或主动选择，实现个性化请求的发起，

基于系统的自动请求，推荐系统默认设定是否发起个性化请求，在App安装后，当用户开始使用App时，根据默认设定，则发起个性化请求，

基于服务器端针对指定播放内容的默认设定，服务器端设定针对某些指定的播放内容提供个性化请求的发起，当用户浏览到该指定的播放内容，则服务器端和推荐系统之间交互指令，根据服务器端的默认设定，则发起个性化请求。

在上述技术方案的基础上，所述用户播放历史的记录信息，指用户部分播放历史，默认为采用如下算法抽取出前100条得分最高的播放历史：

对播放历史中记录的、播放过的歌曲，根据其播放情况按以下公式进行打分：播放的总长度除以观看长度=打分结果，在得到打分结果后按打分结果进行降序排列，选择前100条得分最高的播放历史，所述播放历史中包含了歌曲id。

在上述技术方案的基础上，用户播放历史的记录信息，格式如下：

用户id，歌曲id_打分结果，歌曲id_打分结果，……。

在上述技术方案的基础上，所述数据结构history_map，是字典数据结构map，存储格式为map<uint32_t, float>，

所述数据结构simi_map，是字典数据结构map，存储格式为map<uint32_t, float>，

所述数据结构score_map，是字典数据结构map，存储格式为map<uint32_t, float>。

在上述技术方案的基础上，所述相似度信息指歌曲相似度信息，为经过计算得出的与歌曲id对应的歌曲相似的所有歌曲。

在上述技术方案的基础上，所述相似度信息，按相似值进行降序排列，格式如下：

歌曲id，相似歌曲的歌曲id_相似值，相似歌曲的歌曲id_相似值，……。

在上述技术方案的基础上，进一步包括：根据召回个数，从降序排列后的数据结构score_map中取出相应个数的歌曲id。

在上述技术方案的基础上，所述个性化数据推荐算法，在个性化推荐线程中执行，

当启动个性化推荐线程后，实时监测该线程是否结束，

当该线程结束,则停止执行个性化数据推荐算法，

当该线程未结束，则循环执行个性化数据推荐算法。

在上述技术方案的基础上，当进入包含播放控件的App页面后，系统控制即启动个性化推荐线程，

或：

当进入包含推荐控件的App页面后，系统控制即启动个性化推荐线程，

或：

当进入预设的App页面后，系统控制即启动个性化推荐线程。

一种推荐系统，其特征在于：系统采用个性化策略模型，有针对性的发觉个性化长尾，

所述个性化策略模型包括如上所述任意之一的个性化数据推荐算法。

本发明所述的个性化数据推荐算法及推荐系统，根据用户播放记录（播放歌曲记录），推算出该用户的偏好视频（歌曲视频），算法可靠性好，兼顾用户播放历史以及歌曲相似度信息，占用内存较少，提升推荐系统的稳定性、可靠性，增强个性化策略模型的运算效率。

本发明所述的个性化数据推荐算法，可应用于酷我音乐APP中的个性化推荐模块，所述个性化推荐模块，属于酷我音乐APP视频推荐模块（推荐系统）的一个组成部分，为不同用户推荐不同的个性化视频数据，从而吸收大量的用户，以期提高平台知名度。还可以扩展酷我音乐APP的业务，丰富APP的多功能娱乐性。

附图说明

本发明有如下附图：

图1 本发明的流程图。

具体实施方式

以下结合附图对本发明作进一步详细说明。

如图1所示，本发明所述的个性化数据推荐算法，所述方法（算法）包括：对个性化请求解析，获得用户请求id，根据用户请求id获得用户播放历史的记录信息，遍历记录信息，逐条获取记录中的歌曲id，根据歌曲id获得相似度信息，遍历相似度信息，计算该歌曲的打分结果和相似度歌曲的相似值的相乘结果，查找并记录相似度id及相乘结果，相似度id相同时累加相乘结果，当遍历完成后，按相乘结果降序排列。具体步骤详述如下：

等待个性化请求，当接收到个性化请求后，对请求进行解析，获得用户请求id，所述用户请求id，用于唯一标识用户，

所述个性化请求，该请求的发起可采用以下任意之一：

基于用户的主动请求，当用户希望使用推荐系统，获取更多的信息（与当前内容相关的信息），或者获取更丰富的资讯（与当前内容同类的资讯），则用户可通过主动操作或主动选择，实现个性化请求的发起，例如用户主动选择开启个性化请求的选项，则发起个性化请求，又例如用户主动操作指定获取资讯的类别，则发起个性化请求，

也可以基于系统的自动请求，推荐系统默认设定是否发起个性化请求，在App安装后，当用户开始使用App时，根据默认设定，则发起个性化请求，

还可以基于服务器端针对指定播放内容的默认设定，服务器端设定针对某些指定的播放内容提供个性化请求的发起，当用户浏览到该指定的播放内容，则服务器端和推荐系统之间交互指令，根据服务器端的默认设定，则发起个性化请求，

所述用户请求id，通过唯一标识用户，将不同的用户区分开来，以便针对性的提供个性化数据推荐，

根据用户请求id获取对应的历史信息索引文件，进而获得用户播放历史的记录信息，并将记录信息存入数据结构history_map中，

所述用户播放历史的记录信息，指用户部分播放历史（即不是用户的全部播放历史），默认为采用如下算法抽取出前100条得分最高的播放历史：

对播放历史中记录的、播放过的歌曲（歌曲视频），根据其播放情况按以下公式进行打分：播放的总长度除以观看长度=打分结果，在得到打分结果后按打分结果进行降序排列，选择前100条得分最高的播放历史，所述播放历史中包含了歌曲id，

用户播放历史的记录信息，格式如下：

用户id，歌曲id_打分结果，歌曲id_打分结果，……

例如用户播放历史的记录信息如下：

442303133,968321_0.008471,134244_0.108445,5947674_0.059965,

该条用户播放历史的记录信息中，用户id为442303133，歌曲id有三个，分别为968321、134244以及5947674，歌曲id后跟随分隔符号’_’，分隔符号后的数字为打分结果（与歌曲id对应），

所述数据结构history_map，是字典数据结构map，存储格式为map<uint32_t, float>，其中：

uint32_t存储的是歌曲id，

float存储的是打分结果，

上述示例中，用户id为442303133的用户，其记录信息存入数据结构history_map中，存储格式如下：

<968321,0.008471>

<134244,0.108445>

<5947674,0.059965>，

遍历用户播放历史的记录信息（遍历数据结构history_map），逐条取出记录信息中的播放记录，并进行如下处理：

获取播放记录中的歌曲id，查询该歌曲的所有相似度信息，并将信息存入数据结构simi_map中，

所述相似度信息指歌曲相似度信息，为经过计算得出的与歌曲id对应的歌曲相似的所有歌曲，相似度信息的计算可采用现有技术实施，不属于本发明的范畴，故不对相似值的计算进行详述，

所述相似度信息，格式如下（按相似值进行降序排列）：

歌曲id，相似歌曲的歌曲id_相似值，相似歌曲的歌曲id_相似值，……

例如相似度信息如下：

968321,1896009_0.430857,430857_0.411053,341676_0.325100

该条相似度信息中，歌曲id为968321，相似歌曲的歌曲id有三个，分别为1896009、430857以及341676，相似歌曲的歌曲id后跟随分隔符号’_’，分隔符号后的数字为相似值（与相似歌曲的歌曲id对应），

所述数据结构simi_map，是字典数据结构map，存储格式为map<uint32_t, float>，其中：

uint32_t存储的是歌曲id，

float存储的是相似值，

上述示例中，歌曲id为968321的歌曲，其相似度信息存入数据结构simi_map中，存储格式如下：

<1896009,0.430857>

<430857,0.411053>

<341676,0.325100>，

遍历相似度信息，并进行如下处理：

该歌曲的打分结果和该歌曲的相似度歌曲的相似值相乘，得出相乘结果，

上述示例中，歌曲id为968321的歌曲，打分结果为0.008471，相似歌曲的歌曲id有三个，分别为1896009、430857以及341676，

以第一首相似歌曲的遍历过程为例，计算相乘结果如下：0.008471*0.430857=0.003649789647，

以第二首相似歌曲的遍历过程为例，计算相乘结果如下：0.008471*0.411053=0.003482029963，

以此类推，

以相似歌曲的歌曲id作为相似度id，查找该相似度id是否插入了数据结构score_map中，

如果没有插入，则将相似度id和相乘结果插入数据结构score_map中，

如果已经插入，则将数据结构score_map中的原相乘结果加上本次遍历相似度信息计算得到的相乘结果，

上述示例中，以第一首相似歌曲的遍历过程为例，相似歌曲的歌曲id为1896009，则1896009作为相似度id，判断1896009在score_map中是否存在，

如果已存在，则将相乘的结果0.003649789647与score_map中的原相乘结果相加，

如果不存在，则将相似度id 1896009及相乘的结果0.003649789647存入数据结构score_map中，

所述数据结构score_map，是字典数据结构map，存储格式为map<uint32_t, float>，其中：

uint32_t存储的是相似度id，相似度id即歌曲id，

float存储的是相乘结果，

当遍历相似度信息和遍历用户播放历史的记录信息均完成后，进行如下处理：

将数据结构score_map中的记录根据相乘结果的数值进行降序排列，

根据召回个数，从降序排列后的数据结构score_map中取出相应个数的歌曲id，

例如：

设召回个数为50，则从降序排列后的数据结构score_map中取出50个记录，

召回个数的具体数值为预设值，用户亦可自行设定。

在上述技术方案的基础上，所述个性化数据推荐算法，在个性化推荐线程中执行，

当启动个性化推荐线程后，实时监测该线程是否结束，

当该线程结束,则停止执行个性化数据推荐算法，

当该线程未结束，则循环执行个性化数据推荐算法。

在上述技术方案的基础上，个性化推荐线程的启动和结束由推荐系统控制。

在上述技术方案的基础上，当进入包含播放控件的App页面后，系统控制即启动个性化推荐线程，

或：

当进入包含推荐控件的App页面后，系统控制即启动个性化推荐线程，

或：

当进入预设的App页面后，系统控制即启动个性化推荐线程。

所述预设的App页面为：电台页面、推荐页面、视频页面中的任意一个。

本说明书中未作详细描述的内容属于本领域专业技术人员公知的现有技术。

Claims (10)

1.一种个性化数据推荐算法，其特征在于，包括如下步骤：

等待个性化请求，当接收到个性化请求后，对请求进行解析，获得用户请求id，所述用户请求id，用于唯一标识用户，

根据用户请求id获取对应的历史信息索引文件，进而获得用户播放历史的记录信息，并将记录信息存入数据结构history_map中，

遍历用户播放历史的记录信息，逐条取出记录信息中的播放记录，并进行如下处理：

获取播放记录中的歌曲id，查询该歌曲的所有相似度信息，并将信息存入数据结构simi_map中，

遍历相似度信息，并进行如下处理：

该歌曲的打分结果和该歌曲的相似度歌曲的相似值相乘，得出相乘结果，

以相似歌曲的歌曲id作为相似度id，查找该相似度id是否插入了数据结构score_map中，

如果没有插入，则将相似度id和相乘结果插入数据结构score_map中，

如果已经插入，则将数据结构score_map中的原相乘结果加上本次遍历相似度信息计算得到的相乘结果，

当遍历相似度信息和遍历用户播放历史的记录信息均完成后，进行如下处理：

将数据结构score_map中的记录根据相乘结果的数值进行降序排列。

2.如权利要求1所述的个性化数据推荐算法，其特征在于：所述个性化请求，该请求的发起可采用以下任意之一：

基于用户的主动请求，当用户希望使用推荐系统，则用户可通过主动操作或主动选择，实现个性化请求的发起，

基于系统的自动请求，推荐系统默认设定是否发起个性化请求，在App安装后，当用户开始使用App时，根据默认设定，则发起个性化请求，

基于服务器端针对指定播放内容的默认设定，服务器端设定针对某些指定的播放内容提供个性化请求的发起，当用户浏览到该指定的播放内容，则服务器端和推荐系统之间交互指令，根据服务器端的默认设定，则发起个性化请求。

3.如权利要求1所述的个性化数据推荐算法，其特征在于：所述用户播放历史的记录信息，指用户部分播放历史，默认为采用如下算法抽取出前100条得分最高的播放历史：

对播放历史中记录的、播放过的歌曲，根据其播放情况按以下公式进行打分：播放的总长度除以观看长度=打分结果，在得到打分结果后按打分结果进行降序排列，选择前100条得分最高的播放历史，所述播放历史中包含了歌曲id。

4.如权利要求1所述的个性化数据推荐算法，其特征在于：用户播放历史的记录信息，格式如下：

用户id，歌曲id_打分结果，歌曲id_打分结果，……。

5.如权利要求1所述的个性化数据推荐算法，其特征在于：所述数据结构history_map，是字典数据结构map，存储格式为map<uint32_t, float>，

所述数据结构simi_map，是字典数据结构map，存储格式为map<uint32_t, float>，

所述数据结构score_map，是字典数据结构map，存储格式为map<uint32_t, float>。

6.如权利要求1所述的个性化数据推荐算法，其特征在于：所述相似度信息指歌曲相似度信息，为经过计算得出的与歌曲id对应的歌曲相似的所有歌曲。

7.如权利要求1所述的个性化数据推荐算法，其特征在于：所述相似度信息，按相似值进行降序排列，格式如下：

歌曲id，相似歌曲的歌曲id_相似值，相似歌曲的歌曲id_相似值，……。

8.如权利要求1所述的个性化数据推荐算法，其特征在于：进一步包括：根据召回个数，从降序排列后的数据结构score_map中取出相应个数的歌曲id。

9.如权利要求1所述的个性化数据推荐算法，其特征在于：所述个性化数据推荐算法，在个性化推荐线程中执行，

当启动个性化推荐线程后，实时监测该线程是否结束，

当该线程结束,则停止执行个性化数据推荐算法，

当该线程未结束，则循环执行个性化数据推荐算法；

当进入包含播放控件的App页面后，系统控制即启动个性化推荐线程，

或：

当进入包含推荐控件的App页面后，系统控制即启动个性化推荐线程，

或：

当进入预设的App页面后，系统控制即启动个性化推荐线程。

10.一种推荐系统，其特征在于：系统采用个性化策略模型，有针对性的发觉个性化长尾，

所述个性化策略模型包括如权利要求1-9任意之一所述的个性化数据推荐算法。