CN110647678A - 一种基于用户性格标签的推荐方法 - Google Patents
一种基于用户性格标签的推荐方法 Download PDFInfo
- Publication number
- CN110647678A CN110647678A CN201910822466.2A CN201910822466A CN110647678A CN 110647678 A CN110647678 A CN 110647678A CN 201910822466 A CN201910822466 A CN 201910822466A CN 110647678 A CN110647678 A CN 110647678A
- Authority
- CN
- China
- Prior art keywords
- user
- recommendation
- character
- behavior
- score
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9535—Search customisation based on user profiles and personalisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种基于用户性格标签的推荐方法,实现了用户行为指标列表的开发、用户性格‑推荐模式匹配规则的建模、推荐模式列表的开发、用户性格标签的开发、用户线上行为指标的建模等;本发明以心理学的性格理论为基础,利用大数据技术全面分析用户对产品的使用行为、评论等数据,对用户的性格进行挖掘,构建用户行为模型,开发一套用户性格标签及对应的推荐模式,可以根据具体的应用场景向用户进行相关推荐,适用于电子商务、社交网络等平台的推荐系统。由于用户性格的内部稳定性好,可解释性、可迁移性强,利用性格标签进行推荐能有效解决系统数据稀疏、不可迁移、新用户推荐效果不佳等冷启动问题。
Description
技术领域
本发明属于大数据处理技术领域,尤其涉及一种基于用户性格标签的推荐方法。
背景技术
随着大数据时代的来临,网络中的信息量呈现指数式增长,大量的冗余信息严重干扰了互联网用户对相关有用信息的准确性选择,推荐系统应运而生。推荐系统能根据不同的算法模型,从大量信息中分析找到用户可能感兴趣的信息,从而向用户推荐他们现在或将来可能会喜欢的项目。
目前推荐系统大都应用于电商类的购物网站,社交类、资讯类的网络信息平台,为相关产品及项目进行推荐。协同过滤是目前主流的推荐机制,主要是指根据用户对物品或者信息的偏好,发现物品、内容或用户本身的相关性,基于这些关联性进行推荐,其核心是收集用户偏好、找到相似的用户或物品、计算并推荐。其中,获取用户偏好,理解用户需求,对用户进行分类识别建模,是影响推荐系统质量和应用发展的关键。但是,以协同过滤为机制的推荐系统,对用户的历史数据依赖性较高,存在新用户场景下的“冷启动”问题。“冷启动”问题包括数据稀疏性(sparsity)和新用户(the new user)问题。数据稀疏性主要是指由于系统或物品处于新上线状态,缺少用户的浏览、购买、评价等历史数据;新用户问题主要是指用户处于新登录状态,未对任务物品进行过评分,无法确定用户偏好及需求。并且,在推荐分析过程中,需要大量、重复多次的历史浏览信息,数据量庞大,数据处理缓慢,推荐效率低。以视频推荐为例,用户在实际查找视频过程中,由于每个用户对视频的喜好并不相同,且同一用户在不同时期对视频的喜好也不同。因此,通过协同过滤机制进行推荐,容易导致推荐准确度不高,无法满足用户需求。
国内外的众多研究曾在协同过滤技术中引入性格特征,作为一个参数,综合加权考虑计算用户相似度,相比于传统的协同过滤手段,能显著提升推荐的准确性。然而,在这类研究中,对性格的测量都是通过问卷,由用户进行自我主观反馈来进行,测量效率低且停留在表面,并不能从本质上体现性格在推荐系统中的作用。
推荐系统普遍采用标签结合不同推荐方式来实现推荐过程,需要对标签进行不断的开发,标签的不稳定性质,会导致使用这类标签的推荐系统不够准确,无法满足用户的推荐需求。
发明内容
本发明的目的是提供一种全面分析用户在互联网使用行为中的认知习惯和操作倾向,基于用户性格标签进行推荐的方法和系统。
本发明的目的是通过以下技术方案来实现的:一种基于用户性格标签的推荐方法,该方法包括以下步骤:
(1)建立线下性格与推荐模式的映射模型
(1.1)构建用户行为指标库和推荐模式库:根据一般用户对终端设备和终端设备上应用的行为习惯,开展小样本的线下用户抽样调研,收集用户行为指标和推荐模式,构建用户行为指标库和推荐模式库;
(1.2)生成用户行为指标列表、推荐模式列表和性格-推荐模式匹配规则:
根据用户行为指标和推荐模式,编制用户在具体应用场景的状态描述,即用户行为问卷;
让受试者分别做用户行为问卷和通用性格问卷,处理问卷数据生成用户行为指标列表、推荐模式列表和性格-推荐模式匹配规则;
所述用户行为指标列表,包括从用户行为指标库里筛选出来的,与推荐模式列表中的推荐模式对应的用户行为指标;
所述推荐模式列表,包括从推荐模式库里筛选出来的,对受试者有区分度或与性格维度得分显著相关的推荐模式;
所述性格-推荐模式匹配规则,包括性格维度,以及性格维度得分与推荐模式的对应关系。
(2)建立线上性格与行为真值拟合模型
(2.1)让线上受试者做通用性格问卷,生成某一性格维度的真值,同时采集同一受试者的互联网使用行为;
(2.2)根据用户行为指标列表,对用户的线上互联网使用行为进行指标转译,得到用户线上行为向量;
(2.3)将某用户线上行为向量与该用户相对应的性格维度真值进行训练,得到分类规则,完成线上性格与行为真值拟合模型的构建。
(3)根据用户的线上行为向量,确定用户推荐模式及内容
(3.1)将某用户的线上行为向量输入线上性格与行为真值拟合模型,通过计算指标相似性来获得该用户的性格标签;
(3.2)将用户性格标签,与性格-推荐模式匹配规则、推荐模式列表进行匹配,确定用户推荐模式;
(3.3)根据具体应用场景和用户推荐模式,确定推荐内容。
进一步地,所述步骤(1.1)中,用户对终端设备上应用的行为习惯包括对视频、App、音乐应用的评论、使用行为习惯。
进一步地,所述步骤(1.1)中,所述用户行为指标库由用户行为指标构成,根据用户使用量级或类别确定子维度。
进一步地,所述步骤(1.2)中的具体生成方法如下:根据用户行为指标和推荐模式,编制用户行为问卷,让受试者用5点量表做评价,生成某一推荐模式的得分A;让同一受试者做通用性格问卷,生成某一性格维度的得分B;采用不同的机器学习算法对得分A和得分B进行训练,选取拟合度最高的模型对用户行为指标进行分析筛选,只保留对受试者有区分度或与得分B积差相关系数显著的推荐模式形成推荐模式列表,并将推荐模式列表中的推荐模式在状态描述中对应的用户行为指标构成用户行为指标列表,并将推荐模式得分A和性格维度得分B之间的映射关系构成性格-推荐模式匹配规则。
进一步地,所述对受试者有区分度的标准为:得分排名前27%的受试者平均得分与得分排名后27%的受试者平均得分的T检验存在显著差异。
进一步地,所述步骤(2.2)中,所述用户的线上互联网使用行为包括显性行为数据和隐性行为数据;所述显性行为数据包括用户评分、评论、点赞、转发数据;所述隐性行为数据包括用户浏览量、浏览时间、点击量、观看时长数据。
进一步地,所述步骤(2.2)中,所述用户线上行为向量,是以用户行为指标列表为基础,根据实际的用户线上互联网使用行为,按不同的计算方法对用户在某个用户行为指标上的使用行为进行打分,得到该用户在各个用户行为指标列表上的得分向量;所述计算方法包括标记分类、占比计分、百分位数方法;对不同的计算方法进行组合搭配,以获得最好的拟合效果。
进一步地,所述步骤(2.3)中,对所有用户的线上行为向量和所对应的性格维度真值进行分析处理,通过机器学习分类算法,选取拟合度最高的模型,确定与用户性格维度相对应的用户线上行为指标及分值,形成分类规则。
进一步地,所述步骤(3.1)中,所述指标相似性的计算方法包括余弦相似性、欧氏距离、杰卡德距离,通过调整相应参数,根据模型的拟合度来选取计算方法。
进一步地,所述用户的性格标签,包括该用户的性格特征特点,是根据用户的线上行为和模型中的向量距离,认为该用户属于某性格而给用户打上的标签,这个标签只描述了该用户可能的性格维度得分区间,但不包括具体分值。
本发明的有益效果是:本发明以心理学的性格理论为基础,利用大数据技术全面分析用户对产品的使用行为、评论等数据,对用户的性格进行挖掘,构建用户行为模型,开发一套用户性格标签及对应的推荐模式,可以根据具体的应用场景向用户进行相关推荐,适用于电子商务、社交网络等平台的推荐系统。由于用户性格的内部稳定性好,可解释性、可迁移性强,利用性格标签进行推荐能有效解决系统数据稀疏、不可迁移、新用户推荐效果不佳等冷启动问题。
附图说明
图1为本发明方法实现流程图。
具体实施方式
下面结合附图和具体实施例对本发明作进一步详细说明。
如图1所示,本发明提供的一种基于用户性格标签的推荐方法,该方法包括以下步骤:
(1)建立线下性格与推荐模式的映射模型
(1.1)构建用户行为指标库和推荐模式库,具体如下:
根据一般用户对终端设备和终端设备上的视频、App、音乐等应用的评论、使用行为习惯,开展小样本的线下用户抽样调研,收集用户行为指标和推荐模式,构建用户行为指标库和推荐模式库;
所述用户行为指标库主要由用户行为指标构成,根据用户使用量级或类别确定子维度,如用户行为指标“推荐”可分为微信转发好友、微信分享朋友圈、微博转发评论、豆瓣打分评论等。
针对视频,用户行为指标包括:什么场景喜欢观看某种类型视频、观看原因、在哪个平台观看、是否主动搜索内容、通过关键词搜索还是分类查找、是否会点赞/推荐、通过何种方式推荐(转发、分享)、一般观看视频时间、连续看或者分散看、在线看还是缓存看;
针对App,用户行为指标包括:何时下载新App、何时卸载App、是否会看App首页推荐内容、如何下载App、如何搜索App、通过关键词搜索还是分类查找、是否推荐App、通过何种方式推荐(转发、分享)、每天何时使用某类App等;
针对音乐,用户行为指标包括:什么场景喜欢收听某种类型音乐、收听原因、在哪个平台收听、是否主动搜索内容、通过关键词搜索还是分类查找、是否会点赞/推荐、通过何种方式推荐(转发、分享)、一般收听时间、在线听还是下载听等。
所述推荐模式包括:猜你喜欢,按用户相似度进行推荐,如针对视频为观看了某视频的用户有80%也观看了另外一个视频,针对App为下载了某App的用户有80%也下载了另外一个App,针对音乐为收听了某音乐的用户有80%也收听了另外一首音乐;本地推荐,即按区域范围内的视频、App、音乐的点击量进行推荐;热门推荐,即按所有范围内的视频、App、音乐热门点击量进行推荐;历史推荐,即按用户个人历史的点击情况,进行视频、App、音乐等产品相似度推荐;类别推荐,即按视频的题材、音乐的类别进行分类推荐;明星推荐,即按参与视频、音乐的知名明星进行分类推荐。
(1.2)生成用户行为指标列表、推荐模式列表和性格-推荐模式匹配规则
根据用户行为指标和推荐模式,编制用户在具体应用场景(学习、生活、工作等)的状态描述(例如:我周末在家看视频,但又不知道看什么时,会点击查看热搜榜单),即用户行为问卷,让受试者用5点量表做评价,生成某一推荐模式的得分A;让同一受试者做通用性格问卷(大五人格测试/MBTI测试等),生成某一性格维度的得分B;采用梯度下降、决策树、支持向量机等各种不同的机器学习算法对得分A和得分B进行训练,选取拟合度最高的模型对用户行为指标进行分析筛选,只保留对受试者有区分度(得分排名前27%的受试者平均得分与得分排名后27%的受试者平均得分的T检验存在显著差异,通常p<0.05,p值是统计学上的专业指标,表示假设为真时所得的样本观察结果出现的概率,p值越小,结果越显著;统计学内认为p值小于0.05,就是达到显著状态)或与得分B积差相关系数显著(通常p<0.05)的推荐模式形成推荐模式列表,并将推荐模式列表中的推荐模式在状态描述中对应的用户行为指标构成用户行为指标列表,并将推荐模式得分A和性格维度得分B之间的映射关系构成性格-推荐模式匹配规则,完成线下性格与推荐模式的映射模型的构建;
所述用户行为指标列表,包括从用户行为指标库里筛选出来的,与推荐模式列表中的推荐模式对应的用户行为指标。
所述推荐模式列表,包括从推荐模式库里筛选出来的,对受试者有区分度或与性格维度得分显著相关的推荐模式。
所述性格-推荐模式匹配规则,包括性格维度,以及性格维度得分与推荐模式的对应关系。所述性格维度,如大五人格理论中的五个维度,包括开放性、责任心、外倾性、宜人性和神经质,每个维度具有六个子维度,每个子维度包括高分特点、低分特点。所述性格维度得分与推荐模式的对应关系,如外倾性-乐群性得分高的用户,更倾向于使用“猜你喜欢”的推荐方式。
(2)建立线上性格与行为真值拟合模型
(2.1)让线上受试者做通用性格问卷(大五人格测试/MBTI测试等),生成某一性格维度的真值C,同时采集同一受试者的互联网使用行为,包括对终端设备和终端设备上的视频、App、音乐等应用的历史评论、历史使用行为等;
(2.2)根据用户行为指标列表,对用户的线上互联网使用行为进行指标转译,得到用户线上行为向量;
所述用户的线上互联网使用行为包括显性行为数据和隐性行为数据。所述显性行为数据包括用户评分、评论、点赞、转发等数据;所述隐性行为数据包括用户浏览量、浏览时间、点击量、观看时长等数据。
所述用户线上行为向量,是以用户行为指标列表为基础,根据实际的用户线上互联网使用行为,按不同的计算方法,对用户在某个用户行为指标上的使用行为进行打分,得到该用户在各个用户行为指标列表上的得分向量,记为D=[d1,d2,…dn];进一步地解释如下:用户行为指标列表是由用户行为指标构成的,如向量D=[d1,d2,…dn]是用户行为指标列表的数学表达,组成该向量的元素d1、d2、…dn是用户行为指标;Di=[di1,di2,…din]是第i个用户行为指标对应的分数,n是用户行为指标的个数,din代表第i个用户在第n个用户行为指标上的得分。
所述计算方法,包括标记分类、占比计分、百分位数等方法。针对观看视频这一类用户行为指标,包括单次平均观看时长(0-3分钟,3-10分钟)和每周观看比例(观看喜剧视频占观看所有视频时长的比例:0-10%,10-30%,30-60%)。标记分类是根据用户单次的平均观看时长进行分类,如0-3分钟则将用户标记为1类,3-10分钟则将用户标记为2类;占比计分是根据用户的平均观看时长的实际值在全量区间上的占比进行计分,如用户实际平均观看时长为7分钟,全量区间为10分钟,则记为70分;百分位数是指根据总体用户数据,计算该用户的实际行为所处的百分位数进行计分,如用户实际平均观看时长为7分钟,但是超过了95%的用户,即在总体数据中,有95%的用户实际平均观看时长都少于7分钟,因而该用户在这个用户行为指标上的分值为98分。根据具体应用场景的不同、数据特性的不同以及总体数据的分布不同,对不同的计算方法进行组合搭配,以获得最好的拟合效果。
(2.3)将某用户线上行为向量D与该用户相对应的性格维度真值C进行训练,得到分类规则,完成线上性格与行为真值拟合模型的构建;
所述分类规则,是指对所有用户的线上行为向量D和所对应的性格维度真值C,进行分析处理,通过逻辑回归、决策树等机器学习分类算法,选取拟合度最高的模型,确定与用户性格维度相对应的用户线上行为指标及分值(某一类特定性格的用户,会对应特定的线上行为指标,如使用或不使用某类app或者产品功能;同样地,即使用户线上行为指标相同,不同性格也会对应不同的分值,因此输出不同性格维度真值的用户所对应的线上行为指标及分值),形成分类规则。
(3)根据用户的线上行为向量,确定用户推荐模式及内容;
(3.1)将某用户的线上行为向量D输入线上性格与行为真值拟合模型,通过计算指标相似性来获得该用户的性格标签;
所述指标相似性的计算方法,包括余弦相似性、欧氏距离、杰卡德距离等,通过调整相应参数,根据模型的拟合度来选取计算方法;相似性计算的是,线上性格与行为真值拟合模型中某一类性格的用户的线上行为向量(训练集)与新进来的某个用户的线上行为向量(测试集),根据新进来用户与模型中各个不同性格的向量进行比较,来判断新进来用户属于什么性格。
所述用户的性格标签,包括该用户的性格特征特点,如外倾性-乐群性为高分,神经质-脆弱性为低分等。性格维度是指模型中每个性格特征,每个人在每个性格维度上都会有一个得分,这是量化的数据;性格标签是根据用户的线上行为和模型中的向量距离,认为该用户属于某性格而给用户打上的标签,这个标签只描述了该用户可能的性格维度得分区间,如高分、低分,但不包括具体分值。
(3.2)将用户性格标签,与性格-推荐模式匹配规则、推荐模式列表进行匹配,确定用户推荐模式,如某用户喜欢本地推荐,另一用户喜欢热门推荐等;
(3.3)根据具体应用场景和用户喜欢的推荐模式,确定推荐内容;如推荐视频时,用户喜欢热门推荐,则根据视频的点击量进行推荐;推荐音乐时,用户喜欢根据歌手分类进行推荐等。
本发明的关键点在于用户行为指标列表的开发、用户性格-推荐模式匹配规则的建模、推荐模式列表的开发、用户性格标签的开发、用户线上行为指标的建模等。本发明以心理学的性格理论为基础,利用大数据技术全面分析用户对产品的使用行为、评论等数据,对用户的性格进行挖掘,构建用户行为模型,开发一套用户性格标签及对应的推荐模式,可以根据具体的应用场景向用户进行相关推荐。
以上仅为本发明的实施实例,并非用于限定本发明的保护范围。凡在本发明的精神和原则之内,不经过创造性劳动所作的任何修改、等同替换、改进等,均包含在本发明的保护范围内。
Claims (10)
1.一种基于用户性格标签的推荐方法,其特征在于,该方法包括以下步骤:
(1)建立线下性格与推荐模式的映射模型
(1.1)构建用户行为指标库和推荐模式库:根据一般用户对终端设备和终端设备上应用的行为习惯,开展小样本的线下用户抽样调研,收集用户行为指标和推荐模式,构建用户行为指标库和推荐模式库;
(1.2)生成用户行为指标列表、推荐模式列表和性格-推荐模式匹配规则:
根据用户行为指标和推荐模式,编制用户在具体应用场景的状态描述,即用户行为问卷;
让受试者分别做用户行为问卷和通用性格问卷,处理问卷数据生成用户行为指标列表、推荐模式列表和性格-推荐模式匹配规则;
所述用户行为指标列表,包括从用户行为指标库里筛选出来的,与推荐模式列表中的推荐模式对应的用户行为指标;
所述推荐模式列表,包括从推荐模式库里筛选出来的,对受试者有区分度或与性格维度得分显著相关的推荐模式;
所述性格-推荐模式匹配规则,包括性格维度,以及性格维度得分与推荐模式的对应关系。
(2)建立线上性格与行为真值拟合模型
(2.1)让线上受试者做通用性格问卷,生成某一性格维度的真值,同时采集同一受试者的互联网使用行为;
(2.2)根据用户行为指标列表,对用户的线上互联网使用行为进行指标转译,得到用户线上行为向量;
(2.3)将某用户线上行为向量与该用户相对应的性格维度真值进行训练,得到分类规则,完成线上性格与行为真值拟合模型的构建。
(3)根据用户的线上行为向量,确定用户推荐模式及内容
(3.1)将某用户的线上行为向量输入线上性格与行为真值拟合模型,通过计算指标相似性来获得该用户的性格标签;
(3.2)将用户性格标签,与性格-推荐模式匹配规则、推荐模式列表进行匹配,确定用户推荐模式;
(3.3)根据具体应用场景和用户推荐模式,确定推荐内容。
2.根据权利要求1所述的一种基于用户性格标签的推荐方法,其特征在于,所述步骤(1.1)中,用户对终端设备上应用的行为习惯包括对视频、App、音乐应用的评论、使用行为习惯。
3.根据权利要求1所述的一种基于用户性格标签的推荐方法,其特征在于,所述步骤(1.1)中,所述用户行为指标库由用户行为指标构成,根据用户使用量级或类别确定子维度。
4.根据权利要求1所述的一种基于用户性格标签的推荐方法,其特征在于,所述步骤(1.2)中的具体生成方法如下:根据用户行为指标和推荐模式,编制用户行为问卷,让受试者用5点量表做评价,生成某一推荐模式的得分A;让同一受试者做通用性格问卷,生成某一性格维度的得分B;采用不同的机器学习算法对得分A和得分B进行训练,选取拟合度最高的模型对用户行为指标进行分析筛选,只保留对受试者有区分度或与得分B积差相关系数显著的推荐模式形成推荐模式列表,并将推荐模式列表中的推荐模式在状态描述中对应的用户行为指标构成用户行为指标列表,并将推荐模式得分A和性格维度得分B之间的映射关系构成性格-推荐模式匹配规则。
5.根据权利要求4所述的一种基于用户性格标签的推荐方法,其特征在于,所述对受试者有区分度的标准为:得分排名前27%的受试者平均得分与得分排名后27%的受试者平均得分的T检验存在显著差异。
6.根据权利要求1所述的一种基于用户性格标签的推荐方法,其特征在于,所述步骤(2.2)中,所述用户的线上互联网使用行为包括显性行为数据和隐性行为数据;所述显性行为数据包括用户评分、评论、点赞、转发数据;所述隐性行为数据包括用户浏览量、浏览时间、点击量、观看时长数据。
7.根据权利要求1所述的一种基于用户性格标签的推荐方法,其特征在于,所述步骤(2.2)中,所述用户线上行为向量,是以用户行为指标列表为基础,根据实际的用户线上互联网使用行为,按不同的计算方法对用户在某个用户行为指标上的使用行为进行打分,得到该用户在各个用户行为指标列表上的得分向量;所述计算方法包括标记分类、占比计分、百分位数方法;对不同的计算方法进行组合搭配,以获得最好的拟合效果。
8.根据权利要求1所述的一种基于用户性格标签的推荐方法,其特征在于,所述步骤(2.3)中,对所有用户的线上行为向量和所对应的性格维度真值进行分析处理,通过机器学习分类算法,选取拟合度最高的模型,确定与用户性格维度相对应的用户线上行为指标及分值,形成分类规则。
9.根据权利要求1所述的一种基于用户性格标签的推荐方法,其特征在于,所述步骤(3.1)中,所述指标相似性的计算方法包括余弦相似性、欧氏距离、杰卡德距离,通过调整相应参数,根据模型的拟合度来选取计算方法。
10.根据权利要求1所述的一种基于用户性格标签的推荐方法,其特征在于,所述用户的性格标签,包括该用户的性格特征特点,是根据用户的线上行为和模型中的向量距离,认为该用户属于某性格而给用户打上的标签,这个标签只描述了该用户可能的性格维度得分区间,但不包括具体分值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910822466.2A CN110647678B (zh) | 2019-09-02 | 2019-09-02 | 一种基于用户性格标签的推荐方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910822466.2A CN110647678B (zh) | 2019-09-02 | 2019-09-02 | 一种基于用户性格标签的推荐方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110647678A true CN110647678A (zh) | 2020-01-03 |
CN110647678B CN110647678B (zh) | 2022-11-15 |
Family
ID=68991477
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910822466.2A Active CN110647678B (zh) | 2019-09-02 | 2019-09-02 | 一种基于用户性格标签的推荐方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110647678B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111310028A (zh) * | 2020-01-19 | 2020-06-19 | 浙江连信科技有限公司 | 基于心理化特征的推荐方法及装置 |
CN112069352A (zh) * | 2020-09-18 | 2020-12-11 | 四川长虹电器股份有限公司 | 一种基于改进的content-based的电视音乐推荐方法 |
CN112559874A (zh) * | 2020-12-21 | 2021-03-26 | 周欢 | 基于智慧教育的用户推荐方法 |
CN113220987A (zh) * | 2021-04-26 | 2021-08-06 | 华东师范大学 | 一种基于激励推荐的知识众包平台构建方法 |
CN113569150A (zh) * | 2021-08-10 | 2021-10-29 | 北京字节跳动网络技术有限公司 | 媒体内容预加载方法、模型构建方法及相关设备 |
CN113609402A (zh) * | 2021-10-11 | 2021-11-05 | 深圳我主良缘科技集团有限公司 | 一种基于大数据分析的行业交友交流信息智能推荐方法 |
CN115565643A (zh) * | 2022-10-14 | 2023-01-03 | 杭州中暖科技有限公司 | 一种家庭教育及心理健康教育的评级管理系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103714130A (zh) * | 2013-12-12 | 2014-04-09 | 深圳先进技术研究院 | 视频推荐系统及方法 |
US20150310529A1 (en) * | 2014-04-28 | 2015-10-29 | Microsoft Corporation | Web-behavior-augmented recommendations |
CN105912563A (zh) * | 2016-03-23 | 2016-08-31 | 北京数字跃动科技有限公司 | 一种基于心理学知识赋予机器人工智能学习的方法 |
CN107895303A (zh) * | 2017-11-15 | 2018-04-10 | 电子科技大学 | 一种基于ocean模型的个性化推荐的方法 |
-
2019
- 2019-09-02 CN CN201910822466.2A patent/CN110647678B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103714130A (zh) * | 2013-12-12 | 2014-04-09 | 深圳先进技术研究院 | 视频推荐系统及方法 |
US20150310529A1 (en) * | 2014-04-28 | 2015-10-29 | Microsoft Corporation | Web-behavior-augmented recommendations |
CN105912563A (zh) * | 2016-03-23 | 2016-08-31 | 北京数字跃动科技有限公司 | 一种基于心理学知识赋予机器人工智能学习的方法 |
CN107895303A (zh) * | 2017-11-15 | 2018-04-10 | 电子科技大学 | 一种基于ocean模型的个性化推荐的方法 |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111310028A (zh) * | 2020-01-19 | 2020-06-19 | 浙江连信科技有限公司 | 基于心理化特征的推荐方法及装置 |
CN112069352A (zh) * | 2020-09-18 | 2020-12-11 | 四川长虹电器股份有限公司 | 一种基于改进的content-based的电视音乐推荐方法 |
CN112069352B (zh) * | 2020-09-18 | 2022-05-17 | 四川长虹电器股份有限公司 | 一种基于改进的content-based的电视音乐推荐方法 |
CN112559874A (zh) * | 2020-12-21 | 2021-03-26 | 周欢 | 基于智慧教育的用户推荐方法 |
CN112559874B (zh) * | 2020-12-21 | 2023-05-16 | 南京康裕数字科技有限公司 | 基于智慧教育的用户推荐方法 |
CN113220987A (zh) * | 2021-04-26 | 2021-08-06 | 华东师范大学 | 一种基于激励推荐的知识众包平台构建方法 |
CN113569150A (zh) * | 2021-08-10 | 2021-10-29 | 北京字节跳动网络技术有限公司 | 媒体内容预加载方法、模型构建方法及相关设备 |
CN113569150B (zh) * | 2021-08-10 | 2024-04-19 | 北京字节跳动网络技术有限公司 | 媒体内容预加载方法、模型构建方法及相关设备 |
CN113609402A (zh) * | 2021-10-11 | 2021-11-05 | 深圳我主良缘科技集团有限公司 | 一种基于大数据分析的行业交友交流信息智能推荐方法 |
CN113609402B (zh) * | 2021-10-11 | 2022-01-25 | 深圳我主良缘科技集团有限公司 | 一种基于大数据分析的行业交友交流信息智能推荐方法 |
CN115565643A (zh) * | 2022-10-14 | 2023-01-03 | 杭州中暖科技有限公司 | 一种家庭教育及心理健康教育的评级管理系统 |
Also Published As
Publication number | Publication date |
---|---|
CN110647678B (zh) | 2022-11-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110647678B (zh) | 一种基于用户性格标签的推荐方法 | |
CN110442790B (zh) | 推荐多媒体数据的方法、装置、服务器和存储介质 | |
CN110162693B (zh) | 一种信息推荐的方法以及服务器 | |
Shmueli et al. | Care to comment? Recommendations for commenting on news stories | |
Elahi et al. | Active learning strategies for rating elicitation in collaborative filtering: a system-wide perspective | |
Fazeli et al. | Which recommender system can best fit social learning platforms? | |
CN107193883B (zh) | 一种数据处理方法和系统 | |
CN105824911A (zh) | 基于lda用户主题模型的视频推荐方法 | |
Ortega et al. | Artificial intelligence scientific documentation dataset for recommender systems | |
CN111639258A (zh) | 一种基于神经网络的新闻推荐方法 | |
Cao et al. | Enhancing recommender systems under volatile userinterest drifts | |
Pipergias Analytis et al. | The structure of social influence in recommender networks | |
Al-Qurishi et al. | User profiling for big social media data using standing ovation model | |
CN111143704A (zh) | 一种融合用户影响关系的在线社区好友推荐方法及系统 | |
Chen et al. | A fuzzy matrix factor recommendation method with forgetting function and user features | |
Kopeinik et al. | Improving collaborative filtering using a cognitive model of human category learning | |
Ranggadara et al. | Applying customer loyalty classification with RFM and Naïve Bayes for better decision making | |
CN110727867A (zh) | 一种基于模糊机制的语义实体推荐方法 | |
Thali et al. | Survey on job recommendation systems using machine learning | |
Lee et al. | Beyond exchangeability: The Chinese voting process | |
Sridhar et al. | Extending Deep Neural Categorisation Models for Recommendations by Applying Gradient Based Learning | |
Bhuvanya et al. | Offline and Online Performance Evaluation Metrics of Recommender System: A Bird's Eye View | |
Chen et al. | A time effect based collaborative filtering approach for user preference statistics and recommendation | |
Devi et al. | Soft Cosine Gradient and Gaussian Mixture Joint Probability Recommender System for Online Social Networks. | |
CN118093884B (zh) | 基于关键词匹配的文本聚类方法及系统 |
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 |