CN110866180A - 资源推荐方法、服务器及存储介质 - Google Patents

Abstract

本发明涉及数据处理技术，提供了一种资源推荐方法、服务器及存储介质。该方法从数据库中读取用户的相关信息，根据用户的历史操作行为信息构建用户偏好矩阵，计算出用户行为与资源信息的相似度值生成第一推荐列表，根据用户的社交信息构建该用户与预设用户群的社交关系树，计算该用户与预设用户群中各用户的社交相似度，根据用户的特征关键词及预设用户群中各用户的特征关键词生成词袋，计算词袋之间的相似度，基于社交相似度与词袋相似度计算该用户与预设用户群中各用户的偏好程度值生成第二推荐列表，从第一推荐列表及第二推荐列表中获取用户具有读取权限的资源信息，推荐给该用户。本发明可以提高资源推荐的精准性。

Description

资源推荐方法、服务器及存储介质

技术领域

本发明涉及数据处理领域，尤其涉及一种资源推荐方法、服务器及存储介质。

背景技术

在信息过载的时代，推荐系统能够帮助用户找到符合其个性化需求的内容，因而在电子商务、社交网站中得到了广泛的应用。

现有的推荐主要通过问卷或者问答的方式，进行专业能力的评估，从而基于能力评估模型为用户生成特定的能力评估结果，最终依据计算结果进行相应资源的推送，但这种方式无法在用户无感知的情况下进行，且推荐参考的信息单一，并不能够代表用户的实际需求，导致推荐的准确率低。

发明内容

鉴于以上内容，本发明提供一种资源推荐方法、服务器及存储介质，其目的在于提高资源推荐的精准性。

为实现上述目的，本发明提供一种资源推荐方法，该方法包括：

读取步骤：从数据库中读取用户的相关信息，其中，所述相关信息包括用户的特征文本、特征关键词、历史操作行为信息及社交信息；

第一生成步骤：根据所述用户的历史操作行为信息构建用户偏好矩阵，将用户偏好矩阵分解为用户行为矩阵和资源信息矩阵，基于用户行为矩阵和资源信息矩阵，利用交替最小二乘法计算出用户与所述数据库存储的资源信息的第一相似度值，筛选出第一相似度值大于第一预设值对应的资源信息生成第一推荐列表；

第二生成步骤：根据所述用户的社交信息构建该用户与预设用户群的社交关系树，基于所述社交关系树，利用预设算法计算该用户与预设用户群中各用户的社交相似度，根据用户的特征关键词生成该用户的第一词袋，并根据预设用户群中各用户的特征关键词生成多个第二词袋，计算第一词袋与每个第二词袋的词袋相似度，基于所述社交相似度与所述词袋相似度计算得到该用户与预设用户群中各用户的偏好程度值，筛选出偏好程度值大于第二预设值的用户对应的资源信息生成第二推荐列表；及

推荐步骤：从所述第一推荐列表及第二推荐列表中读取所述用户具有读取权限的资源信息，推荐给该用户。

优选的，在所述推荐步骤之前，所述方法还包括：

利用预设的分词规则对所述用户的特征文本作分词处理，将得到的每个分词转换为词向量；

利用余弦相似度算法计算每个词向量与预设关键词库中每个关键词词向量的第二相似度值，其中，每个关键词词向量对应不同的资源信息；

筛选出第二相似度值大于第三预设值的关键词词向量对应的资源信息添加至所述第二推荐列表。

优选的，所述第二生成步骤包括：

利用预设算法根据所述社交关系树的深度及其各节点之间的关联权重，计算得到所述用户与所述预设用户群中各用户的社交相似度，所述预设算法的公式为：

其中，S_tree,ab表示用户a与用户b的社交相似度，N表示叶子节点到根节点的深度，K_ab表示用户a与用户b之间的深度，ω表示权重系数，ω默认取值为1。

优选的，所述偏好程度值的计算公式为：

Sim_ab＝θ₀+θ₁S_tree,ab+θ₂S_field,ab，

其中，Sim_ab表示用户a与用户b的偏好程度值，S_tree,ab表示用户a与用户b的社交相似度，S_field,ab表示用户a与用户b的词袋相似度，θ₀、θ₁、θ₂表示参数值。

优选的，所述推荐步骤包括：

从预设数据库中获取用户权限列表，所述用户权限列表中包括多个用户对应的资源信息的读取权限；

查询所述用户权限列表，确定第一推荐列表及第二推荐列表中用户具有读取权限的资源信息，并将该用户具有读取权限的资源信息推荐给该用户；

若查询到用户不具有读取第一推荐列表及第二推荐列表中的资源信息的权限，则向该用户发送预设类型的提示信息。

为实现上述目的，本发明还提供一种服务器，该服务器包括：存储器及处理器，其特征在于，所述存储器上存储资源推荐程序，所述资源推荐程序被所述处理器执行，实现如下步骤：

读取步骤：从数据库中读取用户的相关信息，其中，所述相关信息包括用户的特征文本、特征关键词、历史操作行为信息及社交信息；

第一生成步骤：根据所述用户的历史操作行为信息构建用户偏好矩阵，将用户偏好矩阵分解为用户行为矩阵和资源信息矩阵，基于用户行为矩阵和资源信息矩阵，利用交替最小二乘法计算出用户与所述数据库存储的资源信息的第一相似度值，筛选出第一相似度值大于第一预设值对应的资源信息生成第一推荐列表；

第二生成步骤：根据所述用户的社交信息构建该用户与预设用户群的社交关系树，基于所述社交关系树，利用预设算法计算该用户与预设用户群中各用户的社交相似度，根据用户的特征关键词生成该用户的第一词袋，并根据预设用户群中各用户的特征关键词生成多个第二词袋，计算第一词袋与每个第二词袋的词袋相似度，基于所述社交相似度与所述词袋相似度计算得到该用户与预设用户群中各用户的偏好程度值，筛选出偏好程度值大于第二预设值的用户对应的资源信息生成第二推荐列表；及

推荐步骤：从所述第一推荐列表及第二推荐列表中读取所述用户具有读取权限的资源信息，推荐给该用户。

优选的，所述资源推荐程序被所述处理器执行，在所述推荐步骤之前还实现以下步骤：

利用预设的分词规则对所述用户的特征文本作分词处理，将得到的每个分词转换为词向量；

利用余弦相似度算法计算每个词向量与预设关键词库中每个关键词词向量的第二相似度值，其中，每个关键词词向量对应不同的资源信息；

筛选出第二相似度值大于第三预设值的关键词词向量对应的资源信息添加至所述第二推荐列表。

优选的，所述第二生成步骤包括：

利用预设算法根据所述社交关系树的深度及其各节点之间的关联权重，计算得到所述用户与所述预设用户群中各用户的社交相似度，所述预设算法的公式为：

其中，S_tree,ab表示用户a与用户b的社交相似度，N表示叶子节点到根节点的深度，K_ab表示用户a与用户b之间的深度，ω表示权重系数，ω默认取值为1。

优选的，所述推荐步骤包括：

从预设数据库中获取用户权限列表，所述用户权限列表中包括多个用户对应的资源信息的读取权限；

查询所述用户权限列表，确定第一推荐列表及第二推荐列表中用户具有读取权限的资源信息，并将该用户具有读取权限的资源信息推荐给该用户；

若查询到用户不具有读取第一推荐列表及第二推荐列表中的资源信息的权限，则向该用户发送预设类型的提示信息。

为实现上述目的，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质中包括资源推荐程序，所述资源推荐程序被处理器执行时，可实现如上所述资源推荐方法中的任意步骤。

相比现有技术的信息推荐方法，本发明提出的资源推荐方法、服务器及存储介质，通过从数据库中读取用户的相关信息，根据用户的历史操作行为信息构建用户偏好矩阵，计算出用户行为与资源信息的相似度值生成第一推荐列表，根据用户的社交信息构建该用户与预设用户群的社交关系树，计算该用户与预设用户群中各用户的社交相似度，根据用户的特征关键词及预设用户群中各用户的特征关键词生成词袋，计算词袋之间的相似度，基于社交相似度与词袋相似度计算该用户与预设用户群中各用户的偏好程度值生成第二推荐列表，从第一推荐列表及第二推荐列表中获取用户具有读取权限的资源信息，推荐给该用户。本发明避免了用户个人主观因素的影响，结合用户特征、用户行为及用户社交信息，使推荐资源更符合用户需求，提升了资源推荐的精准性。

附图说明

图1为本发明服务器较佳实施例的示意图；

图2为图1中资源推荐程序较佳实施例的模块示意图；

图3为本发明资源推荐方法较佳实施例的流程图；

本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，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。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

参照图1所示，为本发明服务器1较佳实施例的示意图。

该服务器1包括但不限于：存储器11、处理器12、显示器13及网络接口14。所述服务器1通过网络接口14连接网络，获取原始数据。其中，所述网络可以是企业内部网(Intranet)、互联网(Internet)、全球移动通讯系统(Global System of Mobilecommunication，GSM)、宽带码分多址(Wideband Code Division Multiple Access，WCDMA)、4G网络、5G网络、蓝牙(Bluetooth)、Wi-Fi、通话网络等无线或有线网络。

其中，存储器11至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器(例如，SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘等。在一些实施例中，所述存储器11可以是所述服务器1的内部存储单元，例如该服务器1的硬盘或内存。在另一些实施例中，所述存储器11也可以是所述服务器1的外部存储设备，例如该服务器1配备的插接式硬盘，智能存储卡(SmartMedia Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。当然，所述存储器11还可以既包括所述服务器1的内部存储单元也包括其外部存储设备。本实施例中，存储器11通常用于存储安装于所述服务器1的操作系统和各类应用软件，例如资源推荐程序10的程序代码等。此外，存储器11还可以用于暂时地存储已经输出或者将要输出的各类数据。

处理器12在一些实施例中可以是中央处理器(Central Processing Unit，CPU)、控制器、微控制器、微处理器、或其他数据处理芯片。该处理器12通常用于控制所述服务器1的总体操作，例如执行数据交互或者通信相关的控制和处理等。本实施例中，所述处理器12用于运行所述存储器11中存储的程序代码或者处理数据，例如运行资源推荐程序10的程序代码等。

显示器13可以称为显示屏或显示单元。在一些实施例中显示器13可以是LED显示器、液晶显示器、触控式液晶显示器以及有机发光二极管(Organic Light-EmittingDiode，OLED)触摸器等。显示器13用于显示在服务器1中处理的信息以及用于显示可视化的工作界面，例如显示数据统计的结果。

网络接口14可选地可以包括标准的有线接口、无线接口(如WI-FI接口)，该网络接口14通常用于在所述服务器1与其它电子设备之间建立通信连接。

图1仅示出了具有组件11-14以及资源推荐程序10的服务器1，但是应理解的是，并不要求实施所有示出的组件，可以替代的实施更多或者更少的组件。

可选地，所述服务器1还可以包括用户接口，用户接口可以包括显示器(Display)、输入单元比如键盘(Keyboard)，可选的用户接口还可以包括标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及有机发光二极管(Organic Light-Emitting Diode，OLED)触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在服务器1中处理的信息以及用于显示可视化的用户界面。

该服务器1还可以包括射频(Radio Frequency，RF)电路、传感器和音频电路等等，在此不再赘述。

在上述实施例中，处理器12执行存储器11中存储的资源推荐程序10时可以实现如下步骤：

读取步骤：从数据库中读取用户的相关信息，其中，所述相关信息包括用户的特征文本、特征关键词、历史操作行为信息及社交信息；

第一生成步骤：根据所述用户的历史操作行为信息构建用户偏好矩阵，将用户偏好矩阵分解为用户行为矩阵和资源信息矩阵，基于用户行为矩阵和资源信息矩阵，利用交替最小二乘法计算出用户与所述数据库存储的资源信息的第一相似度值，筛选出第一相似度值大于第一预设值对应的资源信息生成第一推荐列表；

第二生成步骤：根据所述用户的社交信息构建该用户与预设用户群的社交关系树，基于所述社交关系树，利用预设算法计算该用户与预设用户群中各用户的社交相似度，根据用户的特征关键词生成该用户的第一词袋，并根据预设用户群中各用户的特征关键词生成多个第二词袋，计算第一词袋与每个第二词袋的词袋相似度，基于所述社交相似度与所述词袋相似度计算得到该用户与预设用户群中各用户的偏好程度值，筛选出偏好程度值大于第二预设值的用户对应的资源信息生成第二推荐列表；及

推荐步骤：从所述第一推荐列表及第二推荐列表中读取所述用户具有读取权限的资源信息，推荐给该用户。

关于上述步骤的详细介绍，请参照下述图2关于资源推荐程序10实施例的程序模块图以及图3关于资源推荐方法实施例的流程图的说明。

在其他实施例中，所述资源推荐程序10可以被分割为多个模块，该多个模块被存储于存储器12中，并由处理器13执行，以完成本发明。本发明所称的模块是指能够完成特定功能的一系列计算机程序指令段。

参照图2所示，为图1中资源推荐程序10一实施例的程序模块图。在本实施例中，所述资源推荐程序10可以被分割为：读取模块110、第一生成模块120、第二生成模块130及推荐模块140。

读取模块110，用于从数据库中读取用户的相关信息，其中，所述相关信息包括用户的特征文本、特征关键词、历史操作行为信息及社交信息。

在本实施例中，以用户为某培训机构的学员为例对本案进行说明。用户特征文本包括用户专业能力的评价文本信息等，例如：用户在各学习阶段的能力评估、长短板评估等。用户特征关键词包括用户所在的行业或者领域，例如：IT领域、互联网行业等。用户的历史操作行为信息包括用户历史操作行为，例如：浏览培训相关资料时的学习、评论、分享、收藏等偏好程度。用户的历史社交信息包括培训及日常生活涉及的可获取的社交关系，例如朋友的关系、职场内的关系等。

获取用户的相关信息数据的方法包括：提供用户交互界面供用户输入特征数据，获取该用户输入的各项数据，或者从预设的存储路径的用户行为数据中提取出部分数据作为用户的相关信息数据。可以理解的是，随着时间的推移，用户的相关信息数据会发生较大的变化，为了使获取的用户的相关信息数据符合需求，在时间维度上对用户的相关信息数据进行筛选，仅获取用户在预设时间内(例如，距离当前时间六个月内)的相关信息数据。

第一生成模块120，用于根据所述用户的历史操作行为信息构建用户偏好矩阵，将用户偏好矩阵分解为用户行为矩阵和资源信息矩阵，基于用户行为矩阵和资源信息矩阵，利用交替最小二乘法计算出用户与所述数据库存储的资源信息的第一相似度值，筛选出第一相似度值大于第一预设值对应的资源信息生成第一推荐列表。

在本实施例中，根据用户的历史操作行为信息构建用户偏好矩阵可以对用户偏好信息进行自定义，将自定义行为作为用户历史行为，生成格式为<用户，资源，行为类型>三元组,其中，用户及资源为输入数据的两个必要条件，用于标识用户和资源，行为类型用于区别数据来源，进行数据偏好映射，采用隐式反馈模型，偏好值设置为0和1，用户和资源存在关系偏好值即为1，不存在即为0。例如，行为数据包括学习、评分、分享、收藏，偏好程度统一定义为1，从而形成<用户，资源，行为类型>三元组，将形成的多个三元组输入隐语义模型，得到用户对资源的偏好信息矩阵R。

将矩阵R进行分解R＝UV，U表示用户行为矩阵，V表示资源信息矩阵，基于用户行为矩阵和资源信息矩阵，利用交替最小二乘法计算用户行为和资源的特征向量，对用户及资源进行分区处理，交替计算用户特征和资源特征，采用随机方式初始化用户和资源特征矩阵的值，通过用户关联信息把用户向量发送给包含反馈信息的资源分区，以降低预测偏差为目的从用户特征求解资源特征，通过资源关联信息把资源向量发送至包含反馈信息的用户分区，以降低预测偏差为目的从资源特征求解用户特征，通过迭代预设次数实现用户行为特征向量和资源特征向量的获取。

根据余弦相似度算法计算用户行为特征向量和各个资源特征向量的第一相似度值，第一相似度值可确定用户行为信息与资源信息的相似度，且第一相似度值的范围为0到1之间，例如：计算得到的用户偏好特征向量和某个资源特征向量的第一相似度值为0.2，则说明用户行为信息与该资源信息的相似度较小，将第一相似度值与第一预设值(例如，0.75)进行比较，将第一相似度值大于或等于第一预设值对应的资源信息生成第一推荐列表。

第二生成模块130，用于根据所述用户的社交信息构建该用户与预设用户群的社交关系树，基于所述社交关系树，利用预设算法计算该用户与预设用户群中各用户的社交相似度，根据用户的特征关键词生成该用户的第一词袋，并根据预设用户群中各用户的特征关键词生成多个第二词袋，计算第一词袋与每个第二词袋的词袋相似度，基于所述社交相似度与所述词袋相似度计算得到该用户与预设用户群中各用户的偏好程度值，筛选出偏好程度值大于第二预设值的用户对应的资源信息生成第二推荐列表。

在本实施例中，社交关系树主要包含用户在培训及日常生活涉及的可获取的社交关系，例如，朋友关系、职场内的关系等，将有重要影响关系的用户定义为父节点，依次递归形成树结构。在实际的培训过程中，对于前一期学员对后一期学员，高级班对初级班，高级学员对初级学员等数据都可以构成社交关系树，以高级学员A为例，当A作为父节点时，若初级学员B和初级学员C的培训领域与高级学员A相同，此时，可将初级学员B和初级学员C的关系从属于高级学员A，即B和C作为父节点A的子节点。用户与用户之间的深度是通过社交关系树查询获得，树中节点元素为用户之间关系，获取用户之间深度关系，首先根据用户基本信息定位所在节点，从该用户出发，再查询社交关系树可获得两个用户之间的深度。将用户与预设用户群的每个用户关系体现在树结构中，利用社交关系树的深度及社交关系树各节点之间的关联权重进行用户之间的社交相似度计算，预设算法的公式为：

其中，S_tree,ab表示用户a与用户b的社交相似度，N表示叶子节点到根节点的深度，K_ab表示用户a与用户b之间的深度，ω表示权重系数，ω默认取值为1。

根据用户的特征关键词生成该用户的第一词袋，并根据预设用户群中每个用户的特征关键词生成多个第二词袋，计算第一词袋与每个第二词袋的词袋相似度，用户的特征关键词包括用户的领域和专业，以用户领域相似度作为用户的词袋相似度进行说明，领域相似度主要针对从相关领域人员的学习行为中窥探其领域的学习方向，将同一领域的用户在学习的资源对用户进行推荐，拓展用户的学习内容，提升其能力。由于行业、领域词的特殊性，不进行词向量的相似度计算，利用行业及领域构成词袋，词袋是一种文本的特征提取方法。词袋将文本看成若干单词的集合，忽略了单词的顺序、语法和句法等要素，只关注单词在文本中的出现频率。

对行业及领域的描述进行分词处理，对分词的结果进行数据清洗，主要包括：去除停用词，例如标点符号、数字、常用词，去除超短与超长词汇，预先设置1个字词为超短词汇、5个字为超长词汇，去除注释行词汇。将清洗后的词汇作为用户专业领域相关词汇，计算用户与预设用户群各用户的词袋相似度，记为S_field,ab＝(A_a∩A_b)/A_a，其中，A_a是用户a的专业领域相关信息的词袋，A_b为预设用户群中用户b的专业领域相关信息构成的词袋。

基于社交相似度与词袋相似度计算得到该用户与预设用户群中各用户的偏好程度值，偏好程度值的计算公式为：

Sim_ab＝θ₀+θ₁S_tree,ab+θ₂S_field,ab，

其中，Sim_ab表示用户a与用户b的偏好程度值，S_tree,ab表示用户a与用户b的社交相似度，S_field,ab表示用户a与用户b的词袋相似度，θ₀、θ₁、θ₂表示参数值。通过预先标注用户之间相似度作为训练数据，利用线性回归模型计算得到参数θ₀、θ₁、θ₂的值。利用社交相似度与词袋相似度计算得到用户与预设用户群中各用户的偏好程度值，将预设用户群中领域相似的用户的偏好资源推荐给该用户。选取偏好程度值将大于第二预设值的用户对应的资源信息作为第二推荐列表。

推荐模块140，用于从所述第一推荐列表及第二推荐列表中读取所述用户具有读取权限的资源信息，推荐给该用户。

从第一推荐列表及第二推荐列表中读取所述用户具有读取权限的资源信息，推荐给该用户。

在另一实施例中，还可以从预设数据库中获取用户权限列表，所述用户权限列表中包括多个用户对应的资源信息的读取权限，查询所述用户权限列表，确定第一推荐列表及第二推荐列表中用户具有读取权限的资源信息，并将该用户具有读取权限的资源信息推荐给该用户，若查询到用户不具有读取第一推荐列表及第二推荐列表中的资源信息的读取权限，则向该用户发送预设类型的提示信息，例如，查询到用户不具有获取VIP类型的学习资料，则提示用户开通VIP权限可获取更优质的学习资料推荐。

在另一实施例中，还可以利用预设的分词规则对用户的特征文本作分词处理，将得到的每个分词转换为词向量，计算每个词向量与预设关键词库中每个关键词词向量的第二相似度值，其中，每个关键词词向量对应不同的资源信息，筛选出第二相似度值大于第三预设值的关键词词向量对应的资源信息添加至所述第二推荐列表。

具体的，在获取到用户的特征文本后，可以用预设的分词规则对特征文本进行分词，例如，可利用字符串匹配的分词方法对特征文本进行分词处理，如正向最大匹配法，把一个信息中的字符串从左至右来分词，即从左到右将所述社交数据中的几个连续字符与词表匹配，如果匹配上，则切分出一个词，还可以利用第三方分词工具对特征文本进行分词处理。

对分词的结果进行数据清洗，主要包括：去除停用词，例如标点符号、数字、常用词，去除超短与超长词汇，预先设置1个字词为超短词汇、5个字为超长词汇，去除注释行词汇，依据文本数据的显性特征，进行注释关键标识汇总，依据关键标识进行剔除。采用词向量模型word2vec将各个分词转换为词向量，其中，word2vec是一个将词转换成向量的工具，可以把对文本的处理简化为向量空间中的向量运算，来表示文本语义上的相似度。例如，word2vec通过训练，可以把对文本的处理简化为K维向量空间中的向量运算，而向量空间上的相似度可以用来表示文本语义上的相似度。

基于余弦相似度计算特征文本与预设数据库中每个关键词的相似度，其中，每个关键词词向量对应不同的资源信息，将特征文本的词向量记为X(x₁,x₂,…,x_n)，，将资源关键词词向量记为Y(y₁,y₂,…,y_n),计算各个特征文本向量与各个资源关键词词向量的相似度值。选取所述相似度值大于或等于预设值(例如，0.8)的资源特征对应的资源信息添加至第二推荐列表。

此外，本发明还提供一种资源推荐方法。参照图3所示，为本发明资源推荐方法的实施例的方法流程示意图。服务器1的处理器12执行存储器11中存储的资源推荐程序10时实现资源推荐方法的如下步骤：。

步骤S10：从数据库中读取用户的相关信息，其中，所述相关信息包括用户的特征文本、特征关键词、历史操作行为信息及社交信息。

在本实施例中，以用户为某培训机构的学员为例对本案进行说明。用户特征文本包括用户专业能力的评价文本信息等，例如：用户在各学习阶段的能力评估、长短板评估等。用户特征关键词包括用户所在的行业或者领域，例如：IT领域、互联网行业等。用户的历史操作行为信息包括用户历史操作行为，例如：浏览培训相关资料时的学习、评论、分享、收藏等偏好程度。用户的历史社交信息包括培训及日常生活涉及的可获取的社交关系，例如朋友的关系、职场内的关系等。

获取用户的相关信息数据的方法包括：提供用户交互界面供用户输入特征数据，获取该用户输入的各项数据，或者从预设的存储路径的用户行为数据中提取出部分数据作为用户的相关信息数据。可以理解的是，随着时间的推移，用户的相关信息数据会发生较大的变化，为了使获取的用户的相关信息数据符合需求，在时间维度上对用户的相关信息数据进行筛选，仅获取用户在预设时间内(例如，距离当前时间六个月内)的相关信息数据。

步骤S20：根据所述用户的历史操作行为信息构建用户偏好矩阵，将用户偏好矩阵分解为用户行为矩阵和资源信息矩阵，基于用户行为矩阵和资源信息矩阵，利用交替最小二乘法计算出用户与所述数据库存储的资源信息的第一相似度值，筛选出第一相似度值大于第一预设值对应的资源信息生成第一推荐列表。

在本实施例中，根据用户的历史操作行为信息构建用户偏好矩阵可以对用户偏好信息进行自定义，将自定义行为作为用户历史行为，生成格式为<用户，资源，行为类型>三元组,其中，用户及资源为输入数据的两个必要条件，用于标识用户和资源，行为类型用于区别数据来源，进行数据偏好映射，采用隐式反馈模型，偏好值设置为0和1，用户和资源存在关系偏好值即为1，不存在即为0。例如，行为数据包括学习、评分、分享、收藏，偏好程度统一定义为1，从而形成<用户，资源，行为类型>三元组，将形成的多个三元组输入隐语义模型，得到用户对资源的偏好信息矩阵R。

将矩阵R进行分解R＝UV，U表示用户行为矩阵，V表示资源信息矩阵，基于用户行为矩阵和资源信息矩阵，利用交替最小二乘法计算用户行为和资源的特征向量，对用户及资源进行分区处理，交替计算用户特征和资源特征，采用随机方式初始化用户和资源特征矩阵的值，通过用户关联信息把用户向量发送给包含反馈信息的资源分区，以降低预测偏差为目的从用户特征求解资源特征，通过资源关联信息把资源向量发送至包含反馈信息的用户分区，以降低预测偏差为目的从资源特征求解用户特征，通过迭代预设次数实现用户行为特征向量和资源特征向量的获取。

根据余弦相似度算法计算用户行为特征向量和各个资源特征向量的第一相似度值，第一相似度值可确定用户行为信息与资源信息的相似度，且第一相似度值的范围为0到1之间，例如：计算得到的用户偏好特征向量和某个资源特征向量的第一相似度值为0.2，则说明用户行为信息与该资源信息的相似度较小，将第一相似度值与第一预设值(例如，0.75)进行比较，将第一相似度值大于或等于第一预设值对应的资源信息生成第一推荐列表。

步骤S30：根据所述用户的社交信息构建该用户与预设用户群的社交关系树，基于所述社交关系树，利用预设算法计算该用户与预设用户群中各用户的社交相似度，根据用户的特征关键词生成该用户的第一词袋，并根据预设用户群中各用户的特征关键词生成多个第二词袋，计算第一词袋与每个第二词袋的词袋相似度，基于所述社交相似度与所述词袋相似度计算得到该用户与预设用户群中各用户的偏好程度值，筛选出偏好程度值大于第二预设值的用户对应的资源信息生成第二推荐列表。

在本实施例中，社交关系树主要包含用户在培训及日常生活涉及的可获取的社交关系，例如，朋友关系、职场内的关系等，将有重要影响关系的用户定义为父节点，依次递归形成树结构。在实际的培训过程中，对于前一期学员对后一期学员，高级班对初级班，高级学员对初级学员等数据都可以构成社交关系树，以高级学员A为例，当A作为父节点时，若初级学员B和初级学员C的培训领域与高级学员A相同，此时，可将初级学员B和初级学员C的关系从属于高级学员A，即B和C作为父节点A的子节点。用户与用户之间的深度是通过社交关系树查询获得，树中节点元素为用户之间关系，获取用户之间深度关系，首先根据用户基本信息定位所在节点，从该用户出发，再查询社交关系树可获得两个用户之间的深度。将用户与预设用户群的每个用户关系体现在树结构中，利用社交关系树的深度及社交关系树各节点之间的关联权重进行用户之间的社交相似度计算，预设算法的公式为：

其中，S_tree,ab表示用户a与用户b的社交相似度，N表示叶子节点到根节点的深度，K_ab表示用户a与用户b之间的深度，ω表示权重系数，ω默认取值为1。

根据用户的特征关键词生成该用户的第一词袋，并根据预设用户群中每个用户的特征关键词生成多个第二词袋，计算第一词袋与每个第二词袋的词袋相似度，用户的特征关键词包括用户的领域和专业，以用户领域相似度作为用户的词袋相似度进行说明，领域相似度主要针对从相关领域人员的学习行为中窥探其领域的学习方向，将同一领域的用户在学习的资源对用户进行推荐，拓展用户的学习内容，提升其能力。由于行业、领域词的特殊性，不进行词向量的相似度计算，利用行业及领域构成词袋，词袋是一种文本的特征提取方法。词袋将文本看成若干单词的集合，忽略了单词的顺序、语法和句法等要素，只关注单词在文本中的出现频率。

对行业及领域的描述进行分词处理，对分词的结果进行数据清洗，主要包括：去除停用词，例如标点符号、数字、常用词，去除超短与超长词汇，预先设置1个字词为超短词汇、5个字为超长词汇，去除注释行词汇。将清洗后的词汇作为用户专业领域相关词汇，计算用户与预设用户群各用户的词袋相似度，记为S_field,ab＝(A_a∩A_b)/A_a，其中，A_a是用户a的专业领域相关信息的词袋，A_b为预设用户群中用户b的专业领域相关信息构成的词袋。

基于社交相似度与词袋相似度计算得到该用户与预设用户群中各用户的偏好程度值，偏好程度值的计算公式为：

Sim_ab＝θ₀+θ₁S_tree,ab+θ₂S_field,ab，

其中，Sim_ab表示用户a与用户b的偏好程度值，S_tree,ab表示用户a与用户b的社交相似度，S_field,ab表示用户a与用户b的词袋相似度，θ₀、θ₁、θ₂表示参数值。通过预先标注用户之间相似度作为训练数据，利用线性回归模型计算得到参数θ₀、θ₁、θ₂的值。利用社交相似度与词袋相似度计算得到用户与预设用户群中各用户的偏好程度值，将预设用户群中领域相似的用户的偏好资源推荐给该用户。选取偏好程度值将大于第二预设值的用户对应的资源信息作为第二推荐列表。

步骤S40：从所述第一推荐列表及第二推荐列表中读取所述用户具有读取权限的资源信息，推荐给该用户。

从第一推荐列表及第二推荐列表中读取所述用户具有读取权限的资源信息，推荐给该用户。

在另一实施例中，还可以从预设数据库中获取用户权限列表，所述用户权限列表中包括多个用户对应的资源信息的读取权限，查询所述用户权限列表，确定第一推荐列表及第二推荐列表中用户具有读取权限的资源信息，并将该用户具有读取权限的资源信息推荐给该用户，若查询到用户不具有读取第一推荐列表及第二推荐列表中的资源信息的读取权限，则向该用户发送预设类型的提示信息，例如，查询到用户不具有获取VIP类型的学习资料，则提示用户开通VIP权限可获取更优质的学习资料推荐。

在另一实施例中，还可以利用预设的分词规则对用户的特征文本作分词处理，将得到的每个分词转换为词向量，计算每个词向量与预设关键词库中每个关键词词向量的第二相似度值，其中，每个关键词词向量对应不同的资源信息，筛选出第二相似度值大于第三预设值的关键词词向量对应的资源信息添加至所述第二推荐列表。

具体的，在获取到用户的特征文本后，可以用预设的分词规则对特征文本进行分词，例如，可利用字符串匹配的分词方法对特征文本进行分词处理，如正向最大匹配法，把一个信息中的字符串从左至右来分词，即从左到右将所述社交数据中的几个连续字符与词表匹配，如果匹配上，则切分出一个词，还可以利用第三方分词工具对特征文本进行分词处理。

对分词的结果进行数据清洗，主要包括：去除停用词，例如标点符号、数字、常用词，去除超短与超长词汇，预先设置1个字词为超短词汇、5个字为超长词汇，去除注释行词汇，依据文本数据的显性特征，进行注释关键标识汇总，依据关键标识进行剔除。采用词向量模型word2vec将各个分词转换为词向量，其中，word2vec是一个将词转换成向量的工具，可以把对文本的处理简化为向量空间中的向量运算，来表示文本语义上的相似度。例如，word2vec通过训练，可以把对文本的处理简化为K维向量空间中的向量运算，而向量空间上的相似度可以用来表示文本语义上的相似度。

基于余弦相似度计算特征文本与预设数据库中每个关键词的相似度，其中，每个关键词词向量对应不同的资源信息，将特征文本的词向量记为X(x₁,x₂,…,x_n)，，将资源关键词词向量记为Y(y₁,y₂,…,y_n),计算各个特征文本向量与各个资源关键词词向量的相似度值。选取所述相似度值大于或等于预设值(例如，0.8)的资源特征对应的资源信息添加至所述第二推荐列表。

此外，本发明实施例还提出一种计算机可读存储介质，该计算机可读存储介质可以是硬盘、多媒体卡、SD卡、闪存卡、SMC、只读存储器(ROM)、可擦除可编程只读存储器(EPROM)、便携式紧致盘只读存储器(CD-ROM)、USB存储器等等中的任意一种或者几种的任意组合。所述计算机可读存储介质中包括资源推荐程序10，所述资源推荐程序10被处理器执行时实现如下操作：

读取步骤：从数据库中读取用户的相关信息，其中，所述相关信息包括用户的特征文本、特征关键词、历史操作行为信息及社交信息；

第一生成步骤：根据所述用户的历史操作行为信息构建用户偏好矩阵，将用户偏好矩阵分解为用户行为矩阵和资源信息矩阵，基于用户行为矩阵和资源信息矩阵，利用交替最小二乘法计算出用户与所述数据库存储的资源信息的第一相似度值，筛选出第一相似度值大于第一预设值对应的资源信息生成第一推荐列表；

第二生成步骤：根据所述用户的社交信息构建该用户与预设用户群的社交关系树，基于所述社交关系树，利用预设算法计算该用户与预设用户群中各用户的社交相似度，根据用户的特征关键词生成该用户的第一词袋，并根据预设用户群中各用户的特征关键词生成多个第二词袋，计算第一词袋与每个第二词袋的词袋相似度，基于所述社交相似度与所述词袋相似度计算得到该用户与预设用户群中各用户的偏好程度值，筛选出偏好程度值大于第二预设值的用户对应的资源信息生成第二推荐列表；及

推荐步骤：从所述第一推荐列表及第二推荐列表中读取所述用户具有读取权限的资源信息，推荐给该用户。

本发明之计算机可读存储介质的具体实施方式与上述资源推荐方法的具体实施方式大致相同，在此不再赘述。

需要说明的是，上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。并且本文中的术语“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、装置、物品或者方法不仅包括那些要素，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、装置、物品或者方法所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、装置、物品或者方法中还存在另外的相同要素。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在如上所述的一个存储介质中，包括若干指令用以使得一台终端设备执行本发明各个实施例所述的方法。

以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (10)

1.一种资源推荐方法，应用于服务器，其特征在于，所述方法包括：

读取步骤：从数据库中读取用户的相关信息，其中，所述相关信息包括用户的特征文本、特征关键词、历史操作行为信息及社交信息；

第一生成步骤：根据所述用户的历史操作行为信息构建用户偏好矩阵，将用户偏好矩阵分解为用户行为矩阵和资源信息矩阵，基于用户行为矩阵和资源信息矩阵，利用交替最小二乘法计算出用户与所述数据库存储的资源信息的第一相似度值，筛选出第一相似度值大于第一预设值对应的资源信息生成第一推荐列表；

第二生成步骤：根据所述用户的社交信息构建该用户与预设用户群的社交关系树，基于所述社交关系树，利用预设算法计算该用户与预设用户群中各用户的社交相似度，根据用户的特征关键词生成该用户的第一词袋，并根据预设用户群中各用户的特征关键词生成多个第二词袋，计算第一词袋与每个第二词袋的词袋相似度，基于所述社交相似度与所述词袋相似度计算得到该用户与预设用户群中各用户的偏好程度值，筛选出偏好程度值大于第二预设值的用户对应的资源信息生成第二推荐列表；及

推荐步骤：从所述第一推荐列表及第二推荐列表中读取所述用户具有读取权限的资源信息，推荐给该用户。

2.如权利要求1所述的资源推荐方法，其特征在于，在所述推荐步骤之前，所述方法还包括：

利用预设的分词规则对所述用户的特征文本作分词处理，将得到的每个分词转换为词向量；

利用余弦相似度算法计算每个词向量与预设关键词库中每个关键词词向量的第二相似度值，其中，每个关键词词向量对应不同的资源信息；

筛选出第二相似度值大于第三预设值的关键词词向量对应的资源信息添加至所述第二推荐列表。

3.如权利要求1所述的资源推荐方法，其特征在于，所述第二生成步骤包括：

利用预设算法根据所述社交关系树的深度及其各节点之间的关联权重，计算得到所述用户与所述预设用户群中各用户的社交相似度，所述预设算法的公式为：

其中，S_tree,ab表示用户a与用户b的社交相似度，N表示叶子节点到根节点的深度，K_ab表示用户a与用户b之间的深度，ω表示权重系数，ω默认取值为1。

4.如权利要求1所述的资源推荐方法，其特征在于，所述偏好程度值的计算公式为：

Sim_ab＝θ₀+θ₁S_tree,ab+θ₂S_field,ab，

其中，Sim_ab表示用户a与用户b的偏好程度值，S_tree,ab表示用户a与用户b的社交相似度，S_field,ab表示用户a与用户b的词袋相似度，θ₀、θ₁、θ₂表示参数值。

5.如权利要求1至4任意一项所述的资源推荐方法，其特征在于，所述推荐步骤包括：

从预设数据库中获取用户权限列表，所述用户权限列表中包括多个用户对应的资源信息的读取权限；

查询所述用户权限列表，确定第一推荐列表及第二推荐列表中用户具有读取权限的资源信息，并将该用户具有读取权限的资源信息推荐给该用户；

若查询到用户不具有读取第一推荐列表及第二推荐列表中的资源信息的权限，则向该用户发送预设类型的提示信息。

6.一种服务器，该服务器包括存储器及处理器，其特征在于，所述存储器上存储资源推荐程序，所述资源推荐程序被所述处理器执行，实现如下步骤：

读取步骤：从数据库中读取用户的相关信息，其中，所述相关信息包括用户的特征文本、特征关键词、历史操作行为信息及社交信息；

第一生成步骤：根据所述用户的历史操作行为信息构建用户偏好矩阵，将用户偏好矩阵分解为用户行为矩阵和资源信息矩阵，基于用户行为矩阵和资源信息矩阵，利用交替最小二乘法计算出用户与所述数据库存储的资源信息的第一相似度值，筛选出第一相似度值大于第一预设值对应的资源信息生成第一推荐列表；

第二生成步骤：根据所述用户的社交信息构建该用户与预设用户群的社交关系树，基于所述社交关系树，利用预设算法计算该用户与预设用户群中各用户的社交相似度，根据用户的特征关键词生成该用户的第一词袋，并根据预设用户群中各用户的特征关键词生成多个第二词袋，计算第一词袋与每个第二词袋的词袋相似度，基于所述社交相似度与所述词袋相似度计算得到该用户与预设用户群中各用户的偏好程度值，筛选出偏好程度值大于第二预设值的用户对应的资源信息生成第二推荐列表；及

推荐步骤：从所述第一推荐列表及第二推荐列表中读取所述用户具有读取权限的资源信息，推荐给该用户。

7.如权利要求6所述的服务器，其特征在于，所述资源推荐程序被所述处理器执行，在所述推荐步骤之前还实现以下步骤：

利用预设的分词规则对所述用户的特征文本作分词处理，将得到的每个分词转换为词向量；

利用余弦相似度算法计算每个词向量与预设关键词库中每个关键词词向量的第二相似度值，其中，每个关键词词向量对应不同的资源信息；

筛选出第二相似度值大于第三预设值的关键词词向量对应的资源信息添加至所述第二推荐列表。

8.如权利要求6所述的服务器，其特征在于，所述第二生成步骤包括：

利用预设算法根据所述社交关系树的深度及其各节点之间的关联权重，计算得到所述用户与所述预设用户群中各用户的社交相似度，所述预设算法的公式为：

其中，S_tree,ab表示用户a与用户b的社交相似度，N表示叶子节点到根节点的深度，K_ab表示用户a与用户b之间的深度，ω表示权重系数，ω默认取值为1。

9.如权利要求6所述的服务器，其特征在于，所述推荐步骤包括：

从预设数据库中获取用户权限列表，所述用户权限列表中包括多个用户对应的资源信息的读取权限；

查询所述用户权限列表，确定第一推荐列表及第二推荐列表中用户具有读取权限的资源信息，并将该用户具有读取权限的资源信息推荐给该用户；

若查询到用户不具有读取第一推荐列表及第二推荐列表中的资源信息的权限，则向该用户发送预设类型的提示信息。

10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中包括资源推荐程序，所述资源推荐程序被处理器执行时，可实现如权利要求1至5中任一项所述资源推荐方法的步骤。

Images