CN110955775A - 一种基于隐式问询的绘本推荐方法 - Google Patents

一种基于隐式问询的绘本推荐方法 Download PDF

Info

Publication number
CN110955775A
CN110955775A CN201911094447.9A CN201911094447A CN110955775A CN 110955775 A CN110955775 A CN 110955775A CN 201911094447 A CN201911094447 A CN 201911094447A CN 110955775 A CN110955775 A CN 110955775A
Authority
CN
China
Prior art keywords
interest
user
child
picture
implicit
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
Application number
CN201911094447.9A
Other languages
English (en)
Inventor
王进
张倩
张天奇
张�荣
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nantong University
Original Assignee
Nantong University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Nantong University filed Critical Nantong University
Priority to CN201911094447.9A priority Critical patent/CN110955775A/zh
Publication of CN110955775A publication Critical patent/CN110955775A/zh
Pending legal-status Critical Current

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
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/35—Clustering; Classification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/33—Querying
    • G06F16/332—Query formulation
    • G06F16/3329—Natural language query formulation or dialogue systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Human Computer Interaction (AREA)
  • Computational Linguistics (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明提供了一种基于隐式问询的绘本推荐方法，通过精选儿童普遍存在的日常行为，将日常行为与儿童兴趣建立联系得到隐式问询模块；当用户加入系统，对父母隐式问询获得儿童的行为数据，提取儿童行为信息并和行为兴趣的映射关系匹配，将儿童行为转换成儿童兴趣特征向量，建立儿童兴趣获取模块；借鉴辅助信息域丰富绘本属性特征，对特征聚类，获得不同属性绘本的分类，建立绘本特征模块；推荐与用户兴趣相符合的热门绘本建立系统生成推荐列表。本发明的有益效果为：本发明基于隐式问询结合儿童阅读兴趣、绘本属性进行个性化的推荐；能够快速准确地获取儿童阅读兴趣，能够更好地匹配到合适的绘本，提高推荐的准确率。

Description

一种基于隐式问询的绘本推荐方法
技术领域
本发明涉及绘本推荐技术领域，尤其涉及一种基于隐式问询的绘本推荐方法。
背景技术
绘本指以绘画为主，并有少量文字的书籍。它是一种文字与图画相辅相成的图画故事书，表达特定感情和主题的读本，通过绘画和文字两种媒介，在不同向度上交织、互动来说故事的一门艺术。绘本既有儿童读者也有成人读者，但是儿童读者占大多数，专家认为绘本是最适合孩子阅读的图书形式。随着父母更加注重孩子精神世界的建设，绘本的借阅量也越来越多，绘本借阅市场前景也更加广阔。但当前存在技术问题：如何让父母快速、准确地找到合适的书？一方面，儿童是绘本的主要读者，但是儿童还很小以至于不能独立地借阅绘本，往往是由父母代借，父母在代借地过程中不能准确快速地判断儿童的阅读兴趣，在挑选绘本时会选择随意挑选或者慢慢挑选，这样的挑选方式效率偏低，准确性也不高，当推荐准确率不高时，会降低儿童的阅读的兴趣，而3-8岁是阅读习惯培养的关键时期，一旦儿童的阅读兴趣降低，培养良好阅读习惯则会更加困难；另一方面，绘本馆则希望帮助用户快速、准确地选择合适的绘本，以此来增加绘本馆的借阅率，相应提高经济收益。
当前提高绘本馆电子商务平台借阅率的技术有：1.推荐销售热门榜单上的图书。2.专利公开号：CN108255992A“一种绘本可阅读性的评估推荐方法”，该专利的思想是首先收集世界各地的绘本，建立绘本总库；然后参考绘本封面对每本绘本的主题与内容确认；接着将读者划分为3个类别：幼儿类、少儿类、成年类，并对绘本的内容按照读者的年龄段进行分类；接着对三个类别的绘本按照能够吸引人、感动人、让人有兴趣阅读和学习、内容要切实进行评估，确定可阅读性；最后按照评估结果分为三个档次，优先推荐第一档次。
1.推荐销售热门榜单虽然在一定程度上缓解了用户挑选效率低的问题，但是推荐个性化不足，未考虑儿童的兴趣差异，因此准确度不高；专利申请CN108255992A中，只对绘本按照幼儿类、少儿类、成年类进行了分类和评估，也未充分考虑用户的兴趣偏好差异，推荐个性化不足。
2.不能准确获取儿童用户的阅读兴趣。一般的图书推荐系统中如图3所示，用户是成年人，成年人能够很清楚地表达出自己的阅读兴趣，录入到推荐系统中。而绘本借阅场景中如图2所示，很多读者是儿童，父母是在替儿童借书。在这个场景中，父母可能不明确儿童的阅读兴趣，儿童又不能清楚地表述自己的阅读兴趣,也就没有准确的阅读兴趣输入到推荐系统中，因此推荐系统准确率很低。例如，一个3岁的儿童需要借阅绘本，他自己还不能独立借阅，只能由他的父母为他代借，一种方式是父母在借阅中会选择自己认为孩子喜欢的绘本，这种借阅模式存在父母代借的绘本并不是儿童喜好的主题的问题；另一种方式是父母在借阅之前询问孩子的偏好，但是对于3岁的孩子来说表达能力还不健全，父母的理解可能存在偏差，这样借阅绘本的满意度会不高。当前图书推荐方法中，都是基于成人借书的假设，直接问询用户的信息，例如：专利申请CN108052552A。
如何解决上述技术问题为本发明面临的课题。
发明内容
本发明的目的在于提供一种基于隐式问询的绘本推荐方法。
本发明是通过如下措施实现的：一种基于隐式问询的绘本推荐方法，通过精选儿童普遍存在的日常行为，将日常行为与儿童兴趣建立联系得到隐式问询模块；当用户(父母)加入系统，对父母隐式问询获得儿童的行为数据，提取儿童行为信息并和行为兴趣的映射关系匹配，将儿童行为转换成儿童兴趣特征向量，建立儿童兴趣获取模块；借鉴辅助信息域丰富绘本属性特征，对特征聚类，获得不同属性绘本的分类，建立绘本特征模块；推荐与用户兴趣相符合的热门绘本建立系统生成推荐列表；
所述系统生成推荐列表具体包括以下步骤：
1)用户(父母)加入系统，根据设置的隐式问询题目进行回答；
2)根据用户回答的问题对应相应的行为，例如，对问题“是否喜爱拼积木”回答“是”的用户，我们认为该用户的孩子有拼积木的行为；再根据行为兴趣的映射关系，如爱好拼积木的孩子对科普、数学、逻辑方面的比较感兴趣，将儿童行为信息转化得到儿童兴趣特征信息，间接推断出儿童的兴趣，如该孩子会对科普、数学、逻辑类的绘本感兴趣；
3)借鉴迁移学习的思想，借助辅助信息域绘本的信息丰富绘本主题，用聚类算法对绘本聚类，将不同属性的绘本分类；
4)将儿童兴趣结合儿童属性与绘本属性进行推荐，为用户推荐儿童偏好的热门绘本。
作为本发明提供的一种基于隐式问询的绘本推荐方法进一步优化方案，所述隐式问询题目的设置是通过邀请多位儿童专家，分别就儿童不同的行为提出问题，为了提高推荐的准确度，为每个行为筛选出2个有效问题，作为最终的隐式问询题目，具体筛选步骤如下：
步骤1：召集有过历史记录的用户回答专家提出的所有问题，并建立用户评分矩阵和项目属性矩阵；
步骤2：根据公式
Figure BDA0002267864700000031
计算得到用户项目属性评分矩阵，其中，ri表示用户对项目i的评分，
Figure BDA0002267864700000032
表示项目i是否具有k属性，
Figure BDA00022678647000000313
表示用户对具有k属性项目的评分之和，
Figure BDA0002267864700000034
表示具有k属性项目的个数；
步骤3：提取每个项目属性评分较高的用户集合，如对ak属性感兴趣的用户集合为
Figure BDA0002267864700000035
步骤4：根据专家提问，获得每个问题兴趣映射关系矩阵；
步骤5：提取可以映射兴趣的问题集合，可以映射兴趣k的问题集合有
Figure BDA0002267864700000036
步骤6：在相同兴趣偏好下，整合两个集合，得到用户问题回答情况矩阵；存在一个问题可能包含多个兴趣的映射关系，设置问题有效性权重wq＝1/c，其中为c为该问题可以映射的兴趣个数；
步骤7：根据公式
Figure BDA0002267864700000037
计算每个问题的有效度，其中，
Figure BDA0002267864700000038
表示用户对可以映射出Ik兴趣的问题q回答为“是”，
Figure BDA0002267864700000039
表示在Ik兴趣下，用户uq对问题qp回答“是”的个数，选取其中有效度较高的两种作为隐式问询的题目。
作为本发明提供的一种基于隐式问询的绘本推荐方法进一步优化方案，所述基于隐式问询的绘本推荐方法还包括建立用户兴趣模型的步骤，具体包括以下内容：
获得隐式问询题目后，用户加入系统，通过用户对隐式问题的回答和行为映射的兴趣，得到用户回答问题矩阵A和问题兴趣映射矩阵I，可以构建用户兴趣模型，根据公式
Figure BDA00022678647000000310
重构两个矩阵可以得到儿童兴趣矩阵P，其中，Au,q表示用户u是否回答q问题，Qu,I表示用户u回答过问题中含有兴趣I的问题集合,
Figure BDA00022678647000000311
表示用户u回答含有兴趣I的问题为“是”的个数，sum(Qu,I)表示Qu,I中的元素个数。
由于存在几个行为会出现相同的兴趣和儿童会更倾向于某种兴趣，本发明定义儿童兴趣权重来区分儿童对兴趣的热爱程度
Figure BDA00022678647000000312
其中，sum表示用户选择是与否行为的数量,k∈I表示k类兴趣，sum(uk)表示可以映射k类兴趣的问题，用户选择“是”的个数，wk的值越大说明用户对k类兴趣的喜爱程度越深。
作为本发明提供的一种基于隐式问询的绘本推荐方法进一步优化方案，所述步骤3)中对绘本聚类具体内容为：
为了给用户进行更加准确的推荐，本发明将绘本进行分类，在缺少绘本特征信息的情况下，借鉴迁移学习的思想，通过跨域整合不同领域的信息丰富绘本特征信息，首先整合其他绘本馆的标签信息，根据公式
Figure BDA0002267864700000041
其中，nb，i表示有标签b的物品的集合，nb，i为给物品打上标签的用户数，计算不同领域的相似标签，将重叠标签导入目标域中来丰富标签集合，再根据标签相似度来对绘本聚类，聚类的思想为：初始的每个绘本单独为一个集合，利用标签特征聚类，计算任意两个绘本的标签相似度，选取相似度最大的两个绘本集合进行合并，将合并后的集合加入下一轮合并，直到生成k个类，通过k聚类，可将相同特征的绘本归为一类。
作为本发明提供的一种基于隐式问询的绘本推荐方法进一步优化方案，所述生成推荐列表还包括以下内容：当一个用户(父母)加入到绘本馆推荐系统时，系统对用户进行隐式问询，得到儿童的行为数据，将儿童行为数据输入到儿童兴趣模型中，计算获得儿童潜在阅读兴趣，将获得的兴趣与绘本属性匹配，在匹配到的绘本中挑选符合儿童年龄的热门绘本进行推荐。
作为本发明提供的一种基于隐式问询的绘本推荐方法进一步优化方案，所述隐式问题还可以通过挖掘绘本馆的用户的历史数据结合用户属性来提出。
本发明的有益效果为：本发明基于隐式问询能够准确、快速地获取儿童的阅读兴趣；根据儿童阅读兴趣、绘本属性进行个性化的推荐；能够快速准确地获取儿童阅读兴趣，能够更好地匹配到合适的绘本，提高推荐的准确率。
附图说明
图1为本发明系统生成推荐列表的流程图。
图2为本发明推荐系统结构图。
图3为本发明隐式问询题目设置过程示意图。
图4为成年人借书场景图。
图5为父母为儿童借阅的场景图。
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。当然，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。
需要说明的是，在不冲突的情况下，本发明创造中的实施例及实施例中的特征可以相互组合。
在本发明创造的描述中，需要理解的是，术语“中心”、“纵向”、“横向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明创造和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明创造的限制。此外，术语“第一”、“第二”等仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”等的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明创造的描述中，除非另有说明，“多个”的含义是两个或两个以上。
在本发明创造的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以通过具体情况理解上述术语在本发明创造中的具体含义。
实施例1
由于绘本的阅读者大多数是儿童，他们还不能够独立地借阅绘本，通常是由他们的父母代借，对于推荐系统来说，父母是系统的用户，儿童的反馈是对系统的评价，推荐系统的结构如图2所示。
参见图1与图5，本发明提供其技术方案为，一种基于隐式问询的绘本推荐方法，通过精选儿童普遍存在的日常行为，将日常行为与儿童兴趣建立联系得到隐式问询模块；当用户(父母)加入系统，对父母隐式问询获得儿童的行为数据，提取儿童行为信息并和行为兴趣的映射关系匹配，将儿童行为转换成儿童兴趣特征向量，建立儿童兴趣获取模块；借鉴辅助信息域丰富绘本属性特征，对特征聚类，获得不同属性绘本的分类，建立绘本特征模块；推荐与用户兴趣相符合的热门绘本建立系统生成推荐列表；
所述系统生成推荐列表具体包括以下步骤：
1)用户(父母)加入系统，根据设置的隐式问询题目进行回答；
2)根据用户回答的问题对应相应的行为，例如，对问题“是否喜爱拼积木”回答“是”的用户，我们认为该用户的孩子有拼积木的行为；再根据行为兴趣的映射关系，如爱好拼积木的孩子对科普、数学、逻辑方面的比较感兴趣，将儿童行为信息转化得到儿童兴趣特征信息，间接推断出儿童的兴趣，如该孩子会对科普、数学、逻辑类的绘本感兴趣；
3)借鉴迁移学习的思想，借助辅助信息域绘本的信息丰富绘本主题，用聚类算法对绘本聚类，将不同属性的绘本分类；
4)将儿童兴趣结合儿童属性与绘本属性进行推荐，为用户推荐儿童偏好的热门绘本。
具体地，所述隐式问询题目的设置是通过邀请多位儿童专家，分别就儿童不同的行为提出问题，为了提高推荐的准确度，为每个行为筛选出2个有效问题，作为最终的隐式问询题目，具体筛选步骤如下：
步骤1：召集有过历史记录的用户回答专家提出的所有问题，并建立用户评分矩阵和项目属性矩阵；
步骤2：根据公式
Figure BDA0002267864700000061
计算得到用户项目属性评分矩阵，其中，ri表示用户对项目i的评分，
Figure BDA0002267864700000062
表示项目i是否具有k属性，
Figure BDA00022678647000000612
表示用户对具有k属性项目的评分之和，
Figure BDA0002267864700000064
表示具有k属性项目的个数；
步骤3：提取每个项目属性评分较高的用户集合，如对ak属性感兴趣的用户集合为
Figure BDA0002267864700000065
步骤4：根据专家提问，获得每个问题兴趣映射关系矩阵；
步骤5：提取可以映射兴趣的问题集合，可以映射兴趣k的问题集合有
Figure BDA0002267864700000066
步骤6：在相同兴趣偏好下，整合两个集合，得到用户问题回答情况矩阵；存在一个问题可能包含多个兴趣的映射关系，设置问题有效性权重wq＝1/c，其中为c为该问题可以映射的兴趣个数；
步骤7：根据公式
Figure BDA0002267864700000067
计算每个问题的有效度，其中，
Figure BDA0002267864700000068
表示用户对可以映射出Ik兴趣的问题q回答为“是”，
Figure BDA0002267864700000069
表示在Ik兴趣下，用户uq对问题qp回答“是”的个数，选取其中有效度较高的两种作为隐式问询的题目。
具体地，所述基于隐式问询的绘本推荐方法还包括建立用户兴趣模型的步骤，具体包括以下内容：
获得隐式问询题目后，用户加入系统，如图1所示，通过用户对隐式问题的回答和行为映射的兴趣，得到用户回答问题矩阵A和问题兴趣映射矩阵I，可以构建用户兴趣模型，根据公式
Figure BDA00022678647000000610
重构两个矩阵可以得到儿童兴趣矩阵P，其中，Au,q表示用户u是否回答q问题，Qu,I表示用户u回答过问题中含有兴趣I的问题集合,
Figure BDA00022678647000000611
表示用户u回答含有兴趣I的问题为“是”的个数，sum(Qu,I)表示Qu,I中的元素个数。
由于存在几个行为会出现相同的兴趣和儿童会更倾向于某种兴趣，本发明定义儿童兴趣权重来区分儿童对兴趣的热爱程度
Figure BDA0002267864700000071
其中，sum表示用户选择是与否行为的数量,k∈I表示k类兴趣，sum(uk)表示可以映射k类兴趣的问题，用户选择“是”的个数，wk的值越大说明用户对k类兴趣的喜爱程度越深。
具体地，所述步骤3)中对绘本聚类具体内容为：
为了给用户进行更加准确的推荐，本发明将绘本进行分类，在缺少绘本特征信息的情况下，借鉴迁移学习的思想，通过跨域整合不同领域的信息丰富绘本特征信息，首先整合其他绘本馆的标签信息，根据公式
Figure BDA0002267864700000072
其中，N(b)表示有标签b的物品的集合，nb，i为给物品打上标签的用户数，计算不同领域的相似标签，将重叠标签导入目标域中来丰富标签集合，再根据标签相似度来对绘本聚类，聚类的思想为：初始的每个绘本单独为一个集合，利用标签特征聚类，计算任意两个绘本的标签相似度，选取相似度最大的两个绘本集合进行合并，将合并后的集合加入下一轮合并，直到生成k个类，通过k聚类，可将相同特征的绘本归为一类。
作为本发明提供的一种基于隐式问询的绘本推荐方法进一步优化方案，所述生成推荐列表还包括以下内容：当一个用户(父母)加入到绘本馆推荐系统时，系统对用户进行隐式问询，得到儿童的行为数据，将儿童行为数据输入到儿童兴趣模型中，计算获得儿童潜在阅读兴趣，将获得的兴趣与绘本属性匹配，在匹配到的绘本中挑选符合儿童年龄的热门绘本进行推荐。
具体地，所述隐式问题还可以通过挖掘绘本馆的用户的历史数据结合用户属性来提出。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (6)

1.一种基于隐式问询的绘本推荐方法，其特征在于，通过精选儿童普遍存在的日常行为，将日常行为与儿童兴趣建立联系得到隐式问询模块；当用户加入系统，对父母隐式问询获得儿童的行为数据，提取儿童行为信息并和行为兴趣的映射关系匹配，将儿童行为转换成儿童兴趣特征向量，建立儿童兴趣获取模块；借鉴辅助信息域得出绘本属性特征，对绘本属性特征聚类，获得不同属性绘本的分类，建立绘本特征模块；推荐与用户兴趣相符合的热门绘本建立系统生成推荐列表；
所述系统生成推荐列表具体包括以下步骤：
1)用户加入系统，根据设置的隐式问询题目进行回答；
2)根据用户回答的问题对应相应的行为，再根据行为兴趣的映射关系，将儿童行为信息转化得到儿童兴趣特征信息，间接推断出儿童的兴趣；
3)借鉴迁移学习的思想，借助辅助信息域绘本的信息的得到绘本主题，用聚类算法对绘本聚类，将不同属性的绘本分类；
4)将儿童兴趣结合儿童属性与绘本属性进行推荐，为用户推荐儿童偏好的热门绘本。
2.根据权利要求1所述的基于隐式问询的绘本推荐方法，其特征在于，所述隐式问询题目的设置是通过邀请多位儿童专家，分别就儿童不同的行为提出问题，为每个行为筛选出2个有效问题，作为最终的隐式问询题目，具体筛选步骤如下：
步骤1：召集有过历史记录的用户回答专家提出的所有问题，并建立用户评分矩阵和项目属性矩阵；
步骤2：根据公式
Figure FDA0002267864690000011
计算得到用户项目属性评分矩阵，其中，ri表示用户对项目i的评分，
Figure FDA0002267864690000012
表示项目i是否具有k属性，
Figure FDA0002267864690000013
表示用户对具有k属性项目的评分之和，
Figure FDA0002267864690000014
表示具有k属性项目的个数；
步骤3：提取每个项目属性评分较高的用户集合，如对ak属性感兴趣的用户集合为
Figure FDA0002267864690000015
步骤4：根据专家提问，获得每个问题兴趣映射关系矩阵；
步骤5：提取可以映射兴趣的问题集合，可以映射兴趣k的问题集合有
Figure FDA0002267864690000016
步骤6：在相同兴趣偏好下，整合两个集合，得到用户问题回答情况矩阵；存在一个问题可能包含多个兴趣的映射关系，设置问题有效性权重wq＝1/c，其中为c为该问题可以映射的兴趣个数；
步骤7：根据公式
Figure FDA0002267864690000021
计算每个问题的有效度，其中，
Figure FDA0002267864690000022
表示用户对可以映射出Ik兴趣的问题q回答为“是”，
Figure FDA0002267864690000023
表示在Ik兴趣下，用户uq对问题qp回答“是”的个数，选取其中有效度较高的两种作为隐式问询的题目。
3.根据权利要求1或2所述的基于隐式问询的绘本推荐方法，其特征在于，所述基于隐式问询的绘本推荐方法还包括建立用户兴趣模型的步骤，具体包括以下内容：
获得隐式问询题目后，用户加入系统，通过用户对隐式问题的回答和行为映射的兴趣，得到用户回答问题矩阵A和问题兴趣映射矩阵I，可以构建用户兴趣模型，根据公式
Figure FDA0002267864690000024
重构两个矩阵可以得到儿童兴趣矩阵P，其中，Au,q表示用户u是否回答q问题，Qu,I表示用户u回答过问题中含有兴趣I的问题集合,
Figure FDA0002267864690000025
表示用户u回答含有兴趣I的问题为“是”的个数，sum(Qu,I)表示Qu,I中的元素个数。
由于存在几个行为会出现相同的兴趣和儿童会更倾向于某种兴趣，本发明定义儿童兴趣权重来区分儿童对兴趣的热爱程度
Figure FDA0002267864690000026
其中，sum表示用户选择是与否行为的数量,k∈I表示k类兴趣，sum(uk)表示可以映射k类兴趣的问题，用户选择“是”的个数，wk的值越大说明用户对k类兴趣的喜爱程度越深。
4.根据权利要求1-3任一项所述的基于隐式问询的绘本推荐方法，其特征在于，所述步骤3)中对绘本聚类具体内容为：
将绘本进行分类，在缺少绘本特征信息的情况下，借鉴迁移学习的思想，通过跨域整合不同领域的信息丰富绘本特征信息，首先整合其他绘本馆的标签信息，根据公式
Figure FDA0002267864690000027
其中，N(b)表示有标签b的物品的集合，nb，i为给物品打上标签的用户数，计算不同领域的相似标签，将重叠标签导入目标域中来丰富标签集合，再根据标签相似度来对绘本聚类，聚类的思想为初始的每个绘本单独为一个集合，利用标签特征聚类，计算任意两个绘本的标签相似度，选取相似度最大的两个绘本集合进行合并，将合并后的集合加入下一轮合并，直到生成k个类，通过k聚类，可将相同特征的绘本归为一类。
5.根据权利要求1-4任一项所述的基于隐式问询的绘本推荐方法，其特征在于，所述生成推荐列表还包括以下内容：当一个用户加入到绘本馆推荐系统时，系统对用户进行隐式问询，得到儿童的行为数据，将儿童行为数据输入到儿童兴趣模型中，计算获得儿童潜在阅读兴趣，将获得的兴趣与绘本属性匹配，在匹配到的绘本中挑选符合儿童年龄的热门绘本进行推荐。
6.根据权利要求1-5任一项所述的基于隐式问询的绘本推荐方法，其特征在于，所述隐式问题还可以通过挖掘绘本馆的用户的历史数据结合用户属性来提出。
CN201911094447.9A 2019-11-11 2019-11-11 一种基于隐式问询的绘本推荐方法 Pending CN110955775A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911094447.9A CN110955775A (zh) 2019-11-11 2019-11-11 一种基于隐式问询的绘本推荐方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911094447.9A CN110955775A (zh) 2019-11-11 2019-11-11 一种基于隐式问询的绘本推荐方法

Publications (1)

Publication Number Publication Date
CN110955775A true CN110955775A (zh) 2020-04-03

Family

ID=69977148

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911094447.9A Pending CN110955775A (zh) 2019-11-11 2019-11-11 一种基于隐式问询的绘本推荐方法

Country Status (1)

Country Link
CN (1) CN110955775A (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112766383A (zh) * 2021-01-22 2021-05-07 浙江工商大学 一种基于特征聚类和标签相似性的标签增强方法
CN113342963A (zh) * 2021-04-29 2021-09-03 山东大学 一种基于迁移学习的服务推荐方法及系统
CN113347500A (zh) * 2021-06-01 2021-09-03 广州欢网科技有限责任公司 一种基于答题模式的个性化节目推荐方法和装置
CN117765779A (zh) * 2024-02-20 2024-03-26 厦门三读教育科技有限公司 基于孪生神经网络的儿童绘本智能化导读方法及系统
JP7507400B2 (ja) 2020-06-25 2024-06-28 パナソニックＩｐマネジメント株式会社 対象者関心推定システム、対象者関心推定装置、対象者関心推定方法、及び、プログラム

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106095949A (zh) * 2016-06-14 2016-11-09 东北师范大学 一种基于混合推荐的数字化图书馆资源个性化推荐方法与系统
CN106897363A (zh) * 2017-01-11 2017-06-27 同济大学 基于眼动追踪的文本推荐方法
CN107122399A (zh) * 2017-03-16 2017-09-01 中国科学院自动化研究所 基于公共文化知识图谱平台的综合推荐系统
CN107665202A (zh) * 2016-07-27 2018-02-06 北京金山安全软件有限公司 一种构建兴趣模型的方法、装置及电子设备
CN107885846A (zh) * 2017-11-10 2018-04-06 西安交通大学 一种基于隐式属性和隐式关系挖掘的知识点推荐方法
CN108255992A (zh) * 2017-12-29 2018-07-06 广州贝睿信息科技有限公司 一种绘本可阅读性的评估推荐方法
CN108628999A (zh) * 2018-05-02 2018-10-09 南京大学 一种基于显式和隐式信息的视频推荐方法
CN108717654A (zh) * 2018-05-17 2018-10-30 南京大学 一种基于聚类特征迁移的多电商交叉推荐方法
CN110362753A (zh) * 2019-04-10 2019-10-22 深思考人工智能机器人科技（北京）有限公司 一种基于用户隐式反馈的个性化神经网络推荐方法及系统

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106095949A (zh) * 2016-06-14 2016-11-09 东北师范大学 一种基于混合推荐的数字化图书馆资源个性化推荐方法与系统
CN107665202A (zh) * 2016-07-27 2018-02-06 北京金山安全软件有限公司 一种构建兴趣模型的方法、装置及电子设备
CN106897363A (zh) * 2017-01-11 2017-06-27 同济大学 基于眼动追踪的文本推荐方法
CN107122399A (zh) * 2017-03-16 2017-09-01 中国科学院自动化研究所 基于公共文化知识图谱平台的综合推荐系统
CN107885846A (zh) * 2017-11-10 2018-04-06 西安交通大学 一种基于隐式属性和隐式关系挖掘的知识点推荐方法
CN108255992A (zh) * 2017-12-29 2018-07-06 广州贝睿信息科技有限公司 一种绘本可阅读性的评估推荐方法
CN108628999A (zh) * 2018-05-02 2018-10-09 南京大学 一种基于显式和隐式信息的视频推荐方法
CN108717654A (zh) * 2018-05-17 2018-10-30 南京大学 一种基于聚类特征迁移的多电商交叉推荐方法
CN110362753A (zh) * 2019-04-10 2019-10-22 深思考人工智能机器人科技（北京）有限公司 一种基于用户隐式反馈的个性化神经网络推荐方法及系统

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
ANUPRIYA GOGNA,ANGSHUL MAJUMDAR: "A Comprehensive Recommender System Model: Improving Accuracy for Both Warm and Cold Start Users", 《IEEE ACCESS》 *
V家长: "耶鲁大学测试：20道题发掘孩子天赋，让孩子少走90%弯路", 《HTTP://MT.SOHU.COM/20180503/N536629099.SHTML》 *
欧辉思等: "面向跨领域的推荐系统研究现状与趋势", 《小型微型计算机系统》 *
许伟等: "聚类与协同过滤相结合的隐式推荐系统", 《计算机工程与设计》 *
陆艺等: "面向隐式反馈的推荐系统研究现状与趋势", 《计算机科学》 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP7507400B2 (ja) 2020-06-25 2024-06-28 パナソニックＩｐマネジメント株式会社 対象者関心推定システム、対象者関心推定装置、対象者関心推定方法、及び、プログラム
CN112766383A (zh) * 2021-01-22 2021-05-07 浙江工商大学 一种基于特征聚类和标签相似性的标签增强方法
CN113342963A (zh) * 2021-04-29 2021-09-03 山东大学 一种基于迁移学习的服务推荐方法及系统
CN113347500A (zh) * 2021-06-01 2021-09-03 广州欢网科技有限责任公司 一种基于答题模式的个性化节目推荐方法和装置
CN117765779A (zh) * 2024-02-20 2024-03-26 厦门三读教育科技有限公司 基于孪生神经网络的儿童绘本智能化导读方法及系统
CN117765779B (zh) * 2024-02-20 2024-04-30 厦门三读教育科技有限公司 基于孪生神经网络的儿童绘本智能化导读方法及系统

Similar Documents

Publication Publication Date Title
Fuentes et al. Agencing ethical consumers: smartphone apps and the socio-material reconfiguration of everyday life
Merga How can Booktok on TikTok inform readers' advisory services for young people?
CN110674410B (zh) 用户画像构建、内容推荐方法、装置及设备
Evans et al. Content analysis of contemporary teen magazines for adolescent females
Booth Digital fandom: New media studies
Kapferer The new strategic brand management: Advanced insights and strategic thinking
CN110955775A (zh) 一种基于隐式问询的绘本推荐方法
Longhurst et al. Social class, consumption and the influence of Bourdieu: some critical issues
CN104133817A (zh) 网络社区交互方法、装置及网络社区平台
CN108764485A (zh) 计算建议工具中的兴趣度推荐
Loveless Role of ICT
Tifferet et al. Gift giving at Israeli weddings as a function of genetic relatedness and kinship certainty
Jacoby Is it rational to assume consumer rationality? Some consumer psychological perspectives on rational choice theory
KR101910076B1 (ko) 유아 교육 컨텐츠 제공 방법, 장치 및 컴퓨터 프로그램
Demo et al. The motherhood business: Consumption, communication, and privilege
KR20170047441A (ko) 큐레이션을 통한 맞춤형 코칭이 가능한 전자태그를 이용한 도서의 대여 서비스 시스템, 전자태그를 이용한 맞춤형 교육 컨텐츠 시스템, 그를 이용한 통계 솔루션 시스템, 그를 이용한 교육 컨텐츠 제공 방법
Keller et al. Return to theConsuming West' Young People's Perceptions about the Consumerization of Estonia
Barnfield Autonomous geographies of recreational running in Sofia, Bulgaria
Spiers Introduction: Wondering about ‘the Causes of Causes’: The Publisher’s Series, Its Cultural Work and Meanings Part One: The Methodologies of Series and the Limits of Knowledge
Wright Follow the feeling: Brand building in a noisy world
Kumar et al. Connecting BOP consumers and retailers: What drives small-time retailing through social media?
CN114117106A (zh) 基于儿童绘本的智能交互方法、装置、设备和存储介质
KR100581455B1 (ko) 통신망을 이용한 독서관련 서비스 방법
Hunter Typologies and sources of entrepreneurial opportunity (II)
Toh et al. Artificial Intelligence Education-Self Guided Learning

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