CN111078990A - 对资源链接进行编排推荐系统及方法 - Google Patents

Abstract

本发明提供一种为实现上述目的及其他相关目的，本发明提供一种对资源链接进行编排推荐的系统及方法，包括：一种资源链接进行编排推荐的系统，其特征在于，包括：用户登录模块，用于获取用户鉴权信息，接收用户鉴权结果，并根据用户鉴权结果决定是否允许用户访问系统；信息收集模块，用于记录每个新上线的资源信息，并打上标记；数据分析模块，用于记录用户的使用轨迹，并基于用户以往对资源的使用轨迹，预测用户对应用的偏好程度；页面组装模块，根据预测出的用户对应用的偏好程度，将应用资源组装成着陆页呈现给用户。本发明的对资源链接进行编排推荐的系统及方法，能够完全自动地根据用户使用习惯，将应用资源进行筛选和排序推送给用户，避免了硬编码方式不够灵活的缺点，又大大减化了维护程序。

Description

对资源链接进行编排推荐系统及方法

技术领域

本发明涉及一种对资源链接进行编排推荐的系统及方法，尤其涉及的是用于着陆页中资源链接进行编排推荐的系统及方法。

背景技术

随着企业对于信息化程度的重视，企业内部自行研发或经常使用的系统也随之越来越多，作为着陆页(也称为引导页)通常是为了提高访问这些系统的用户转换率和业务深度，准确地传递信息以及方便用户统一登录集中访问资源；另一方面也将当前用户迅速引导进特定的的应用资源，以避免这些应用资源上线后乏人问津。在着陆页中通常会展示很多企业应用系统的链接，这些链接通过URL跳转来使用户浏览器跳转到特定资源。

如果着陆页仅对这些链接随机进行排序，或者让所有的用户都看到相同资源、相同排序着陆页，则用户体验会较差；相比之下，如果向用户展示的着陆页中，能根据用户的使用习惯有针对性地对链接进行筛选和排序，则能够提升用户体验，从而更有利于用户留存。

目前在着陆页中对各个应用系统资源链接的筛选和排序，采用的方法包括：标记应用资源的属性，通常是标记该应用的用途属性；收集用户登录信息；根据用户登录信息验证用户身份；根据用户身份推送特定属性的应用，并对这些应用进行特定的排序。目前市场上的应用中，推送主要按以下方式：

1.通过在着陆页的前端页面中硬编码这些资源链接。

2.为着陆页提供一个后台管理界面，通过“配置项”来管理用户访问应用资源链接。

在具有大量应用的场景中，每个用户所访问资源的需求不同，方案1的结果就是需要经常更改这些应用资源链接前后顺序展示的代码，这使系统维护的成本大大增加。

方案2虽然可以在不改动代码、重新编译部署的情况下，对着陆页中的各个应用资源的图片、链接及前后顺序进行管理，但由于每位用户的需求不同，所希望展示的应用资源链接的前后顺序、优先级也不同，针对不同需求手动配置资源链接的顺序和优先级仍然是非常繁重的工作，工作效率很低。

本发明的意图和目标是为了解决在拥有大量企业应用资源的着陆页中，在无人干预的情况下，结合用户平时的在线访问的轨迹和有效合理的数据挖掘算法，计算出当前登录用户最可能需要优先访问的应用系统资源按优先级排序或推荐，从而发挥出着陆页在企业中的价值。

发明内容

鉴于以上所述现有技术的缺点，本发明的目的在于提供一种对资源链接进行编排推荐的系统及方法，均为用于解决现有技术中等问题。

为实现上述目的及其他相关目的，本发明提供一种对资源链接进行编排推荐的系统及方法，包括：一种资源链接进行编排推荐的系统，其特征在于，包括：用户登录模块，用于获取用户鉴权信息，接收用户鉴权结果，并根据用户鉴权结果决定是否允许用户访问系统；信息收集模块，用于记录每个新上线的资源信息，并打上标记；数据分析模块，用于记录用户的使用轨迹，并基于用户以往对资源的使用轨迹，预测用户对应用的偏好程度；页面组装模块，根据预测出的用户对应用的偏好程度，将应用资源组装成着陆页呈现给用户。

如上所述，本发明的对资源链接进行编排推荐的系统及方法，能够完全自动地根据用户使用习惯，将应用资源进行筛选和排序推送给用户，避免了硬编码方式不够灵活的缺点，又大大减化了维护程序。

附图说明

图1是本发明对资源链接进行编排推荐的系统的逻辑框图；

图2是数据分析模块预测用户对应用偏好程度的方法流程图。

具体实施方式

以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。

请参阅附图。需要说明的是，本实施例中所提供的图示仅以示意方式说明本发明的基本构想，遂图式中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。

首先参阅图1，图1是本发明对资源链接进行编排推荐的系统1的逻辑框图。系统1包括用户登录模块2、信息收集模块3、页面组装模块4和数据分析模块5四个部分。其中，用户登录模块2用于获取用户在着陆页面中输入的鉴权信息，例如用户名密码、指纹信息、虹膜信息等，然后将这些鉴权信息发送给后端鉴权系统对用户进行鉴权，鉴权系统对用户进行身份验证后将验证结果反馈给用户登录模块2，用户登录模块2根据验证结果决定是拒绝或接受用户的访问。鉴权系统对用户进行身份验证时，可以仅简单地验证用户是否合法，也可以根据需要在验证用户合法性的同时，查询用户的角色、权限等信息，并将查询结果包括在反馈结果中一并反馈给用户登录模块。本发明中的鉴权系统可以使用现有技术中的实现方式，这里不对鉴权系统的结构和原理作过多展开。另外需要说明的是，获取用户在着陆页面中输入的鉴权信息是广义的，对于开放系统，即允许游客身份访问的系统中，实际上并没有获取具体的用户信息，也不需要鉴权系统参与，这种情况可以看作一种特殊的获取用户鉴权信息、对用户鉴权的方式。

信息收集模块3用于记录每个资源信息，并打上标记。标记可以是该资源的任何属性，比如资源的热度、资源的作用、资源的内容分类等等。

页面组装模块4是用于根据用户登录模块1输出的用户鉴权结果信息(不合法用户或者无权访问用户已经被拒绝，因此鉴权信息不会输出到页面组装模块4)，根据该用户的鉴权结果为用户安排着陆页上资源的内容(通常以资源的URL链接形式)。具体的安排方式可以是：若首次登录着陆页，则将根据用户身份信息推送一个默认的着陆页，比如以用户的部门信息和职位去匹配带有相应部门、职位标记的应用资源，并给出一个默认的推荐排序。如果该用户不是首次登录，则根据用户过往访问资源的行为历史，来安排用户感兴趣和可能感兴趣的资源作为着陆页中的资源链接。

数据分析模块5用于记录用户的使用轨迹，并基于用户以往对资源的使用轨迹，预测用户对应用的偏好程度。预测出来的偏好程度为页面组装模块4安排着陆页的资源链接提供依据。使用轨迹可以是用户访问的资源种类和数量、对各个资源的访问次数、对资源访问的先后顺序等等。为简化说明，以下的举例中，仅考虑用户对应用资源的访问次数这一种使用轨迹，记录的结果以表1为例：

表1

表1主要记录了每个登录用户访问各个应用系统资源的点击量，一种直观的排序方式是为每个用户使用各个应用系统资源的点击量与当前用户的点击量进行勾股定理的计算，得出推荐引导的结果：

其中的x与y分别代表用户1和用户2访问某个应用资源点击量。每个用户使用各个应用系统资源的点击量与当前用户的点击量进行相似偏好程度的计算，这里通过距离计算得出，n代表用户都访问过的应用数目，x与y代表两个用户。

但根据表1中的数据可知，各个用户在访问这些应用系统的点击量也都不一样，一些用户对一部分应用的访问量为零，因此表1的整体数据可能较为稀疏，单纯地以上述计算方式计算推荐引导结果会有很大的偏差。并且假设有n万个用户，每次对当前用户进行一次推荐时需要计算n万次勾股定理的计算(比较该用户和其他n-1万个用户)，如果每秒需要进行多次推荐的话，计算的次数会十分巨大。

因此本发明根据着陆页的业务场景基于余弦相似度计算方法来计算各应用之间的相似程度从而进行下一步的推荐和排序。设每两个应用系统资源记为(i，j)，其中U表示所有同时对i和j进行过点击的用户组成的集合，则直观的余弦相似度计算公式如下：

但以上直接计算余弦相似度会存在较大的偏差，原因是现实中有两种情况，一是当用户访问应用系统资源的点击量高于预期，或者点击量被故意夸大；二是新上线的应用资源可能是当前用户强烈需要立即访问的，但因本身访问量是零或较少被访问，因此该资源链接很容易被排在着陆页最不起眼的地方。

为了纠正这两种情况带来的偏差，可以在计算余弦相似度前对表1的数据进行预处理。预处理的步骤包括：

计算每个用户对资源的平均点击量。

设x_i作为用户有效访问各个应用系统资源的点击数，n作为用户有效访问各个应用系统资源数量，具体公式如下：

将用户对资源的平均点击量计算结果补入表1，得到如下的表2：

表2

有了用户平均点击量这一数据，在计算余弦相似度之前，先将每个应用点击量结果减去平均的点击量，就得到了以下优化后的余弦相似度计算公式：

其中

指的是用户u访问应用系统资源i的点击量减去用户u对所有应用资源点击访问量的平均值，这样可以得到归一化的访问量结果。在上面有关s(i，j)的公式中，我们寻找应用i和应用j之间的相似度。分子给出的是对于每个同时对两个应用资源点击量的用户，将两个应用系统资源的归一化点击量结果相乘，然后对结果求和。在分母中，我们对应用资源i的归一化点击结果的平方求和，然后对j进行相同处理，最后求它们的乘积的平方根。以表6-2为例，假设计算应用A与应用B的相似度，代入公式后为：

因此，应用A和应用B之间的相似度为0.2761，对其它的应用也进行相似度计算得到下表3：

表3

根据表3，当前各个应用资源的点击量范围是1到8，令Max_R表示最大的点击量结果8，而Min_R表示最小的点击量结果1，假设R_u，N为用户u访问应用资源N的当前点击量；而NR_u，N是对上述点击量进行归一化的访问量结果，归一化可以使用点击量减去平均值的方式，但在这里引用统计学中的皮尔逊相关系数来度量这一指标，让其访问量结果在-1到1之间。对点击量的结果进行归一化的公式如下：

比如说，某个用户对应用E的点击量是2，最后归一化结果为：

将上述归一化结果还原到原始1次到8次范围，公式如下：

那么现在根据表1，预测应用系统资源A对当前登录用户A有没有访问价值，首先需要对用户A访问过的各个应用资源点击量结果进行归一化处理，得到表4：

应用系统资源	R	NR
			应用B	3次	-0.4
应用C	5次	0.1
			应用D	4次	-0.1
应用E	1次	-1

表4

根据表4可知，用户A对应用B、应用C、应用D及应用E进行的访问，结合表3的相似度矩阵一起计算用户A对某个应用的偏爱程度。设p(u，i)是表示用户A(记u)对访问应用资源i偏爱程度的归一化结果，N是用户A的所有访问应用中每个和应用资源i偏爱程度相似的应用，S_i，N为i和N之间的相似度，R_u，N作为该用户与N的偏爱程度结果，具体公式如下：

于是，可以预测出用户A将可能会对应用A一个-1到1之间的分值1.014。为了让结果回到原始1到8次的区间，我们需要对上述分值进行还原处理：

因此，可以预测用户A对应用A的访问结果为0.951。

最后针对当前登录用户，该模块在服务器中将自动把每个应用系统资源按照计算后的偏好程度结果进行优先级排序发送至页面组装模块。

综上所述，本发明相对于现有的对资源链接进行编排推荐的系统及方法而言，。所以，本发明有效克服了现有技术中的种种缺点而具高度产业利用价值。

上述实施例仅例示性说明本发明的原理及其功效，而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下，对上述实施例进行修饰或改变。例如，。因此，举凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变，仍应由本发明的权利要求所涵盖。

Claims (10)

1.一种资源链接进行编排推荐的系统，其特征在于，包括：

用户登录模块，用于获取用户鉴权信息，接收用户鉴权结果，并根据用户鉴权结果决定是否允许用户访问系统；

信息收集模块，用于记录每个新上线的资源信息，并打上标记；

数据分析模块，用于记录用户的使用轨迹，并基于用户以往对资源的使用轨迹，预测用户对应用的偏好程度；

页面组装模块，根据预测出的用户对应用的偏好程度，将应用资源组装成着陆页呈现给用户。

2.根据权利要求1所述的资源链接进行编排推荐的系统，其特征在于，所述鉴权信息包括用户名密码、指纹信息、虹膜信息。

3.根据权利要求1所述的资源链接进行编排推荐的系统，其特征在于，所述标记包括资源的热度、资源的作用、资源的内容分类中的一种或几种。

4.根据权利要求1所述的资源链接进行编排推荐的系统，其特征在于，所述使用轨迹包括用户访问的资源种类和数量，和/或用户对各个资源的访问次数，和/或对资源访问的先后顺序。

5.根据权利要求1所述的资源链接进行编排推荐的系统，其特征在于，所述使用轨迹包括用户对各个资源的访问次数；所述预测用户对应用的偏好程度包括如下步骤：

根据用户对各个资源的访问次数计算各应用之间的相似程度；

根据各应用的相似程度估计用户对应用的偏好程度。

6.根据权利要求1所述的资源链接进行编排推荐的系统，其特征在于，所述使用轨迹包括用户对各个资源的访问次数；所述预测用户对应用的偏好程度包括如下步骤：

根据用户对各个资源的访问次数计算各应用之间的相似程度；

对用户的各应用点击量进行归一化处理；

根据各应用的相似程度和用户的各应用点击量归一化结果估计用户对应用的偏好程度。

7.根据权利要求6所述的资源链接进行编排推荐的系统，其特征在于，所述计算各应用之间的相似程度的步骤中，使用余弦相似度计算法。

8.根据权利要求6所述的资源链接进行编排推荐的系统，其特征在于，所述余弦相似度计算的公式为：

其中S(i，j)表示应用i与应用j之间的相似度；

指的是用户u访问应用系统资源i的点击量减去用户u对所有应用资源点击访问量的平均值；U表示所有同时对i和j进行过点击的用户组成的集合。

9.根据权利要求6所述的资源链接进行编排推荐的系统，其特征在于，所述对用户的各应用点击量进行归一化处理的计算公式为：

其中Max_R表示最大的点击量结果，而Min_R表示最小的点击量结果1，设R_u，N为用户u访问应用资源N的当前点击量；而NR是归一化的点击量。

10.根据权利要求6所述的资源链接进行编排推荐的系统，其特征在于所述估计用户对应用的偏好程度的公式为：

其中p(u，i)是要用户u对访问应用资源i偏爱程度，S_i，N为应用资源之间的相似度矩阵，NR_u，N为各应用点击量归一化结果。

Images