CN111339429B - 一种资讯推荐方法 - Google Patents

Abstract

本发明涉及一种资讯推荐方法，包括以下步骤：步骤S1：构建资讯画像；步骤S2：记录用户浏览行为，构建用户画像；步骤S3：根据用户画像和资讯画像得到用户对当前资讯的感兴趣程度，并根据感兴趣程度实时推荐资讯。与现有技术相比，增加推荐资讯匹配度，使资讯的推荐更加准确，且以服务为核心。

Description

一种资讯推荐方法

技术领域

本发明涉及资讯技术领域，尤其是涉及一种资讯推荐方法。

背景技术

目前，市面上有各类出游助手，表面上是内容服务平台，提供各类资讯和服务，但不管何种形式的资讯、何种服务方式，最终都会将用户引导到交易环节，内容只是交易完成前的导流路径，交易是内容服务的核心目的、是系统的核心诉求，是包着内容外衣的电商，以交易为核心的电商逻辑仍没有变，这类出游助手称为内容电商更为合适。真正做到以游客为中心、以服务为核心的出游助手系统尚未面世。

目前，缺少真正以服务为核心的、匹配度高且准确的资讯推荐方法。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种资讯推荐方法。

本发明的目的可以通过以下技术方案来实现：

一种资讯推荐方法，该方法包括以下步骤：

步骤S1：构建资讯画像；

步骤S2：记录用户浏览行为，构建用户画像；

步骤S3：根据用户画像和资讯画像得到用户对当前资讯的感兴趣程度，并根据感兴趣程度实时推荐资讯。

所述的资讯画像包括主题标签、主题标签的行为权重和资讯发表的时间。

所述的用户画像包括用户浏览过的资讯、点击资讯的次数和点击资讯的时间。

所述用户对当前资讯的感兴趣程度L_all为：

其中，i表示第i个主题标签，I_i为用户对当前资讯中第i个主题标签的感兴趣程度，m表示当前资讯中包含m个主题标签，tag_i为用户对当前资讯中主题标签i的行为权重，TimeBias为当前资讯的时间惩罚项。

所述用户对当前资讯中第i个主题标签的感兴趣程度I_i表示为：

其中，Sim(i,j)表示主题标签i和主题标签j之间的相似性，S(i,k)表示和主题标签i最相似的k个主题标签，N表示用户浏览过的主题标签的集合。

所述主题标签i和主题标签j之间的相似性Sim(i,j)表示为：

其中，N(i)表示对主题标签i感兴趣的用户集合，N(j)表示对主题标签j感兴趣的用户集合。

所述用户对当前资讯中主题标签i的行为权重tag_i表示为：

其中，n为用户浏览过的N篇资讯中的第n篇，tag_ni表示主题标签i在第n篇资讯中的行为权重，TimeBias_n表示第n篇资讯的时间惩罚项，TimeBias_q表示第q次点击有关主题标签i的资讯的时间惩罚项，q为小于10的有限个常数。

所述当前资讯的综合主题标签行为权重W为：

W＝[tag₁,tag₂,...,tag_i]×TimeBias i＝{1,2,...m,m∈R}

其中，i表示第i个主题标签，m表示当前资讯中包含m个主题标签，tag_i为用户对当前资讯中主题标签i的行为权重，TimeBias为当前资讯的时间惩罚项。

与现有技术相比，本发明具有以下优点：

能够根据用户画像，进行资讯检索比对，并根据关联值展示资讯列表，从而增加推荐资讯匹配度，使资讯的推荐更加准确，且真正做到以服务为核心；进而提升资讯页打开率和用户粘性，最终可提升用户日活跃度和停留时长。

附图说明

图1为本发明的流程图；

图2为本发明实施例中资讯推荐结果示意图；

图3为本发明实施例中资讯推荐过程示意图。

具体实施方式

下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。

实施例

本实施例提供一种资讯推荐方法，包括以下步骤：

步骤S1：构建资讯画像；

步骤S2：记录用户浏览行为，构建用户画像；

步骤S3：根据用户画像和资讯画像得到用户对当前资讯的感兴趣程度，并根据感兴趣程度实时推荐资讯。

资讯画像包括主题标签、主题标签的行为权重和资讯发表的时间，用户画像包括用户浏览过的资讯、点击资讯的次数和点击资讯的时间。

每篇资讯按照不同的特色被赋予多个主题标签，一个主题标签代表一种旅游特色，主题标签如建筑、美食和文化等；每篇资讯的综合主题标签行为权重为：

W＝[tag₁,tag₂,...,tag_i]×TimeBias (1)

其中，W为综合主题标签行为权重，tag_i为某一个主题标签的行为权重，TimeBias为时间惩罚项引入资讯的时效性，使得在主题标签行为权重相同时，新发布的资讯更容易被推荐给用户，是故越新发布的资讯时间惩罚项的值越大，越老旧的资讯时间惩罚项越小，i＝{1,2,...m,m∈R}。

根据用户画像推测出用户对当前资讯中第i个主题标签的感兴趣程度I_i，查找已有资讯中的相关主题标签的行为权重，则用户对当前资讯的感兴趣程度L_all为：

其中，i表示当前资讯中第i个主题标签，I_i为用户对当前资讯中第i个主题标签的感兴趣程度，m表示当前资讯中包含m个主题标签，tag_i为用户对当前资讯中主题标签i的行为权重，TimeBias为当前资讯的时间惩罚项。

将所有的L_all从大到小排序，排在前面的对应资讯设定为针对该用户的重点推介特色。

图1中实线连接的资讯为用户点击浏览过的资讯，虚线连接的资讯为推荐给用户的资讯，U1、U2和U3分别表示用户1、用户2和用户3。虚线的推荐过程的一个示例如图2所示。

设用户1浏览了N篇旅游资讯涉及到m个主题标签，对于主题标签来说，在不同资讯里的行为权重可能是不一样的，用户1点击次数也可能是不一样的，故有：

其中，n为用户浏览过的N篇资讯中的第n篇，tag_ni表示主题标签i在第n篇资讯中的行为权重，tag_ni是已知的，TimeBias_n表示第n篇资讯的时间惩罚项，TimeBias_q表示第q次点击有关主题标签i的资讯的时间惩罚项，q为小于10的有限个常数，表示最近10次点击内，用户第q次点击了有关主题标签i的资讯，如果，最近10次内未点击与主题标签i相关的资讯，则关于q的求和项结果为0。

那么，用户对当前资讯中第i个主题标签的感兴趣程度I_i，

其中，Sim(i,j)表示主题标签i和主题标签j之间的相似性，N(i)表示对主题标签i感兴趣的用户集合，N(j)表示对主题标签j感兴趣的用户集合，r(U,j)表示用户U对主题标签j的行为权重，S(i,k)表示和主题标签i最相似的k个主题标签，k的值可自行设定，S(i,k)可根据Sim(i,j)的大小得到，N(U)表示用户U浏览过的主题标签的集合。

将(1)(3)(4)(5)式代入(2)中，即可完成相关资讯推荐。

以下为一具体例子：

旅游资讯推荐需要的数据包括资讯的主题标签，主题标签的行为权重，以及资讯发表的时间。针对用户进行资讯推荐，需要的包含用户点击资讯次数、点击时间和用户浏览过的资讯。

每篇资讯的主题标签一般有多个(少数资讯只有一个主题标签)，而这些主题标签是根据资讯中相应关键字而定的。

以为U1(即用户1)推荐资讯为例来说明资讯推荐的相关计算方法。

如表1所示，对于U1来说，涉及到三个主题标签，分别是：建筑、文化和美食。其中“文化”在U1点击的两篇资讯中都有出现。

根据公式(3)计算用户对主题标签的行为权重。

关于“建筑”的“用户对主题标签的行为权重”计算方式：

关于“文化”的“用户对主题标签的行为权重”计算方式为：

关于“美食”的“用户对主题标签的行为权重”计算方式为：

同理，可计算得知U2和U3的“用户对主题标签的行为权重”。

根据公式(5)可得知，各主题标签之间的相似性计算如下：

将建筑记为a，文化记为b，美食记为c，活动记为e，户外记为f，则：

同理：

分析用户对主题标签的感兴趣程度，可以根据公式(4)进行计算。

分析U1对于主题标签“建筑”(a)的感兴趣程度，此处假设S(i,k)中k取3。

其中，因为Sim(a,b)＝Sim(a,c)＝Sim(a,e)>Sim(a,f)，S(a,3)为{a,b,c},N(U1)＝{a,b,c}，那么：

同理，可得到U1对主题标签b、c、e、f的感兴趣程度，分别为：

因为，I_a＞I_b＝I_c＞I_e＞I_f，所以U1对主题标签a即主题标签“建筑”最为感兴趣。其次是主题标签“文化”和主题标签“美食”，以上三个主题标签均为U1的兴趣标签。

表1用户及标签的相关权重

然后，在资讯库内寻找包含主题标签为“建筑”或“文化”或“美食”的资讯，将相关信息代入公式(2)中，最后比较L_all值的大小，按从大到小排列，将L_all值大的资讯优先推荐给U1。

Claims (4)

1.一种资讯推荐方法，其特征在于，该方法包括以下步骤：

步骤S1：构建资讯画像；

步骤S2：记录用户浏览行为，构建用户画像；

步骤S3：根据用户画像和资讯画像得到用户对当前资讯的感兴趣程度，并根据感兴趣程度实时推荐资讯；

所述用户对当前资讯的感兴趣程度L_all为：

其中，i表示第i个主题标签，I_i为用户对当前资讯中第i个主题标签的感兴趣程度，m表示当前资讯中包含m个主题标签，tag_i为用户对当前资讯中主题标签i的行为权重，TimeBias为当前资讯的时间惩罚项；

所述用户对当前资讯中第i个主题标签的感兴趣程度I_i表示为：

其中，Sim(i,j)表示主题标签i和主题标签j之间的相似性，S(i,k)表示和主题标签i最相似的k个主题标签，N表示用户浏览过的主题标签的集合；

所述主题标签i和主题标签j之间的相似性Sim(i,j)表示为：

其中，N(i)表示对主题标签i感兴趣的用户集合，N(j)表示对主题标签j感兴趣的用户集合；

所述用户对当前资讯中主题标签i的行为权重tag_i表示为：

其中，n为用户浏览过的N篇资讯中的第n篇，tag_ni表示主题标签i在第n篇资讯中的行为权重，TimeBias_n表示第n篇资讯的时间惩罚项，TimeBias_q表示第q次点击有关主题标签i的资讯的时间惩罚项，q为小于10的有限个常数。

2.根据权利要求1所述的一种资讯推荐方法，其特征在于，所述的资讯画像包括主题标签、主题标签的行为权重和资讯发表的时间。

3.根据权利要求1所述的一种资讯推荐方法，其特征在于，所述的用户画像包括用户浏览过的资讯、点击资讯的次数和点击资讯的时间。

4.根据权利要求1所述的一种资讯推荐方法，其特征在于，所述当前资讯的综合主题标签行为权重W为：

W＝[tag₁,tag₂,...,tag_i]×TimeBias i＝{1,2,...m,m∈R}

其中，i表示第i个主题标签，m表示当前资讯中包含m个主题标签，tag_i为用户对当前资讯中主题标签i的行为权重，TimeBias为当前资讯的时间惩罚项。

Images