CN111460271A - 一种网络资讯的智能个性化推荐算法 - Google Patents
一种网络资讯的智能个性化推荐算法 Download PDFInfo
- Publication number
- CN111460271A CN111460271A CN201910056497.1A CN201910056497A CN111460271A CN 111460271 A CN111460271 A CN 111460271A CN 201910056497 A CN201910056497 A CN 201910056497A CN 111460271 A CN111460271 A CN 111460271A
- Authority
- CN
- China
- Prior art keywords
- algorithm
- preference
- user
- recommendation
- data
- 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
Links
- 238000001914 filtration Methods 0.000 claims abstract description 23
- 230000006399 behavior Effects 0.000 claims abstract description 11
- 238000007781 pre-processing Methods 0.000 claims abstract description 4
- 238000000034 method Methods 0.000 claims description 23
- 238000004364 calculation method Methods 0.000 claims description 12
- 239000011159 matrix material Substances 0.000 claims description 12
- 238000010606 normalization Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 6
- 239000013598 vector Substances 0.000 claims description 5
- 238000007418 data mining Methods 0.000 claims description 3
- 230000009467 reduction Effects 0.000 claims description 3
- 230000010354 integration Effects 0.000 abstract description 2
- 230000000694 effects Effects 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Landscapes
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明涉及数据整合推荐技术领域,提供一种网络资讯的智能个性化推荐算法,包括以下操作步骤:收集用户偏好信息:系统自主向用户提供多种方式展示自己的偏好信息,并根据具体的用户行为获取偏好数据;偏好数据预处理:针对获取的偏好数据其中无法直接获取精确信息的部分进行深度分析处理;找寻相似用户或物品:经分析得到用户的喜好后,根据相应的喜好通过相似度计算,包括基于用户的协同过滤和基于项目的协同过滤和基于内容的过滤算法;通过混合多个推荐算法构成混合推荐算法系统;本发明旨在提供一种可以支撑多种个性化场景推荐业务的基于协同过滤的推荐算法。
Description
技术领域
本发明涉及数据整合推荐技术领域,具体涉及一种网络资讯的智能个性化推荐算法。
背景技术
随着业务的快速发展以及移动互联网的到来,多屏(京东App、京东PC商城、M站、微信手Q等)互通,推荐类型从传统的商品推荐,逐步扩展到其他类型的推荐,如活动、分类、优惠券、楼层、入口图、文章、清单、好货等。个性化推荐业务需求比较强烈,基于大数据和个性化推荐算法,实现向不同用户展示不同内容的效果。
个性化推荐大放异彩,特别是团队开创的“智能卖场”,实现了活动会场的个性化分发,不仅带来GMV的明显提升,也大幅降低了人工成本,大大提高了流量效率和用户体验,从而达到商家和用户双赢,此产品获得了2016年度的集团优秀产品。为了更好地支撑多种个性化场景推荐业务,推荐系统需要进一步地优化升级。
发明内容
解决的技术问题
针对现有技术的不足,本发明提供了一种网络资讯的智能个性化推荐算法,旨在提供一种可以支撑多种个性化场景推荐业务的基于协同过滤的推荐算法。
技术方案
为实现以上目的,本发明通过以下技术方案予以实现:
一种网络资讯的智能个性化推荐算法,所述推荐算法的实现包括以下操作步骤:
步骤1:收集用户偏好信息:系统自主向用户提供多种方式展示自己的偏好信息,并根据具体的用户行为获取偏好数据;
步骤2:偏好数据预处理:针对获取的偏好数据其中无法直接获取精确信息的部分进行深度分析处理;
步骤3:找寻相似用户或物品:经分析得到用户的喜好后,根据相应的喜好通过相似度计算,包括基于用户的协同过滤和基于项目的协同过滤和基于内容的过滤算法;
步骤4:通过混合多个推荐算法构成混合推荐算法系统。
更进一步地,其中步骤1中所述的多种方式包括:标记书签Tag、转发、投票、评分、评论和页面停留时间等。
更进一步地,步骤2中无法直接获取精确信息的部分包括如下处理方式:
用户行为识别或组合;
喜好度加权,得到用户的总体喜好;
偏好数据的减噪和归一化,通过数据挖掘算法过滤掉行为数据中的噪音,将各类数据除以此类型中的最大值进行数据归一化处理。
更进一步地,步骤3中所述相似度计算的基本方法是计算两个向量之间的距离,距离越近相似性越大。
更进一步地,所述基本方法包括欧式距离法、皮尔逊相关系数法和余弦相似度法。
更进一步地,步骤3中所述基于用户的协同过滤的计算推荐过程采用KNN算法计算。
更进一步地,所述步骤3中所述基于项目的协同过滤的算法步骤如下:
构建项目的同现矩阵;
建立用户对项目的评分矩阵;
将同现矩阵与评分矩阵做乘法计算,最后将计算的结果合并。
有益效果
本发明提供了一种网络资讯的智能个性化推荐算法,与现有公知技术相比,本发明的具有如下有益效果:
根据不同用户的喜好挖掘生成用户画像,为每位用户提供“千人千面”的个性化推荐内容,帮助传媒、电商等行业有效提升点击率、转化率及用户粘性,极大地增加客户的经营效益,同时可在APP的首页、频道页、猜你喜欢页、发现页等、为每个用户提供个性化的推荐结果。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作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。
实施例:
本实施例的一种网络资讯的智能个性化推荐算法,推荐算法的实现包括以下操作步骤:
步骤1:收集用户偏好信息:系统自主向用户提供多种方式展示自己的偏好信息,并根据具体的用户行为获取偏好数据;
步骤2:偏好数据预处理:针对获取的偏好数据其中无法直接获取精确信息的部分进行深度分析处理;
步骤3:找寻相似用户或物品:经分析得到用户的喜好后,根据相应的喜好通过相似度计算,包括基于用户的协同过滤和基于项目的协同过滤和基于内容的过滤算法;
步骤4:通过混合多个推荐算法构成混合推荐算法系统。
本发明实施例优先的技术方案:其中步骤1中的多种方式包括:标记书签Tag、转发、投票、评分、评论和页面停留时间等。
本发明实施例优先的技术方案:步骤2中无法直接获取精确信息的部分包括如下处理方式:
用户行为识别或组合;喜好度加权,得到用户的总体喜好;(一般来说,显式的用户反馈比隐式的权值大,但比较稀疏,毕竟进行显示反馈的用户是少数;同时相对于“查看”,“购买”行为反映用户喜好的程度更大,但这也因应用而异)。偏好数据的减噪和归一化,通过数据挖掘算法过滤掉行为数据中的噪音,将各类数据除以此类型中的最大值进行数据归一化处理。
本发明实施例优先的技术方案:步骤3中相似度计算的基本方法是计算两个向量之间的距离,距离越近相似性越大。
基本方法包括欧式距离法、皮尔逊相关系数法和余弦相似度法。
本实施例优选余弦相似度的计算:
余弦相似度是计算两个向量之间的夹角,如果夹角为90度,则相似度为0.如果夹角为0度,也就是两个向量的方向相同,则相似度为1。余弦相似度的取值范围也在-1到1之间,可以通过上面的方式,将范围变换到0到1之间。
本发明实施例优先的技术方案:步骤3中基于用户的协同过滤的计算推荐过程采用KNN算法计算。基于项目的协同过滤的算法步骤如下:
构建项目的同现矩阵;建立用户对项目的评分矩阵;将同现矩阵与评分矩阵做乘法计算,最后将计算的结果合并
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,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、方法、物品或者设备不仅包括那些要素,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、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (7)
1.一种网络资讯的智能个性化推荐算法,其特征在于,所述推荐算法的实现包括以下操作步骤:
步骤1:收集用户偏好信息:系统自主向用户提供多种方式展示自己的偏好信息,并根据具体的用户行为获取偏好数据;
步骤2:偏好数据预处理:针对获取的偏好数据其中无法直接获取精确信息的部分进行深度分析处理;
步骤3:找寻相似用户或物品:经分析得到用户的喜好后,根据相应的喜好通过相似度计算,包括基于用户的协同过滤和基于项目的协同过滤和基于内容的过滤算法;
步骤4:通过混合多个推荐算法构成混合推荐算法系统。
2.根据权利要求1所述的一种网络资讯的智能个性化推荐算法,其特征在于,其中步骤1中所述的多种方式包括:标记书签Tag、转发、投票、评分、评论和页面停留时间等。
3.根据权利要求1所述的一种网络资讯的智能个性化推荐算法,其特征在于,步骤2中无法直接获取精确信息的部分包括如下处理方式:
用户行为识别或组合;
喜好度加权,得到用户的总体喜好;
偏好数据的减噪和归一化,通过数据挖掘算法过滤掉行为数据中的噪音,将各类数据除以此类型中的最大值进行数据归一化处理。
4.根据权利要求1所述的一种网络资讯的智能个性化推荐算法,其特征在于,步骤3中所述相似度计算的基本方法是计算两个向量之间的距离,距离越近相似性越大。
5.根据权利要求4所述的一种网络资讯的智能个性化推荐算法,其特征在于,所述基本方法包括欧式距离法、皮尔逊相关系数法和余弦相似度法。
6.根据权利要求1所述的一种网络资讯的智能个性化推荐算法,其特征在于,步骤3中所述基于用户的协同过滤的计算推荐过程采用KNN算法计算。
7.根据权利要求1所述的一种网络资讯的智能个性化推荐算法,其特征在于,所述步骤3中所述基于项目的协同过滤的算法步骤如下:
构建项目的同现矩阵;
建立用户对项目的评分矩阵;
将同现矩阵与评分矩阵做乘法计算,最后将计算的结果合并。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910056497.1A CN111460271A (zh) | 2019-01-19 | 2019-01-19 | 一种网络资讯的智能个性化推荐算法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910056497.1A CN111460271A (zh) | 2019-01-19 | 2019-01-19 | 一种网络资讯的智能个性化推荐算法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111460271A true CN111460271A (zh) | 2020-07-28 |
Family
ID=71679102
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910056497.1A Pending CN111460271A (zh) | 2019-01-19 | 2019-01-19 | 一种网络资讯的智能个性化推荐算法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111460271A (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120323725A1 (en) * | 2010-12-15 | 2012-12-20 | Fourthwall Media | Systems and methods for supplementing content-based attributes with collaborative rating attributes for recommending or filtering items |
CN103106285A (zh) * | 2013-03-04 | 2013-05-15 | 中国信息安全测评中心 | 一种基于信息安全专业社交网络平台的推荐算法 |
CN103578007A (zh) * | 2012-07-20 | 2014-02-12 | 三星电子(中国)研发中心 | 用于智能设备的混合推荐系统及其方法 |
CN103886001A (zh) * | 2013-09-22 | 2014-06-25 | 天津思博科科技发展有限公司 | 一种个性化商品推荐系统 |
CN108959641A (zh) * | 2018-07-27 | 2018-12-07 | 北京未来媒体科技股份有限公司 | 一种基于人工智能的内容信息推荐方法及系统 |
-
2019
- 2019-01-19 CN CN201910056497.1A patent/CN111460271A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120323725A1 (en) * | 2010-12-15 | 2012-12-20 | Fourthwall Media | Systems and methods for supplementing content-based attributes with collaborative rating attributes for recommending or filtering items |
CN103578007A (zh) * | 2012-07-20 | 2014-02-12 | 三星电子(中国)研发中心 | 用于智能设备的混合推荐系统及其方法 |
CN103106285A (zh) * | 2013-03-04 | 2013-05-15 | 中国信息安全测评中心 | 一种基于信息安全专业社交网络平台的推荐算法 |
CN103886001A (zh) * | 2013-09-22 | 2014-06-25 | 天津思博科科技发展有限公司 | 一种个性化商品推荐系统 |
CN108959641A (zh) * | 2018-07-27 | 2018-12-07 | 北京未来媒体科技股份有限公司 | 一种基于人工智能的内容信息推荐方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109190044B (zh) | 个性化推荐方法、装置、服务器和介质 | |
US20240062271A1 (en) | Recommendations Based Upon Explicit User Similarity | |
US10846775B1 (en) | Identifying item recommendations through recognized navigational patterns | |
CN109767300B (zh) | 基于用户习惯的大数据画像及模型构建方法 | |
US9697478B2 (en) | System and method for generating automated self-optimizing targeted e-mails | |
CN101454771A (zh) | 基于使用多媒体调查特征匹配以划分和标记个体的系统和方法 | |
US20080270248A1 (en) | System and device for social shopping on-line | |
KR102000076B1 (ko) | 온라인 쇼핑몰 통합 관리 시스템에서의 온라인 판매채널을 추천하는 방법 및 그 서버 | |
US10970296B2 (en) | System and method for data mining and similarity estimation | |
WO2011005072A2 (en) | Personalized shopping list recommendation based on shopping behavior | |
CN109767302B (zh) | 大数据精准模型的构建方法及装置 | |
US20130110754A1 (en) | Factor-graph based matching systems and methods | |
CN110674391B (zh) | 基于大数据的产品数据推送方法、系统和计算机设备 | |
CN108182268B (zh) | 一种基于社会网络的协同过滤推荐方法及系统 | |
CN111210253A (zh) | 一种匹配消费者与销售顾问的方法、装置及存储介质 | |
CN112907334A (zh) | 一种对象推荐方法及装置 | |
CN109190027A (zh) | 多源推荐方法、终端、服务器、计算机设备、可读介质 | |
CN107437182B (zh) | 资料分发方法及装置 | |
CN112801803B (zh) | 一种理财产品推荐方法和装置 | |
CN106447459A (zh) | 一种根据商品属性自动分类的方法 | |
Kiba-Janiak | The use of mobile phones by customers in retail stores: A case of poland | |
US20130110605A1 (en) | Product recognition promotional offer matching | |
CN113469786A (zh) | 物品推荐的方法、装置、计算机设备和存储介质 | |
Jiménez-Martinez et al. | Key variables in the EDI adoption by retail firms | |
CN111460271A (zh) | 一种网络资讯的智能个性化推荐算法 |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20200728 |