CN111708952A - 一种标签推荐方法及系统 - Google Patents

Abstract

本发明公开了一种标签推荐方法及系统，方法包括：通过对用户与应用的交互行为的统计与计算，为每个用户打上若干个标签，基于为每个用户打上的若干个标签计算出标签共现性，基于为每个用户打上的若干个标签计算用户兴趣一致性，基于标签共现性和用户兴趣一致性，得出推荐标签。本发明能够通过综合考虑标签共现性以及用户兴趣一致性两个方面来进行推荐，相对于现有技术，能够提供更加优质的标签推荐，并且能够解决用户量过大的问题，提升了用户体验。

Description

一种标签推荐方法及系统

技术领域

本发明涉及信息技术领域，尤其涉及一种标签推荐方法及系统。

背景技术

随着社会和技术的飞速发展，越来越多的人习惯在手机端处理自己的生活，工作，学习和娱乐，APP上呈现给用户内容的优劣将直接影响到用户的体验，进而影响到用户在APP上的驻留时间。因此，一个好的推荐系统能够在捕捉到用户与APP的交互之后，立即为用户推荐出用户可能感兴趣的新鲜内容，进而增加用户与APP的互动，从而让这种互动转变为用户的一种习惯或者喜好，最后使得用户成为APP的忠实用户。

在众多推荐方法中，协同过滤模型是最常用并且高效的推荐算法。协同过滤算法可以简单的分为基于用户的协同过滤算法和基于物品的协同过滤算法。

基于用户的协同过滤算法即根据相似用户的喜好进行推荐，它的机理在于相似的人大概率有相似的爱好。该方法的优势在于，它能够将新的事物推荐给用户，从而发现用户新的兴趣点；但该方法的劣势在于，1)无法解决冷启动问题；2)交互很少的用户很难做到精准推荐；3)当用户数量较大时，与所有用户计算相似度代价非常大。

基于物品的协同过滤算法即根据物品之间的相似性进行推荐，它的机理在于物品a被用户喜欢，那么和a很相似的物品b大概率也会被用户喜欢。该方法的优势在于，用户一旦有新行为，就会导致推荐结果实时性发生变化，可解释性比较好；该方法的劣势在于，1)容易使得用户兴趣点狭隘化，在用户兴趣发生变化时推荐效果很差；2)不能发现用户的新兴趣点以及新物品无法推荐给用户。

因此，如何更加有效的实现标签推荐，是一项亟待解决的问题。

发明内容

有鉴于此，本发明提供了一种标签推荐方法，能够通过综合考虑标签共现性以及用户兴趣一致性两个方面来进行推荐，相对于现有技术，能够提供更加优质的标签推荐，并且能够解决用户量过大的问题，提升了用户体验。

本发明提供了一种标签推荐方法，包括：

通过对用户与应用的交互行为的统计与计算，为每个用户打上若干个标签；

基于为每个用户打上的若干个标签计算出标签共现性；

基于为每个用户打上的若干个标签计算用户兴趣一致性；

基于所述标签共现性和用户兴趣一致性，得出推荐标签。

优选地，所述基于为每个用户打上的若干个标签计算出标签共现性包括：

基于为每个用户打上的若干个标签，根据标签聚合该标签排名前N的用户；

计算两个标签之间的共现性，得到每个标签排名前N的共现标签。

优选地，所述基于为每个用户打上的若干个标签计算用户兴趣一致性包括：

基于为每个用户打上的若干个标签，聚合所有用户的排名前N的兴趣点；

根据排名前N的兴趣点得到每个兴趣点的感兴趣用户组；

根据得到每个兴趣点的感兴趣用户组，结合用户的兴趣点，为每个用户聚合一个与其相似的用户群组；

在得到的用户群组上计算用户之间的余弦相似度，得到用户的相似度排名；

基于相似度排名，对相似用户的标签进行加权，得到目标用户没有的且分数排名前N的标签。

优选地，所述基于所述标签共现性和用户兴趣一致性，得出推荐标签包括：

对所述标签共现性和用户兴趣一致性进行系数加权，得出推荐标签。

优选地，所述方法还包括：

将所述推荐标签返回给用户。

一种标签推荐系统，包括：

交互行为处理模型，用于通过对用户与应用的交互行为的统计与计算，为每个用户打上若干个标签；

标签共现性计算模块，用于基于为每个用户打上的若干个标签计算出标签共现性；

用户兴趣一致性计算模块，用于基于为每个用户打上的若干个标签计算用户兴趣一致性；

推荐模块，用于基于所述标签共现性和用户兴趣一致性，得出推荐标签。

优选地，所述标签共现性计算模块具体用于：

基于为每个用户打上的若干个标签，根据标签聚合该标签排名前N的用户；

计算两个标签之间的共现性，得到每个标签排名前N的共现标签。

优选地，所述用户兴趣一致性计算模块具体用于：

基于为每个用户打上的若干个标签，聚合所有用户的排名前N的兴趣点；

根据排名前N的兴趣点得到每个兴趣点的感兴趣用户组；

根据得到每个兴趣点的感兴趣用户组，结合用户的兴趣点，为每个用户聚合一个与其相似的用户群组；

在得到的用户群组上计算用户之间的余弦相似度，得到用户的相似度排名；

基于相似度排名，对相似用户的标签进行加权，得到目标用户没有的且分数排名前N的标签。

优选地，所述推荐模块具体用于：

对所述标签共现性和用户兴趣一致性进行系数加权，得出推荐标签。

优选地，所述系统还包括：

返回模块，用于将所述推荐标签返回给用户。

综上所述，本发明公开了一种标签推荐方法，当需要为用户推荐标签时，首先通过对用户与应用的交互行为的统计与计算，为每个用户打上若干个标签，然后基于为每个用户打上的若干个标签计算出标签共现性，基于为每个用户打上的若干个标签计算用户兴趣一致性，然后基于标签共现性和用户兴趣一致性，得出推荐标签。本发明能够通过综合考虑标签共现性以及用户兴趣一致性两个方面来进行推荐，相对于现有技术，能够提供更加优质的标签推荐，并且能够解决用户量过大的问题，提升了用户体验。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明公开的一种标签推荐方法实施例1的流程图；

图2为本发明公开的一种标签推荐方法实施例2的流程图；

图3为本发明公开的一种标签推荐方法实施例3的流程图；

图4为本发明公开的一种标签推荐系统实施例1的结构示意图；

图5为本发明公开的一种标签推荐系统实施例2的结构示意图；

图6为本发明公开的一种标签推荐系统实施例3的结构示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅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。

如图1所示，为本发明公开的一种标签推荐方法实施例1的流程图，所述方法可以包括以下步骤：

S101、通过对用户与应用的交互行为的统计与计算，为每个用户打上若干个标签；

当需要为用户推荐标签时，首先获取用户与应用的交互行为，并对用户与应用之间的交互行为进行统计与计算，根据统计与计算结果为每个用户打上若干个标签。

S102、基于为每个用户打上的若干个标签计算出标签共现性；

当为每个用户打上若干个标签后，进一步根据为每个用户打上的若干个标签，计算出标签共现性。

S103、基于为每个用户打上的若干个标签计算用户兴趣一致性；

当为每个用户打上若干个标签后，进一步根据为每个用户打上的若干个标签，计算出用户兴趣一致性。

S104、基于标签共现性和用户兴趣一致性，得出推荐标签。

当计算出标签共现性和用户兴趣一致性后，进一步根据标签共现性和用户兴趣一致性，得出推荐标签。

综上所述，在上述实施例中，当需要为用户推荐标签时，首先通过对用户与应用的交互行为的统计与计算，为每个用户打上若干个标签，然后基于为每个用户打上的若干个标签计算出标签共现性，基于为每个用户打上的若干个标签计算用户兴趣一致性，然后基于标签共现性和用户兴趣一致性，得出推荐标签。本发明能够通过综合考虑标签共现性以及用户兴趣一致性两个方面来进行推荐，相对于现有技术，能够提供更加优质的标签推荐，并且能够解决用户量过大的问题，提升了用户体验。

如图2所示，为本发明公开的一种标签推荐方法实施例2的流程图，所述方法可以包括以下步骤：

S201、通过对用户与应用的交互行为的统计与计算，为每个用户打上若干个标签；

当需要为用户推荐标签时，首先获取用户与应用的交互行为，并对用户与应用之间的交互行为进行统计与计算，根据统计与计算结果为每个用户打上若干个标签。

S202、基于为每个用户打上的若干个标签计算出标签共现性；

当为每个用户打上若干个标签后，进一步根据为每个用户打上的若干个标签，计算出标签共现性。

S203、基于为每个用户打上的若干个标签计算用户兴趣一致性；

当为每个用户打上若干个标签后，进一步根据为每个用户打上的若干个标签，计算出用户兴趣一致性。

S204、基于标签共现性和用户兴趣一致性，得出推荐标签；

当计算出标签共现性和用户兴趣一致性后，进一步根据标签共现性和用户兴趣一致性，得出推荐标签。

S205、将推荐标签返回给用户。

当得出推荐标签后，还可以将结果返回给用户，供用户使用。

综上所述，在上述实施例中，当需要为用户推荐标签时，首先通过对用户与应用的交互行为的统计与计算，为每个用户打上若干个标签，然后基于为每个用户打上的若干个标签计算出标签共现性，基于为每个用户打上的若干个标签计算用户兴趣一致性，然后基于标签共现性和用户兴趣一致性，得出推荐标签，并将推荐标签返回给用户，供用户使用。本发明能够通过综合考虑标签共现性以及用户兴趣一致性两个方面来进行推荐，相对于现有技术，能够提供更加优质的标签推荐，并且能够解决用户量过大的问题，提升了用户体验。

如图3所示，为本发明公开的一种标签推荐方法实施例3的流程图，所述方法可以包括以下步骤：

S301、通过对用户与应用的交互行为的统计与计算，为每个用户打上若干个标签；

当需要为用户推荐标签时，首先获取用户与应用的交互行为，并对用户与应用之间的交互行为进行统计与计算，根据统计与计算结果为每个用户打上若干个标签。

S302、基于为每个用户打上的若干个标签，根据标签聚合该标签排名前N的用户，计算两个标签之间的共现性，得到每个标签排名前N的共现标签；

当为每个用户打上若干个标签后，进一步根据为每个用户打上的若干个标签，计算出标签共现性。

具体的，在计算标签共现性时，首先根据为每个用户打上的若干个标签，根据标签聚合该标签的topN的用户，然后计算两个标签之间的共现性，得到每个标签的topN个共现标签。

S303、基于为每个用户打上的若干个标签，聚合所有用户的排名前N的兴趣点，根据排名前N的兴趣点得到每个兴趣点的感兴趣用户组，根据得到每个兴趣点的感兴趣用户组，结合用户的兴趣点，为每个用户聚合一个与其相似的用户群组，在得到的用户群组上计算用户之间的余弦相似度，得到用户的相似度排名，基于相似度排名，对相似用户的标签进行加权，得到目标用户没有的且分数排名前N的标签；

当为每个用户打上若干个标签后，进一步根据为每个用户打上的若干个标签，计算出用户兴趣一致性。

具体的，在计算用户兴趣一致性时，首先根据为每个用户打上的若干个标签，聚合所有用户的topN的兴趣点，根据每个兴趣点得到每个兴趣点的感兴趣用户组，再根据得到每个兴趣点的感兴趣用户组，结合用户的兴趣点，为每个用户聚合一个与其相似的用户群组，计算用户相似度的时候是在得到的用户群组上计算，而非在全量用户上计算相似度，计算用户之间的余弦相似度，得到用户的相似度排名，根据相似度排名，对相似用户的标签进行加权，得到目标用户没有的且分数topN的标签。

S304、对标签共现性和用户兴趣一致性进行系数加权，得出推荐标签；

当计算出标签共现性和用户兴趣一致性后，进一步对标签共现性和用户兴趣一致性进行系数加权，得出推荐标签。

S305、将推荐标签返回给用户。

当得出推荐标签后，还可以将结果返回给用户，供用户使用。

综上所述，在上述实施例中，引入了标签共现性，标签共现性的思想原本是科研领域中文本分析，图像标注中常用的方法，这里借用标签共现性的思想，找出一些潜在的关联较大的标签，提升了推荐效率；同时引入了用户兴趣一致性，该算法解决了传统的基于用户协过滤方法无法处理海量用户的问题，巧妙的根据用户兴趣点将用户进行局部类簇化，进而使得原本的计算不可行转为计算可行并且不降低推荐精度。最后通过加权的方法的总和考虑两部分的结果，对最后的推荐结果进行协同分析，使得最后的推荐结果容易控制，可解释性强，同时解决了传统协同过滤算法(基于用户和基于物品的协同过滤)的不足。实时性强，在用户与APP进行简单的交互之后，得到若干个标签，根据这些标签，能够迅速地得到这组标签并适合这个用户的扩展推荐结果。

如图4所示，为本发明公开的一种标签推荐系统实施例1的结构示意图，所述系统可以包括：

交互行为处理模型401，用于通过对用户与应用的交互行为的统计与计算，为每个用户打上若干个标签；

当需要为用户推荐标签时，首先获取用户与应用的交互行为，并对用户与应用之间的交互行为进行统计与计算，根据统计与计算结果为每个用户打上若干个标签。

标签共现性计算模块402，用于基于为每个用户打上的若干个标签计算出标签共现性；

当为每个用户打上若干个标签后，进一步根据为每个用户打上的若干个标签，计算出标签共现性。

用户兴趣一致性计算模块403，用于基于为每个用户打上的若干个标签计算用户兴趣一致性；

当为每个用户打上若干个标签后，进一步根据为每个用户打上的若干个标签，计算出用户兴趣一致性。

推荐模块404，用于基于标签共现性和用户兴趣一致性，得出推荐标签。

当计算出标签共现性和用户兴趣一致性后，进一步根据标签共现性和用户兴趣一致性，得出推荐标签。

综上所述，在上述实施例中，当需要为用户推荐标签时，首先通过对用户与应用的交互行为的统计与计算，为每个用户打上若干个标签，然后基于为每个用户打上的若干个标签计算出标签共现性，基于为每个用户打上的若干个标签计算用户兴趣一致性，然后基于标签共现性和用户兴趣一致性，得出推荐标签。本发明能够通过综合考虑标签共现性以及用户兴趣一致性两个方面来进行推荐，相对于现有技术，能够提供更加优质的标签推荐，并且能够解决用户量过大的问题，提升了用户体验。

如图5所示，为本发明公开的一种标签推荐系统实施例2的结构示意图，所述系统可以包括：

交互行为处理模型501，用于通过对用户与应用的交互行为的统计与计算，为每个用户打上若干个标签；

当需要为用户推荐标签时，首先获取用户与应用的交互行为，并对用户与应用之间的交互行为进行统计与计算，根据统计与计算结果为每个用户打上若干个标签。

标签共现性计算模块502，用于基于为每个用户打上的若干个标签计算出标签共现性；

当为每个用户打上若干个标签后，进一步根据为每个用户打上的若干个标签，计算出标签共现性。

用户兴趣一致性计算模块503，用于基于为每个用户打上的若干个标签计算用户兴趣一致性；

当为每个用户打上若干个标签后，进一步根据为每个用户打上的若干个标签，计算出用户兴趣一致性。

推荐模块504，用于基于标签共现性和用户兴趣一致性，得出推荐标签；

当计算出标签共现性和用户兴趣一致性后，进一步根据标签共现性和用户兴趣一致性，得出推荐标签。

返回模块505，用于将推荐标签返回给用户。

当得出推荐标签后，还可以将结果返回给用户，供用户使用。

综上所述，在上述实施例中，当需要为用户推荐标签时，首先通过对用户与应用的交互行为的统计与计算，为每个用户打上若干个标签，然后基于为每个用户打上的若干个标签计算出标签共现性，基于为每个用户打上的若干个标签计算用户兴趣一致性，然后基于标签共现性和用户兴趣一致性，得出推荐标签，并将推荐标签返回给用户，供用户使用。本发明能够通过综合考虑标签共现性以及用户兴趣一致性两个方面来进行推荐，相对于现有技术，能够提供更加优质的标签推荐，并且能够解决用户量过大的问题，提升了用户体验。

如图6所示，为本发明公开的一种标签推荐系统实施例3的结构示意图，所述系统可以包括：

交互行为处理模型601，用于通过对用户与应用的交互行为的统计与计算，为每个用户打上若干个标签；

当需要为用户推荐标签时，首先获取用户与应用的交互行为，并对用户与应用之间的交互行为进行统计与计算，根据统计与计算结果为每个用户打上若干个标签。

标签共现性计算模块602，用于基于为每个用户打上的若干个标签，根据标签聚合该标签排名前N的用户，计算两个标签之间的共现性，得到每个标签排名前N的共现标签；

当为每个用户打上若干个标签后，进一步根据为每个用户打上的若干个标签，计算出标签共现性。

具体的，在计算标签共现性时，首先根据为每个用户打上的若干个标签，根据标签聚合该标签的topN的用户，然后计算两个标签之间的共现性，得到每个标签的topN个共现标签。

用户兴趣一致性计算模块603，用于基于为每个用户打上的若干个标签，聚合所有用户的排名前N的兴趣点，根据排名前N的兴趣点得到每个兴趣点的感兴趣用户组，根据得到每个兴趣点的感兴趣用户组，结合用户的兴趣点，为每个用户聚合一个与其相似的用户群组，在得到的用户群组上计算用户之间的余弦相似度，得到用户的相似度排名，基于相似度排名，对相似用户的标签进行加权，得到目标用户没有的且分数排名前N的标签；

当为每个用户打上若干个标签后，进一步根据为每个用户打上的若干个标签，计算出用户兴趣一致性。

具体的，在计算用户兴趣一致性时，首先根据为每个用户打上的若干个标签，聚合所有用户的topN的兴趣点，根据每个兴趣点得到每个兴趣点的感兴趣用户组，再再根据得到每个兴趣点的感兴趣用户组，结合用户的兴趣点，为每个用户聚合一个与其相似的用户群组，计算用户相似度的时候是在得到的用户群组上计算，而非在全量用户上计算相似度，计算用户之间的余弦相似度，得到用户的相似度排名，根据相似度排名，对相似用户的标签进行加权，得到目标用户没有的且分数topN的标签。

推荐模块604，用于对标签共现性和用户兴趣一致性进行系数加权，得出推荐标签；

当计算出标签共现性和用户兴趣一致性后，进一步对标签共现性和用户兴趣一致性进行系数加权，得出推荐标签。

返回模块605，用于将推荐标签返回给用户。

当得出推荐标签后，还可以将结果返回给用户，供用户使用。

综上所述，在上述实施例中，引入了标签共现性，标签共现性的思想原本是科研领域中文本分析，图像标注中常用的方法，这里借用标签共现性的思想，找出一些潜在的关联较大的标签，提升了推荐效率；同时引入了用户兴趣一致性，该算法解决了传统的基于用户协过滤方法无法处理海量用户的问题，巧妙的根据用户兴趣点将用户进行局部类簇化，进而使得原本的计算不可行转为计算可行并且不降低推荐精度。最后通过加权的方法的总和考虑两部分的结果，对最后的推荐结果进行协同分析，使得最后的推荐结果容易控制，可解释性强，同时解决了传统协同过滤算法(基于用户和基于物品的协同过滤)的不足。实时性强，在用户与APP进行简单的交互之后，得到若干个标签，根据这些标签，能够迅速地得到这组标签并适合这个用户的扩展推荐结果。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

专业人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。

结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。

对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (10)

1.一种标签推荐方法，其特征在于，包括：

通过对用户与应用的交互行为的统计与计算，为每个用户打上若干个标签；

基于为每个用户打上的若干个标签计算出标签共现性；

基于为每个用户打上的若干个标签计算用户兴趣一致性；

基于所述标签共现性和用户兴趣一致性，得出推荐标签。

2.根据权利要求1所述的方法，其特征在于，所述基于为每个用户打上的若干个标签计算出标签共现性包括：

基于为每个用户打上的若干个标签，根据标签聚合该标签排名前N的用户；

计算两个标签之间的共现性，得到每个标签排名前N的共现标签。

3.根据权利要求2所述的方法，其特征在于，所述基于为每个用户打上的若干个标签计算用户兴趣一致性包括：

基于为每个用户打上的若干个标签，聚合所有用户的排名前N的兴趣点；

根据排名前N的兴趣点得到每个兴趣点的感兴趣用户组；

根据得到每个兴趣点的感兴趣用户组，结合用户的兴趣点，为每个用户聚合一个与其相似的用户群组；

在得到的用户群组上计算用户之间的余弦相似度，得到用户的相似度排名；

基于相似度排名，对相似用户的标签进行加权，得到目标用户没有的且分数排名前N的标签。

4.根据权利要求3所述的方法，其特征在于，所述基于所述标签共现性和用户兴趣一致性，得出推荐标签包括：

对所述标签共现性和用户兴趣一致性进行系数加权，得出推荐标签。

5.根据权利要求4所述的方法，其特征在于，还包括：

将所述推荐标签返回给用户。

6.一种标签推荐系统，其特征在于，包括：

交互行为处理模型，用于通过对用户与应用的交互行为的统计与计算，为每个用户打上若干个标签；

标签共现性计算模块，用于基于为每个用户打上的若干个标签计算出标签共现性；

用户兴趣一致性计算模块，用于基于为每个用户打上的若干个标签计算用户兴趣一致性；

推荐模块，用于基于所述标签共现性和用户兴趣一致性，得出推荐标签。

7.根据权利要求6所述的系统，其特征在于，所述标签共现性计算模块具体用于：

基于为每个用户打上的若干个标签，根据标签聚合该标签排名前N的用户；

计算两个标签之间的共现性，得到每个标签排名前N的共现标签。

8.根据权利要求7所述的系统，其特征在于，所述用户兴趣一致性计算模块具体用于：

基于为每个用户打上的若干个标签，聚合所有用户的排名前N的兴趣点；

根据排名前N的兴趣点得到每个兴趣点的感兴趣用户组；

根据得到每个兴趣点的感兴趣用户组，结合用户的兴趣点，为每个用户聚合一个与其相似的用户群组；

在得到的用户群组上计算用户之间的余弦相似度，得到用户的相似度排名；

基于相似度排名，对相似用户的标签进行加权，得到目标用户没有的且分数排名前N的标签。

9.根据权利要求8所述的系统，其特征在于，所述推荐模块具体用于：

对所述标签共现性和用户兴趣一致性进行系数加权，得出推荐标签。

10.根据权利要求9所述的系统，其特征在于，还包括：

返回模块，用于将所述推荐标签返回给用户。

Images