CN113254773B - 一种基于预测值分析的新项目推荐方法 - Google Patents

Abstract

本发明一种基于预测值分析的新项目推荐方法，特点在于将用户划分为探索用户和惰性用户，包括以下步骤：通过分析用户U0评价项目的兴趣点信息，判断U0为探索用户或者惰性用户，获得用户新项目探索权重；根据项目‑属性信息，考虑项目具备属性的个数和共同具备某属性的项目的个数，获得基于项目属性信息的预测评分值；通过分析用户评价项目的兴趣点信息，结合预测评分值，得到最终的预测评分值，如果预测评分值超过设定阈值，则将该项目推荐给用户U0。本发明将用户划分为探索用户和惰性用户，提出基于预测值分析的新项目推荐方法，解决了基于物品的协同过滤在新项目推荐时难以找到合适潜在推荐用户的冷启动问题，提高了新项目的推荐效果。

Description

一种基于预测值分析的新项目推荐方法

技术领域

本发明属于信息推送、商品推送、互联网多媒体领域，具体的说是涉及一种基于预测值分析的新项目推荐方法。

背景技术

随着信息技术的发展，互联网大量服务的产生导致信息过载问题出现，用户难以从海量信息中准确获取自身需求。推荐系统成为重要的缓解方法之一，有效的推荐方案能够帮助用户快速地筛选出其感兴趣的服务。现实生活中存在着各种以群体形式展开的活动，传统的个性化推荐系统难以满足群体用户的需求，因此面向群组的推荐受到越来越多的关注。目前，大部分工作仅考虑静态的用户偏好，而没有考虑随时间变化的用户偏好，用户兴趣迁移会影响最终的推荐效果，使得用户对于推荐结果满意度下降。

如何更准确地将新的项目与新的信息准确推送给潜在用户成了推荐领域的关键问题。新的信息因为缺乏用户评分，在首次推送过程中无法准确推送给潜在用户。

ZL202010401624X公开了一种改进了协同过滤推荐算法的推荐系统，该系统首先收集用户的各类历史信息及当前点击操作作为输入模块输入到推荐算法中，然后推荐算法对数据信息进行分析计算生成推荐列表，最后将推荐列表发往客户端，从而向用户展示个性化的项目推荐列表，虽然此方法考虑到了用户的喜好、年龄、点击量等来为用户进行个性化推荐，但这种推荐系统推荐效果不佳，依然无法解决在新项目推荐时难以找到合适潜在推荐用户的冷启动的技术问题。

ZL2020112190445公开了一种内容项推荐方法、装置、设备及存储介质，该推荐方法中的目标内容项为被触发的时间最邻近当前时间的内容项，基于探索和利用策略从多个相关内容项中筛选推荐内容项，向用户推送推荐内容项，虽然该方法增加了用户感兴趣的相对冷门的内容项的曝光力度，但是其只考虑时间这一因素，除时间因素之外，地点、网络、设备等也是改变用户偏好的影响因素。

发明内容

为了解决上述问题，本发明提供了一种基于预测值分析的新项目推荐方法，该方法基于物品的协同过滤技术得到用户对项目的预测评分，创新性地将用户群体划分为探索用户和惰性用户，在原有预测评分上加入探索权重，最终得到更为合理的预测评分，能够提高新项目推送的精准度，保证用户对推送内容的满意程度的同时还可以给用户带来惊喜。

为了达到上述目的，本发明是通过以下技术方案实现的：

本发明是一种基于预测值分析的新项目推荐方法，包括如下步骤：

S1、通过分析用户U0评价项目的兴趣点信息，判断用户U0为探索用户或者惰性用户，获得用户新项目探索权重即基于用户评价项目的历史数据计算出用户的探索权重，具体包括如下步骤：

S11、定义sumnew表示用户U0评价新项目的次数，sumall表示用户U0评价项目的总次数，则用户U0的探索权重w₀计算公式为：

S12、w₀值越大，表示用户探索属性越高，说明U0更加偏爱新项目的推荐，对新发布的项目接受度更高，定义为探索用户；w₀值偏小时，说明用户U0对熟悉的项目更偏爱，而对新项目的接受度较低，定义为惰性用户；

S13、当所推荐项目为新项目i时，根据探索权重判断用户U0对新项目的接受度高低，当w₀值较大时，则将新项目i推荐给该用户U0，否则禁止推荐。

S2、根据项目-属性、项目-标签信息，考虑项目具备属性、标签的个数和共同具备某属性或标签的项目的个数，获得基于项目-属性、项目-标签信息的预测评分值，具体包括如下步骤：

S21、基于传统协同过滤算法，用x×n阶的项目-属性矩阵表示出项目属性信息，用{a₁，a₂，...，a_x}表示x个属性的集合，用y×n阶的项目-标签标注矩阵表示出项目标签信息；

S22、定义用户U0为研究对象，定义UC_j表示共同项目被浏览的次数，当UC_j＝0时表示该项目从未被浏览过，定义为新项目；

S23、用{b₁，b₂，...，b_y}表示y个标签的集合，其中用{i₁，i₂，...，i_n}表示n个项目的集合，h_ij表示项目是否具备该属性，1表示具有该属性，0表示不具有；c_ij表示项目被标签标注的次数；

S24、定义r_ij为用户U_j是否对项目i浏览过，1表示浏览过，0表示没有浏览过，AC_j表示项目j具有的属性个数，IAC_j表示共同具有属性a的个数；

S25、根据项目-属性矩阵计算得到用户U0对该属性的项目的预测评分值：

S26、根据项目-标签标注矩阵计算得到用户U0对具有该标签信息的项目的预测评分值

S3、通过分析用户评价项目的兴趣点信息，结合基于项目属性信息的预测评分值，得到最终的预测评分值，如果预测评分值超过设定阈值，则将该项目推荐给用户U0，具体包括如下步骤：

S31、为了同时考虑用户浏览信息、项目属性信息、项目标签信息以及用户U0对新项目的偏好程度，定义权重α，β，进行线性组合，其中α+β＝1其中α≠0，β≠0，根据项目是否被浏览过区分项目为新项目或老项目，分别根据不同的情况进行预测评分值的定义；

S32、结合用户U0、标签与项目属性的个性化算法，在UC_j＝1即该项目已被浏览过的情况下，基于个性化算法的预测评分值可计算得Pre_nj＝α×f_a(u)+β×f_j(u)；

S33、鉴于项目本身的属性信息并不会随项目的时间而改变，即属性为固有信息，结合用户U0对新项目的探索权重和项目-属性信息，在UC_j＝0的情况下，即该项目尚未被任何用户浏览，基于个性化算法的预测评分值计算得Pre_nj＝w₀+f_a(u)；

S34、预测评分值越高时，代表用户U0对新项目i的接受度越高，进行推荐；预测评分值过低时，代表用户U0更偏好浏览过的项目，而对新项目i的偏好程度偏低，则不进行推荐。

本发明的有益效果是：

1、本发明采用基于传统协同过滤算法的预测评分的方式来决定。

2、本发明引入探索权重，给出了一个标准量化值判断用户对新项目的偏好程度，引入了基于用户的一个新属性——探索度，通过对探索权重的计算，当推荐新项目时，可以作为预测评分值判断是否应当推荐该新项目给用户。

3、本发明可以通过项目浏览次数判断该项目是否为新发布的，再根据用户对新旧项目的偏好度决定是否向用户推荐该新项目，从而解决了新项目对用户的冷启动问题。

4、本发明考虑用户探索权重、项目标签矩阵和项目属性矩阵，提出了一种个性化推荐算法，计算出用户-项目预测评分值，从而对新项目进行精准推荐。

附图说明

图1是本发明的新项目推荐方法的流程图。

图2本发明步骤S1获得用户新项目探索权重的模型。

图3是本发明计算项目-属性预测分析值的流程图；

图4是本发明计算项目-标签预测分析值的流程图；

图5是根据本发明计算得到用户U0对项目i的预测分析值的流程图。

具体实施方式

以下将以图式揭露本发明的实施方式，为明确说明起见，许多实务上的细节将在以下叙述中一并说明。然而，应了解到，这些实务上的细节不应用以限制本发明。也就是说，在本发明的部分实施方式中，这些实务上的细节是非必要的。

本发明是一种基于预测值分析的新项目推荐方法，建立了一种个性化算法，综合考虑用户探索度、项目属性信息和项目标签信息，得出用户对新项目的预测评分值，根据得分判断是否进行推荐，解决了新项目的冷启动问题。

具体如1-5所示，包括如下步骤：

S1、通过分析用户U0评价项目的兴趣点信息，判断用户U0为探索用户或者惰性用户，获得用户新项目探索权重，具体操作为：

S11、定义sumnew表示用户U0评价新项目的次数，sumall表示用户U0评价项目的总次数，则用户U0的探索权重w₀计算公式为：

S12、w₀值越大，表示用户探索属性越高，说明U0更加偏爱新项目的推荐，对新发布的项目接受度更高，定义为探索用户；w₀值偏小时，说明用户U0对熟悉的项目更偏爱，而对新项目的接受度较低，定义为惰性用户；

S13、当所推荐项目为新项目i时，根据探索权重判断用户U0对新项目的接受度高低，当w₀值较大时，则将新项目i推荐给该用户U0，否则禁止推荐。

S2、根据项目-属性、项目-标签信息，考虑项目具备属性、标签的个数和共同具备某属性或标签的项目的个数，获得基于项目-属性、项目-标签信息的预测评分值，新项目就用探索权重和属性预测分析值计算，老项目就用属性和标签的预测分析值加权重求和后计算得到，具体为：

S21、基于传统协同过滤算法，用x×n阶的项目-属性矩阵表示出项目属性信息，用{a₁，a₂，...，a_x}表示x个属性的集合，用y×n阶的项目-标签标注矩阵表示出项目标签信息；

S22、定义用户U0为研究对象，定义UC_j表示共同项目被浏览的次数，当UC_j＝0时表示该项目从未被浏览过，定义为新项目；

S23、用{b₁，b₂，...，b_y}表示y个标签的集合，其中用{i₁，i₂，...，i_n}表示n个项目的集合，h_ij表示项目是否具备该属性，1表示具有该属性，0表示不具有；t_ij表示项目被标签标注的次数；

S24、定义r_ij为用户Uj是否对项目i浏览过，1表示浏览过，0表示没有浏览过，ACj表示项目j具有的属性个数，IACj表示共同具有属性a的个数；

S25、根据项目-属性矩阵计算得到用户U0对该属性的项目的预测评分值

S26、根据项目-标签标注矩阵计算得到用户U0对具有该标签信息的项目的预测评分值

S3、通过分析用户评价项目的兴趣点信息，结合基于项目属性信息的预测评分值，得到最终的预测评分值，如果预测评分值超过设定阈值，则将该项目推荐给用户U0，具体为：

S31、为了同时考虑用户浏览信息、项目属性信息、项目标签信息以及用户U0对新项目的偏好程度，定义权重α，β，进行线性组合，其中α+β＝1其中α≠0，β≠0，根据项目是否被浏览过区分项目为新项目或老项目，分别根据不同的情况进行预测评分值的定义；

S32、结合用户U0、标签与项目属性的个性化算法，在UC_j＝1即该项目已被浏览过的情况下，基于个性化算法的预测评分值计算得Pre_nj＝α×f_a(u)+β×f_j(u)；

S33、鉴于项目本身的属性信息并不会随项目的时间而改变，即属性为固有信息，结合用户U0对新项目的探索权重和项目-属性信息，在UC_j＝0的情况下，即该项目尚未被任何用户浏览，基于个性化算法的预测评分值计算得Pre_nj＝w₀+f_a(u)；

S34、预测评分值越高时，代表用户U0对新项目i的接受度越高，进行推荐；预测评分值过低时，代表用户U0更偏好浏览过的项目，而对新项目i的偏好程度偏低，则不进行推荐。

本发明将用户划分为探索用户和惰性用户，提出基于预测值分析的新项目推荐方法，解决了基于物品的协同过滤在新项目推荐时难以找到合适潜在推荐用户的冷启动问题，提高了新项目的推荐效果。

以上所述仅为本发明的实施方式而已，并不用于限制本发明。对于本领域技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原理的内所作的任何修改、等同替换、改进等，均应包括在本发明的权利要求范围之内。

Claims (1)

1.一种基于预测值分析的新项目推荐方法，其特征在于：所述新项目推荐方法包括如下步骤：

S1、通过分析用户U0评价项目的兴趣点信息，判断用户U0为探索用户或者惰性用户，获得用户新项目探索权重；

S2、根据项目-属性、项目-标签信息，考虑项目具备属性、标签的个数和共同具备某属性或标签的项目的个数，获得基于项目-属性、项目-标签信息的预测评分值；

S3、根据步骤S1获得的探索权重和步骤S2获得的预测评分值经过计算得到最终的预测评分值，如果预测评分值超过设定阈值，则将该项目推荐给用户U0；其中：

所述步骤S1中获得用户新项目探索权重具体包括如下步骤：

S11、定义sumnew表示用户U0评价新项目的次数，sumall表示用户U0评价项目的总次数，则用户U0的探索权重w₀计算公式为：

S12、w₀值越大，表示用户探索属性越高，说明U0更加偏爱新项目的推荐，对新发布的项目接受度更高，定义为探索用户；w₀值偏小时，说明用户U0对熟悉的项目更偏爱，而对新项目的接受度较低，定义为惰性用户；

S13、当所推荐项目为新项目i时，根据探索权重判断用户U0对新项目的接受度高低，当w₀值较大时，则将新项目i推荐给该用户U0，否则禁止推荐；

在所述步骤S2中，预测评分值的方法包括如下步骤：

S21、基于传统协同过滤算法，用x×n阶的项目-属性矩阵表示出项目属性信息，用{a₁，a₂，...，a_x}表示x个属性的集合，用y×n阶的项目-标签标注矩阵表示出项目标签信息；

S22、定义用户U0为研究对象，定义UC_j表示共同项目被浏览的次数，当UC_j＝0时表示该项目从未被浏览过，定义为新项目；

S23、用{b₁，b₂，...，b_y}表示y个标签的集合，其中用{i₁，i₂，...，i_n}表示n个项目的集合，h_ij表示项目是否具备该属性，1表示具有该属性，0表示不具有；t_ij表示项目被标签标注的次数；

S24、定义r_ij为用户Uj是否对项目i浏览过，1表示浏览过，0表示没有浏览过，AC_j表示项目j具有的属性个数，IAC_j表示共同具有属性a的个数；

S25、根据项目-属性矩阵计算得到用户U0对该属性的项目的预测评分值：

S26、根据项目-标签标注矩阵计算得到用户U0对具有该标签信息的项目的预测评分值：

其中：TC_j为项目j具有的项目-标签的个数，ITC_j表示共同具有的标签b的个数，r_ij代表用户是否对项目i浏览过，b_ij代表项目i具有的标签；所述步骤S3的最终的预测评分值和推荐包括如下步骤：

S31、为了同时考虑用户浏览信息、项目属性信息、项目标签信息以及用户U0对新项目的偏好程度，定义权重α，β，进行线性组合，α+β＝1，其中a≠0，β≠0，根据项目是否被浏览过区分项目为新项目或老项目，分别根据不同的情况进行预测评分值的定义；

S32、结合用户U0、标签与项目属性的个性化算法，在UC_j＝1即该项目已被浏览过的情况下，基于个性化算法的预测评分值计算得到Pre_nj＝α×f_a(u)+β×f_j(u)，其中，f_a(u)代表用户U0对该属性的项目预测评分值，f_j(u)代表用户U0对具有该标签信息的项目预测评分值；

S33、鉴于项目本身的属性信息并不会随项目的时间而改变，即属性为固有信息，结合用户U0对新项目的探索权重和项目-属性信息，在UC_j＝0的情况下，即该项目尚未被任何用户浏览，基于个性化算法的预测评分值计算得到Pre_nj＝w₀+f_a(u)；

S34、预测评分值越高时，代表用户U0对新项目i的接受度越高，进行推荐；预测评分值过低时，代表用户U0更偏好浏览过的项目，而对新项目i的偏好程度偏低，则不进行推荐。

Images