CN114238796A - 一种基于用户评价的推荐方法、系统与存储介质 - Google Patents

一种基于用户评价的推荐方法、系统与存储介质 Download PDF

Info

Publication number
CN114238796A
CN114238796A CN202111586720.7A CN202111586720A CN114238796A CN 114238796 A CN114238796 A CN 114238796A CN 202111586720 A CN202111586720 A CN 202111586720A CN 114238796 A CN114238796 A CN 114238796A
Authority
CN
China
Prior art keywords
user
post
matrix
time
interestingness
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.)
Granted
Application number
CN202111586720.7A
Other languages
English (en)
Other versions
CN114238796B (zh
Inventor
吴晓军
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hebei Jilian Human Resources Service Group Co ltd
Original Assignee
Hebei Jilian Human Resources Service Group Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Hebei Jilian Human Resources Service Group Co ltd filed Critical Hebei Jilian Human Resources Service Group Co ltd
Priority to CN202111586720.7A priority Critical patent/CN114238796B/zh
Publication of CN114238796A publication Critical patent/CN114238796A/zh
Application granted granted Critical
Publication of CN114238796B publication Critical patent/CN114238796B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/953—Querying, e.g. by the use of web search engines
    • G06F16/9537—Spatial or temporal dependent retrieval, e.g. spatiotemporal queries

Landscapes

  • Engineering & Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明提供了一种基于用户评价的推荐方法，通过建立联系数据链图，以用户浏览岗位为核心，建立了用户之间的数据连接，解决了新用户冷启动问题，提升了推荐效率。通过建立时间粘性评分矩阵，调整用户对岗位兴趣度系数，提高了用户对岗位兴趣度计算精度。通过基于多处理机的分布式兴趣度计算算法，综合考虑时间粘性评分矩阵与用户评分矩阵，提高了对岗位兴趣度计算精度，通过分布式处理机，提升了分布式并行计算能力和计算的效率。

Description

一种基于用户评价的推荐方法、系统与存储介质
技术领域
本发明涉及大数据领域，尤其涉及一种基于用户评价的推荐方法、提供与存储介质。
背景技术
互联网的飞速发展使我们进入了信息过载的时代，搜索引擎可以帮助我们查找内容，但只能解决明确的需求，为了让用户从海量信息中高效地获得自己所需的信息，推荐系统应运而生。推荐系统是大数据在互联网领域的典型应用，它可以通过分析用户的历史记录来了解用户的喜好，从而主动为用户推荐其感兴趣的信息，满足用户的个性化推荐需求。
现有的推荐系统分析用户的历史记录的数据处理方法精度不高，在向用户推荐其感兴趣的信息时，其推荐信息无法满足用户的个性化推荐需求，综上所述，需要一种高效的分析用户评价信息的算法实现精准的个性化推荐。
发明内容
本发明提供了一种基于用户评价的推荐方法、系统及存储介质，通过预处理用户评价的数据，向用户推荐其感兴趣的相关数据。
本发明提出的一种基于用户评价的推荐方法步骤如下：
步骤S1，根据某用户以及某用户评价的某岗位建立联系数据链图，预处理用户评价数据；
步骤S2，获取用户浏览工作岗位的时间，建立时间粘性评分矩阵，遍历浏览时间数据，对浏览时间进行预处理获得时间粘性评分；
步骤S3，建立用户评分矩阵，在用户浏览完毕某岗位时，邀请用户对该岗位进行兴趣度评分，将用户对某岗位评分记录到用户评分矩阵中；
步骤S4，通过基于多处理机的分布式兴趣度计算算法，计算用户兴趣度；
步骤S5，选取兴趣度最大的作为相似推荐用户，将相似推荐用户感兴趣的岗位推荐给上述步骤S1中的用户。
另外，本发明还提出一种基于用户评价的推荐系统，其特征在于，包括联系数据链图建立模块，时间粘性评分矩阵建立模块，用户评价矩阵模块，兴趣度计算模块、推荐模块和数据库。
具体的，所述联系数据图链建立模块建立上述方法步骤S1中的联系数据链图。
具体的，所述时间粘性评分矩阵建立模块获取用户浏览系统中每个工作岗位时间，建立上述方法步骤S2中的时间粘性评分矩阵，预处理浏览时间，获得粘性时间评分结果。
具体的，所述用户评价矩阵模块建立上述方法步骤S3中的用户评分矩阵，在用户浏览完毕某岗位时，邀请用户对该岗位进行兴趣度评分，将用户对某岗位评分记录到用户评分矩阵中。
具体的，所述兴趣度计算模块将所述联系数据链图装载到矩阵容器中，初始化智能处理机，智能处理机内含算法内核模块，多个智能处理机可并发执行兴趣度计算算法，为每个智能处理机分配初始化位置，判断该位置是否被标记为已计算，如果未标记，则计算矩阵单元格对应用户对岗位Y的兴趣度。
具体的，所述推荐模块选取兴趣度最大的作为相似推荐用户J，将相似推荐用户J感兴趣的岗位推荐给用户X。
另外，本发明还提出了一种计算机可读存储介质，所述计算机可读存储介质上存储计算机程序，所述计算机程序被处理器执行时实现如前所述任务匹配方法的步骤。
本发明通过建立联系数据链图，以用户浏览岗位为核心，建立了用户之间的数据连接，解决了新用户冷启动问题，提升了推荐效率。通过建立时间粘性评分矩阵，调整用户对岗位兴趣度系数，提高了用户对岗位兴趣度计算精度。通过基于多处理机的分布式兴趣度计算算法，综合考虑时间粘性评分矩阵与用户评分矩阵，提高了对岗位兴趣度计算精度，通过分布式处理机，提升了分布式并行计算能力和计算的效率。
附图说明
图1是本发明的基于用户评价的推荐方法步骤流程图；
图2是本发明的基于用户评价的推荐系统框图。
具体实施方式
本发明通过建立联系数据链图，以用户浏览岗位为核心，建立了用户之间的数据连接，解决了新用户冷启动问题，提升了推荐效率。通过建立时间粘性评分矩阵，调整用户对岗位兴趣度系数，提高了用户对岗位兴趣度计算精度。通过基于多处理机的分布式兴趣度计算算法，综合考虑时间粘性评分矩阵与用户评分矩阵，提高了对岗位兴趣度计算精度，通过分布式处理机，提升了分布式并行计算能力和计算的效率。
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。
如图1所示本实施例的基于用户评价的推荐方法步骤如下：
步骤S1：建立联系数据链图LX Y(A)，其中，X表示某一用户编号，Y表示用户X评价过的某个岗位的编号，A表示被装载到联系数据链图的用户编号。预处理所有数据，找到用户X评价过的Y岗位，将评价过Y岗位的其他用户装载到联系数据链图LX Y(A)中，假设用户X评价过的Y岗位，一共有n名其他用户评价过该岗位，则1≤A≤n。
步骤S2：获取用户浏览系统中每个工作岗位时间，根据浏览时间,建立时间粘性评分矩阵TX(Y)，其中，X表示某一用户编号,Y表示用户评价过的某个岗位的编号，TX(Y)的取值为时间粘性评分值，所述时间粘性评分值通过对用户浏览时间进行预处理获得，预处理方式如下：0≤t≤5s，时间粘性评分为0；6s≤t≤15s，时间粘性评分为1；16s≤t≤30s，时间粘性评分为2；31s≤t≤60s，时间粘性评分为3；61s≤t≤120s，时间粘性评分为4；121s≤t，时间粘性评分为5，其中，t为浏览时间。本发明时间粘性评分矩阵TX(Y)，用来计算下文的时间粘性调节因子β。
步骤S3：建立用户评分矩阵FX(Y)，在用户浏览完毕某岗位时，邀请用户对该岗位进行兴趣度评分，将用户对某岗位评分记录到用户评分矩阵FX(Y)中，FX(Y)取值为1、2和3，其中，1表示不感兴趣，2表示感兴趣，3表示非常感兴趣。
步骤S4：通过基于多处理机的分布式兴趣度计算算法，计算用户兴趣度，所述分布式兴趣度计算算法步骤如下：
A：将某用户X某岗位Y的联系数据链图LX Y(A),装载到1000*1000的矩阵容器中，矩阵中每一格代表联系数据链图的一个数据，也就是代表浏览过岗位Y的一位用户。
B：初始化P个智能处理机，为每个处理机分配CPU、存储等资源，每个处理机内含算法内核模块，多个处理机可并发执行兴趣度计算算法。
C：为每个处理机分配初始化位置(h，k)，h代表矩阵容器的列，k代表矩阵容器的行，例如某个处理机初始化位置为(h1，k1)。
D：判断该位置是否被标记为已计算，如果未标记，通过兴趣度计算公式，计算矩阵单元格对应用户对岗位Y的兴趣度，兴趣度计算公式如下：
Figure BDA0003427897650000061
其中
Figure BDA0003427897650000062
表示用户对岗位的兴趣度；FX(Y)用户对该岗位进行兴趣度评分；β表示时间粘性调节因子。需要说明的是，用户评分矩阵，用来保存用户对岗位评分，用户评分矩阵的值是用户评分值。
时间粘性调节因子β计算方式如下：
Figure BDA0003427897650000063
其中，m为用户浏览岗位的总次数；T0为用户浏览岗位的平均时间；TX(Y)为时间粘性评分矩阵。
计算结束后，和当前最大兴趣度比较，如果大于当前最大兴趣度，将数据替换，将该矩阵位标记为已计算。
E：随机生成m维向量V＝(V1,V2,V3...Vm)，其中每个参数的范围在(-1,1)之间。
F：通过处理机游走算法，控制处理机下一个游走位置，算法如下：
h＝h+r*v1，k＝k+r*v1；
其中，r为标准步长参数，取值2；
其中V1计算公式如下：
Figure BDA0003427897650000064
处理机在新位置重复执行上述步骤，完成算法计算。
步骤S5：选取兴趣度最大的作为相似推荐用户J，将相似推荐用户J感兴趣的岗位推荐给用户X。
本发明的基于多处理机的分布式兴趣度计算方法通过建立数据链图存储数据，结合时间粘性、岗位兴趣度，以风不是方式计算兴趣度，提高了计算的效率，且时间粘性参数的使用是的匹配的精度大大提高。
另外，本实施例还提出了一种基于用户评价的推荐系统，如图2所示，所述系统包括联系数据链图建立模块，时间粘性评分矩阵建立模块，用户评价矩阵模块，兴趣度计算模块、推荐模块和数据库。
具体的，所述联系数据图链建立模块建立上述方法步骤S1中的联系数据链图LX Y(A)。
具体的，所述时间粘性评分矩阵建立模块获取用户浏览系统中每个工作岗位时间，建立上述方法步骤S2中的时间粘性评分矩阵TX(Y)，预处理浏览时间，获得粘性时间评分结果。
具体的，所述用户评价矩阵模块建立上述方法步骤S3中的用户评分矩阵FX(Y)，在用户浏览完毕某岗位时，邀请用户对该岗位进行兴趣度评分，将用户对某岗位评分记录到用户评分矩阵FX(Y)中。
具体的，所述兴趣度计算模块将联系数据链图LX Y(A)装载到矩阵容器中，初始化智能处理机，智能处理机内含算法内核模块，多个智能处理机可并发执行兴趣度计算算法，为每个智能处理机分配初始化位置，判断该位置是否被标记为已计算，如果未标记，通过如上述方法步骤S4中的兴趣度计算算法，计算矩阵单元格对应用户对岗位Y的兴趣度。
具体的，所述推荐模块选取兴趣度最大的作为相似推荐用户J，将相似推荐用户J感兴趣的岗位推荐给用户X。
此外，本实施例还提出了一种计算机可读存储介质，所述计算机可读存储介质上存储计算机程序，所述计算机程序被处理器执行时实现如前所述基于用户评价的推荐方法的步骤。
需要说明的是，在本文中，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、物品或者装置不仅包括那些要素，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、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。
上面结合附图对本发明的实施例进行了描述，但是本发明并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本发明的启示下，在不脱离本发明宗旨和权利要求所保护的范围情况下，还可做出很多形式，均属于本发明的保护之内。

Claims (10)

1.一种基于用户评价的推荐方法，其特征在于，包括：
步骤S1，根据用户以及用户评价的岗位建立联系数据链图，预处理用户评价数据；
步骤S2，获取用户浏览工作岗位的时间，遍历浏览时间数据，对浏览时间进行预处理获得时间粘性评分，建立时间粘性评分矩阵；
步骤S3，建立用户评分矩阵，在用户浏览完毕岗位时，邀请用户对该岗位进行兴趣度评分，将用户对该岗位评分记录到用户评分矩阵中；
步骤S4，通过基于多处理机的分布式兴趣度计算方法，计算用户兴趣度；
步骤S5，选取兴趣度最大的作为相似推荐用户，将相似推荐用户感兴趣的岗位推荐给用户。
2.根据权利要求1所述的基于用户评价的推荐方法，其特征在于，所述步骤S1中的联系数据链图为LX Y(A)，其中，X表示某一用户编号；Y表示用户X评价过的某个岗位的编号；A表示被装载到联系数据链图的用户编号。
3.根据权利要求2所述的基于用户评价的推荐方法，其特征在于，所述预处理用户评价数据方式具体为，找到用户X评价过的Y岗位，将评价过Y岗位的其他用户装载到联系数据链图LX Y(A)中。
4.根据权利要求1所述的基于用户评价的推荐方法，其特征在于，所述步骤S2中的时间粘性评分矩阵为TX(Y)，其中，X表示某一用户编号，Y表示用户X评价过的某个岗位的编号。
5.根据权利要求1所述的基于用户评价的推荐方法，其特征在于，所述步骤S2中的浏览时间预处理方式具体为，按照t的区间配置时间粘性评分。
6.根据权利要求1所述的基于用户评价的推荐方法，其特征在于，所述步骤S3中的用户评分矩阵为FX(Y)，其中，X表示某一用户编号；Y表示用户X评价过的某个岗位的编号；FX(Y)的取值为1、2和3，其中，1表示不感兴趣；2表示感兴趣；3表示非常感兴趣。
7.根据权利要求1所述的基于用户评价的推荐方法，其特征在于，所述步骤S4中的基于多处理机的分布式兴趣度计算方法具体为：
A：将第一用户第一岗位的联系数据链图LX Y(A),装载到矩阵容器中，矩阵中每一格代表联系数据链图的一个数据；
B：初始化P个智能处理机，为每个智能处理机分配CPU、存储等资源，每个处理机内含算法内核模块，多个智能处理机并发执行兴趣度计算算法；
C：为每个处理机分配初始化位置(h，k)，h代表矩阵容器的列，k代表矩阵容器的行；
D：判断该位置是否被标记为已计算，如果未标记，通过兴趣度计算公式，计算矩阵单元格第一用户第一岗位的兴趣度，兴趣度计算公式如下：
Figure FDA0003427897640000021
其中
Figure FDA0003427897640000031
表示用户对岗位的兴趣度；FX(Y)表示用户对该岗位的兴趣度评分；β表示时间粘性调节因子，X表示用户，Y表示对应岗位；
时间粘性调节因子β计算方式如下：
Figure FDA0003427897640000032
其中m为用户浏览岗位的总次数；T0为用户浏览岗位的平均时间；TX(Y)为时间粘性评分值；
计算结束后，和当前最大兴趣度比较，如果大于当前最大兴趣度，将数据替换，将该矩阵位标记为已计算；
E：随机生成m维向量V＝(V1,V2,V3...Vm)，其中每个参数的范围在(-1,1)之间；
F：通过处理机游走算法，控制处理机下一个游走位置，所述处理机游走算法如下：
h＝h+r*v1，k＝k+r*v1；
其中，r为标准步长参数，取值2；
其中，V1计算公式如下：
Figure FDA0003427897640000033
智能处理机在新位置重复执行上述步骤，完成计算。
8.一种基于用户评价的推荐系统，其特征在于，包括联系数据链图建立模块，时间粘性评分矩阵建立模块，用户评价矩阵模块，兴趣度计算模块、推荐模块和数据库。
9.根据权利要求8所述的基于用户评价的推荐系统，其特征在于，联系数据图链用于建立模块建立联系数据链图；
时间粘性评分矩阵用于建立模块获取用户浏览系统中每个工作岗位时间，建立时间粘性评分矩阵，预处理浏览时间，获得粘性时间评分结果；
用户评价矩阵模块用于建立用户评分矩阵，在用户浏览完毕某岗位时，邀请用户对该岗位进行兴趣度评分，将用户对某岗位评分记录到用户评分矩阵中；
兴趣度计算模块用于将所述联系数据链图装载到矩阵容器中，初始化智能处理机，智能处理机内含算法内核模块，多个智能处理机可并发执行兴趣度计算方法，为每个智能处理机分配初始化位置，判断该位置是否被标记为已计算，如果未标记，则计算矩阵单元格第一用户对第一岗位的兴趣度；
所述推荐模块用于选取兴趣度最大的作为相似推荐用户，将相似推荐用户感兴趣的岗位推荐给第一用户。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储计算机程序，所述计算机程序被处理器执行时实现如权利要求1至8中任一项所述方法的步骤。
CN202111586720.7A 2021-12-23 2021-12-23 一种基于用户评价的推荐方法、系统与存储介质 Active CN114238796B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111586720.7A CN114238796B (zh) 2021-12-23 2021-12-23 一种基于用户评价的推荐方法、系统与存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111586720.7A CN114238796B (zh) 2021-12-23 2021-12-23 一种基于用户评价的推荐方法、系统与存储介质

Publications (2)

Publication Number Publication Date
CN114238796A true CN114238796A (zh) 2022-03-25
CN114238796B CN114238796B (zh) 2024-07-23

Family

ID=80761873

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111586720.7A Active CN114238796B (zh) 2021-12-23 2021-12-23 一种基于用户评价的推荐方法、系统与存储介质

Country Status (1)

Country Link
CN (1) CN114238796B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105740444A (zh) * 2016-02-02 2016-07-06 桂林电子科技大学 基于用户评分的项目推荐方法
US20180276734A1 (en) * 2016-07-12 2018-09-27 Tencent Technology (Shenzhen) Company Limited Information push method and apparatus, server, and storage medium
WO2020037931A1 (zh) * 2018-08-20 2020-02-27 平安科技（深圳）有限公司 项目推荐方法、装置、计算机设备及存储介质
CN112307358A (zh) * 2020-11-10 2021-02-02 西北大学 基于用户兴趣扩散及时间相关的改进协同过滤算法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105740444A (zh) * 2016-02-02 2016-07-06 桂林电子科技大学 基于用户评分的项目推荐方法
US20180276734A1 (en) * 2016-07-12 2018-09-27 Tencent Technology (Shenzhen) Company Limited Information push method and apparatus, server, and storage medium
WO2020037931A1 (zh) * 2018-08-20 2020-02-27 平安科技（深圳）有限公司 项目推荐方法、装置、计算机设备及存储介质
CN112307358A (zh) * 2020-11-10 2021-02-02 西北大学 基于用户兴趣扩散及时间相关的改进协同过滤算法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
张素智等: "基于用户兴趣的协同过滤推荐算法研究", 郑州轻工业学院学报(自然科学版), no. 05, 15 October 2013 (2013-10-15) *

Also Published As

Publication number Publication date
CN114238796B (zh) 2024-07-23

Similar Documents

Publication Publication Date Title
US7631310B1 (en) Loadbalancing multiple files across computing devices
US20070250500A1 (en) Multi-directional and auto-adaptive relevance and search system and methods thereof
CN110020094A (zh) 一种搜索结果的展示方法和相关装置
EP3399491A1 (en) Data processing method and device
US20090063377A1 (en) System and method using sampling for allocating web page placements in online publishing of content
US7853550B1 (en) Decision support systems and methods
CN108833302B (zh) 云环境下基于模糊聚类及严格双边匹配的资源分配方法
CN106649647A (zh) 基于人工智能的搜索结果排序方法和装置
CN110992124A (zh) 房源的推荐方法及房源的推荐系统
CN108717447B (zh) 一种交互式多用户空间关键词查询方法
CN113836393A (zh) 基于偏好自适应元学习的冷启动推荐方法
CN113592589A (zh) 纺织原料推荐方法、装置及处理器
CN116628340B (zh) 职位代理人推荐方法及系统
Kabra et al. Potent real-time recommendations using multimodel contextual reinforcement learning
CN114579843A (zh) 一种个性化搜索的方法、装置、计算机设备和存储介质
CN114238796A (zh) 一种基于用户评价的推荐方法、系统与存储介质
CN107844536A (zh) 应用程序选择的方法、装置和系统
CN111899065A (zh) 订单与物流匹配的方法、装置、设备及存储介质
CN107844496A (zh) 统计信息输出方法及装置
CN106709780B (zh) 一种物品推荐方法及装置
CN110874432A (zh) 排序方法、信息推荐方法、系统及装置
CN113626686A (zh) 基于用户数据分析的自动推送方法、装置和计算机设备
US6735577B2 (en) Method and apparatus for automatic search for relevant picture data sets
CN112131485A (zh) 房源推荐方法及装置
CN111178032A (zh) 基于协同过滤的表单批量录入方法、系统、设备和介质

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
GR01 Patent grant
GR01 Patent grant