CN114461899A - 对用户的协同过滤推荐方法、装置、电子设备及存储介质 - Google Patents

Abstract

本申请涉及大数据服务技术领域，特别涉及一种对用户的协同过滤推荐方法、装置、电子设备及存储介质，其中，方法包括：根据用户的行为数据和物品信息计算用户的粗粒度层面的第一相似度；基于用户的行为数据，利用相似度度量公式计算用户的细粒度层面的第二相似度；融合用户的第一相似度和第二相似度，得到用户的实际相似度，并参照用户的实际相似度利用协同过滤算法推荐适配的兴趣信息。由此，解决了相关技术中利用过滤算法为用户推荐兴趣信息时，相似性度量不准确，降低推荐准确性及使用体验等问题。

Description

对用户的协同过滤推荐方法、装置、电子设备及存储介质

技术领域

本申请涉及大数据服务技术领域，特别涉及一种对用户的协同过滤推荐方法、装置、电子设备及存储介质。

背景技术

随着互联网的快速发展，导致社会信息超过了个人或系统所能接受、处理或有效利用的范围，产生了信息过载，因此如何在信息过载的情况下为用户准确的推荐兴趣信息，是提升用户体验的关键。

相关技术中，通常利用协同过滤算法为用户推荐兴趣信息。然而，相关技术中利用过滤算法为用户推荐兴趣信息时，仅仅计算细粒度相似度，导致相似性度量准确性较差，大大降低推荐的准确性及用户的使用体验。

申请内容

本申请提供一种对用户的协同过滤推荐方法、装置、电子设备及存储介质，以解决相关技术中利用过滤算法为用户推荐兴趣信息时，相似性度量不准确，降低推荐准确性及使用体验等问题。

本申请第一方面实施例提供一种对用户的协同过滤推荐方法，包括以下步骤：根据用户的行为数据和物品信息计算所述用户的粗粒度层面的第一相似度；基于所述用户的行为数据，利用相似度度量公式计算所述用户的细粒度层面的第二相似度；融合所述用户的第一相似度和所述第二相似度，得到所述用户的实际相似度，并参照所述用户的实际相似度利用协同过滤算法推荐适配的兴趣信息。

进一步地，所述根据用户的行为数据和物品信息计算所述用户的粗粒度层面的第一相似度，包括：采集所述用户的行为数据和物品信息；从所述行为数据和物品信息提取至少一个用户特征；利用所述至少一个用户特征计算所述用户的行为偏好、消费能力、消费频率和/或消费时间间隔；基于所述用户的行为偏好、消费能力、消费频率和/或消费时间间隔利用聚类方法进行用户分群，得到所述第一相似度。

进一步地，所述基于所述用户的行为数据，利用相似度度量公式计算所述用户的细粒度层面的第二相似度，包括：根据所述用户的行为数据构建共现矩阵；基于所述共现矩阵利用所述相似度度量公式中的余弦公式计算所述第二相似度。

进一步地，所述参照所述用户的实际相似度利用协同过滤算法推荐适配的兴趣信息，包括：基于所述实际相似度，根据满足条件的相似用户的评分的加权平均值获得对应用户的推荐列表；按照所述推荐列表得到用于推荐的所述适配的兴趣信息。

进一步地，所述融合所述用户的第一相似度和所述第二相似度，包括：分别获取所述第一相似度和所述第二相似度的权值；基于所述第一相似度和所述第二相似度的权值执行融合策略。

本申请第二方面实施例提供一种对用户的协同过滤推荐装置，包括：第一计算模块，用于根据用户的行为数据和物品信息计算所述用户的粗粒度层面的第一相似度；第二计算模块，用于基于所述用户的行为数据，利用相似度度量公式计算所述用户的细粒度层面的第二相似度；融合模块，用于融合所述用户的第一相似度和所述第二相似度，得到所述用户的实际相似度；推荐模块，用于参照所述用户的实际相似度利用协同过滤算法推荐适配的兴趣信息。

进一步地，所述第一计算模块用于采集所述用户的行为数据和物品信息，从所述行为数据和物品信息提取至少一个用户特征，利用所述至少一个用户特征计算所述用户的行为偏好、消费能力、消费频率和/或消费时间间隔，基于所述用户的行为偏好、消费能力、消费频率和/或消费时间间隔利用聚类方法进行用户分群，得到所述第一相似度。

进一步地，所述第二计算模块用于根据所述用户的行为数据构建共现矩阵，基于所述共现矩阵利用所述相似度度量公式中的余弦公式计算所述第二相似度。

进一步地，所述融合模块用于分别获取所述第一相似度和所述第二相似度的权值，基于所述第一相似度和所述第二相似度的权值执行融合策略。

进一步地，所述推荐模块用于基于所述实际相似度，根据满足条件的相似用户的评分的加权平均值获得对应用户的推荐列表，按照所述推荐列表得到用于推荐的所述适配的兴趣信息。

本申请第三方面实施例提供一种电子设备，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述程序，以实现如上述实施例所述的对用户的协同过滤推荐方法。

本申请第四方面实施例提供一种计算机可读存储介质，所述计算机可读存储介质存储计算机指令，所述计算机指令用于使所述计算机执行如上述实施例所述的对用户的协同过滤推荐方法。

由此，本申请至少具有如下有益效果：

通过融合细粒度用户相似度与粗粒度用户相似度得到的实际相似度，相似性度量更加精确，有效提升相似性度量的准确性，从而在利用协同过滤算法推荐适配的兴趣信息时，可以有效提升推荐的准确性，提升用户的使用体验。由此，解决了相关技术中利用过滤算法为用户推荐兴趣信息时，相似性度量不准确，降低推荐准确性及使用体验等问题。

本申请附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本申请的实践了解到。

附图说明

本申请上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：

图1为根据本申请实施例提供的对用户的协同过滤推荐方法的流程示意图；

图2为根据本申请实施例提供的对用户的协同过滤推荐装置的示例图；

图3为根据本申请实施例提供的电子设备的示例图。

具体实施方式

下面详细描述本申请的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本申请，而不能理解为对本申请的限制。

随着互联网的发展，导致信息过载，推荐系统在解决“信息过载”的同时，如何使得用户可以高效获得感兴趣信息，是推荐系统可以最大限度地吸引用户，留存用户，增加用户粘性，提高用户转化率的关键。协同过滤算法是经典的推荐算法，凭借其可解释性强，硬件环境要求低等优点，拥有大量适用的应用场景。

然而，相关技术中基于用户的协同过滤算法基于用户历史行为数据，计算用户相似度，是一种细粒度的相似度计算，并没有考虑到用户更高层次的行为特征，导致相似性度量不准确，大大降低推荐准确性及使用体验。

下面参考附图描述本申请实施例的对用户的协同过滤推荐方法、装置、电子设备及存储介质。针对上述背景技术中心提到的相关技术中利用过滤算法为用户推荐兴趣信息时，相似性度量不准确，降低推荐准确性及使用体验的问题，本申请提供了一种对用户的协同过滤推荐方法，在该方法中，通过融合细粒度用户相似度与粗粒度用户相似度得到的实际相似度，相似性度量更加精确，有效提升相似性度量的准确性，从而在利用协同过滤算法推荐适配的兴趣信息时，可以有效提升推荐的准确性，提升用户的使用体验。由此，解决了相关技术中利用过滤算法为用户推荐兴趣信息时，相似性度量不准确，降低推荐准确性及使用体验等问题。

具体而言，图1为本申请实施例所提供的一种对用户的协同过滤推荐方法的流程示意图。

如图1所示，该对用户的协同过滤推荐方法包括以下步骤：

在步骤S101中，根据用户的行为数据和物品信息计算用户的粗粒度层面的第一相似度。

其中，用户的行为数据在网站上最简单的存在形式是日志，每个会话表示一次用户行为和对应的服务，比如用户行为可以包括网页浏览、购买、点击、评分和评论等。

其中，物品信息可以包括物品的名称、种类、价格等信息。

其中，第一相似度可以理解为粗粒度用户相似度。

可以理解的是，本申请实施例可以基于用户的行为数据以及物品信息进行粗粒度用户相似度计算，以得到第一相似度。

在本实施例中，根据用户的行为数据和物品信息计算用户的粗粒度层面的第一相似度，包括：采集用户的行为数据和物品信息；从行为数据和物品信息提取至少一个用户特征；利用至少一个用户特征计算用户的行为偏好、消费能力、消费频率和/或消费时间间隔；基于用户的行为偏好、消费能力、消费频率和/或消费时间间隔利用聚类方法进行用户分群，得到第一相似度。

其中，用户特征可以理解为高层次特征，高层次特征通常是指是复杂且难以说明的特征。

其中，聚类方法是研究样品或指标分类问题的一种统计分析方法，同时也是数据挖掘的一个重要算法，可以分为划分法、层次法、基于密度的方法、基于网格的方法、基于模型的方法等。例如，基于用户粗粒度数据进行聚类时，本申请实施例可以使用簇内离差平方和与拐点选择合适的K值，在不同K值下计算簇内离差平方和，然后通过可视化的方法找到“拐点”所对应的K值，以确定聚类数目K值。

可以理解的是，本申请实施例可以基于用户的行为数据以及物品信息，构建高层次特征，计算出用户的行为偏好、消费能力、消费频率、消费时间间隔等粗粒度数据，基于用户粗粒度数据，并利用聚类算法进行用户分群，以建立在统计数据维度进行粗粒度用户相似度计算，得到第一相似度。

在步骤S102中，基于用户的行为数据，利用相似度度量公式计算用户的细粒度层面的第二相似度。

其中，第二相似度可以理解为细粒度用户相似度。

其中，相似性度量是指综合评定两个事物之间相近程度的一种度量，两个事物越接近，它们的相似性度量也就越大，而两个事物越疏远，它们的相似性度量也就越小。

可以理解的是，本申请实施例可以基于用户的行为数据进行细粒度相似度计算，以得到第二相似度。

在本实施例中，基于用户的行为数据，利用相似度度量公式计算用户的细粒度层面的第二相似度，包括：根据用户的行为数据构建共现矩阵；基于共现矩阵利用相似度度量公式中的余弦公式计算第二相似度。

其中，共现矩阵可以理解为基于用户对物品评分所组成的矩阵。

可以理解的是，本申请实施例可以基于用户的行为数据，构建共现矩阵，利用用户相似度度量公式余弦公式计算用户相似度。其中，使用余弦相似度计算用户之间的相似度，如果夹角越小，则余弦相似度越大，两个用户越相似。

在步骤S103中，融合用户的第一相似度和第二相似度，得到用户的实际相似度，并参照用户的实际相似度利用协同过滤算法推荐适配的兴趣信息。

可以理解的是，本申请实施例可以将用户粗粒度的第一相似度与细粒度的第二相似度进行融合得到实际相似度，从而不仅考虑了用户细粒度的行为，还结合了粗粒度的维度，使得相似性度量更加精确，可解释性更强，进而可以有效提高推荐兴趣信息的准确性，提升用户的使用体验。

在本实施例中，融合用户的第一相似度和第二相似度，包括：分别获取第一相似度和第二相似度的权值；基于第一相似度和第二相似度的权值执行融合策略。

其中，权重指某一因素或指标相对于某一事物的重要程度，其不同于一般的比重，体现的不仅仅是某一因素或指标所占的百分比，强调的是因素或指标的相对重要程度，倾向于贡献度或重要性。

其中，融合策略可以为相似度的加权融合策略。

可以理解的是，本申请实施例可以将用户粗粒度的第一相似度与细粒度的第二相似度进行加权融合，得到实际相似度。需要说明的是，第一相似度的权重可以利用阈值进行调节，阈值可以根据实际情况进行设置，不做具体限定。

在本实施例中，参照用户的实际相似度利用协同过滤算法推荐适配的兴趣信息，包括：基于实际相似度，根据满足条件的相似用户的评分的加权平均值获得对应用户的推荐列表；按照推荐列表得到用于推荐的适配的兴趣信息。

可以理解的是，当对用户进行推荐时，本申请实施例可以利用用户相似度和相似用户的评分的加权平均获得目标用户的推荐列表，以为目标用户推荐的适配的兴趣信息。

综上，本申请实施例的方法可以应用于推荐场景中基于用户相似度进行推荐，推荐场景包括但不限于电商场景推荐、新闻资讯推荐等；在计算用户相似度时，可以将细粒度的用户相似度与粗粒度用户相似度进行融合，使得相似性度量更加准确，推荐效果更精确。

根据本申请实施例提出的用户的协同过滤推荐方法，通过融合细粒度用户相似度与粗粒度用户相似度得到的实际相似度，相似性度量更加精确，有效提升相似性度量的准确性，从而在利用协同过滤算法推荐适配的兴趣信息时，可以有效提升推荐的准确性，提升用户的使用体验。

其次参照附图描述根据本申请实施例提出的对用户的协同过滤推荐装置。

图2是本申请实施例的对用户的协同过滤推荐装置的方框示意图。

如图2所示，该对用户的协同过滤推荐装置10包括：第一计算模块100、第二计算模块200、融合模块300和推荐模块400。

其中，第一计算模块100用于根据用户的行为数据和物品信息计算用户的粗粒度层面的第一相似度；第二计算模块200用于基于用户的行为数据，利用相似度度量公式计算用户的细粒度层面的第二相似度；融合模块300用于融合用户的第一相似度和第二相似度，得到用户的实际相似度；推荐模块400用于参照用户的实际相似度利用协同过滤算法推荐适配的兴趣信息。

进一步地，第一计算模块100用于采集用户的行为数据和物品信息，从行为数据和物品信息提取至少一个用户特征，利用至少一个用户特征计算用户的行为偏好、消费能力、消费频率和/或消费时间间隔，基于用户的行为偏好、消费能力、消费频率和/或消费时间间隔利用聚类方法进行用户分群，得到第一相似度。

进一步地，第二计算模块200用于根据用户的行为数据构建共现矩阵，基于共现矩阵利用相似度度量公式中的余弦公式计算第二相似度。

进一步地，融合模块300用于分别获取第一相似度和第二相似度的权值，基于第一相似度和第二相似度的权值执行融合策略。

进一步地，推荐模块400用于基于实际相似度，根据满足条件的相似用户的评分的加权平均值获得对应用户的推荐列表，按照推荐列表得到用于推荐的适配的兴趣信息。

需要说明的是，前述对对用户的协同过滤推荐方法实施例的解释说明也适用于该实施例的对用户的协同过滤推荐装置，此处不再赘述。

根据本申请实施例提出的对用户的协同过滤推荐装置，通过融合细粒度用户相似度与粗粒度用户相似度得到的实际相似度，相似性度量更加精确，有效提升相似性度量的准确性，从而在利用协同过滤算法推荐适配的兴趣信息时，可以有效提升推荐的准确性，提升用户的使用体验。

图3为本申请实施例提供的电子设备的结构示意图。该电子设备可以包括：

存储器301、处理器302及存储在存储器301上并可在处理器302上运行的计算机程序。

处理器302执行程序时实现上述实施例中提供的对用户的协同过滤推荐方法。

进一步地，电子设备还包括：

通信接口303，用于存储器301和处理器302之间的通信。

存储器301，用于存放可在处理器302上运行的计算机程序。

存储器301可能包含高速RAM存储器，也可能还包括非易失性存储器(non-volatile memory)，例如至少一个磁盘存储器。

如果存储器301、处理器302和通信接口303独立实现，则通信接口303、存储器301和处理器302可以通过总线相互连接并完成相互间的通信。总线可以是工业标准体系结构(Industry Standard Architecture，简称为ISA)总线、外部设备互连(PeripheralComponent，简称为PCI)总线或扩展工业标准体系结构(Extended Industry StandardArchitecture，简称为EISA)总线等。总线可以分为地址总线、数据总线、控制总线等。为便于表示，图3中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。

可选地，在具体实现上，如果存储器301、处理器302及通信接口303，集成在一块芯片上实现，则存储器301、处理器302及通信接口303可以通过内部接口完成相互间的通信。

处理器302可能是一个中央处理器(Central Processing Unit，简称为CPU)，或者是特定集成电路(Application Specific Integrated Circuit，简称为ASIC)，或者是被配置成实施本申请实施例的一个或多个集成电路。

本申请实施例还提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上的对用户的协同过滤推荐方法。

在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或N个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。

此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本申请的描述中，“N个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。

流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更N个用于实现定制逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本申请的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本申请的实施例所属技术领域的技术人员所理解。

在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，"计算机可读介质"可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或N个布线的电连接部(电子装置)，便携式计算机盘盒(磁装置)，随机存取存储器(RAM)，只读存储器(ROM)，可擦除可编辑只读存储器(EPROM或闪速存储器)，光纤装置，以及便携式光盘只读存储器(CDROM)。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。

应当理解，本申请的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，N个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。如，如果用硬件来实现和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA)等。

本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。

此外，在本申请各个实施例中的各功能单元可以集成在一个处理模块中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。

上述提到的存储介质可以是只读存储器，磁盘或光盘等。尽管上面已经示出和描述了本申请的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本申请的限制，本领域的普通技术人员在本申请的范围内可以对上述实施例进行变化、修改、替换和变型。

Claims (10)

1.一种对用户的协同过滤推荐方法，其特征在于，包括以下步骤：

根据用户的行为数据和物品信息计算所述用户的粗粒度层面的第一相似度；

基于所述用户的行为数据，利用相似度度量公式计算所述用户的细粒度层面的第二相似度；以及

融合所述用户的第一相似度和所述第二相似度，得到所述用户的实际相似度，并参照所述用户的实际相似度利用协同过滤算法推荐适配的兴趣信息。

2.根据权利要求1所述的方法，其特征在于，所述根据用户的行为数据和物品信息计算所述用户的粗粒度层面的第一相似度，包括：

采集所述用户的行为数据和物品信息；

从所述行为数据和物品信息提取至少一个用户特征；

利用所述至少一个用户特征计算所述用户的行为偏好、消费能力、消费频率和/或消费时间间隔；

基于所述用户的行为偏好、消费能力、消费频率和/或消费时间间隔利用聚类方法进行用户分群，得到所述第一相似度。

3.根据权利要求1所述的方法，其特征在于，所述基于所述用户的行为数据，利用相似度度量公式计算所述用户的细粒度层面的第二相似度，包括：

根据所述用户的行为数据构建共现矩阵；

基于所述共现矩阵利用所述相似度度量公式中的余弦公式计算所述第二相似度。

4.根据权利要求1-3任一项所述的方法，其特征在于，所述参照所述用户的实际相似度利用协同过滤算法推荐适配的兴趣信息，包括：

基于所述实际相似度，根据满足条件的相似用户的评分的加权平均值获得对应用户的推荐列表；

按照所述推荐列表得到用于推荐的所述适配的兴趣信息。

5.根据权利要求1所述的方法，其特征在于，所述融合所述用户的第一相似度和所述第二相似度，包括：

分别获取所述第一相似度和所述第二相似度的权值；

基于所述第一相似度和所述第二相似度的权值执行融合策略。

6.一种对用户的协同过滤推荐装置，其特征在于，包括：

第一计算模块，用于根据用户的行为数据和物品信息计算所述用户的粗粒度层面的第一相似度；

第二计算模块，用于基于所述用户的行为数据，利用相似度度量公式计算所述用户的细粒度层面的第二相似度；

融合模块，用于融合所述用户的第一相似度和所述第二相似度，得到所述用户的实际相似度；

推荐模块，用于参照所述用户的实际相似度利用协同过滤算法推荐适配的兴趣信息。

7.根据权利要求6所述的装置，其特征在于，

所述第一计算模块用于采集所述用户的行为数据和物品信息，从所述行为数据和物品信息提取至少一个用户特征，利用所述至少一个用户特征计算所述用户的行为偏好、消费能力、消费频率和/或消费时间间隔，基于所述用户的行为偏好、消费能力、消费频率和/或消费时间间隔利用聚类方法进行用户分群，得到所述第一相似度；

所述第二计算模块用于根据所述用户的行为数据构建共现矩阵，基于所述共现矩阵利用所述相似度度量公式中的余弦公式计算所述第二相似度；

所述融合模块用于分别获取所述第一相似度和所述第二相似度的权值，基于所述第一相似度和所述第二相似度的权值执行融合策略。

8.根据权利要求6-7任一项所述的装置，其特征在于，所述推荐模块用于基于所述实际相似度，根据满足条件的相似用户的评分的加权平均值获得对应用户的推荐列表，按照所述推荐列表得到用于推荐的所述适配的兴趣信息。

9.一种电子设备，其特征在于，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述程序，以实现如权利要求1-5任一项所述的对用户的协同过滤推荐方法。

10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行，以用于实现如权利要求1-5任一项所述的对用户的协同过滤推荐方法。

Images