CN117056575B - 一种基于智能图书推荐系统数据采集的方法 - Google Patents
一种基于智能图书推荐系统数据采集的方法 Download PDFInfo
- Publication number
- CN117056575B CN117056575B CN202311319940.2A CN202311319940A CN117056575B CN 117056575 B CN117056575 B CN 117056575B CN 202311319940 A CN202311319940 A CN 202311319940A CN 117056575 B CN117056575 B CN 117056575B
- Authority
- CN
- China
- Prior art keywords
- book
- user
- recommended
- reading
- characteristic 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 55
- 238000003062 neural network model Methods 0.000 claims abstract description 16
- 239000013598 vector Substances 0.000 claims description 123
- 230000006870 function Effects 0.000 claims description 18
- 238000004590 computer program Methods 0.000 claims description 17
- 238000011156 evaluation Methods 0.000 claims description 15
- 238000013507 mapping Methods 0.000 claims description 15
- 230000008569 process Effects 0.000 claims description 14
- 238000004364 calculation method Methods 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 11
- 238000000605 extraction Methods 0.000 claims description 10
- 230000010354 integration Effects 0.000 claims description 8
- 238000012163 sequencing technique Methods 0.000 claims description 8
- 238000013480 data collection Methods 0.000 claims description 7
- 239000011159 matrix material Substances 0.000 claims description 4
- 238000004422 calculation algorithm Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 4
- 238000011176 pooling Methods 0.000 description 4
- 230000004044 response Effects 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 230000008451 emotion Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- G06F16/903—Querying
- G06F16/9035—Filtering based on additional data, e.g. user or group profiles
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
- G06F18/24155—Bayesian classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/02—Knowledge representation; Symbolic representation
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Databases & Information Systems (AREA)
- Probability & Statistics with Applications (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请适用于图书推荐技术领域,提供了一种基于智能图书推荐系统数据采集的方法,包括:获取目标用户的用户特征数据;将用户特征数据输入至预设多项式朴素贝叶斯分类器,预测出目标用户的用户阅读需求,根据用户阅读需求和待推荐图书对应的热度评分生成第一图书推荐列表;将用户特征数据输入至预设语义神经网络模型,得到第二图书推荐列表;将用户特征数据输入至预设知识图谱,得到第三图书推荐列表;根据第一图书推荐列表、第二图书推荐列表以及第三图书推荐列表,确定出目标图书推荐列表。可见,本申请实施例可以采集多维度数据,通过对多维度数据进行综合处理,从而准确生成目标图书推荐列表,为用户进行个性化推荐。
Description
技术领域
本申请属于图书推荐技术领域,尤其涉及一种基于智能图书推荐系统数据采集的方法。
背景技术
图书推荐系统是一种利用计算机给用户主动推荐图书的技术,为用户提供更好的阅读体验,帮助用户发现他们可能感兴趣的图书,增加他们的阅读选择。传统的图书推荐系统往往只考虑用户基本信息,采集的数据维度比较单一,并且对数据的处理方式较为简单,导致推荐结果不够准确。
发明内容
本申请实施例提供了一种基于智能图书推荐系统数据采集的方法,可以解决现有技术中推荐系统采集的数据维度比较单一,并且对数据的处理方式较为简单,导致推荐结果不够准确的问题。
第一方面,本申请实施例提供了一种基于智能图书推荐系统数据采集的方法,包括:
获取目标用户的用户特征数据,所述用户特征数据包括用户基础数据、用户阅读历史数据以及用户历史评价数据;
将所述用户特征数据输入至预设多项式朴素贝叶斯分类器,预测出目标用户的用户阅读需求,根据所述用户阅读需求和待推荐图书对应的热度评分生成第一图书推荐列表;其中,所述待推荐图书预先存储在本地数据库;
将所述用户特征数据输入至预设语义神经网络模型,得到第二图书推荐列表;
将所述用户特征数据输入至预设知识图谱,得到第三图书推荐列表;
根据所述第一图书推荐列表、所述第二图书推荐列表以及所述第三图书推荐列表,确定出目标图书推荐列表;
所述用户阅读需求是指包含阅读目的以及阅读主题的需求;
将所述用户特征数据输入至预设多项式朴素贝叶斯分类器,预测出目标用户的用户阅读需求,包括:
对所述用户特征数据进行向量化处理,得到第一特征向量;
对预先存储在本地数据库的候选阅读需求进行向量化处理,得到第二特征向量;
计算每个候选阅读需求对应的后验概率;
将最高后验概率对应的候选阅读需求作为用户阅读需求。
在第一方面的一种可能的实现方式中,计算每个候选阅读需求对应的后验概率,包括:
根据下式计算每个候选阅读需求对应的后验概率:
,
其中,X为第一特征向量,C为第二特征向量,P(C|X)为在用户特征数据发生的条件下候选阅读需求发生的后验概率,P(X)为用户特征数据独立发生的先验概率,P(C)为候选阅读需求独立发生的先验概率,P(X|C) 为候选阅读需求发生的条件下用户特征数据发生的先验概率。
在第一方面的一种可能的实现方式中,根据所述用户阅读需求和待推荐图书对应的热度评分生成第一图书推荐列表,包括:
提取所述待推荐图书对应的图书特征数据;其中,所述图书特征数据包括图书名称以及图书主题;
提取所述用户阅读需求对应的阅读需求特征数据,其中,所述阅读需求特征数据包括阅读目的以及阅读主题;
对用户阅读需求与待推荐图书之间进行相似度计算:
,
其中,Cosine_Similarity为用户阅读需求与所述待推荐图书之间的相似度,A为阅读需求特征数据的向量化表示,B为图书特征数据的向量化表示,dot(A,B)为向量内积,norm(A)为阅读需求特征数据的L2范数,norm(B)为图书特征数据的L2 范数;
根据下式计算待推荐图书对应的热度评分:
,
其中,Popularity_rating为待推荐图书对应的图书热度,f(a)为图书书龄对应的第一映射值,W1为图书书龄对应的第一权重值,f(b)为图书历史借阅次数对应的第二映射值,W2为图书历史借阅次数对应的第二权重值,f(c)为最近图书借阅间隔对应的第三映射值,W3为图书历史借阅次数对应的第三权重值;
根据用户阅读需求与待推荐图书之间的相似度,以及待推荐图书对应的热度评分计算待推荐图书对应的第一推荐分数:
,
其中,P1为待推荐图书对应的第一推荐分数,CosineSimilarity为用户阅读需求与所述待推荐图书之间的相似度,Popularity_rating为待推荐图书对应的图书热度,W4为第一推荐分数对应设置的第四权重值;
根据第一推荐分数对所述待推荐图书进行排序,得到第一图书推荐列表。
在第一方面的一种可能的实现方式中,将所述用户特征数据输入至预设语义神经网络模型,得到第二图书推荐列表,包括:
通过预设输入层提取出所述用户特征数据中的用户阅读历史数据;
通过预设语义特征层提取出所述用户阅读历史数据的第一语义特征向量以及待推荐图书对应的第二语义特征向量;
通过预设全连接层对所述第一语义特征向量和所述第二语义特征向量进行拼接,得到全局特征向量;
通过预设分类层对所述全局特征向量进行分类预测,得到待推荐图书对应的第二推荐分数;
根据第二推荐分数对所述待推荐图书进行排序,得到第二图书推荐列表。
在第一方面的一种可能的实现方式中,所述预设分类层的表达式为:
,
其中,P2为待推荐图书对应的第二推荐分数,Sigmoid为二分类函数,为分类层的权重矩阵,b为偏置向量,f1为第一语义特征向量,f2为第二语义特征向量,concat为拼接操作。
在第一方面的一种可能的实现方式中,预设知识图谱包括历史用户、待推荐图书以及所述历史用户与所述待推荐图书之间的关联关系;所述历史用户标记有历史用户特征数据;待推荐图书对应有图书特征数据;所述图书特征数据包括图书名称以及图书主题;
将所述用户特征数据输入至预设知识图谱,得到第三图书推荐列表,包括:
根据下式计算待推荐图书的第三推荐分数:
;
;
;
其中,P3为待推荐图书的第三推荐分数,h_u为目标用户的向量表示,h_v为待推荐图书的向量表示, f为用户特征数据的向量表示和待推荐图书的向量表示之间关联程度的函数,WT为可学习的参数向量,WT用于表征目标用户的向量表示和待推荐图书的向量表示之间关联程度,Xu为用户特征数据对应的向量值,au为与目标用户相邻的历史用户标记的历史用户特征数据对应的向量值,g为前向传播过程函数,X_v为图书特征数据对应的向量值;
根据所述第三推荐分数对所述待推荐图书进行排序,得到第三图书推荐列表。
在第一方面的一种可能的实现方式中,根据所述第一图书推荐列表、所述第二图书推荐列表以及所述第三图书推荐列表,确定出目标图书推荐列表,包括:
将所述第一图书推荐列表、所述第二图书推荐列表以及所述第三图书推荐列表进行整合,形成整合列表;
遍历所述整合列表中的每个待推荐图书,记录每个待推荐图书出现的次数;
根据每个待推荐图书对应的出现次数重新计算每个待推荐图书对应的综合推荐分数,根据综合推荐分数对整合列表中的所有待推荐图书进行重新排序,得到目标推荐列表。
第二方面,本申请实施例提供了一种基于智能图书推荐系统数据采集的装置,包括:
获取模块,用于获取目标用户的用户特征数据,所述用户特征数据包括用户基础数据、用户阅读历史数据以及用户历史评价数据;
第一推荐模块,用于将所述用户特征数据输入至预设多项式朴素贝叶斯分类器,预测出目标用户的用户阅读需求,根据所述用户阅读需求和待推荐图书对应的热度评分生成第一图书推荐列表;其中,所述待推荐图书预先存储在本地数据库;
第二推荐模块,用于将所述用户特征数据输入至预设语义神经网络模型,得到第二图书推荐列表;
第三推荐模块,用于将所述用户特征数据输入至预设知识图谱,得到第三图书推荐列表;
整合模块,用于根据所述第一图书推荐列表、所述第二图书推荐列表以及所述第三图书推荐列表,确定出目标图书推荐列表。
第三方面,本申请实施例提供了一种服务器,包括存储器、处理器以及存储在所述存储器中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计算机程序时实现如上述第一方面所述的方法。
第四方面,本申请实施例提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述处理器执行所述计算机程序时实现如上述第一方面所述的方法。
本申请实施例与现有技术相比存在的有益效果是:获取目标用户的用户特征数据,所述用户特征数据包括用户基础数据、用户阅读历史数据以及用户历史评价数据;将所述用户特征数据输入至预设多项式朴素贝叶斯分类器,预测出目标用户的用户阅读需求,根据所述用户阅读需求和待推荐图书对应的热度评分生成第一图书推荐列表;其中,所述待推荐图书预先存储在本地数据库;将所述用户特征数据输入至预设语义神经网络模型,得到第二图书推荐列表;将所述用户特征数据输入至预设知识图谱,得到第三图书推荐列表;根据所述第一图书推荐列表、所述第二图书推荐列表以及所述第三图书推荐列表,确定出目标图书推荐列表。可见,本申请实施例可以采集用户的基础数据、阅读历史数据和历史评价数据这些多维度的数据,通过概率模型、语义神经网络模型以及知识图谱结合对多维度数据进行综合处理,从而准确生成目标图书推荐列表,为用户进行个性化推荐。
附图说明
为了更清楚地说明本申请实施例中的技术方案,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申请的一些实施例,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是本申请实施例提供的基于智能图书推荐系统数据采集的方法的示意性流程图;
图2是本申请实施例提供的基于智能图书推荐系统数据采集的装置的结构框图;
图3是本申请实施例提供的服务器的结构示意图。
具体实施方式
以下描述中,为了说明而不是为了限定,提出了诸如特定系统结构、技术之类的具体细节,以便透彻理解本申请实施例。然而,本领域的技术人员应当清楚,在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中,省略对众所周知的系统、装置、电路以及方法的详细说明,以免不必要的细节妨碍本申请的描述。
应当理解,当在本申请说明书和所附权利要求书中使用时,术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在,但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解,在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合,并且包括这些组合。
如在本申请说明书和所附权利要求书中所使用的那样,术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地,短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。
另外,在本申请说明书和所附权利要求书的描述中,术语“第一”、“第二”、“第三”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
在本申请说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本申请的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此,在本说明书中的不同之处出现的语句“在一个实施例中”、“在一些实施例中”、“在其他一些实施例中”、“在另外一些实施例中”等不是必然都参考相同的实施例,而是意味着“一个或多个但不是所有的实施例”,除非是以其他方式另外特别强调。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”,除非是以其他方式另外特别强调。
下面对本申请实施例的技术方案进行介绍。
参见图1,为本申请实施例提供的基于智能图书推荐系统数据采集的方法的示意性流程图,作为示例而非限定,该方法可以应用于服务器,该方法包括以下步骤:
步骤S101,获取目标用户的用户特征数据。
其中,用户特征数据包括用户基础数据、用户阅读历史数据以及用户历史评价数据。
可以理解的是,用户基础数据包括用户的姓名、年龄、性别、专业、院系等基本信息,用户阅读历史数据为用户历史阅读图书,用户历史评价数据包括用户对用户历史阅读图书的评价、评论以及反馈。
具体应用中,获取目标用户的用户特征数据可以是后台收集用户填写的用户基础数据,在后台通过日志记录用户的用户阅读历史数据以及用户历史评价数据。
示例性地,目标用户可以通过用户终端向服务器发送登录请求(包含目标用户ID),服务器验证码用户ID的正确性之后,根据用户ID在服务器的本地数据库中查找出目标用户对应的用户特征数据。
步骤S102,将用户特征数据输入至预设多项式朴素贝叶斯分类器,预测出目标用户的用户阅读需求,根据用户阅读需求和待推荐图书对应的热度评分生成第一图书推荐列表。
其中,用户阅读需求是指包含阅读目的以及阅读主题的需求,待推荐图书预先存储在本地数据库,预设多项式朴素贝叶斯分类器是提前根据样本数据(历史用户和对应的阅读需求)训练得到的,历史用户是指目标用户之外的用户。
可以理解的是,用户阅读需求是指用户在阅读图书时希望满足的需求,包含阅读目的以及阅读主题。
示例性地,用户阅读需求包括:信息获取需求、娱乐需求、解决问题需求、兴趣爱好需求、文化拓展需求、情感共鸣需求、参考指导需求,其中,学习需求是指用户希望通过阅读来学习新的技能、专业知识、学术理论等,娱乐需求是指用户希望通过阅读获取休闲、娱乐、小说等方面的乐趣和享受,解决问题需求是指用户遇到具体问题时,希望通过阅读找到问题答案、解决方法等,兴趣爱好需求是指用户对特定的主题、领域或创作风格感兴趣,希望通过阅读满足自己的兴趣爱好,兴趣爱好需求是指用户对特定的主题、领域或创作风格感兴趣,希望通过阅读满足自己的兴趣爱好,文化拓展需求是指用户希望通过阅读来了解不同的文化、历史、社会等方面的知识,情感共鸣需求是指用户希望通过阅读来了解不同的文化、历史、社会等方面的知识,参考指导需求是指用户需要参考一些专业、权威的资料、指南或指导书籍来进行决策、做出选择等。
本申请实施例过预设的多项式朴素贝叶斯分类器,对用户特征数据进行分析和学习,可以识别出用户的阅读需求,根据用户的阅读需求和待推荐图书的热度评分,生成第一图书推荐列表,提供针对性和热门的图书推荐。这样可以帮助用户更快速地找到符合他们的兴趣和需求的图书,提高推荐的准确性和用户满意度。
可选的,将用户特征数据输入至预设多项式朴素贝叶斯分类器,预测出目标用户的用户阅读需求,包括:
步骤S201,对用户特征数据进行向量化处理,得到第一特征向量。
示例性地,采用特征提取算法(例如词袋模型、TF-IDF等)从用户特征数据中抽取相关特征,将其转换为数值型数据;对转换为数值型数据的相关特征采用特征编码方式(例如独热编码、标签编码等)将其转换为向量形式,得到特征向量;将编码后的特征向量按照一定的顺序组合成第一特征向量。这样可以将用户特征数据转化为一个维度固定的向量,方便后续的分类器进行处理。
步骤S202,对预先存储在本地数据库的候选阅读需求进行向量化处理,得到第二特征向量。
其中,预先存储在本地数据库的候选阅读需求为历史用户对应的阅读需求,包含阅读目的以及阅读主题。
示例性地,采用特征提取算法(例如词袋模型、TF-IDF等)从候选阅读需求中抽取相关特征,将其转换为数值型数据;对转换为数值型数据的相关特征采用特征编码方式(例如独热编码、标签编码等)将其转换为向量形式,得到特征向量;将编码后的特征向量按照一定的顺序组合成第二特征向量。
步骤S203,计算每个候选阅读需求对应的后验概率。
示例性地,计算每个候选阅读需求对应的后验概率,包括:
根据下式计算每个候选阅读需求对应的后验概率:
,
其中,X为第一特征向量,C为第二特征向量,P(C|X)为在用户特征数据发生的条件下候选阅读需求发生的后验概率,P(X)为用户特征数据独立发生的先验概率,P(C)为候选阅读需求独立发生的先验概率,P(X|C) 为候选阅读需求发生的条件下用户特征数据发生的先验概率;
步骤S204,将最高后验概率对应的候选阅读需求作为用户阅读需求。
本申请实施例利用多项式朴素贝叶斯分类器通过计算后验概率,可以评估在给定用户特征数据的情况下,每个候选阅读需求的发生概率,然后通过比较这些后验概率,选取具有最高后验概率的候选阅读需求作为目标用户的用户阅读需求,能够根据概率评估不同需求的可能性,为后续提供更加准确和个性化的阅读推荐。
可选的,根据用户阅读需求和待推荐图书对应的热度评分生成第一图书推荐列表,包括:
步骤S301,提取待推荐图书对应的图书特征数据。
其中,图书特征数据包括图书名称以及图书主题。示例性地,通过文本处理算法(例如词袋模型、TF-IDF等)根据图书的相关信息,如图书的标签、分类、关键词等,从待推荐图书中提取出图书名称以及图书主题,并将图书名称以及图书主题换为数值型特征向量。
步骤S302,提取用户阅读需求对应的阅读需求特征数据,其中,阅读需求特征数据包括阅读目的以及阅读主题。
可以理解的是,用户阅读需求是一段长文本,例如学习阅读需求是用户希望通过阅读获取休闲、娱乐、小说等方面的乐趣和享受,那么可以从中提取出阅读目的为获取乐趣和享受,阅读主题是休闲、娱乐、小说等方面。
示例性地,提取用户阅读需求对应的阅读需求特征数据以下步骤:
(1)分词:将用户阅读需求的文本进行分词,将其拆分成单词或短语的序列。
(2)去除停用词:去除常见且无实际含义的停用词,如“的”, “是”,“我”,“在”等等。
(3)提取关键词:使用关键词提取算法,例如TF-IDF(词频-逆文档频率)算法、TextRank算法等,从文本中提取与阅读需求相关的关键词。
(4)主题建模:使用LDA主题建模算法将用户阅读需求分解为主题分布和词语分布的组合,选择与主题对应的关键词作为阅读需求特征数据。
(5)特征向量化:将提取的阅读需求特征数据进行向量化处理,例如使用词袋模型,将文本转换为数值型特征向量。
步骤S303,对用户阅读需求与待推荐图书之间进行相似度计算:
,
其中,Cosine_Similarity为用户阅读需求与所述待推荐图书之间的相似度,A为阅读需求特征数据的向量化表示,B为图书特征数据的向量化表示,dot(A,B)为向量内积,norm(A)为阅读需求特征数据的L2范数,norm(B)为图书特征数据的L2 范数。
步骤S304,根据下式计算待推荐图书对应的热度评分:
,
其中,Popularity_rating为待推荐图书对应的图书热度,f(a)为图书书龄对应的第一映射值,W1为图书书龄对应的第一权重值,f(b)为图书历史借阅次数对应的第二映射值,W2为图书历史借阅次数对应的第二权重值,f(c)为最近图书借阅间隔对应的第三映射值,W3为图书历史借阅次数对应的第三权重值;
步骤S305,根据用户阅读需求与待推荐图书之间的相似度,以及待推荐图书对应的热度评分计算待推荐图书对应的第一推荐分数:
,
其中,P1为待推荐图书对应的第一推荐分数,CosineSimilarity为用户阅读需求与待推荐图书之间的相似度,Popularity_rating为待推荐图书对应的图书热度,W4为第一推荐分数对应设置的第四权重值。
步骤S306,根据第一推荐分数对待推荐图书进行排序,得到第一图书推荐列表。
可以理解的是,根据第一推荐分数高低对待推荐图书进行先后排序,形成第一图书推荐列表。
本申请实施例中,通过计算用户阅读需求与待推荐图书之间的相似度,结合待推荐图书的热度评分,可以实现个性化的图书推荐,根据用户的阅读需求和图书的特征,推荐与用户兴趣和主题相关的图书,提高用户的阅读满意度和体验,从而避免推荐系统出现冷启动问题。
步骤S103,将用户特征数据输入至预设语义神经网络模型,得到第二图书推荐列表。
其中,预设语义神经网络模型是预先根据样本数据(例如历史用户特征数据与对应的图书)基于交叉熵损失函数训练得到的。
将用户特征数据输入至预设语义神经网络模型,得到第二图书推荐列表,包括:
步骤S401,通过预设输入层提取出用户特征数据中的用户阅读历史图书。
其中,预设输入层可以是NER模型。
示例性地,将用户阅读历史图书的文本数据转化为NER模型的输入特征表示,将输入特征输入到训练好的NER模型中,进行预测,输出每个词或者子词的类别标签,识别到的类别标签实体对应的实体(例如书名)即为用户阅读历史图书。
步骤S402,通过预设语义特征层提取出用户阅读历史图书的第一语义特征向量以及待推荐图书对应的第二语义特征向量。
其中,预设语义特征层可以是TextCNN模型,一般地,TextCNN模型包括卷积层、池化层以及全连接层。
示例性地,将经过预处理的用户阅读历史图书和待推荐图书的文本数据表示为可用于TextCNN模型的输入特征;将输入特征通过TextCNN模型进行前向传播,获取在卷积层输出的特征图,可以使用不同大小的卷积核提取文本的不同n-gram特征;将输出的特征图通过池化层(如最大池化或平均池化)进行降维,得到用户阅读历史图书的第一语义特征向量和待推荐图书对应的第二语义特征向量。
步骤S403,通过预设全连接层对第一语义特征向量和第二语义特征向量进行拼接,得到全局特征向量。
其中,预设全连接层可以是MLP层。可以理解的是,MLP层是由多个全连接层组成的神经网络结构,可以用于对输入特征进行映射和转换。
步骤S404,通过预设分类层对全局特征向量进行分类预测,得到待推荐图书对应的第二推荐分数。
示例性地,预设分类层的表达式为:
,
其中,P2为待推荐图书对应的第二推荐分数,Sigmoid为二分类函数,为分类层的权重矩阵,b为偏置向量,f1为第一语义特征向量,f2为第二语义特征向量,concat为拼接操作。
步骤S405,根据第二推荐分数对待推荐图书进行排序,得到第二图书推荐列表。
可以理解的是,根据第二推荐分数高低对待推荐图书进行先后排序,形成第二图书推荐列表。
本申请实施例通过预设语义神经网络模型能够实现基于用户特征数据和图书的语义特征提取、特征融合和推荐分数预测,从而实现个性化图书推荐,对用户的阅读历史和图书的语义特征进行建模和分析,可以提高推荐的准确性和个性化程度。
步骤S104,将用户特征数据输入至预设知识图谱,得到第三图书推荐列表。
其中,预设知识图谱包括历史用户、待推荐图书以及历史用户与待推荐图书之间的关联关系;历史用户标记有历史用户特征数据;待推荐图书对应有图书特征数据;图书特征数据包括图书名称以及图书主题。
示例性地,预设知识图谱可以是UA-KGCN模型。可以理解的是,UA-KGCN模型的核心思想是通过结合用户-图书交互信息和知识图谱中的实体关系,来对用户进行个性化的图书推荐,它利用了图卷积网络对知识图谱进行建模,同时考虑了用户的特征和兴趣,以及图书的特征和语义关系,UA-KGCN模型能够学习到用户的隐性兴趣,并结合图书的领域知识进行推荐。
具体应用中,将用户特征数据输入至预设知识图谱,得到第三图书推荐列表,包括:
步骤S501,根据下式计算待推荐图书的第三推荐分数:
;
;
;
其中,P3为待推荐图书的第三推荐分数,h_u为目标用户的向量表示,h_v为待推荐图书的向量表示, f为用户特征数据的向量表示和待推荐图书的向量表示之间关联程度的函数,WT为可学习的参数向量,用于表征目标用户的向量表示和待推荐图书的向量表示之间关联程度,Xu为用户特征数据对应的向量值,au为与目标用户相邻的历史用户标记的历史用户特征数据对应的向量值,g为前向传播过程函数,X_v为图书特征数据对应的向量值。
需说明的是,与目标用户相邻的历史用户是指该历史用户对应的用户特征数据与目标用户对应的用户特征数据相似的历史用户。
步骤S502,根据第三推荐分数对待推荐图书进行排序,得到第三图书推荐列表。
可以理解的是,根据第二推荐分数高低对待推荐图书进行先后排序,形成第三图书推荐列表。
本申请实施例中,通过预设知识图谱,可以建立用户和图书之间复杂的关系网络,提供更丰富的上下文信息以支持推荐决策,将用户特征数据输入至预设知识图谱,利用图谱中的关联关系和特征向量计算,实现了基于用户兴趣和图书特征的第三图书推荐,能够更好地利用历史用户数据和图书特征信息,提高推荐准确性和个性化程度。
步骤S105,根据第一图书推荐列表、第二图书推荐列表以及第三图书推荐列表,确定出目标图书推荐列表。
具体应用中,根据第一图书推荐列表、第二图书推荐列表以及第三图书推荐列表,确定出目标图书推荐列表,包括:
步骤S601,将第一图书推荐列表、第二图书推荐列表以及第三图书推荐列表进行整合,形成整合列表。
步骤S602,遍历整合列表中的每个待推荐图书,记录每个待推荐图书出现的次数。
步骤S603,根据每个待推荐图书对应的出现次数重新计算每个待推荐图书对应的综合推荐分数,根据综合推荐分数对整合列表中的所有待推荐图书进行重新排序,得到目标推荐列表。
可选的,根据每个待推荐图书对应的出现次数重新计算每个待推荐图书对应的综合推荐分数的计算方式为每个待推荐图书对应的出现次数乘以每个待推荐图书对应的第一推荐分数、第二推荐分数以及第三推荐分数之和。
本申请实施例中,获取目标用户的用户特征数据,所述用户特征数据包括用户基础数据、用户阅读历史数据以及用户历史评价数据;将所述用户特征数据输入至预设多项式朴素贝叶斯分类器,预测出目标用户的用户阅读需求,根据所述用户阅读需求和待推荐图书对应的热度评分生成第一图书推荐列表;其中,所述待推荐图书预先存储在本地数据库;将所述用户特征数据输入至预设语义神经网络模型,得到第二图书推荐列表;将所述用户特征数据输入至预设知识图谱,得到第三图书推荐列表;根据所述第一图书推荐列表、所述第二图书推荐列表以及所述第三图书推荐列表,确定出目标图书推荐列表。可见,本申请实施例可以采集用户的基础数据、阅读历史数据和历史评价数据这些多维度的数据,通过概率模型、语义神经网络模型以及知识图谱结合对多维度数据进行综合处理,从而准确生成目标图书推荐列表,为用户进行个性化推荐。
应理解,上述实施例中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本申请实施例的实施过程构成任何限定。
对应于上文实施例基于智能图书推荐系统数据采集的方法,图2示出了本申请实施例提供的基于智能图书推荐系统数据采集的装置的结构框图,为了便于说明,仅示出了与本申请实施例相关的部分。
参照图2,该装置包括:
获取模块21,用于获取目标用户的用户特征数据,所述用户特征数据包括用户基础数据、用户阅读历史数据以及用户历史评价数据;
第一推荐模块22,用于将所述用户特征数据输入至预设多项式朴素贝叶斯分类器,预测出目标用户的用户阅读需求,根据所述用户阅读需求和待推荐图书对应的热度评分生成第一图书推荐列表;其中,所述待推荐图书预先存储在本地数据库;
第二推荐模块23,用于将所述用户特征数据输入至预设语义神经网络模型,得到第二图书推荐列表;
第三推荐模块24,用于将所述用户特征数据输入至预设知识图谱,得到第三图书推荐列表;
整合模块25,用于根据所述第一图书推荐列表、所述第二图书推荐列表以及所述第三图书推荐列表,确定出目标图书推荐列表。
在一种可选的实现方式中,所述用户阅读需求是指包含阅读目的以及阅读主题的需求;
所述第一推荐模块,包括:
第一向量化处理子模块,用于对所述用户特征数据进行向量化处理,得到第一特征向量;
第二向量化处理子模块,对预先存储在本地数据库的候选阅读需求进行向量化处理,得到第二特征向量;
后验概率计算子模块,用于计算每个候选阅读需求对应的后验概率;
用户阅读需求确定子模块,用于将最高后验概率对应的候选阅读需求作为用户阅读需求。
在一种可选的实现方式中,所述后验概率计算子模块,包括:
后验概率计算单元,用于根据下式计算每个候选阅读需求对应的后验概率:
,
其中,X为第一特征向量,C为第二特征向量,P(C|X)为在用户特征数据发生的条件下候选阅读需求发生的后验概率,P(X)为用户特征数据独立发生的先验概率,P(C)为候选阅读需求独立发生的先验概率,P(X|C) 为候选阅读需求发生的条件下用户特征数据发生的先验概率。
在一种可选的实现方式中,所述第一推荐模块,包括:
第一提取子模块,用于提取所述待推荐图书对应的图书特征数据;其中,所述图书特征数据包括图书名称以及图书主题;
第二提取子模块,用于提取所述用户阅读需求对应的阅读需求特征数据,其中,所述阅读需求特征数据包括阅读目的以及阅读主题;
相似度计算子模块,用于对用户阅读需求与待推荐图书之间进行相似度计算:
,
其中,Cosine_Similarity为用户阅读需求与所述待推荐图书之间的相似度,A为阅读需求特征数据的向量化表示,B为图书特征数据的向量化表示,dot(A,B)为向量内积,norm(A)为阅读需求特征数据的L2范数,norm(B)为图书特征数据的L2 范数;
热度评分子模块,用于根据下式计算待推荐图书对应的热度评分:
,
其中,Popularity_rating为待推荐图书对应的图书热度,f(a)为图书书龄对应的第一映射值,W1为图书书龄对应的第一权重值,f(b)为图书历史借阅次数对应的第二映射值,W2为图书历史借阅次数对应的第二权重值,f(c)为最近图书借阅间隔对应的第三映射值,W3为图书历史借阅次数对应的第三权重值;
第一推荐子模块,用于根据用户阅读需求与待推荐图书之间的相似度,以及待推荐图书对应的热度评分计算待推荐图书对应的第一推荐分数:
,
其中,P1为待推荐图书对应的第一推荐分数,CosineSimilarity为用户阅读需求与所述待推荐图书之间的相似度,Popularity_rating为待推荐图书对应的图书热度,W4第一推荐分数对应设置的第四权重值;
第一排序子模块,用于根据第一推荐分数对所述待推荐图书进行排序,得到第一图书推荐列表。
在一种可选的实现方式中,所述第二推荐模块,包括:
输入提取子模块,用于通过预设输入层提取出所述用户特征数据中的用户阅读历史数据;
语义特征提取子模块,用于通过预设语义特征层提取出所述用户阅读历史数据的第一语义特征向量以及待推荐图书对应的第二语义特征向量;
拼接子模块,用于通过预设全连接层对所述第一语义特征向量和所述第二语义特征向量进行拼接,得到全局特征向量;
分类子模块,用于通过预设分类层对所述全局特征向量进行分类预测,得到待推荐图书对应的第二推荐分数;
第二排序子模块,用于根据第二推荐分数对所述待推荐图书进行排序,得到第二图书推荐列表。
在一种可选的实现方式中,所述预设分类层的表达式为:
,
其中,P2为待推荐图书对应的第二推荐分数,Sigmoid为二分类函数,为分类层的权重矩阵,b为偏置向量,f1为第一语义特征向量,f2为第二语义特征向量,concat为拼接操作。
在一种可选的实现方式中,预设知识图谱包括历史用户、待推荐图书以及所述历史用户与所述待推荐图书之间的关联关系;所述历史用户标记有历史用户特征数据;待推荐图书对应有图书特征数据;所述图书特征数据包括图书名称以及图书主题;
所述第三推荐模块,包括:
计算子模块,用于根据下式计算待推荐图书的第三推荐分数:
;
;
;
其中,P3为待推荐图书的第三推荐分数,h_u为目标用户的向量表示,h_v为待推荐图书的向量表示, f为用户特征数据的向量表示和待推荐图书的向量表示之间关联程度的函数,WT为可学习的参数向量,WT用于表征目标用户的向量表示和待推荐图书的向量表示之间关联程度,Xu为用户特征数据对应的向量值,au为与目标用户相邻的历史用户标记的历史用户特征数据对应的向量值,g为前向传播过程函数,X_v为图书特征数据对应的向量值;
第三排序子模块,用于根据所述第三推荐分数对所述待推荐图书进行排序,得到第三图书推荐列表。
在一种可选的实现方式中,所述整合模块,包括:
整合子模块,用于将所述第一图书推荐列表、所述第二图书推荐列表以及所述第三图书推荐列表进行整合,形成整合列表;
遍历子模块,用于遍历所述整合列表中的每个待推荐图书,记录每个待推荐图书出现的次数;
列表确定子模块,用于根据每个待推荐图书对应的出现次数重新计算每个待推荐图书对应的综合推荐分数,根据综合推荐分数对整合列表中的所有待推荐图书进行重新排序,得到目标推荐列表。
需要说明的是,上述装置/单元之间的信息交互、执行过程等内容,由于与本申请方法实施例基于同一构思,其具体功能及带来的技术效果,具体可参见方法实施例部分,此处不再赘述。
图3为本申请实施例提供的服务器的结构示意图。如图3所示,该实施例的服务器3包括:至少一个处理器30、存储器31以及存储在所述存储器31中并可在所述至少一个处理器30上运行的计算机程序32,所述处理器30执行所述计算机程序32时实现上述任意各个方法实施例中的步骤。
所述服务器3可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。该服务器可包括,但不仅限于,处理器30、存储器31。本领域技术人员可以理解,图3仅仅是服务器3的举例,并不构成对服务器3的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件,例如还可以包括输入输出设备、网络接入设备等。
所称处理器30可以是中央处理单元(Central Processing Unit,CPU),该处理器30还可以是其他通用处理器、数字信号处理器 (Digital Signal Processor,DSP)、专用集成电路 (Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA) 或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器31在一些实施例中可以是所述服务器3的内部存储单元,例如服务器3的硬盘或内存。所述存储器31在另一些实施例中也可以是所述服务器3的外部存储设备,例如所述服务器3上配备的插接式硬盘,智能存储卡(Smart Media Card, SMC),安全数字(Secure Digital, SD)卡,闪存卡(Flash Card)等。进一步地,所述存储器31还可以既包括所述服务器3的内部存储单元也包括外部存储设备。所述存储器31用于存储操作系统、应用程序、引导装载程序(BootLoader)、数据以及其他程序等,例如所述计算机程序的程序代码等。所述存储器31还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将所述装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中,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单元中,上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。另外,各功能单元、模块的具体名称也只是为了便于相互区分,并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
本申请实施例还提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现可实现上述各个方法实施例中的步骤。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请实现上述实施例方法中的全部或部分流程,可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质至少可以包括:能够将计算机程序代码携带到服务器的任何实体或装置、记录介质、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、电载波信号、电信信号以及软件分发介质。例如U盘、移动硬盘、磁碟或者光盘等。在某些司法管辖区,根据立法和专利实践,计算机可读介质不可以是电载波信号和电信信号。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述或记载的部分,可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到,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、或者计算机软件和电子硬件的结合来实现。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申请的范围。
在本申请所提供的实施例中,应该理解到,所揭露的装置/服务器和方法,可以通过其它的方式实现。例如,以上所描述的装置/服务器实施例仅仅是示意性的,例如,所述模块或单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口,装置或单元的间接耦合或通讯连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
以上所述实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,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申请各实施例技术方案的精神和范围,均应包含在本申请的保护范围之内。
Claims (8)
1.一种基于智能图书推荐系统数据采集的方法,其特征在于,包括:
获取目标用户的用户特征数据,所述用户特征数据包括用户基础数据、用户阅读历史数据以及用户历史评价数据;
将所述用户特征数据输入至预设多项式朴素贝叶斯分类器,预测出目标用户的用户阅读需求,根据所述用户阅读需求和待推荐图书对应的热度评分生成第一图书推荐列表;其中,所述待推荐图书预先存储在本地数据库;
将所述用户特征数据输入至预设语义神经网络模型,得到第二图书推荐列表;
将所述用户特征数据输入至预设知识图谱,得到第三图书推荐列表;
根据所述第一图书推荐列表、所述第二图书推荐列表以及所述第三图书推荐列表,确定出目标图书推荐列表;
所述用户阅读需求是指包含阅读目的以及阅读主题的需求;
将所述用户特征数据输入至预设多项式朴素贝叶斯分类器,预测出目标用户的用户阅读需求,包括:
对所述用户特征数据进行向量化处理,得到第一特征向量;
对预先存储在本地数据库的候选阅读需求进行向量化处理,得到第二特征向量;
计算每个候选阅读需求对应的后验概率;
将最高后验概率对应的候选阅读需求作为用户阅读需求;
根据所述用户阅读需求和待推荐图书对应的热度评分生成第一图书推荐列表,包括:
提取所述待推荐图书对应的图书特征数据;其中,所述图书特征数据包括图书名称以及图书主题;
提取所述用户阅读需求对应的阅读需求特征数据,其中,所述阅读需求特征数据包括阅读目的以及阅读主题;
对用户阅读需求与待推荐图书之间进行相似度计算:
,
其中,Cosine_Similarity为用户阅读需求与所述待推荐图书之间的相似度,A为阅读需求特征数据的向量化表示,B为图书特征数据的向量化表示,dot(A,B)为向量内积,norm(A)为阅读需求特征数据的L2范数,norm(B)为图书特征数据的L2范数;
根据下式计算待推荐图书对应的热度评分:
Popularity_rating=∑(W1×f(a)+W2×f(b)+W3×f(c)),
其中,Popularity_rating为待推荐图书对应的图书热度,f(a)为图书书龄对应的第一映射值,W1为图书书龄对应的第一权重值,f(b)为图书历史借阅次数对应的第二映射值,W2为图书历史借阅次数对应的第二权重值,f(c)为最近图书借阅间隔对应的第三映射值,W3为图书历史借阅次数对应的第三权重值;
根据用户阅读需求与待推荐图书之间的相似度,以及待推荐图书对应的热度评分计算待推荐图书对应的第一推荐分数:
P1=Cosine_Similarity×W4+Popularity_rating×(1-W4),
其中,P1为待推荐图书对应的第一推荐分数,CosineSimilarity为用户阅读需求与所述待推荐图书之间的相似度,Popularity_rating为待推荐图书对应的图书热度,W4为第一推荐分数对应设置的第四权重值;
根据第一推荐分数对所述待推荐图书进行排序,得到第一图书推荐列表;
预设知识图谱包括历史用户、待推荐图书以及所述历史用户与所述待推荐图书之间的关联关系;所述历史用户标记有历史用户特征数据;待推荐图书对应有图书特征数据;所述图书特征数据包括图书名称以及图书主题;
将所述用户特征数据输入至预设知识图谱,得到第三图书推荐列表,包括:
根据下式计算待推荐图书的第三推荐分数:
P3= softmax(WT×f(h_u,h_v));
hu= g(Xu,au );
hv=g(X_v);
其中,P3为待推荐图书的第三推荐分数,h_u为目标用户的向量表示,h_v为待推荐图书的向量表示,f 为用户特征数据的向量表示和待推荐图书的向量表示之间关联程度的函数,WT为可学习的参数向量,WT用于表征目标用户的向量表示和待推荐图书的向量表示之间关联程度,Xu为用户特征数据对应的向量值,au为与目标用户相邻的历史用户标记的历史用户特征数据对应的向量值,g为前向传播过程函数,X_v为图书特征数据对应的向量值;
根据所述第三推荐分数对所述待推荐图书进行排序,得到第三图书推荐列表。
2.如权利要求1所述的基于智能图书推荐系统数据采集的方法,其特征在于,计算每个候选阅读需求对应的后验概率,包括:
根据下式计算每个候选阅读需求对应的后验概率:
,
其中,X为第一特征向量,C为第二特征向量,P(C│X)为在用户特征数据发生的条件下候选阅读需求发生的后验概率,P(X)为用户特征数据独立发生的先验概率,P(C)为候选阅读需求独立发生的先验概率,P(X | C) 为候选阅读需求发生的条件下用户特征数据发生的先验概率。
3.如权利要求1所述的基于智能图书推荐系统数据采集的方法,其特征在于,将所述用户特征数据输入至预设语义神经网络模型,得到第二图书推荐列表,包括:
通过预设输入层提取出所述用户特征数据中的用户阅读历史数据;
通过预设语义特征层提取出所述用户阅读历史数据的第一语义特征向量以及待推荐图书对应的第二语义特征向量;
通过预设全连接层对所述第一语义特征向量和所述第二语义特征向量进行拼接,得到全局特征向量;
通过预设分类层对所述全局特征向量进行分类预测,得到待推荐图书对应的第二推荐分数;
根据第二推荐分数对所述待推荐图书进行排序,得到第二图书推荐列表。
4.如权利要求3所述的基于智能图书推荐系统数据采集的方法,所述预设分类层的表达式为:
P2= Sigmoid(α ×(concat(f1,f2)+ b),
其中,P2为待推荐图书对应的第二推荐分数,Sigmoid为二分类函数,α 为分类层的权重矩阵,b为偏置向量,f1为第一语义特征向量,f2为第二语义特征向量,concat为拼接操作。
5.如权利要求1所述的基于智能图书推荐系统数据采集的方法,根据所述第一图书推荐列表、所述第二图书推荐列表以及所述第三图书推荐列表,确定出目标图书推荐列表,包括:
将所述第一图书推荐列表、所述第二图书推荐列表以及所述第三图书推荐列表进行整合,形成整合列表;
遍历所述整合列表中的每个待推荐图书,记录每个待推荐图书的出现次数;
根据每个待推荐图书对应的出现次数重新计算每个待推荐图书对应的综合推荐分数,根据综合推荐分数对所述整合列表中的所有待推荐图书进行重新排序,得到目标推荐列表。
6.一种基于智能图书推荐系统数据采集的装置,其特征在于,包括:
获取模块,用于获取目标用户的用户特征数据,所述用户特征数据包括用户基础数据、用户阅读历史数据以及用户历史评价数据;
第一推荐模块,用于将所述用户特征数据输入至预设多项式朴素贝叶斯分类器,预测出目标用户的用户阅读需求,根据所述用户阅读需求和待推荐图书对应的热度评分生成第一图书推荐列表;其中,所述待推荐图书预先存储在本地数据库;
第二推荐模块,用于将所述用户特征数据输入至预设语义神经网络模型,得到第二图书推荐列表;
第三推荐模块,用于将所述用户特征数据输入至预设知识图谱,得到第三图书推荐列表;
整合模块,用于根据所述第一图书推荐列表、所述第二图书推荐列表以及所述第三图书推荐列表,确定出目标图书推荐列表;
所述用户阅读需求是指包含阅读目的以及阅读主题的需求;
所述第一推荐模块,包括:
第一向量化处理子模块,用于对所述用户特征数据进行向量化处理,得到第一特征向量;
第二向量化处理子模块,用于对预先存储在本地数据库的候选阅读需求进行向量化处理,得到第二特征向量;
后验概率计算子模块,用于计算每个候选阅读需求对应的后验概率;
用户阅读需求确定子模块,将最高后验概率对应的候选阅读需求作为用户阅读需求;
所述第一推荐模块,包括:
第一提取子模块,用于提取所述待推荐图书对应的图书特征数据;其中,所述图书特征数据包括图书名称以及图书主题;
第二提取子模块,用于提取所述用户阅读需求对应的阅读需求特征数据,其中,所述阅读需求特征数据包括阅读目的以及阅读主题;
相似度计算子模块,用于对用户阅读需求与待推荐图书之间进行相似度计算:
,
其中,Cosine_Similarity为用户阅读需求与所述待推荐图书之间的相似度,A为阅读需求特征数据的向量化表示,B为图书特征数据的向量化表示,dot(A,B)为向量内积,norm(A)为阅读需求特征数据的L2 范数,norm(B)为图书特征数据的L2 范数;
热度评分子模块,用于根据下式计算待推荐图书对应的热度评分:
Popularity_rating=∑(W1×f(a)+W2×f(b)+W3×f(c)),
其中,Popularity_rating为待推荐图书对应的图书热度,f(a)为图书书龄对应的第一映射值,W1为图书书龄对应的第一权重值,f(b)为图书历史借阅次数对应的第二映射值,W2为图书历史借阅次数对应的第二权重值,f(c)为最近图书借阅间隔对应的第三映射值,W3为图书历史借阅次数对应的第三权重值;
第一推荐子模块,用于根据用户阅读需求与待推荐图书之间的相似度,以及待推荐图书对应的热度评分计算待推荐图书对应的第一推荐分数:
P1=CosineSimilarity×W4+Popularity_rating×(1-W4),
其中,P1为待推荐图书对应的第一推荐分数,CosineSimilarity为用户阅读需求与所述待推荐图书之间的相似度,Popularity_rating为待推荐图书对应的图书热度,W4为第一推荐分数对应设置的第四权重值;
第一排序子模块,用于根据第一推荐分数对所述待推荐图书进行排序,得到第一图书推荐列表;
预设知识图谱包括历史用户、待推荐图书以及所述历史用户与所述待推荐图书之间的关联关系;所述历史用户标记有历史用户特征数据;待推荐图书对应有图书特征数据;所述图书特征数据包括图书名称以及图书主题;
所述第三推荐模块,包括:
计算子模块,用于根据下式计算待推荐图书的第三推荐分数:
P3= softmax(WT×f(h_u,h_v));
hu= g(Xu,au );
hv=g(X_v);
其中,P3为待推荐图书的第三推荐分数,h_u为目标用户的向量表示,h_v为待推荐图书的向量表示,f为用户特征数据的向量表示和待推荐图书的向量表示之间关联程度的函数,WT为可学习的参数向量,WT用于表征目标用户的向量表示和待推荐图书的向量表示之间关联程度,Xu为用户特征数据对应的向量值,au为与目标用户相邻的历史用户标记的历史用户特征数据对应的向量值,g为前向传播过程函数,X_v为图书特征数据对应的向量值;
第三排序子模块,用于根据所述第三推荐分数对所述待推荐图书进行排序,得到第三图书推荐列表。
7.一种服务器,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至5任一项所述的方法。
8.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至5任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311319940.2A CN117056575B (zh) | 2023-10-12 | 2023-10-12 | 一种基于智能图书推荐系统数据采集的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311319940.2A CN117056575B (zh) | 2023-10-12 | 2023-10-12 | 一种基于智能图书推荐系统数据采集的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117056575A CN117056575A (zh) | 2023-11-14 |
CN117056575B true CN117056575B (zh) | 2024-01-30 |
Family
ID=88659452
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311319940.2A Active CN117056575B (zh) | 2023-10-12 | 2023-10-12 | 一种基于智能图书推荐系统数据采集的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117056575B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117932045B (zh) * | 2024-01-26 | 2024-08-13 | 黄柯 | 一种基于大数据的图书推荐方法及系统 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102982131A (zh) * | 2012-11-16 | 2013-03-20 | 杭州东信北邮信息技术有限公司 | 一种基于马尔科夫链的图书推荐方法 |
CN108520076A (zh) * | 2018-04-19 | 2018-09-11 | 掌阅科技股份有限公司 | 电子书推荐方法、电子设备及计算机存储介质 |
CN113656684A (zh) * | 2021-07-13 | 2021-11-16 | 天津大学 | 一种基于知识图谱的推荐方法 |
CN113744032A (zh) * | 2021-09-14 | 2021-12-03 | 重庆邮电大学 | 一种图书推荐的方法、相关装置、设备及存储介质 |
CN114707001A (zh) * | 2022-04-14 | 2022-07-05 | 西南石油大学 | 一种基于意图表征的页岩气细粒度知识图谱推荐方法 |
CN114820142A (zh) * | 2022-06-29 | 2022-07-29 | 国能(北京)商务网络有限公司 | 面向b端采购用户的商品信息推荐方法 |
CN115809371A (zh) * | 2023-02-01 | 2023-03-17 | 中信联合云科技有限责任公司 | 基于数据分析的学习需求确定方法及系统 |
WO2023039901A1 (zh) * | 2021-09-18 | 2023-03-23 | 京东方科技集团股份有限公司 | 一种文本推荐方法、模型训练方法、装置及可读存储介质 |
CN115858876A (zh) * | 2023-02-21 | 2023-03-28 | 杭州华卓信息科技有限公司 | 一种基于疾病知识图谱的随访内容智能推送方法及系统 |
CN116010711A (zh) * | 2023-02-28 | 2023-04-25 | 江西理工大学南昌校区 | 一种融合用户信息及兴趣变化的kgcn模型电影推荐方法 |
WO2023097929A1 (zh) * | 2021-12-01 | 2023-06-08 | 浙江师范大学 | 一种基于改进型kgat模型的知识图谱推荐方法及系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3142050A1 (en) * | 2015-09-09 | 2017-03-15 | Tata Consultancy Services Limited | Predicting attribute values for user segmentation |
-
2023
- 2023-10-12 CN CN202311319940.2A patent/CN117056575B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102982131A (zh) * | 2012-11-16 | 2013-03-20 | 杭州东信北邮信息技术有限公司 | 一种基于马尔科夫链的图书推荐方法 |
CN108520076A (zh) * | 2018-04-19 | 2018-09-11 | 掌阅科技股份有限公司 | 电子书推荐方法、电子设备及计算机存储介质 |
CN113656684A (zh) * | 2021-07-13 | 2021-11-16 | 天津大学 | 一种基于知识图谱的推荐方法 |
CN113744032A (zh) * | 2021-09-14 | 2021-12-03 | 重庆邮电大学 | 一种图书推荐的方法、相关装置、设备及存储介质 |
WO2023039901A1 (zh) * | 2021-09-18 | 2023-03-23 | 京东方科技集团股份有限公司 | 一种文本推荐方法、模型训练方法、装置及可读存储介质 |
WO2023097929A1 (zh) * | 2021-12-01 | 2023-06-08 | 浙江师范大学 | 一种基于改进型kgat模型的知识图谱推荐方法及系统 |
CN114707001A (zh) * | 2022-04-14 | 2022-07-05 | 西南石油大学 | 一种基于意图表征的页岩气细粒度知识图谱推荐方法 |
CN114820142A (zh) * | 2022-06-29 | 2022-07-29 | 国能(北京)商务网络有限公司 | 面向b端采购用户的商品信息推荐方法 |
CN115809371A (zh) * | 2023-02-01 | 2023-03-17 | 中信联合云科技有限责任公司 | 基于数据分析的学习需求确定方法及系统 |
CN115858876A (zh) * | 2023-02-21 | 2023-03-28 | 杭州华卓信息科技有限公司 | 一种基于疾病知识图谱的随访内容智能推送方法及系统 |
CN116010711A (zh) * | 2023-02-28 | 2023-04-25 | 江西理工大学南昌校区 | 一种融合用户信息及兴趣变化的kgcn模型电影推荐方法 |
Also Published As
Publication number | Publication date |
---|---|
CN117056575A (zh) | 2023-11-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112131350B (zh) | 文本标签确定方法、装置、终端及可读存储介质 | |
CN111460130B (zh) | 信息推荐方法、装置、设备和可读存储介质 | |
EP3579125A1 (en) | System, computer-implemented method and computer program product for information retrieval | |
CN109034203B (zh) | 表情推荐模型的训练、表情推荐方法、装置、设备及介质 | |
CN112231569B (zh) | 新闻推荐方法、装置、计算机设备及存储介质 | |
CN111858859A (zh) | 自动问答处理方法、装置、计算机设备及存储介质 | |
CN112819023B (zh) | 样本集的获取方法、装置、计算机设备和存储介质 | |
CN112667794A (zh) | 一种基于孪生网络bert模型的智能问答匹配方法及系统 | |
US11416534B2 (en) | Classification of electronic documents | |
US20240143917A1 (en) | Automatic Content Labeling | |
CN117056575B (zh) | 一种基于智能图书推荐系统数据采集的方法 | |
JP2020512651A (ja) | 検索方法、装置及び非一時的コンピュータ読取可能記憶媒体 | |
CN111105013A (zh) | 对抗网络架构的优化方法、图像描述生成方法和系统 | |
CN113297369A (zh) | 基于知识图谱子图检索的智能问答系统 | |
CN116955591A (zh) | 用于内容推荐的推荐语生成方法、相关装置和介质 | |
CN113392179A (zh) | 文本标注方法及装置、电子设备、存储介质 | |
Tondulkar et al. | Get me the best: predicting best answerers in community question answering sites | |
CN117540023A (zh) | 基于模态融合图卷积网络的图像联合文本情感分析方法 | |
Latha et al. | Product recommendation using enhanced convolutional neural network for e-commerce platform | |
CN116610872B (zh) | 新闻推荐模型的训练方法及装置 | |
CN109344319B (zh) | 一种基于集成学习的线上内容热度预测方法 | |
CN113672804B (zh) | 推荐信息生成方法、系统、计算机设备及存储介质 | |
Meng et al. | Variational Bayesian representation learning for grocery recommendation | |
CN107729509A (zh) | 基于隐性高维分布式特征表示的篇章相似度判定方法 | |
CN115497482B (zh) | 一种语音对话方法及相关装置 |
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 |