本發(fā)明涉及興趣點(diǎn)推薦，具體為一種基于用戶興趣點(diǎn)的推薦方法及裝置。

背景技術(shù)：

1、隨著定位技術(shù)、移動(dòng)智能設(shè)備以及移動(dòng)互聯(lián)網(wǎng)技術(shù)迅速發(fā)展，基于位置的社交網(wǎng)絡(luò)也變得更加熱門，逐漸成為人們簽到、發(fā)現(xiàn)興趣點(diǎn)的重要平臺(tái)，利用大量的用戶歷史簽到數(shù)據(jù)挖掘用戶習(xí)慣特點(diǎn)和偏好，并向用戶推薦其可能感興趣的新的地點(diǎn)稱為興趣點(diǎn)推薦，興趣點(diǎn)推薦在社交網(wǎng)絡(luò)中扮演著重要的角色。

2、目前，傳統(tǒng)的興趣點(diǎn)推薦方法往往基于歷史數(shù)據(jù)進(jìn)行靜態(tài)推薦，無法及時(shí)適應(yīng)用戶興趣的變化和新興趨勢(shì)，且用戶的興趣是動(dòng)態(tài)變化的，難以準(zhǔn)確地判斷用戶行為需求，無法獲得用戶全面的偏好表示，導(dǎo)致推薦效果較差。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明的目的在于提供一種基于用戶興趣點(diǎn)的推薦方法及裝置，以解決上述背景技術(shù)提出的對(duì)于傳統(tǒng)的興趣點(diǎn)推薦方法往往基于歷史數(shù)據(jù)進(jìn)行靜態(tài)推薦，無法及時(shí)適應(yīng)用戶興趣的變化和新興趨勢(shì)，且用戶的興趣是動(dòng)態(tài)變化的，難以準(zhǔn)確地判斷用戶行為需求，無法獲得用戶全面的偏好表示，導(dǎo)致推薦效果較差的問題。

2、為實(shí)現(xiàn)上述目的，本發(fā)明提供如下技術(shù)方案：一種基于用戶興趣點(diǎn)的推薦方法，包括以下步驟：

3、s1、獲取用戶在平臺(tái)上的行為數(shù)據(jù)、時(shí)間信息和交互物品的屬性并將獲取的數(shù)據(jù)進(jìn)行預(yù)處理；

4、s2、基于處理后的用戶數(shù)據(jù)進(jìn)行短期偏好分析和長期偏好分析，對(duì)用戶的興趣點(diǎn)進(jìn)行建模，生成用戶畫像；

5、s3、采用長短期偏好融合推薦算法針對(duì)每個(gè)用戶提供興趣點(diǎn)推薦，并根據(jù)用戶的興趣和行為記錄，將推薦結(jié)果進(jìn)行排序并過濾；

6、s4、在推薦結(jié)果展示后，收集用戶的反饋信息，利用反饋數(shù)據(jù)定期對(duì)推薦模型進(jìn)行再訓(xùn)練或調(diào)整；

7、s5、將推薦結(jié)果通過可視化界面展示給用戶。

8、優(yōu)選的，在步驟s1中，所述預(yù)處理包括去除無效數(shù)據(jù)、重復(fù)數(shù)據(jù)和異常值，同時(shí)將不同格式的數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理，從用戶行為和物品信息中提取重要特征。

9、優(yōu)選的，在步驟s2中，所述短期偏好分析的流程為：首先統(tǒng)計(jì)用戶在短期時(shí)間范圍內(nèi)的行為頻率，計(jì)算公式如下：

10、f(u,i)＝count(actionsu,i)；

11、式中：f(u,i)是用戶u對(duì)物品i的短期偏好頻率，actionsu,i是用戶u在時(shí)間窗口內(nèi)與物品i的互動(dòng)記錄的集合；

12、為不同時(shí)期的行為分配不同的權(quán)重，使用加權(quán)頻率：

13、

14、式中，t1和t2是短期與長期的時(shí)間窗口，α(t)和β(t)是對(duì)應(yīng)時(shí)間段的權(quán)重。

15、優(yōu)選的，在步驟s2中，所述長期偏好分析的流程為：對(duì)用戶累計(jì)的行為數(shù)據(jù)進(jìn)行統(tǒng)計(jì)分析，識(shí)別長期趨勢(shì)和模式，用戶u在時(shí)間段t內(nèi)與物品i的長期偏好可以通過總互動(dòng)次數(shù)表示：

16、f(u,i)＝count(actionsu,i,t)；

17、然后計(jì)算各個(gè)興趣點(diǎn)在長期內(nèi)所占的比例和頻率，以識(shí)別用戶的主要興趣領(lǐng)域，通過以下公式計(jì)算用戶在各興趣類別的占比：

18、

19、式中，c是興趣類別，c是所有類別的集合。

20、優(yōu)選的，在步驟s3中，所述采用長短期偏好融合推薦算法針對(duì)每個(gè)用戶提供興趣點(diǎn)推薦包括以下步驟：

21、s31、將短期和長期偏好特征進(jìn)行融合：

22、profile(u)＝λ·wf(u,i)+(1-λ)·f(u,i)；

23、式中：λ為短期偏好與長期偏好的權(quán)重系數(shù)；

24、s32、根據(jù)所有特征生成用戶畫像，形成用戶的興趣點(diǎn)向量；

25、s33、根據(jù)用戶畫像和物品特征，生成候選物品列表。

26、優(yōu)選的，在步驟s3中，所述將推薦結(jié)果進(jìn)行排序并過濾的流程為：對(duì)候選物品進(jìn)行評(píng)分，根據(jù)物品評(píng)分進(jìn)行排序，選擇高評(píng)分的物品，對(duì)結(jié)果進(jìn)行過濾，將最終對(duì)推薦的物品列表反饋給客戶。

27、優(yōu)選的，在步驟s4中，所述利用反饋數(shù)據(jù)定期對(duì)推薦模型進(jìn)行再訓(xùn)練或調(diào)整包括以下步驟：

28、s41、在推薦結(jié)果展示頁面設(shè)置反饋選項(xiàng)，將用戶的反饋信息以結(jié)構(gòu)化形式存儲(chǔ)在數(shù)據(jù)庫中；

29、s42、對(duì)收集的反饋數(shù)據(jù)進(jìn)行清洗，基于反饋數(shù)據(jù)提取特征，對(duì)于不同的反饋類型進(jìn)行加權(quán)；

30、s43、將獲得的反饋數(shù)據(jù)合并到現(xiàn)有的訓(xùn)練數(shù)據(jù)集中，創(chuàng)建增量訓(xùn)練集，更新用戶畫像和物品特征矩陣；

31、s44、使用更新后的數(shù)據(jù)集對(duì)模型進(jìn)行增量更新訓(xùn)練，調(diào)整模型參數(shù)和超參數(shù)以適應(yīng)新的反饋信息；

32、s45、將新訓(xùn)練的模型部署到推薦系統(tǒng)中，替換舊模型。

33、優(yōu)選的，在步驟s5中，所述將推薦結(jié)果通過可視化界面展示給用戶的流程為：根據(jù)推薦結(jié)果使用網(wǎng)格或列表視圖展示推薦物品，支持用戶滑動(dòng)和分頁，用戶在交互過程中可以快速反饋以改善下一步推薦。

34、一種基于用戶興趣點(diǎn)的推薦裝置，所述裝置包括：

35、數(shù)據(jù)收集模塊，用于收集用戶的行為數(shù)據(jù)、興趣點(diǎn)和偏好信息；

36、興趣點(diǎn)分析模塊，用于分析用戶的興趣點(diǎn)，識(shí)別和建模用戶的短期偏好和長期偏好；

37、長短期融合推薦模塊，用于將用戶短期偏好與長期進(jìn)行偏好進(jìn)行融合，生成全面和豐富的偏好推薦結(jié)果；

38、反饋模塊，用于用戶對(duì)推薦結(jié)果進(jìn)行反饋，利用反饋數(shù)據(jù)優(yōu)化和調(diào)整推薦模型；

39、發(fā)送模塊，用于將推薦興趣點(diǎn)發(fā)送至所述用戶端。

40、與現(xiàn)有技術(shù)相比，本發(fā)明的有益效果是：

41、1、本發(fā)明中，通過利用用戶數(shù)據(jù)時(shí)分別進(jìn)行短期偏好分析和長期偏好分析，結(jié)合短期和長期偏好的特征，形成統(tǒng)一的用戶畫像，為用戶提供更精準(zhǔn)的個(gè)性化推薦，提升用戶滿意度和場(chǎng)景匹配度，通過長短期偏好的融合策略，使得推薦系統(tǒng)更高效地利用已有資源，獲得用戶更全面和豐富的偏好表示，從而實(shí)現(xiàn)更高效精確的興趣點(diǎn)推薦。

42、2、本發(fā)明中，通過持續(xù)收集用戶反饋和增量學(xué)習(xí)，將獲得的反饋數(shù)據(jù)合并到現(xiàn)有的訓(xùn)練數(shù)據(jù)集中，創(chuàng)建增量訓(xùn)練集，更新用戶畫像和物品特征矩陣，從而能夠?qū)崟r(shí)適應(yīng)用戶的變化消費(fèi)需求及興趣，保證推薦的相關(guān)性，配合設(shè)定反饋機(jī)制和可視化展示，提升用戶的參與感，鼓勵(lì)用戶提供反饋，進(jìn)而促進(jìn)用戶與平臺(tái)的互動(dòng)。

43、3、本發(fā)明中，通過基于更新的數(shù)據(jù)對(duì)推薦模型進(jìn)行增量更新和優(yōu)化，將新訓(xùn)練的模型部署到推薦系統(tǒng)中，替換舊模型，通過定期更新用戶畫像，使其更加全面和動(dòng)態(tài)，從而更好地反映用戶的真實(shí)偏好和行為，有效地利用用戶反饋數(shù)據(jù)不斷優(yōu)化推薦模型，以提高推薦的準(zhǔn)確性和用戶的整體滿意度，能夠?qū)崿F(xiàn)推薦系統(tǒng)的自我增強(qiáng)，確保其始終能夠適應(yīng)用戶的行為變化和偏好更新。

技術(shù)特征：

1.一種基于用戶興趣點(diǎn)的推薦方法，其特征在于，包括以下步驟：

2.根據(jù)權(quán)利要求1所述的一種基于用戶興趣點(diǎn)的推薦方法，其特征在于，在步驟s1中，所述預(yù)處理包括去除無效數(shù)據(jù)、重復(fù)數(shù)據(jù)和異常值，同時(shí)將不同格式的數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理，從用戶行為和物品信息中提取重要特征。

3.根據(jù)權(quán)利要求1所述的一種基于用戶興趣點(diǎn)的推薦方法，其特征在于，在步驟s2中，所述短期偏好分析的流程為：首先統(tǒng)計(jì)用戶在短期時(shí)間范圍內(nèi)的行為頻率，計(jì)算公式如下：

4.根據(jù)權(quán)利要求1所述的一種基于用戶興趣點(diǎn)的推薦方法，其特征在于，在步驟s2中，所述長期偏好分析的流程為：對(duì)用戶累計(jì)的行為數(shù)據(jù)進(jìn)行統(tǒng)計(jì)分析，識(shí)別長期趨勢(shì)和模式，用戶u在時(shí)間段t內(nèi)與物品i的長期偏好可以通過總互動(dòng)次數(shù)表示：

5.根據(jù)權(quán)利要求1所述的一種基于用戶興趣點(diǎn)的推薦方法，其特征在于，在步驟s3中，所述采用長短期偏好融合推薦算法針對(duì)每個(gè)用戶提供興趣點(diǎn)推薦包括以下步驟：

6.根據(jù)權(quán)利要求1所述的一種基于用戶興趣點(diǎn)的推薦方法，其特征在于，在步驟s3中，所述將推薦結(jié)果進(jìn)行排序并過濾的流程為：對(duì)候選物品進(jìn)行評(píng)分，根據(jù)物品評(píng)分進(jìn)行排序，選擇高評(píng)分的物品，對(duì)結(jié)果進(jìn)行過濾，將最終對(duì)推薦的物品列表反饋給客戶。

7.根據(jù)權(quán)利要求1所述的一種基于用戶興趣點(diǎn)的推薦方法，其特征在于，在步驟s4中，所述利用反饋數(shù)據(jù)定期對(duì)推薦模型進(jìn)行再訓(xùn)練或調(diào)整包括以下步驟：

8.根據(jù)權(quán)利要求1所述的一種基于用戶興趣點(diǎn)的推薦方法，其特征在于，在步驟s5中，所述將推薦結(jié)果通過可視化界面展示給用戶的流程為：根據(jù)推薦結(jié)果使用網(wǎng)格或列表視圖展示推薦物品，支持用戶滑動(dòng)和分頁，用戶在交互過程中可以快速反饋以改善下一步推薦。

9.一種基于用戶興趣點(diǎn)的推薦裝置，其特征在于，所述裝置包括：

技術(shù)總結(jié)
本發(fā)明公開了一種基于用戶興趣點(diǎn)的推薦方法及裝置，涉及興趣點(diǎn)推薦技術(shù)領(lǐng)域，包括步驟：S1、獲取用戶在平臺(tái)上的行為數(shù)據(jù)、時(shí)間信息和交互物品的屬性并將獲取的數(shù)據(jù)進(jìn)行預(yù)處理；S2、基于處理后的用戶數(shù)據(jù)進(jìn)行短期偏好分析和長期偏好分析，對(duì)用戶的興趣點(diǎn)進(jìn)行建模，生成用戶畫像等步驟。本發(fā)明通過利用用戶數(shù)據(jù)分別進(jìn)行短期偏好分析和長期偏好分析，結(jié)合短期和長期偏好的特征，形成統(tǒng)一的用戶畫像，為用戶提供更精準(zhǔn)的個(gè)性化推薦，提升用戶滿意度和場(chǎng)景匹配度，通過長短期偏好的融合策略，使得推薦系統(tǒng)更高效地利用已有資源，獲得用戶更全面和豐富的偏好表示，從而實(shí)現(xiàn)更高效精確的興趣點(diǎn)推薦。

技術(shù)研發(fā)人員：王嘉慧
受保護(hù)的技術(shù)使用者：遼寧工程技術(shù)大學(xué)
技術(shù)研發(fā)日：
技術(shù)公布日：2025/1/2