的相關(guān)度進(jìn)行賦值，用戶對主題的內(nèi)容貢獻(xiàn)以用戶每次發(fā)言與主題的吻合度來衡量；一種簡化的處理方法為當(dāng)兩個用戶對某主題的貢獻(xiàn)度都超過一定閾值時，則保留該主題，系數(shù)統(tǒng)一為1，代表是雙方真正共同關(guān)注的話題；
[0070](4)、計算用戶間位置相關(guān)度(如圖5所示)
[0071]通過位置關(guān)系挖掘，發(fā)現(xiàn)用戶的鄰居，再通過線性關(guān)系公式將位置關(guān)系轉(zhuǎn)換為相關(guān)度系數(shù)，即與用戶在地理位置上經(jīng)常處于鄰近局域的另一用戶為該用戶的鄰居，鄰居可能是住宅區(qū)，也可以是辦公區(qū)；
[0072](5)、組合關(guān)聯(lián)用戶的群組相關(guān)度、話題相關(guān)度、位置相關(guān)度及用戶的主題相關(guān)度，進(jìn)行分條件的賦權(quán)累加，得出最終的推薦模型(如圖6所示)；
[0073](6)、內(nèi)容分類(如圖7所示)
[0074](61)從樣本內(nèi)容集合中進(jìn)行主題提取，得到對內(nèi)容的分類標(biāo)簽；
[0075](62)使用文本分類器，將目標(biāo)內(nèi)容集合按步驟(61)得到的分類標(biāo)簽分類；
[0076](7)、內(nèi)容推薦，如圖8所示分兩種情況:
[0077](71)、若推薦的內(nèi)容是用戶未瀏覽過的內(nèi)容:首先根據(jù)內(nèi)容的類別屬性和任意用戶的關(guān)注標(biāo)簽的匹配度進(jìn)行計算，得出一個推薦指數(shù)，當(dāng)某一用戶的推薦指數(shù)大于閾值，則向該用戶推薦，該閾值取值區(qū)間為(0，1);
[0078](72)、若推薦的內(nèi)容為用戶瀏覽過的內(nèi)容，首先確保該用戶對內(nèi)容產(chǎn)生真正的接收(例如:頁面停留時間超過5秒/100字)，然后分三種情況計算用戶的關(guān)聯(lián)用戶的推薦指數(shù)；
[0079](721)、位置關(guān)聯(lián)用戶的基礎(chǔ)系數(shù)為rl，當(dāng)分類的內(nèi)容涉及物理方位信息時，則該基礎(chǔ)系數(shù)進(jìn)行放大處理(如:乘以10倍)，物理方位信息包括場所、賣場、地點和位置；
[0080](722)、群組關(guān)聯(lián)用戶的基礎(chǔ)系數(shù)為r2，當(dāng)分類的內(nèi)容覆蓋到群組主題或群組標(biāo)簽時，則該系數(shù)進(jìn)行放大處理(如:乘以10倍)；
[0081](723)、話題關(guān)聯(lián)用戶的相關(guān)系數(shù)算法為:R = I {TJ Π U打，其中{TJ為內(nèi)容主題的集合，{Tul_u2}為第I用戶與第2用戶之間話題的集合，取兩個集合交集的度再乘以一個系數(shù)r作為話題相關(guān)系數(shù)，系數(shù)r的取值范圍為[1，10];
[0082]最終相關(guān)用戶推薦指數(shù)計算公式為:R U1-U2= r其中，rl，r2，r3的初始值均設(shè)為1，Rg表示群組關(guān)聯(lián)用戶的群組相關(guān)度，Rt表示話題關(guān)聯(lián)用戶的話題相關(guān)度，&表示位置關(guān)聯(lián)用戶的位置相關(guān)度；一個相關(guān)用戶可能同時是三種相關(guān)用戶，也可能只是其中的兩種或一種，對于不是某類相關(guān)的用戶，可將相應(yīng)的相關(guān)系數(shù)設(shè)為O ;
[0083]對于第I用戶閱讀過的內(nèi)容，當(dāng)推薦指數(shù)R 111_112大于閾值，則向第2用戶推薦，閾值取I ;
[0084](8)、推薦優(yōu)化(如圖9所示)
[0085](81)、對于推薦給用戶的內(nèi)容，當(dāng)用戶進(jìn)行主動接收后，記錄用戶的閱讀時長，當(dāng)閱讀時長超過閾值，則認(rèn)為推薦成功；否則認(rèn)為推薦失敗；
[0086](82)、查看該用戶的推薦模型，確定該模型中起主要作用的相關(guān)度系數(shù)，若推薦成功，則調(diào)大該系數(shù)的百分比(例如增加5%或10%);如果推薦失敗，則調(diào)小該系數(shù)的百分比(例如減少5%或10% )。
[0087]閱讀時長閾值或調(diào)節(jié)百分比都可根據(jù)經(jīng)驗進(jìn)行設(shè)置和調(diào)整。
[0088]本實施例中，步驟(12)采用LSA文檔主題模型提取樣本集合。
[0089]本實施例中，步驟(4)中位置關(guān)系挖掘采用聚類算法挖掘。
[0090]本實施例中，步驟(81)中的，閾值為30秒/100字。
[0091]具體實施例2
[0092]與具體實施例1大致相同，區(qū)別僅僅在于
[0093]本實施例中，步驟(12)采用LDA文檔主題模型提取樣本集合；
[0094]本實施例中，步驟(4)中位置關(guān)系挖掘采用關(guān)聯(lián)規(guī)則分析算法挖掘。
[0095]本實施例中，步驟(72)中閾值根據(jù)統(tǒng)計區(qū)間段內(nèi)段的所有推薦指數(shù)的總體情況取中間值。
[0096]上面對本發(fā)明的實施方式做了詳細(xì)說明。但是本發(fā)明并不限于上述實施方式，在所屬技術(shù)領(lǐng)域普通技術(shù)人員所具備的知識范圍內(nèi)，還可以在不脫離本發(fā)明宗旨的前提下做出各種變化。
【主權(quán)項】
1.一種多維協(xié)同推薦的系統(tǒng)，其特征在于，包括以下模塊: 挖掘模塊，完成主題提取、位置關(guān)系挖掘和文本分類； 推薦模塊，完成各推薦內(nèi)容對于各用戶的推薦指數(shù)以及被閱讀后的內(nèi)容相對于相關(guān)用戶的推薦指數(shù)，綜合得出待推薦內(nèi)容的推薦模型，計算過程需調(diào)用挖掘模塊； 內(nèi)容數(shù)據(jù)庫模塊，用于記錄推薦內(nèi)容、分類標(biāo)簽和內(nèi)容分類； 用戶數(shù)據(jù)庫模塊，記錄用戶基本信息、群組屬性、交流記錄、位置信息記錄、瀏覽記錄、關(guān)聯(lián)用戶、關(guān)注標(biāo)簽和推薦記錄。
2.—種多維協(xié)同推薦的方法，其特征在于，包括以下步驟: (1)、計算用戶的主題關(guān)注度 (11)、根據(jù)用戶瀏覽記錄將相應(yīng)內(nèi)容抽取為樣本集合； (12)、對步驟(11)中的樣本集合進(jìn)行主題提取， (13)、將步驟(12)提取的主題作為該用戶的關(guān)注標(biāo)簽，以用戶瀏覽量為權(quán)重，對各標(biāo)簽進(jìn)行相關(guān)度賦值，用戶瀏覽量包括瀏覽次數(shù)和瀏覽時長，其中時長轉(zhuǎn)化為分鐘數(shù)處理； (2)、計算用戶之間的群組相關(guān)度 根據(jù)用戶分屬群組和在群組中交流的頻次，對用戶進(jìn)行群組關(guān)聯(lián)賦值，第I用戶與第2用戶的群組相關(guān)度為累計用戶在同一群組中交流的時長，時長轉(zhuǎn)化為分鐘數(shù)取整處理； (3)、計算用戶間話題相關(guān)度， (31)、提取第I用戶與第2用戶間的交流記錄做為統(tǒng)計樣本； (32)、從步驟(31)中的統(tǒng)計樣本中進(jìn)行主題提??； (33)、根據(jù)用戶對主題的內(nèi)容貢獻(xiàn)大小對第I用戶與第2用戶在每個主題上的相關(guān)度進(jìn)行賦值，用戶對主題的內(nèi)容貢獻(xiàn)以用戶每次發(fā)言與主題的吻合度來衡量； (4)、計算用戶間位置相關(guān)度 通過位置關(guān)系挖掘，發(fā)現(xiàn)用戶的鄰居，即與用戶在地理位置上經(jīng)常處于鄰近局域的另一用戶為該用戶的鄰居， (5)、組合關(guān)聯(lián)用戶的群組相關(guān)度、話題相關(guān)度、位置相關(guān)度及用戶的主題相關(guān)度，進(jìn)行分條件的賦權(quán)累加，得出最終的推薦模型； (6)、內(nèi)容分類， (61)從樣本內(nèi)容集合中進(jìn)行主題提取，得到對內(nèi)容的分類標(biāo)簽； (62)使用文本分類器，將目標(biāo)內(nèi)容集合按步驟￠1)得到的分類標(biāo)簽分類； ⑵、內(nèi)容推薦，分兩種情況: (71)、若推薦的內(nèi)容是用戶未瀏覽過的內(nèi)容:首先根據(jù)內(nèi)容的類別屬性和任意用戶的關(guān)注標(biāo)簽的匹配度進(jìn)行計算，得出一個推薦指數(shù)，當(dāng)某一用戶的推薦指數(shù)大于閾值，則向該用戶推薦，該閾值取值區(qū)間為(O，I); (72)、若推薦的內(nèi)容為用戶瀏覽過的內(nèi)容，首先確保該用戶對內(nèi)容產(chǎn)生真正的接收，然后分三種情況計算用戶的關(guān)聯(lián)用戶的推薦指數(shù)； (721)、位置關(guān)聯(lián)用戶的基礎(chǔ)系數(shù)為rl，當(dāng)分類的內(nèi)容涉及物理方位信息時，則該基礎(chǔ)系數(shù)進(jìn)行放大處理，物理方位信息包括場所、賣場、地點和位置； (722)、群組關(guān)聯(lián)用戶的基礎(chǔ)系數(shù)為r2，當(dāng)分類的內(nèi)容覆蓋到群組主題或群組標(biāo)簽時，則該系數(shù)進(jìn)行放大處理； (723)、話題關(guān)聯(lián)用戶的相關(guān)系數(shù)算法為:R= |{TJ Π {Tul_u2} |*r，其中{T。}為內(nèi)容主題的集合，{Tul_u2}為第I用戶與第2用戶之間話題的集合，取兩個集合交集的度再乘以一個系數(shù)r作為話題相關(guān)系數(shù)，系數(shù)r的取值范圍為[1，10]; 最終相關(guān)用戶推薦指數(shù)計算公式為:R ul-u2= r fRg+iy^Rt+rA，其中，rl，r2，r3的初始值均設(shè)為1，Rg表示群組關(guān)聯(lián)用戶的群組相關(guān)度，Rt表示話題關(guān)聯(lián)用戶的話題相關(guān)度，L表示位置關(guān)聯(lián)用戶的位置相關(guān)度； 對于第I用戶閱讀過的內(nèi)容，當(dāng)推薦指數(shù)R丨^大于閾值，則向第2用戶推薦，閾值取I或者根據(jù)統(tǒng)計區(qū)間段內(nèi)的所有推薦指數(shù)的總體情況取中間值； (8)、推薦優(yōu)化 (81)、對于推薦給用戶的內(nèi)容，當(dāng)用戶進(jìn)行主動接收后，記錄用戶的閱讀時長，當(dāng)閱讀時長超過閾值，則認(rèn)為推薦成功；否則認(rèn)為推薦失??； (82)、查看該用戶的推薦模型，確定該模型中起主要作用的相關(guān)度系數(shù)，若推薦成功，則調(diào)大該系數(shù)的百分比；如果推薦失敗，則調(diào)小該系數(shù)的百分比。
3.根據(jù)權(quán)利要求1所述的一種多維協(xié)同推薦的方法，其特征在于，步驟(12)采用LSA文檔主題模型或者LDA文檔主題模型提取樣本集合。
4.根據(jù)權(quán)利要求1所述的一種多維協(xié)同推薦的方法，其特征在于，步驟(4)中位置關(guān)系挖掘采用聚類算法挖掘或者關(guān)聯(lián)規(guī)則分析算法挖掘。
5.根據(jù)權(quán)利要求1所述的一種多維協(xié)同推薦的方法，其特征在于，步驟(81)中的閾值為30秒/100字。
【專利摘要】本發(fā)明具體涉及一種多維協(xié)同推薦的系統(tǒng)與方法。一種多維協(xié)同推薦的系統(tǒng)，包括挖掘模塊、推薦模塊、內(nèi)容數(shù)據(jù)庫模塊和用戶數(shù)據(jù)庫模塊。一種多維協(xié)同推薦的方法，包括1、計算用戶的主題關(guān)注度；2、計算用戶之間的群組相關(guān)度；3、計算用戶間話題相關(guān)度；4、計算用戶間位置相關(guān)度；5、組合關(guān)聯(lián)用戶的群組相關(guān)度、話題相關(guān)度、位置相關(guān)度及用戶的主題相關(guān)度，得出最終的推薦模型；6、內(nèi)容分類；7、內(nèi)容推薦；8、推薦優(yōu)化。相對于當(dāng)前僅基于用戶歷史瀏覽記錄或僅基于用戶間的社會網(wǎng)絡(luò)關(guān)系進(jìn)行推薦，本發(fā)明方法能夠更大范圍地查找相關(guān)內(nèi)容及相關(guān)用戶，并更細(xì)粒度地鑒別內(nèi)容的相關(guān)性，從而使內(nèi)容推薦更加充分有效、更加有針對性。
【IPC分類】G06F17-30
【公開號】CN104750856
【申請?zhí)枴緾N201510179754
【發(fā)明人】許延祥
【申請人】天天艾米（北京）網(wǎng)絡(luò)科技有限公司
【公開日】2015年7月1日
【申請日】2015年4月16日