物品推薦方法和裝置的制造方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明實(shí)施例涉及互聯(lián)網(wǎng)領(lǐng)域，并且更為具體地，涉及一種物品推薦方法和裝置。
【背景技術(shù)】
[0002] 研究表明，互聯(lián)網(wǎng)上的信息總量正在飛速增長(zhǎng)，比如，facebook每個(gè)月產(chǎn)生30億 條內(nèi)容，twitter每天產(chǎn)生12TB信息。
[0003] 然而，信息爆炸式增長(zhǎng)的另一面，則是垃圾信息的泛濫。據(jù)一項(xiàng)基于twitter的研 究表明，僅36 %的tweet(twitter上的留言）是值得閱讀的。因此，人們很難在海量的網(wǎng)絡(luò) 信息中找到自己真正需要的信息。
[0004]為了緩解信息量快速增長(zhǎng)帶來(lái)的垃圾信息泛濫的問(wèn)題，各種類型的推薦系統(tǒng)應(yīng)運(yùn) 而生。待推薦的對(duì)象，稱為物品（item)，這里所稱的物品是廣義的物品，是一切可推薦的對(duì) 象的總稱，其在形式上多種多樣，可以是商品、電影、音樂(lè)、新聞、博客、微博、好友等等。
[0005] 現(xiàn)有推薦模型大體上分為：基于用戶的推薦模型，基于物品的推薦模型，以及混合 推薦模型（即基于用戶的推薦模型和基于物品的推薦模型的結(jié)合）。根據(jù)該推薦模型，可以 確定該用戶是否喜歡待推薦的物品；當(dāng)用戶喜歡該物品時(shí)，向用戶推薦該物品，否則不向用 戶推薦該物品。
[0006] 具體地，基于用戶的推薦模型是假設(shè)用戶之間對(duì)物品的喜好具有相似性。該推薦 模型的推薦原理是：根據(jù)用戶對(duì)物品的歷史行為數(shù)據(jù)（如，訪問(wèn)記錄），計(jì)算用戶之間對(duì)物 品喜好的相似度，向一個(gè)用戶推薦與其相似的另一用戶喜好的物品。基于物品的推薦模型 是假設(shè)用戶傾向于選擇相似的物品。該推薦模型的推薦原理是，根據(jù)物品之間的屬性，計(jì)算 物品之間的相似度，向用戶推薦與其喜好的物品相似度高的物品?；旌贤扑]算法則是上述 兩種算法的結(jié)合，各取所長(zhǎng)。
[0007] 由上可知，現(xiàn)有的推薦模型均是基于用戶與物品的喜好關(guān)系進(jìn)行推薦的，但用戶 對(duì)物品喜好的原因是多種多樣的，如信息傳播、社交、突發(fā)事件等原因。這就導(dǎo)致推薦模型 推薦的物品的種類也是多種多樣的。但是，在特定應(yīng)用場(chǎng)景下，值得向用戶推薦的物品種類 有限，例如，微博中，信息類的微博對(duì)用戶價(jià)值較大，廣告類的微博對(duì)用戶而言價(jià)值較小。按 照現(xiàn)有的推薦方式，會(huì)導(dǎo)致推薦結(jié)果的不可控。

【發(fā)明內(nèi)容】

[0008] 本發(fā)明實(shí)施例提供一種物品推薦方法和裝置，以提高推薦結(jié)果的可控性。
[0009] 第一方面，提供一種物品推薦方法，包括：從網(wǎng)絡(luò)中獲取用戶的歷史行為數(shù)據(jù)和待 推薦的物品的信息；根據(jù)所述歷史行為數(shù)據(jù)，建立推薦模型；根據(jù)所述物品的信息，通過(guò)所 述推薦模型，確定所述物品的可推薦度；確定所述物品的類別是否屬于預(yù)設(shè)的可推薦類別； 當(dāng)所述可推薦度滿足預(yù)設(shè)的推薦條件，且所述物品的類別屬于預(yù)設(shè)的可推薦類別時(shí)，向所 述用戶推薦所述物品。
[0010] 結(jié)合第一方面，在第一方面的一種實(shí)現(xiàn)方式中，所述可推薦類別為預(yù)設(shè)的N個(gè)類 別中的至少部分類別，所述根據(jù)所述物品的信息，確定所述物品的類別，包括：訓(xùn)練分類器； 根據(jù)所述分類器，從所述N個(gè)類別中選擇與所述物品的信息相匹配的類別。
[0011] 結(jié)合第一方面或其上述實(shí)現(xiàn)方式的任一種，在第一方面的另一種實(shí)現(xiàn)方式中，所 述訓(xùn)練分類器，包括：獲取樣本集合，所述樣本集合包括類別已知的多個(gè)物品，且所述多個(gè) 物品中各物品的類別屬于所述N個(gè)物品類別；基于所述樣本集合，通過(guò)機(jī)器學(xué)習(xí)的方式獲 得所述分類器。
[0012] 結(jié)合第一方面或其上述實(shí)現(xiàn)方式的任一種，在第一方面的另一種實(shí)現(xiàn)方式中，所 述根據(jù)所述歷史行為數(shù)據(jù)，建立推薦模型，包括：將所述歷史行為數(shù)據(jù)轉(zhuǎn)化成特征文件；基 于所述特征文件，訓(xùn)練出所述推薦模型。
[0013] 結(jié)合第一方面或其上述實(shí)現(xiàn)方式的任一種，在第一方面的另一種實(shí)現(xiàn)方式中，所 述可推薦度通過(guò)數(shù)值表示，所述當(dāng)所述可推薦度滿足預(yù)設(shè)的推薦條件，且所述物品的類別 屬于預(yù)設(shè)的可推薦類別時(shí)，向所述用戶推薦所述物品，包括：當(dāng)所述物品的可推薦度大于預(yù) 設(shè)的推薦閾值，且所述物品的類別屬于預(yù)設(shè)的可推薦類別時(shí)，向所述用戶推薦所述物品。
[0014] 結(jié)合第一方面或其上述實(shí)現(xiàn)方式的任一種，在第一方面的另一種實(shí)現(xiàn)方式中，所 述可推薦度通過(guò)是或否表示，所述當(dāng)所述可推薦度滿足預(yù)設(shè)的推薦條件，且所述物品的類 別屬于預(yù)設(shè)的可推薦類別時(shí)，向所述用戶推薦所述物品，包括：當(dāng)所述物品的可推薦度為 是，且所述物品的類別屬于預(yù)設(shè)的可推薦類別時(shí)，向所述用戶推薦所述物品。
[0015] 結(jié)合第一方面或其上述實(shí)現(xiàn)方式的任一種，在第一方面的另一種實(shí)現(xiàn)方式中，所 述當(dāng)所述可推薦度滿足預(yù)設(shè)的向所述用戶推薦的條件，且所述物品的類別屬于預(yù)設(shè)的可推 薦類別時(shí)，向所述用戶推薦所述物品，包括：當(dāng)所述物品的可推薦度達(dá)到第一閾值，小于第 二閾值，且所述物品的類別屬于所述可推薦類別時(shí)，向所述用戶推薦所述物品；所述方法還 包括：當(dāng)所述物品的可推薦度達(dá)到預(yù)設(shè)的第二閾值時(shí)，向所述用戶推薦所述物品。
[0016] 結(jié)合第一方面或其上述實(shí)現(xiàn)方式的任一種，在第一方面的另一種實(shí)現(xiàn)方式中，所 述可推薦類別是基于所述推薦模型的應(yīng)用場(chǎng)合而預(yù)先設(shè)定的。
[0017] 第二方面，提供一種物品推薦裝置，包括：信息獲取模塊，用于從網(wǎng)絡(luò)中獲取用戶 的歷史行為數(shù)據(jù)和待推薦的物品的信息；建立模塊，用于根據(jù)所述信息獲取模塊獲取的所 述歷史行為數(shù)據(jù)，建立推薦模型；推薦模塊，用于根據(jù)所述信息獲取模塊獲取的所述物品的 信息，通過(guò)所述建立模塊建立的所述推薦模型，確定所述物品的可推薦度；分類模塊，用于 根據(jù)所述信息獲取模塊獲取的所述物品的信息，確定所述物品的類別；決策模塊，用于當(dāng)所 述推薦模塊確定的所述可推薦度滿足預(yù)設(shè)的推薦條件，且所述分類模塊確定的所述物品的 類別屬于預(yù)設(shè)的可推薦類別時(shí)，向所述用戶推薦所述物品。
[0018] 結(jié)合第二方面，在第二方面的一種實(shí)現(xiàn)方式中，所述可推薦類別為預(yù)設(shè)的N個(gè)類 別中的至少部分類別，所述分類模塊具體用于訓(xùn)練分類器；根據(jù)所述分類器，從所述N個(gè)類 別中選擇與所述物品相匹配的類別；確定所述相匹配的類別是否屬于所述N個(gè)類別中的可 推薦類別。
[0019] 結(jié)合第二方面或其上述實(shí)現(xiàn)方式的任一種，在第二方面的另一種實(shí)現(xiàn)方式中，所 述分類模塊具體用于獲取樣本集合，所述樣本集合包括類別已知的多個(gè)物品，且所述多個(gè) 物品中各物品的類別屬于所述N個(gè)物品類別；基于所述樣本集合，通過(guò)機(jī)器學(xué)習(xí)的方式獲 得所述分類器。
[0020] 結(jié)合第二方面或其上述實(shí)現(xiàn)方式的任一種，在第二方面的另一種實(shí)現(xiàn)方式中，所 述建立模塊具體用于將所述歷史行為數(shù)據(jù)轉(zhuǎn)化成特征文件；基于所述特征文件，訓(xùn)練出所 述推薦模型。
[0021] 結(jié)合第二方面或其上述實(shí)現(xiàn)方式的任一種，在第二方面的另一種實(shí)現(xiàn)方式中，所 述可推薦度通過(guò)數(shù)值表示，所述當(dāng)所述可推薦度滿足預(yù)設(shè)的推薦條件，且所述物品的類別 屬于預(yù)設(shè)的可推薦類別時(shí)，向所述用戶推薦所述物品，包括：當(dāng)所述物品的可推薦度大于預(yù) 設(shè)的推薦閾值，且所述物品的類別屬于預(yù)設(shè)的可推薦類別時(shí)，向所述用戶推薦所述物品。<