信息推薦方法及裝置的制造方法
【專利摘要】本發(fā)明公開的信息推薦方法，包括：獲取預(yù)設(shè)時(shí)間段內(nèi)的歷史訪問信息的屬性標(biāo)識(shí)；根據(jù)所述屬性標(biāo)識(shí)計(jì)算每?jī)蓷l所述歷史訪問信息的相似值；利用所述相似值確定待推薦信息；將所述待推薦信息發(fā)送到相應(yīng)客戶端。本發(fā)明還公開了一種信息推薦裝置。與現(xiàn)有技術(shù)相比，本方案根據(jù)歷史訪問信息本身的屬性確定待推薦信息，不依賴于用戶群對(duì)信息的評(píng)分，從而不僅能夠避免評(píng)分?jǐn)?shù)量對(duì)推薦過程的影響，而且能夠提高所推薦的信息的準(zhǔn)確性，提高用戶體驗(yàn)。
【專利說明】
信息推薦方法及裝置
技術(shù)領(lǐng)域
[0001] 本發(fā)明涉及互聯(lián)網(wǎng)技術(shù)領(lǐng)域，更具體而言，涉及一種信息推薦方法及裝置。
【背景技術(shù)】
[0002] 基于大數(shù)據(jù)技術(shù)的發(fā)展，信息推薦作為提高用戶體驗(yàn)的方式，被廣泛應(yīng)用在各個(gè) 領(lǐng)域。例如，用戶通過電子商務(wù)平臺(tái)篩選商品時(shí)，推薦系統(tǒng)可以根據(jù)用戶的歷史瀏覽記錄， 為用戶推薦相類似的商品；或者，用戶觀看電影時(shí)，推薦系統(tǒng)可以為用戶推薦相類似的電影 等。
[0003] 通常，推薦系統(tǒng)在向用戶推薦信息之前，對(duì)用戶的歷史訪問信息或者用戶正在訪 問的信息進(jìn)行分析和計(jì)算，并以計(jì)算結(jié)果為依據(jù)，從大量信息中篩選符合用戶興趣的信息 作為推薦信息。相關(guān)技術(shù)中，常用的推薦算法為協(xié)同過濾推薦算法，協(xié)同過濾推薦算法基于 用戶歷史訪問信息的評(píng)分，或者用戶當(dāng)前正在訪問的信息的評(píng)分確定用戶的興趣度，然后， 在用戶群中查找與該用戶的興趣度相似的用戶，綜合查找到的相似用戶對(duì)信息的評(píng)分，將 評(píng)分與該用戶歷史訪問信息或者當(dāng)前正在訪問的信息的評(píng)分相同或者相近的信息確定為 推薦信息，并推薦給該用戶。
[0004] 由此可見，協(xié)同過濾推薦算法通過用戶對(duì)信息的評(píng)分確定用戶對(duì)該信息的興趣 度，因此，每條信息的評(píng)分?jǐn)?shù)量應(yīng)當(dāng)達(dá)到一定量，才能夠保證協(xié)同過濾推薦算法的可實(shí)施性 和準(zhǔn)確性。然而，隨著信息類型的增多，很多消息沒有評(píng)分或者評(píng)分?jǐn)?shù)量很少，例如，音樂， 從而無法根據(jù)評(píng)分推薦信息，或者所推薦的信息準(zhǔn)確性差，導(dǎo)致用戶體驗(yàn)差。

【發(fā)明內(nèi)容】

[0005] 有鑒于此，本發(fā)明實(shí)施例提供了一種信息推薦方法及裝置，能夠解決由于評(píng)分?jǐn)?shù) 量不足產(chǎn)生的無法根據(jù)評(píng)分推薦信息，或者所推薦的信息準(zhǔn)確性差的問題。
[0006] 第一方面，本發(fā)明實(shí)施例提供了一種信息推薦方法，包括:獲取預(yù)設(shè)時(shí)間段內(nèi)的歷 史訪問信息的屬性標(biāo)識(shí);根據(jù)所述屬性標(biāo)識(shí)計(jì)算每?jī)蓷l所述歷史訪問信息的相似值;利用 所述相似值確定待推薦信息;將所述待推薦信息發(fā)送到相應(yīng)客戶端。
[0007] 優(yōu)選的，所述根據(jù)所述屬性標(biāo)識(shí)計(jì)算每?jī)蓷l所述歷史訪問信息的相似值，包括:按 照預(yù)設(shè)策略處理所述屬性標(biāo)識(shí)生成每條所述歷史訪問信息的特征信息;兩兩對(duì)比所述特征 信息，得到每?jī)蓷l所述特征信息的差量信息；按照預(yù)設(shè)規(guī)則計(jì)算所述差量信息得到每?jī)蓷l 所述歷史訪問信息的相似值。
[0008] 優(yōu)選的，在按照預(yù)設(shè)策略處理所述屬性標(biāo)識(shí)生成每條所述歷史訪問信息的特征信 息之后，在兩兩對(duì)比所述特征信息，得到每?jī)蓷l所述特征信息的差量信息之前，還包括:采 集每條所述特征信息對(duì)應(yīng)的歷史訪問信息的最后訪問時(shí)間；按照所述最后訪問時(shí)間為所述 特征信息添加權(quán)重，其中，所述權(quán)重隨所述最后訪問時(shí)間由舊到新順次增大。
[0009] 優(yōu)選的，所述按照預(yù)設(shè)策略處理所述屬性標(biāo)識(shí)生成每條所述歷史訪問信息的特征 信息，包括:讀取所述屬性標(biāo)識(shí)所包含的屬性值；按照預(yù)設(shè)條件配置每項(xiàng)所述屬性值的權(quán) 重;使用預(yù)設(shè)特征模型計(jì)算所述配置有權(quán)重的屬性值，得到所述屬性標(biāo)識(shí)對(duì)應(yīng)的特征信息。
[0010]優(yōu)選的，所述利用所述相似值確定待推薦信息，包括:確定目標(biāo)屬性標(biāo)識(shí)，其中，所 述目標(biāo)屬性標(biāo)識(shí)是屬于同一賬戶的歷史訪問信息對(duì)應(yīng)的屬性標(biāo)識(shí);根據(jù)待選擇屬性標(biāo)識(shí)與 所述目標(biāo)屬性標(biāo)識(shí)的相似值計(jì)算每條所述待選擇屬性標(biāo)識(shí)與所述目標(biāo)屬性標(biāo)識(shí)的相似系 數(shù);按照所述相似系數(shù)從大到小選擇預(yù)設(shè)數(shù)量的所述待選擇屬性標(biāo)識(shí);將所選擇的所述待 選擇屬性標(biāo)識(shí)對(duì)應(yīng)的歷史訪問信息確定為所述待推薦信息。
[0011]優(yōu)選的，在獲取預(yù)設(shè)時(shí)間段內(nèi)的歷史訪問信息的屬性標(biāo)識(shí)之后，在根據(jù)所述屬性 標(biāo)識(shí)計(jì)算每?jī)蓷l所述歷史訪問信息的相似值之前，還包括:獲取每條所述屬性標(biāo)識(shí)對(duì)應(yīng)的 訪問次數(shù);當(dāng)所述訪問次數(shù)小于預(yù)設(shè)閾值時(shí)，刪除所述屬性標(biāo)識(shí)。
[0012] 第二方面，本發(fā)明實(shí)施例還提供了一種信息推薦裝置，包括:獲取模塊，用于獲取 預(yù)設(shè)時(shí)間段內(nèi)的歷史訪問信息的屬性標(biāo)識(shí);計(jì)算模塊，用于根據(jù)所述獲取模塊所獲取的屬 性標(biāo)識(shí)計(jì)算每?jī)蓷l所述歷史訪問信息的相似值;確定模塊，用于利用所述計(jì)算模塊計(jì)算得 到的相似值確定待推薦信息；發(fā)送模塊，用于將所述確定模塊所確定的待推薦信息發(fā)送到 相應(yīng)客戶端。
[0013] 優(yōu)選的，所述計(jì)算模塊包括生成單元、對(duì)比單元和第一計(jì)算單元，其中，所述生成 單元，用于按照預(yù)設(shè)策略處理所述屬性標(biāo)識(shí)生成每條所述歷史訪問信息的特征信息;所述 對(duì)比單元，用于兩兩對(duì)比所述特征信息，得到每?jī)蓷l所述特征信息的差量信息;所述第一計(jì) 算單元，用于按照預(yù)設(shè)規(guī)則計(jì)算所述差量信息得到每?jī)蓷l所述歷史訪問信息的相似值。
[0014] 優(yōu)選的，所述計(jì)算模塊還包括采集單元和添加單元，其中，所述采集單元，用于采 集每條所述特征信息對(duì)應(yīng)的歷史訪問信息的最后訪問時(shí)間；所述添加單元，用于按照所述 最后訪問時(shí)間為所述特征信息添加權(quán)重，其中，所述權(quán)重隨所述最后訪問時(shí)間由舊到新順 次增大。
[0015] 優(yōu)選的，所述生成單元包括讀取子單元、配置子單元和計(jì)算子單元，其中，所述讀 取子單元，用于讀取所述屬性標(biāo)識(shí)所包含的屬性值;所述配置子單元，用于按照預(yù)設(shè)條件配 置每項(xiàng)所述屬性值的權(quán)重;所述計(jì)算子單元，用于使用預(yù)設(shè)特征模型計(jì)算所述配置有權(quán)重 的屬性值，得到所述屬性標(biāo)識(shí)對(duì)應(yīng)的特征信息。
[0016] 優(yōu)選的，所述確定模塊包括確定單元、第二計(jì)算單元和選擇單元，其中，所述確定 單元，用于確定目標(biāo)屬性標(biāo)識(shí)，其中，所述目標(biāo)屬性標(biāo)識(shí)是屬于同一賬戶的歷史訪問信息對(duì) 應(yīng)的屬性標(biāo)識(shí);所述第二計(jì)算單元，用于根據(jù)待選擇屬性標(biāo)識(shí)與所述目標(biāo)屬性標(biāo)識(shí)的相似 值計(jì)算每條所述待選擇屬性標(biāo)識(shí)與所述目標(biāo)屬性標(biāo)識(shí)的相似系數(shù);所述選擇單元，用于按 照所述相似系數(shù)從大到小選擇預(yù)設(shè)數(shù)量的所述待選擇屬性標(biāo)識(shí);所述確定單元，還用于將 所選擇的所述待選擇屬性標(biāo)識(shí)對(duì)應(yīng)的歷史訪問信息確定為所述待推薦信息。
[0017]優(yōu)選的，還包括刪除模塊，其中，所述獲取模塊，還用于獲取每條所述屬性標(biāo)識(shí)對(duì) 應(yīng)的訪問次數(shù);所述刪除模塊，用于當(dāng)所述獲取模塊所獲取的訪問次數(shù)小于預(yù)設(shè)閾值時(shí)，刪 除所述屬性標(biāo)識(shí)。
[0018]由以上技術(shù)方案可知，為了解決相關(guān)技術(shù)的技術(shù)問題，本發(fā)明實(shí)施例所提供的信 息推薦方法及裝置，首先獲取預(yù)設(shè)時(shí)間段內(nèi)的歷史訪問信息的屬性標(biāo)識(shí)，并根據(jù)屬性標(biāo)識(shí) 計(jì)算每?jī)蓷l所述歷史訪問信息的相似值，然后，本方案利用所得到的相似值確定待推薦信 息，并將所確定的待推薦信息發(fā)送到相應(yīng)客戶端，以向用戶推薦該待推薦信息。很明顯，本 發(fā)明實(shí)施例的技術(shù)方案，通過對(duì)歷史訪問信息的分析和比較得到歷史訪問信息之間相似 值，并進(jìn)一步根據(jù)不同歷史訪問信息之間的相似值篩選出待推薦信息，與現(xiàn)有技術(shù)相比，本 方案根據(jù)歷史訪問信息本身的屬性確定待推薦信息，不依賴于用戶群對(duì)信息的評(píng)分，從而 不僅能夠避免評(píng)分?jǐn)?shù)量對(duì)推薦過程的影響，而且能夠提高所推薦的信息的準(zhǔn)確性，提高用 戶體驗(yàn)。
【附圖說明】
[0019] 為了更清楚地說明本發(fā)明實(shí)施例或現(xiàn)有技術(shù)中的技術(shù)方案，下面將對(duì)實(shí)施例中所 需要使用的附圖作簡(jiǎn)單地介紹，顯而易見地，下面描述中的附圖僅僅是本發(fā)明的一些實(shí)施 例，對(duì)于本領(lǐng)域普通技術(shù)人員來講，在不付出創(chuàng)造性勞動(dòng)的前提下，還可以根據(jù)這些附圖獲 得其他的附圖。通過附圖所示，本發(fā)明的上述及其它目的、特征和優(yōu)勢(shì)將更加清晰。在全部 附圖中相同的附圖標(biāo)記指示相同的部分。并未刻意按實(shí)際尺寸等比例縮放繪制附圖，重點(diǎn) 在于示出本發(fā)明的主旨。
[0020] 圖1為本發(fā)明實(shí)施例提供的信息推薦方法的方法流程圖；
[0021 ]圖2為本發(fā)明實(shí)施例提供的信息推薦裝置的結(jié)構(gòu)示意圖。
【具體實(shí)施方式】
[0022]其中，相關(guān)技術(shù)中，用戶群對(duì)信息的評(píng)分可以反映用戶的使用感受，對(duì)信息的興趣 度等，因此，信息的評(píng)分?jǐn)?shù)量越多，所反映的用戶興趣度越準(zhǔn)確，如果信息的評(píng)分?jǐn)?shù)量足夠 多，可以通過評(píng)分得到用戶的興趣度，從而可以向用戶推薦與之興趣相似的信息。由此可 見，信息的評(píng)分?jǐn)?shù)量對(duì)所推薦信息的準(zhǔn)確性影響很大，為了避免評(píng)分?jǐn)?shù)量不足對(duì)所推薦信 息準(zhǔn)確性的影響，提出了本發(fā)明實(shí)施例的技術(shù)方案。
[0023]下面將結(jié)合本發(fā)明實(shí)施例中的附圖，對(duì)本發(fā)明實(shí)施例中的技術(shù)方案進(jìn)行清楚、完 整的描述，顯然，所描述的實(shí)施例僅僅是本發(fā)明一部分實(shí)施例，而不是全部的實(shí)施例?；?本發(fā)明中的實(shí)施例，本領(lǐng)域普通技術(shù)人員在沒有做出創(chuàng)造性勞動(dòng)前提下所獲得的所有其他 實(shí)施例，都屬于本發(fā)明保護(hù)的范圍。
[0024]下面對(duì)本發(fā)明實(shí)施例的具體實(shí)施方法進(jìn)行描述，請(qǐng)參見圖1，圖1為本發(fā)明實(shí)施例 提供的信息推薦方法的方法流程圖，所述方法包括以下步驟：
[0025]步驟S101:獲取預(yù)設(shè)時(shí)間段內(nèi)的歷史訪問信息的屬性標(biāo)識(shí)。
[0026]其中，由于推薦系統(tǒng)向用戶推薦信息時(shí)，需要從用戶群的歷史訪問信息篩選信息， 而用戶群的歷史訪問信息數(shù)據(jù)量龐大，將會(huì)導(dǎo)致更大的計(jì)算量，且用戶的興趣通常會(huì)隨著 時(shí)間推移發(fā)生變化。因此，為了在降低數(shù)據(jù)處理量的基礎(chǔ)上，準(zhǔn)確的分析用戶當(dāng)前的興趣， 推薦系統(tǒng)可以只從各個(gè)客戶端獲取預(yù)設(shè)時(shí)間段內(nèi)的歷史訪問信息。需要說明的是，該預(yù)設(shè) 時(shí)間段是以當(dāng)前時(shí)間為最新時(shí)間，向前順延的時(shí)間長(zhǎng)度。具體的，預(yù)設(shè)時(shí)間段可以是1個(gè)月 至6個(gè)月，可以根據(jù)信息的類型進(jìn)行不同設(shè)定，本發(fā)明實(shí)施例對(duì)此不做限制。
[0027]需要指出的是，作為數(shù)據(jù)處理系統(tǒng)，推薦系統(tǒng)所處理的為系統(tǒng)能夠識(shí)別的信息數(shù) 據(jù)，而客戶端的歷史訪問信息為用戶能夠識(shí)別的信息，推薦系統(tǒng)無法識(shí)別，因此，推薦系統(tǒng) 可以從客戶端獲取歷史訪問信息的屬性標(biāo)識(shí)，以便于后續(xù)處理。其中，屬性標(biāo)識(shí)可以為歷史 訪問信息的屬性值集合，包括歷史訪問信息的信息名稱、作者、所屬類型等屬性值。
[0028] 為了便于管理，推薦系統(tǒng)可以按照用戶賬戶將所獲取的屬性標(biāo)識(shí)分別存儲(chǔ)，例如， 對(duì)應(yīng)每個(gè)用戶賬戶可以設(shè)置一個(gè)文檔，而與該賬戶對(duì)應(yīng)的屬性標(biāo)識(shí)作為該文檔的一個(gè)詞語 或者段落對(duì)應(yīng)存儲(chǔ)。
[0029] 此外，如果某一用戶在預(yù)設(shè)時(shí)間段內(nèi)的歷史訪問信息數(shù)量相對(duì)較少，根據(jù)該用戶 的歷史訪問信息可能無法分析得到該用戶的興趣度，因此，可以隨機(jī)的向該用戶推薦信息， 無須分析該用戶的歷史訪問信息，因此，當(dāng)用戶的歷史訪問信息數(shù)量小于預(yù)設(shè)數(shù)量時(shí)，推薦 系統(tǒng)可以刪除該用戶對(duì)應(yīng)的信息。
[0030] 類似的，由于歷史訪問信息中訪問次數(shù)較少的信息無法反應(yīng)用戶的興趣度，因此， 推薦系統(tǒng)在獲取歷史訪問信息的屬性標(biāo)識(shí)之后，可以獲取每條屬性標(biāo)識(shí)對(duì)應(yīng)的訪問次數(shù)， 如果訪問次數(shù)小于預(yù)設(shè)閾值，則刪除該屬性標(biāo)識(shí)，從而不僅能夠降低推薦系統(tǒng)的數(shù)據(jù)處理 量，而且能夠提高推薦信息的準(zhǔn)確性。
[0031] 當(dāng)然，上述僅為本發(fā)明的一個(gè)優(yōu)選示例，根據(jù)信息的類型不同，如果屬性標(biāo)識(shí)對(duì)應(yīng) 的訪問時(shí)長(zhǎng)相對(duì)較短時(shí)，該屬性標(biāo)識(shí)對(duì)應(yīng)的歷史訪問信息同樣無法反應(yīng)用戶的興趣度，因 此，推薦系統(tǒng)可以讀取屬性標(biāo)識(shí)對(duì)應(yīng)的訪問時(shí)長(zhǎng)，如果訪問時(shí)長(zhǎng)小于一定值時(shí)，刪除該屬性 標(biāo)識(shí)，本發(fā)明實(shí)施例此處不再詳述。
[0032]需要說明的是，上述預(yù)設(shè)數(shù)量和預(yù)設(shè)閾值可以根據(jù)信息的類型進(jìn)行具體設(shè)定，本 發(fā)明實(shí)施例對(duì)此不做限制。
[0033] 例如，在向用戶推薦歌曲之前，推薦系統(tǒng)可以從各個(gè)客戶端獲取至今三個(gè)月內(nèi)所 聽歌曲對(duì)應(yīng)的歌曲ID，其中，歌曲ID即為歌曲的屬性標(biāo)識(shí)，包括歌曲的名字、歌手、鏈接地 址、大小、唱片集和年代流派等屬性值，并對(duì)應(yīng)每個(gè)用戶賬號(hào)分別創(chuàng)建文檔，將歌曲ID作為 文檔的詞語分別存儲(chǔ)到其所屬的賬號(hào)所述的文檔中。其中，在獲取歌曲ID的過程中，可以對(duì) 應(yīng)讀取用戶收聽該歌曲的次數(shù)，或者每次收聽的時(shí)長(zhǎng)，如果收聽該歌曲的次數(shù)相對(duì)較少，或 者每次收聽時(shí)長(zhǎng)較短時(shí)，刪除該歌曲對(duì)應(yīng)的歌曲ID。
[0034] 步驟S102:根據(jù)所述屬性標(biāo)識(shí)計(jì)算每?jī)蓷l所述歷史訪問信息的相似值。
[0035] 其中，基于上述描述可知，屬性標(biāo)識(shí)包括歷史訪問信息的屬性值，而且屬性值按照 一定的序列存儲(chǔ)，當(dāng)推薦系統(tǒng)獲取屬性標(biāo)識(shí)之后，可以按照預(yù)設(shè)策略計(jì)算屬性標(biāo)識(shí)的屬性 值，從而得到每條歷史訪問信息的特征信息，比對(duì)任意兩條特征信息能夠得到該兩條特征 信息的差量信息，通過對(duì)差量信息的計(jì)算得到該兩條特征信息所對(duì)應(yīng)的歷史訪問信息的相 似值。
[0036] 具體的，根據(jù)上述描述可知，屬性標(biāo)識(shí)以詞語或者段落的形式存儲(chǔ)，而每個(gè)詞語均 表示出特定的語境，而表示不同語境的詞語均可以通過向量表示，因此，本實(shí)施例的技術(shù)方 案，可以通過計(jì)算屬性標(biāo)識(shí)中詞語的向量，得到屬性標(biāo)識(shí)的特征信息，所以，在本實(shí)施例中， 還可以將計(jì)算屬性標(biāo)識(shí)的特征信息稱作屬性標(biāo)識(shí)的特征向量。其中，計(jì)算屬性標(biāo)識(shí)特征向 量的算法可以是word2vec，word2vec提供特征向量的算法模型，在計(jì)算時(shí)，將屬性標(biāo)識(shí)中的 每個(gè)屬性值代入特征向量的算法模型中，便能夠得到屬性標(biāo)識(shí)的特征向量。
[0037]需要說明的是，在計(jì)算屬性標(biāo)識(shí)的特征向量時(shí)，可以得到歷史訪問信息的綜合特 征向量，也可以根據(jù)需求計(jì)算得到突出某個(gè)屬性的特征向量。例如，計(jì)算歌曲的綜合特征向 量時(shí)，可以為歌曲ID中的各個(gè)屬性值配置相同的權(quán)重，比如，全部設(shè)置為1，那么所得到的特 征向量為歌曲的綜合特征向量。為了擴(kuò)大特征向量的維度，從而實(shí)現(xiàn)以任意一個(gè)屬性值為 重點(diǎn)篩選待推薦信息，本發(fā)明實(shí)施例還可以通過調(diào)整屬性值的權(quán)重，突出想要體現(xiàn)的屬性 值。例如，如果想要在特征向量中突出歌曲的詞作者，并在后續(xù)篩選待推薦信息時(shí)，得到相 同詞作者的歌曲，那么，在為各個(gè)屬性值配置權(quán)重時(shí)，可以將詞作者對(duì)應(yīng)屬性值的權(quán)重配置 的相對(duì)較大，比如，其他屬性值的權(quán)重配置為1，而詞作者對(duì)應(yīng)的屬性值的權(quán)重配置為5,從 而使得詞作者對(duì)所得到的特征向量影響較大，所得到的特征向量中詞作者的影響也比較突 出。
[0038] 由此可見，本發(fā)明實(shí)施例的技術(shù)方案在計(jì)算特征向量時(shí)，可以從多個(gè)維度進(jìn)行計(jì) 算，不僅能夠從多個(gè)角度計(jì)算信息之間的相似性，進(jìn)一步的，還能夠以多個(gè)屬性值為重點(diǎn)篩 選待推薦信息，使待推薦信息的分類更加全面，提高用戶體驗(yàn)。
[0039] 相應(yīng)的，在計(jì)算特征向量過程中突出某個(gè)屬性值的影響時(shí)，可以為根據(jù)該特征向 量篩選的推薦信息設(shè)置標(biāo)簽，標(biāo)簽的名字與突出的屬性值對(duì)應(yīng)的信息相對(duì)應(yīng)，例如，根據(jù)突 出詞作者的特征向量篩選得到的推薦信息，可以將詞作者的名字設(shè)置為標(biāo)簽。
[0040] 此外，需要說明的是，由于用戶的興趣可能隨時(shí)間變化，距離當(dāng)前時(shí)間越近的歷史 訪問信息越能夠準(zhǔn)確的反應(yīng)用戶的興趣度，因此，為了能夠進(jìn)一步提高推薦信息的準(zhǔn)確性， 本實(shí)施例可以按照歷史訪問信息的訪問時(shí)間序列，為每條歷史訪問信息的特征向量設(shè)置權(quán) 重，其中，特征向量的權(quán)重隨時(shí)間的持續(xù)逐漸增大。具體的，在計(jì)算得到特征向量之后，可以 采集每個(gè)特征向量對(duì)應(yīng)的最后訪問時(shí)間，并按照最后訪問時(shí)間為特征向量添加權(quán)重，其中， 所添加的權(quán)重隨最后訪問時(shí)間由舊到新順次增大。
[0041]例如，當(dāng)推薦系統(tǒng)計(jì)算得到三個(gè)月內(nèi)的歌曲ID的特征向量之后，采集每個(gè)特征向 量對(duì)應(yīng)的歌曲的最后一次收聽時(shí)間，并按照最后一次收聽時(shí)間為歌曲ID對(duì)應(yīng)的特征向量添 加權(quán)重。其中，可以將距離當(dāng)前時(shí)間一周之內(nèi)的特征向量的權(quán)重設(shè)置為10,在此基礎(chǔ)上，之 前一周之內(nèi)的特征向量的權(quán)重可以設(shè)置為8,依此類推，本發(fā)明實(shí)施例此處不再詳述。
[0042] 基于上述描述可知，特征向量反應(yīng)歷史訪問信息的屬性特征，而特征向量本身包 括特征值和向量空間上方向兩個(gè)量化因素，因此，可以通過特征值和方向兩個(gè)量化因素對(duì) 比不同歷史訪問信息的屬性，將不同歷史訪問信息的相似性進(jìn)行量化，從而能夠?yàn)橥扑]信 息的篩選提供數(shù)據(jù)支持。
[0043] 具體的，可以對(duì)比兩個(gè)特征向量的角度，得到兩個(gè)特征向量的角度差，然后，可以 通過計(jì)算兩特征向量之間角度差的余弦值，該余弦值用于表示兩個(gè)特征向量對(duì)應(yīng)的歷史訪 問信息的相似度。
[0044] 例如，歌曲A對(duì)應(yīng)的特征向量為A = (A1，A2，……，An)，歌曲B對(duì)應(yīng)的特征向量為B = (B1，B2,……，Bn)，二者的角度差為Θ，那么，歌曲A與歌曲B的相似值為：
[0046]由此可見，余弦值越接近1表明夾角Θ越接近〇度，那么，歌曲A與歌曲B的特征向量 相似度越高，進(jìn)一步的，說明歌曲A與歌曲B的相似度越高。
[0047 ]需要說明的是，上述計(jì)算特征向量相似值的方法為余弦相似度算法，而余弦相似 度算法僅為本發(fā)明的一個(gè)優(yōu)選示例，本發(fā)明實(shí)施例還可以使用其他合適的算法計(jì)算特征向 量的相似值，本發(fā)明實(shí)施例對(duì)此不做限制。
[0048 ]本步驟的技術(shù)內(nèi)容，首先，根據(jù)歷史訪問信息的屬性標(biāo)識(shí)計(jì)算得到歷史訪問信息 的特征信息，從而將歷史訪問信息的屬性和內(nèi)容量化，然后，根據(jù)量化的內(nèi)容計(jì)算每?jī)蓷l歷 史訪問信息的相似度，從而能夠順利、準(zhǔn)確的得到每?jī)蓷l歷史訪問信息的相似度，能夠?yàn)楹Y 選推薦信息提供充分的技術(shù)準(zhǔn)備。
[0049] 步驟S103:利用所述相似值確定待推薦信息。
[0050] 其中，在確定待推薦信息之前，可以先確定目標(biāo)用戶，基于目標(biāo)用戶的歷史訪問信 息進(jìn)行信息推薦，在本實(shí)施例中，推薦系統(tǒng)可以將目標(biāo)用戶對(duì)應(yīng)的屬性標(biāo)識(shí)確定為目標(biāo)屬 性標(biāo)識(shí)，從而明確待推薦信息的目標(biāo)用戶。由于預(yù)設(shè)時(shí)間段內(nèi)的歷史訪問信息數(shù)量龐大，而 且目標(biāo)用戶所使用的客戶端的界面尺寸有限，因此，可以從目標(biāo)屬性標(biāo)識(shí)以外的屬性標(biāo)識(shí) 中，選擇與目標(biāo)屬性標(biāo)識(shí)相似程度高的屬性標(biāo)識(shí)所對(duì)應(yīng)的歷史訪問信息進(jìn)行推薦。本實(shí)施 例中，將目標(biāo)屬性標(biāo)識(shí)以外的屬性標(biāo)識(shí)稱為待選擇屬性標(biāo)識(shí)。
[0051 ]由于目標(biāo)屬性標(biāo)識(shí)有多個(gè)，每個(gè)目標(biāo)屬性標(biāo)識(shí)對(duì)應(yīng)多個(gè)相似的待選擇屬性標(biāo)識(shí)， 而不同目標(biāo)屬性標(biāo)識(shí)的相似待選擇屬性標(biāo)識(shí)部分相同，或者全部不同，即使兩個(gè)目標(biāo)屬性 標(biāo)識(shí)對(duì)應(yīng)的相似待選擇屬性標(biāo)識(shí)部分相同，同一個(gè)待選擇屬性標(biāo)識(shí)與兩個(gè)目標(biāo)屬性標(biāo)識(shí)的 相似值也不相同。例如，歌曲A和歌曲B的屬性標(biāo)識(shí)為目標(biāo)屬性標(biāo)識(shí)，其中，與歌曲A的屬性標(biāo) 識(shí)相似的待選擇屬性標(biāo)識(shí)包括:歌曲1、歌曲2、歌曲3和歌曲4的屬性標(biāo)識(shí)，而與歌曲B的屬性 標(biāo)識(shí)相似的待選擇屬性標(biāo)識(shí)包括:歌曲2、歌曲4和歌曲5的屬性標(biāo)識(shí)。其中，歌曲2的屬性標(biāo) 識(shí)與歌曲A的屬性標(biāo)識(shí)的相似值為0.8，與歌曲B的屬性標(biāo)識(shí)的相似值為0.6;歌曲4的屬性標(biāo) 識(shí)與歌曲A的屬性標(biāo)識(shí)的相似值為0.5，與歌曲B的屬性標(biāo)識(shí)的相似值為0.7。
[0052] 由此可見，僅僅根據(jù)目標(biāo)屬性標(biāo)識(shí)與待選擇屬性標(biāo)識(shí)的相似值，無法得到待選擇 屬性標(biāo)識(shí)與全部目標(biāo)屬性標(biāo)識(shí)的相似程度，從而無法按照相似程度選擇待推薦信息，因此， 本實(shí)施例進(jìn)一步的，可以根據(jù)目標(biāo)屬性標(biāo)識(shí)與待選擇屬性標(biāo)識(shí)的相似值，計(jì)算得到每個(gè)待 選擇屬性標(biāo)識(shí)與全部目標(biāo)屬性標(biāo)識(shí)的相似系數(shù)。
[0053] 具體的，在確定目標(biāo)屬性標(biāo)識(shí)之后，可以分別計(jì)算每個(gè)待選擇屬性標(biāo)識(shí)與全部目 標(biāo)屬性標(biāo)識(shí)的相似系數(shù)，計(jì)算得到的相似系數(shù)越大，表明該待選擇屬性標(biāo)識(shí)與全部目標(biāo)屬 性標(biāo)識(shí)的相似度越高，從而可以按照相似系數(shù)從大到小的次序，選擇預(yù)設(shè)數(shù)量的待選擇屬 性標(biāo)識(shí)，并將所選擇的待選擇屬性標(biāo)識(shí)對(duì)應(yīng)的歷史訪問信息確定為待推薦信息。具體算法 參見下述公式：
[0055] 其中，u表示目標(biāo)用戶，i表示待選擇屬性標(biāo)識(shí)，J表示目標(biāo)屬性標(biāo)識(shí)集合，j表示目 標(biāo)屬性標(biāo)識(shí)，sim( i，j)表示待選擇屬性標(biāo)識(shí)i與目標(biāo)屬性標(biāo)識(shí)j的相似值，r(u，i)表示待選 擇屬性標(biāo)識(shí)i與目標(biāo)屬性標(biāo)識(shí)集合J的相似系數(shù)。
[0056] 需要指出的是，所確定的待推薦信息的數(shù)量可以根據(jù)待推薦信息的類型具體確 定，例如，如果待推薦信息是歌曲，所確定的待推薦信息的數(shù)量可以是20到80,如果待推薦 信息是視頻，所確定的待推薦信息的數(shù)量可以是10到30,本發(fā)明實(shí)施例對(duì)此不做限制。
[0057] 由本步驟的描述可知，計(jì)算得到每個(gè)待選擇屬性標(biāo)識(shí)的相似系數(shù)，能夠?yàn)榫_的 篩選推薦信息提供可靠的技術(shù)數(shù)據(jù)，在不依賴于信息評(píng)分的情況下實(shí)現(xiàn)信息推薦，從而不 受信息評(píng)分的限制。
[0058] 步驟S104:將所述待推薦信息發(fā)送到相應(yīng)客戶端。
[0059] 其中，在上述描述的基礎(chǔ)上，推薦系統(tǒng)將所確定的待推薦信息發(fā)送到目標(biāo)用戶對(duì) 應(yīng)的客戶端，客戶端在接收到待推薦信息之后，可以在界面展示待推薦信息，以向目標(biāo)用戶 推薦相關(guān)信息。
[0060] 需要說明的是，推薦系統(tǒng)可以以信息組的形式將待推薦信息發(fā)送到客戶端，每個(gè) 信息組設(shè)置一個(gè)標(biāo)簽，該標(biāo)簽為該組信息的特征表示，例如，推薦歌曲時(shí)，如果按照詞作者 和歌曲年代等分別篩選得到待推薦歌曲，在發(fā)送時(shí)，可以將詞作者相同的待推薦歌曲作為 一組，并將詞作者作為該組歌曲的標(biāo)簽;將歌曲年代相類似的待推薦歌曲作為一組，并將歌 曲年代作為該組的標(biāo)簽，發(fā)送到客戶端?？蛻舳嗽诮邮盏酱扑]歌曲后，同樣可以按照歌曲 組進(jìn)行展示。
[0061] 此外，客戶端可以是手機(jī)、平板電腦或者臺(tái)式電腦等，本發(fā)明實(shí)施例此處不做限 制。
[0062] 綜合上述，本發(fā)明實(shí)施例所提供的信息推薦方法，通過對(duì)歷史訪問信息的分析和 比較得到歷史訪問信息之間相似值，并進(jìn)一步根據(jù)不同歷史訪問信息之間的相似值篩選出 待推薦信息，與現(xiàn)有技術(shù)相比，本方案根據(jù)歷史訪問信息本身的屬性確定待推薦信息，不依 賴于用戶群對(duì)信息的評(píng)分，從而不僅能夠避免評(píng)分?jǐn)?shù)量對(duì)推薦過程的影響，而且能夠提高 所推薦的信息的準(zhǔn)確性，提高用戶體驗(yàn)。
[0063] 與上述實(shí)現(xiàn)方法相對(duì)應(yīng)的，本發(fā)明實(shí)施例還提供了一種信息推薦裝置，請(qǐng)參見圖 2,圖2為本發(fā)明實(shí)施例提供的信息推薦裝置的結(jié)構(gòu)示意圖。
[0064]所述裝置包括:獲取模塊11、計(jì)算模塊12、確定模塊13和發(fā)送模塊14,其中，獲取模 塊11，用于獲取預(yù)設(shè)時(shí)間段內(nèi)的歷史訪問信息的屬性標(biāo)識(shí);計(jì)算模塊12,用于根據(jù)所述獲取 模塊11所獲取的屬性標(biāo)識(shí)計(jì)算每?jī)蓷l所述歷史訪問信息的相似值;確定模塊13,用于利用 所述計(jì)算模塊12計(jì)算得到的相似值確定待推薦信息；發(fā)送模塊14,用于將所述確定模塊13 所確定的待推薦信息發(fā)送到相應(yīng)客戶端。
[0065]基于該實(shí)施例的描述，所述裝置還包括刪除模塊，其中，在本實(shí)施例中，獲取模塊 11，還用于獲取每條所述屬性標(biāo)識(shí)對(duì)應(yīng)的訪問次數(shù);所述刪除模塊，用于當(dāng)所述獲取模塊11 所獲取的訪問次數(shù)小于預(yù)設(shè)閾值時(shí)，刪除所述屬性標(biāo)識(shí)。
[0066]在上述實(shí)施例的基礎(chǔ)上，所述計(jì)算模塊12具體包括生成單元、對(duì)比單元和第一計(jì) 算單元，其中，生成單元，用于按照預(yù)設(shè)策略處理所述屬性標(biāo)識(shí)生成每條所述歷史訪問信息 的特征信息；對(duì)比單元，用于兩兩對(duì)比所述特征信息，得到每?jī)蓷l所述特征信息的差量信 息;第一計(jì)算單元，用于按照預(yù)設(shè)規(guī)則計(jì)算所述差量信息得到每?jī)蓷l所述歷史訪問信息的 相似值。
[0067]在一個(gè)具體實(shí)施例中，所述生成單元可以包括讀取子單元、配置子單元和計(jì)算子 單元，其中，所述讀取子單元，用于讀取所述屬性標(biāo)識(shí)所包含的屬性值;所述配置子單元，用 于按照預(yù)設(shè)條件配置每項(xiàng)所述屬性值的權(quán)重;所述計(jì)算子單元，用于使用預(yù)設(shè)特征模型計(jì) 算所述配置有權(quán)重的屬性值，得到所述屬性標(biāo)識(shí)對(duì)應(yīng)的特征信息。
[0068]基于上述實(shí)施例，在另一個(gè)實(shí)施例中，所述計(jì)算模塊12還包括采集單元和添加單 元，其中，所述采集單元，用于采集每條所述特征信息對(duì)應(yīng)的歷史訪問信息的最后訪問時(shí) 間；所述添加單元，用于按照所述最后訪問時(shí)間為所述特征信息添加權(quán)重，其中，所述權(quán)重 隨所述最后訪問時(shí)間由舊到新順次增大。
[0069] 此外，確定模塊13包括確定單元、第二計(jì)算單元和選擇單元，其中，所述確定單元， 用于確定目標(biāo)屬性標(biāo)識(shí)，其中，所述目標(biāo)屬性標(biāo)識(shí)是屬于同一賬戶的歷史訪問信息對(duì)應(yīng)的 屬性標(biāo)識(shí);所述第二計(jì)算單元，用于根據(jù)待選擇屬性標(biāo)識(shí)與所述目標(biāo)屬性標(biāo)識(shí)的相似值計(jì) 算每條所述待選擇屬性標(biāo)識(shí)與所述目標(biāo)屬性標(biāo)識(shí)的相似系數(shù);所述選擇單元，用于按照所 述相似系數(shù)從大到小選擇預(yù)設(shè)數(shù)量的所述待選擇屬性標(biāo)識(shí);在本實(shí)施例中，所述確定單元， 還用于將所選擇的所述待選擇屬性標(biāo)識(shí)對(duì)應(yīng)的歷史訪問信息確定為所述待推薦信息。
[0070] 所述裝置中各個(gè)模塊和單元的功能和作用的實(shí)現(xiàn)過程詳見上述方法中對(duì)應(yīng)的實(shí) 現(xiàn)過程，在此不再贅述。
[0071] 綜合上述，為了解決相關(guān)技術(shù)的技術(shù)問題，本發(fā)明實(shí)施例所提供的信息推薦方法 及裝置，首先獲取預(yù)設(shè)時(shí)間段內(nèi)的歷史訪問信息的屬性標(biāo)識(shí)，并根據(jù)屬性標(biāo)識(shí)計(jì)算每?jī)蓷l 所述歷史訪問信息的相似值，然后，本方案利用所得到的相似值確定待推薦信息，并將所確 定的待推薦信息發(fā)送到相應(yīng)客戶端，以向用戶推薦該待推薦信息。很明顯，本發(fā)明實(shí)施例的 技術(shù)方案，通過對(duì)歷史訪問信息的分析和比較得到歷史訪問信息之間相似值，并進(jìn)一步根 據(jù)不同歷史訪問信息之間的相似值篩選出待推薦信息，與現(xiàn)有技術(shù)相比，本方案根據(jù)歷史 訪問信息本身的屬性確定待推薦信息，不依賴于用戶群對(duì)信息的評(píng)分，從而不僅能夠避免 評(píng)分?jǐn)?shù)量對(duì)推薦過程的影響，而且能夠提高所推薦的信息的準(zhǔn)確性，提高用戶體驗(yàn)。
[0072] 以上所述僅是本發(fā)明的【具體實(shí)施方式】，應(yīng)當(dāng)指出，對(duì)于本技術(shù)領(lǐng)域的普通技術(shù)人 員來說，在不脫離本發(fā)明原理的前提下，還可以做出若干改進(jìn)和潤(rùn)飾，這些改進(jìn)和潤(rùn)飾也應(yīng) 視為本發(fā)明的保護(hù)范圍。
【主權(quán)項(xiàng)】
1. 一種信息推薦方法，其特征在于，包括： 獲取預(yù)設(shè)時(shí)間段內(nèi)的歷史訪問信息的屬性標(biāo)識(shí)； 根據(jù)所述屬性標(biāo)識(shí)計(jì)算每?jī)蓷l所述歷史訪問信息的相似值； 利用所述相似值確定待推薦信息； 將所述待推薦信息發(fā)送到相應(yīng)客戶端。2. 如權(quán)利要求1所述的信息推薦方法，其特征在于，所述根據(jù)所述屬性標(biāo)識(shí)計(jì)算每?jī)蓷l 所述歷史訪問信息的相似值，包括： 按照預(yù)設(shè)策略處理所述屬性標(biāo)識(shí)生成每條所述歷史訪問信息的特征信息； 兩兩對(duì)比所述特征信息，得到每?jī)蓷l所述特征信息的差量信息； 按照預(yù)設(shè)規(guī)則計(jì)算所述差量信息得到每?jī)蓷l所述歷史訪問信息的相似值。3. 如權(quán)利要求2所述的信息推薦方法，其特征在于，在按照預(yù)設(shè)策略處理所述屬性標(biāo)識(shí) 生成每條所述歷史訪問信息的特征信息之后，在兩兩對(duì)比所述特征信息，得到每?jī)蓷l所述 特征信息的差量信息之前，還包括： 采集每條所述特征信息對(duì)應(yīng)的歷史訪問信息的最后訪問時(shí)間； 按照所述最后訪問時(shí)間為所述特征信息添加權(quán)重，其中，所述權(quán)重隨所述最后訪問時(shí) 間由舊到新順次增大。4. 如權(quán)利要求1至3中任一權(quán)項(xiàng)所述的信息推薦方法，其特征在于，所述按照預(yù)設(shè)策略 處理所述屬性標(biāo)識(shí)生成每條所述歷史訪問信息的特征信息，包括： 讀取所述屬性標(biāo)識(shí)所包含的屬性值； 按照預(yù)設(shè)條件配置每項(xiàng)所述屬性值的權(quán)重； 使用預(yù)設(shè)特征模型計(jì)算所述配置有權(quán)重的屬性值，得到所述屬性標(biāo)識(shí)對(duì)應(yīng)的特征信 息。5. 如權(quán)利要求1所述的信息推薦方法，其特征在于，所述利用所述相似值確定待推薦信 息，包括： 確定目標(biāo)屬性標(biāo)識(shí)，其中，所述目標(biāo)屬性標(biāo)識(shí)是屬于同一賬戶的歷史訪問信息對(duì)應(yīng)的 屬性標(biāo)識(shí)； 根據(jù)待選擇屬性標(biāo)識(shí)與所述目標(biāo)屬性標(biāo)識(shí)的相似值計(jì)算每條所述待選擇屬性標(biāo)識(shí)與 所述目標(biāo)屬性標(biāo)識(shí)的相似系數(shù)； 按照所述相似系數(shù)從大到小選擇預(yù)設(shè)數(shù)量的所述待選擇屬性標(biāo)識(shí)； 將所選擇的所述待選擇屬性標(biāo)識(shí)對(duì)應(yīng)的歷史訪問信息確定為所述待推薦信息。6. 如權(quán)利要求1所述的信息推薦方法，其特征在于，在獲取預(yù)設(shè)時(shí)間段內(nèi)的歷史訪問信 息的屬性標(biāo)識(shí)之后，在根據(jù)所述屬性標(biāo)識(shí)計(jì)算每?jī)蓷l所述歷史訪問信息的相似值之前，還 包括： 獲取每條所述屬性標(biāo)識(shí)對(duì)應(yīng)的訪問次數(shù)； 當(dāng)所述訪問次數(shù)小于預(yù)設(shè)閾值時(shí)，刪除所述屬性標(biāo)識(shí)。7. -種信息推薦裝置，其特征在于，包括： 獲取模塊，用于獲取預(yù)設(shè)時(shí)間段內(nèi)的歷史訪問信息的屬性標(biāo)識(shí)； 計(jì)算模塊，用于根據(jù)所述獲取模塊所獲取的屬性標(biāo)識(shí)計(jì)算每?jī)蓷l所述歷史訪問信息的 相似值； 確定模塊，用于利用所述計(jì)算模塊計(jì)算得到的相似值確定待推薦信息； 發(fā)送模塊，用于將所述確定模塊所確定的待推薦信息發(fā)送到相應(yīng)客戶端。8. 如權(quán)利要求7所述的信息推薦裝置，其特征在于，所述計(jì)算模塊包括生成單元、對(duì)比 單元和第一計(jì)算單元，其中， 所述生成單元，用于按照預(yù)設(shè)策略處理所述屬性標(biāo)識(shí)生成每條所述歷史訪問信息的特 征信息； 所述對(duì)比單元，用于兩兩對(duì)比所述特征信息，得到每?jī)蓷l所述特征信息的差量信息； 所述第一計(jì)算單元，用于按照預(yù)設(shè)規(guī)則計(jì)算所述差量信息得到每?jī)蓷l所述歷史訪問信 息的相似值。9. 如權(quán)利要求8所述的信息推薦裝置，其特征在于，所述計(jì)算模塊還包括采集單元和添 加單元，其中， 所述采集單元，用于采集每條所述特征信息對(duì)應(yīng)的歷史訪問信息的最后訪問時(shí)間； 所述添加單元，用于按照所述最后訪問時(shí)間為所述特征信息添加權(quán)重，其中，所述權(quán)重 隨所述最后訪問時(shí)間由舊到新順次增大。10. 如權(quán)利要求8所述的信息推薦裝置，其特征在于，所述生成單元包括讀取子單元、配 置子單元和計(jì)算子單元，其中， 所述讀取子單元，用于讀取所述屬性標(biāo)識(shí)所包含的屬性值； 所述配置子單元，用于按照預(yù)設(shè)條件配置每項(xiàng)所述屬性值的權(quán)重； 所述計(jì)算子單元，用于使用預(yù)設(shè)特征模型計(jì)算所述配置有權(quán)重的屬性值，得到所述屬 性標(biāo)識(shí)對(duì)應(yīng)的特征信息。11. 如權(quán)利要求7所述的信息推薦裝置，其特征在于，所述確定模塊包括確定單元、第二 計(jì)算單元和選擇單元，其中， 所述確定單元，用于確定目標(biāo)屬性標(biāo)識(shí)，其中，所述目標(biāo)屬性標(biāo)識(shí)是屬于同一賬戶的歷 史訪問信息對(duì)應(yīng)的屬性標(biāo)識(shí)； 所述第二計(jì)算單元，用于根據(jù)待選擇屬性標(biāo)識(shí)與所述目標(biāo)屬性標(biāo)識(shí)的相似值計(jì)算每條 所述待選擇屬性標(biāo)識(shí)與所述目標(biāo)屬性標(biāo)識(shí)的相似系數(shù)； 所述選擇單元，用于按照所述相似系數(shù)從大到小選擇預(yù)設(shè)數(shù)量的所述待選擇屬性標(biāo) 識(shí)； 所述確定單元，還用于將所選擇的所述待選擇屬性標(biāo)識(shí)對(duì)應(yīng)的歷史訪問信息確定為所 述待推薦信息。12. 如權(quán)利要求7所述的信息推薦裝置，其特征在于，還包括刪除模塊，其中， 所述獲取模塊，還用于獲取每條所述屬性標(biāo)識(shí)對(duì)應(yīng)的訪問次數(shù)； 所述刪除模塊，用于當(dāng)所述獲取模塊所獲取的訪問次數(shù)小于預(yù)設(shè)閾值時(shí)，刪除所述屬 性標(biāo)識(shí)。
【文檔編號(hào)】G06F17/30GK105868254SQ201510994503
【公開日】2016年8月17日
【申請(qǐng)日】2015年12月25日
【發(fā)明人】劉戀
【申請(qǐng)人】樂視網(wǎng)信息技術(shù)（北京）股份有限公司