CN103853789A - 一种用于向用户推荐信息的方法和设备 - Google Patents
一种用于向用户推荐信息的方法和设备 Download PDFInfo
- Publication number
- CN103853789A CN103853789A CN201210519582.5A CN201210519582A CN103853789A CN 103853789 A CN103853789 A CN 103853789A CN 201210519582 A CN201210519582 A CN 201210519582A CN 103853789 A CN103853789 A CN 103853789A
- Authority
- CN
- China
- Prior art keywords
- project
- recommended
- targeted customer
- user
- top scores
- 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.)
- Pending
Links
Images
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
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9535—Search customisation based on user profiles and personalisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0241—Advertisements
- G06Q30/0251—Targeted advertisements
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- Finance (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Economics (AREA)
- Game Theory and Decision Science (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种用于向用户推荐信息的方法和设备,其中该方法包括:获取向目标用户推荐的待推荐项目集合;根据邻居用户对所述待推荐项目集合中各项目的评分,得到所述待推荐项目集合中各项目的总体评分;根据所述总体评分向目标用户推荐相应的项目。本发明能够提高项目推荐的准确性。
Description
技术领域
本发明涉及互联网技术领域,特别是涉及一种用于向用户推荐信息的方法和设备。
背景技术
当前很多网站都引入了用户评分机制,为用户在浏览网站时提供参考。然而在垂直搜索技术中,得到所有与用户搜索关键字相关的结果已经不是难题,但是在把搜索结果展示给用户前,如何对搜索结果进行排序,则还是一个尚在研究中的问题。
发明内容
本发明提供了一种用于向用户推荐信息的方法和设备,能够提高向用户推荐项目的准确性。
本发明提供了如下方案:
一种用于向用户推荐信息的方法,包括:
获取向目标用户推荐的待推荐项目集合;
根据邻居用户对所述待推荐项目集合中各项目的评分,得到所述待推荐项目集合中各项目的总体评分;
根据所述总体评分向目标用户推荐相应的项目。
可选的,所述根据邻居用户对所述待推荐项目集合中各项目的评分,得到所述待推荐项目集合中各项目的总体评分包括:
按照公式 计算Sv(t),其中Sv(t)为所述待推荐项目集合中第v个项目第t次迭代后的总体评分,ruv为第u个邻居用户给第v个项目的评分,bu(t)为第u个邻居用户第t次迭代后的可信度,bu(0)的值为1, eu(t)为第u个邻居用户给所述待推荐项目集合中所有N个项目评分第t次迭代后的误差绝对值的平均值,euv(t)=sv(t)-(ruv+au(t)),euv(t)为第u个邻居用户对第v个项目的评分进行第t次偏差矫正后的误差,Nu为第u个邻居用户所评分的项目的个数,au(t)为第u个邻居用户第t次迭代后的评分偏差,au(0)的值为0,v=1,2,...,N,N为自然数,Nu为不大于N的自然数,u=1,2,...,M,i=1,2,...,M,M为自然数,t为自然数;
判断第t次迭代后所有N个项目中最大的评分误差dmax(t)=maxv(|Sv(t)-Sv(t-1)|)是否小于给定阈值,若是,则将Sv(t)作为所述待推荐项目集合中第v个项目的总体评分。
可选的,所述根据所述总体评分向目标用户推荐相应的项目包括:
根据所述总体评分的大小,向目标用户推荐所述待推荐项目集合中的全部或部分项目。
可选的,所述根据所述总体评分向目标用户推荐相应的项目包括:
根据所述总体评分的大小以及目标用户的默认地理位置或用户使用的位置敏感设备的当前地理位置,向目标用户推荐所述待推荐项目集合中的项目。
可选的,所述获取向目标用户推荐的待推荐项目集合包括:
获取目标用户已评分项目的邻居项目集合,从所述邻居项目集合中选取目标用户的邻居用户已评分的项目,得到待推荐项目集合;或
根据项目的浏览量和/或评分数量和/或时间设置,获取当前热门项目,得到向目标用户推荐的待推荐项目集合。
一种用于向用户推荐信息的方法,包括:
根据目标用户输入的关键词在搜索域进行搜索,得到待推荐项目集合;
获取所述待推荐项目集合中各项目的总体评分;
根据所述总体评分向目标用户推荐相应的项目。
可选的,所述获取所述待推荐项目集合中各项目的总体评分包括:
按照公式 计算Sv(t),其中Sv(t)为所述待推荐项目集合中第v个项目第t次迭代后的总体评分,ruv为第u个邻居用户给第v个项目的评分,bu(t)为第u个邻居用户第t次迭代后的可信度,bu(0)的值为1, eu(t)为第u个邻居用户给所述待推荐项目集合中所有N个项目评分第t次迭代后的误差绝对值的平均值,euv(t)=sv(t)-(ruv+au(t)),euv(t)为第u个邻居用户对第v个项目的评分进行第t次偏差矫正后的误差,Nu为第u个邻居用户所评分的项目的个数,au(t)为第u个邻居用户第t次迭代后的评分偏差,au(0)的值为0,v=1,2,...,N,N为自然数,Nu为不大于N的自然数,u=1,2,...,M,i=1,2,...,M,M为自然数,t为自然数;
判断第t次迭代后所有N个项目中最大的评分误差dmax(t)=maxv(|Sv(t)-Sv(t-1)|)是否小于给定阈值,若是,则将Sv(t)作为所述待推荐项目集合中第v个项目的总体评分。
可选的,所述根据所述总体评分向目标用户推荐相应的项目包括:
根据所述总体评分的大小,向目标用户推荐所述待推荐项目集合中的全部或部分项目。
可选的,所述根据所述总体评分向目标用户推荐相应的项目包括:
根据所述总体评分的大小以及目标用户的默认地理位置或用户使用的位置敏感设备的当前地理位置,向目标用户推荐所述待推荐项目集合中的项目。
一种用于向用户推荐信息的设备,包括:
待推荐项目集合获取模块,用于获取向目标用户推荐的待推荐项目集合;
总体评分模块,用于根据邻居用户对所述待推荐项目集合中各项目的评分,得到所述待推荐项目集合中各项目的总体评分;
推荐模块,用于根据所述总体评分向目标用户推荐相应的项目。
可选的,所述总体评分模块包括:
评分单元,用于按照公式 计算Sv(t),其中Sv(t)为所述待推荐项目集合中第v个项目第t次迭代后的总体评分,ruv为第u个邻居用户给第v个项目的评分,bu(t)为第u个邻居用户第t次迭代后的可信度,bu(0)的值为1, eu(t)为第u个邻居用户给所述待推荐项目集合中所有N个项目评分第t次迭代后的误差绝对值的平均值,euv(t)=sv(t)-(ruv+au(t)),euv(t)为第u个邻居用户对第v个项目的评分进行第t次偏差矫正后的误差,Nu为第u个邻居用户所评分的项目的个数,au(t)为第u个邻居用户第t次迭代后的评分偏差,au(0)的值为0,v=1,2,...,N,N为自然数,Nu为不大于N的自然数,u=1,2,...,M,i=1,2,...,M,M为自然数,t为自然数;
判断单元,用于判断第t次迭代后所有N个项目中最大的评分误差dmax(t)=maxv(|Sv(t)-Sv(t-1))是否小于给定阈值,若是,则将Sv(t)作为所述待推荐项目集合中第v个项目的总体评分。
可选的,所述推荐模块具体用于:
根据所述总体评分的大小,向目标用户推荐所述待推荐项目集合中的全部或部分项目。
可选的,所述推荐模块具体用于:
根据所述总体评分的大小以及目标用户的默认地理位置或用户使用的位置敏感设备的当前地理位置,向目标用户推荐所述待推荐项目集合中的项目。
可选的,所述待推荐项目集合获取模块具体用于:
获取目标用户已评分项目的邻居项目集合,从所述邻居项目集合中选取目标用户的邻居用户已评分的项目,得到待推荐项目集合;或
根据项目的浏览量和/或评分数量和/或时间设置,获取当前热门项目,得到向目标用户推荐的待推荐项目集合。
一种用于向用户推荐信息的设备,包括:
搜索模块,用于根据目标用户输入的关键词在搜索域进行搜索,得到待推荐项目集合;
总体评分模块,用于获取所述待推荐项目集合中各项目的总体评分;
推荐模块,用于根据所述总体评分向目标用户推荐相应的项目。
可选的,所述总体评分模块包括:
评分单元,用于按照公式 计算Sv(t),其中Sv(t)为所述待推荐项目集合中第v个项目第t次迭代后的总体评分,ruv为第u个邻居用户给第v个项目的评分,bu(t)为第u个邻居用户第t次迭代后的可信度,bu(0)的值为1, eu(t)为第u个邻居用户给所述待推荐项目集合中所有N个项目评分第t次迭代后的误差绝对值的平均值,euv(t)=sv(t)-(ruv+au(t)),euv(t)为第u个邻居用户对第v个项目的评分进行第t次偏差矫正后的误差,Nu为第u个邻居用户所评分的项目的个数,au(t)为第u个邻居用户第t次迭代后的评分偏差,au(0)的值为0,v=1,2,...,N,N为自然数,Nu为不大于N的自然数,u=1,2,...,M,i=1,2,...,M,M为自然数,t为自然数;
判断单元,用于判断第t次迭代后所有N个项目中最大的评分误差dmax(t)=maxv(|Sv(t)-Sv(t-1))是否小于给定阈值,若是,则将Sv(t)作为所述待推荐项目集合中第v个项目的总体评分。
可选的,所述推荐模块具体用于:
根据所述总体评分的大小,向目标用户推荐所述待推荐项目集合中的全部或部分项目。
可选的,所述推荐模块具体用于:
根据所述总体评分的大小以及目标用户的默认地理位置或用户使用的位置敏感设备的当前地理位置,向目标用户推荐所述待推荐项目集合中的项目。
在本发明的技术方案中,通过综合用户相似度和项目相似度对用户未评分项目进行预测评分,预测评分考虑的因素更全面,项目推荐的准确性更高。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例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发明的一些实施例,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为本发明第一实施例的用于向用户推荐信息的方法流程图;
图2为本发明第二实施例的用于向用户推荐信息的方法流程图;
图3为本发明第一实施例的用于向用户推荐信息的设备模块图;
图4为本发明第二实施例的用于向用户推荐信息的设备模块图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员所获得的所有其他实施例,都属于本发明保护的范围。
请参阅图1,其为本发明一种用于向用户推荐信息的方法第一实施例流程图。在本实施例中,包括如下步骤:
步骤110:获取向目标用户推荐的待推荐项目集合。
本发明实施例中的项目可以是电子商务网站中的商品,或点评类网站中的被评价物,或新闻类网站中的讯息,或论坛类网站中的话题,即本发明实施例中的项目不限于具体的形式,只要是可以在网络上呈现的信息均适用于本发明。在具体实现本步骤时,可以有多种方式,例如,可以根据项目之间的关联性(具有关联性的项目可以是属于同一类别的项目,也可以是由同一提供方提供的项目等),获取目标用户已评分项目的邻居项目集合,从邻居项目集合中选取目标用户的邻居用户已评分的项目,得到待推荐项目集合;也可以根据项目的浏览量和/或评分数量和/或时间设置,将浏览量达到设定要求、和/或评分的用户数量达到一定要求、和/或项目的发布或更新或对项目评分符合的时间设置的项目作为当前热门项目,获取当前热门项目,得到向目标用户推荐的待推荐项目集合。
步骤120:根据邻居用户对待推荐项目集合中各项目的评分,得到待推荐项目集合中各项目的总体评分。
其中,邻居用户可以是在该网站上注册的用户,也可以是在该网站上与目标用户属于同一个小组的用户。在具体实现本步骤时,可以引入用户可信度的概念,用于反映单个用户评分的可信程度,以及用户偏差的概念,用于反映单个用户在评分时的整体偏向性,通过如下方式得到待推荐项目集合中各项目的总体评分:
按照公式 计算Sv(t),其中Sv(t)为所述待推荐项目集合中第v个项目第t次迭代后的总体评分,ruv为第u个邻居用户给第v个项目的评分,bu(t)为第u个邻居用户第t次迭代后的可信度,bu(0)的值为1, eu(t)为第u个邻居用户给所述待推荐项目集合中所有N个项目评分第t次迭代后的误差绝对值的平均值,euv(t)=sv(t)-(ruv+au(t)),euv(t)为第u个邻居用户对第v个项目的评分进行第t次偏差矫正后的误差,Nu为第u个邻居用户所评分的项目的个数,au(t)为第u个邻居用户第t次迭代后的评分偏差,au(0)的值为0,v=1,2,...,N,N为自然数,Nu为不大于N的自然数,u=1,2,...,M,i=1,2,...,M,M为自然数,t为自然数;
判断第t次迭代后所有N个项目中最大的评分误差dmax(t)=maxv(|Sv(t)-Sv(t-1)|)是否小于给定阈值,若是,则将Sv(t)作为所述待推荐项目集合中第v个项目的总体评分。
在上述实施例中,假设***中有M个用户和N个项目。把用户u项目v的评分记为ruv,所有评分的集合{ruv}记为R。需要指出的是,集合R中元素的个数可能小于M×N,也就是说,不是每个用户都对所有的项目给出了评分,没有评分的情况不计入上述公式的计算。
上述方式在计算项目评分时,首先对该项目的所有邻居评分进行偏差矫正,然后根据用户可信度计算加权平均值,通过多次迭代计算来逼近用户的真实可信度,缩小用户偏差,从而提供项目最后得分的真实值。
现有技术在计算项目的得分时,一般只对评分进行单一维度的分析,即或者只是分析单一用户的评分,或者只是分析单一项目得到的所有评分。相比现有技术,本发明实施例从整体的角度,根据单个用户对所有相关项目(所有该用户给出了评分的项目)的评分与所有用户对这些项目的评分之间的差别来分析该用户的评分整体偏差和评分可信度,对该项目的所有邻居评分进行偏差矫正,然后根据用户可信度计算加权平均值,通过多次迭代计算来逼近用户的真实可信度,缩小用户偏差,从而提高了项目最后得分的准确性,进而提高整个***(垂直搜索或推荐***)最终的准确性。
步骤130:根据总体评分向目标用户推荐相应的项目。
在具体实现本步骤时,可以有多种实现方式,例如可以根据总体评分的大小,向目标用户推荐待推荐项目集合中的全部或部分项目;也可以根据总体评分的大小并结合目标用户的默认地理位置或用户使用的位置敏感设备的当前地理位置,向目标用户推荐待推荐项目集合中的项目。
请参阅图2,其为本发明一种用于向用户推荐信息的方法第二实施例流程图。在本实施例中,包括如下步骤:
步骤210:根据目标用户输入的关键词在搜索域进行搜索,得到待推荐项目集合。
本发明实施例中的项目可以是电子商务网站中的商品,或点评类网站中的被评价物,或新闻类网站中的讯息,或论坛类网站中的话题,即本发明实施例中的项目不限于具体的形式,只要是可以在网络上呈现的信息均适用于本发明。
步骤220:获取待推荐项目集合中各项目的总体评分。
在具体实现本步骤时,可以引入用户可信度的概念,用于反映单个用户评分的可信程度,以及用户偏差的概念,用于反映单个用户在评分时的整体偏向性,通过如下方式得到待推荐项目集合中各项目的总体评分:
按照公式 计算Sv(t),其中Sv(t)为所述待推荐项目集合中第v个项目第t次迭代后的总体评分,ruv为第u个邻居用户给第v个项目的评分,bu(t)为第u个邻居用户第t次迭代后的可信度,bu(0)的值为1, eu(t)为第u个邻居用户给所述待推荐项目集合中所有N个项目评分第t次迭代后的误差绝对值的平均值,euv(t)=sv(t)-(ruv+au(t)),euv(t)为第u个邻居用户对第v个项目的评分进行第t次偏差矫正后的误差,Nu为第u个邻居用户所评分的项目的个数,au(t)为第u个邻居用户第t次迭代后的评分偏差,au(0)的值为0,v=1,2,...,N,N为自然数,Nu为不大于N的自然数,u=1,2,...,M,i=1,2,...,M,M为自然数,t为自然数;
判断第t次迭代后所有N个项目中最大的评分误差dmax(t)=maxv(|Sv(t)-Sv(t-1)|)是否小于给定阈值,若是,则将Sv(t)作为所述待推荐项目集合中第v个项目的总体评分。
上述方式在计算项目评分时,首先对该项目的所有邻居评分进行偏差矫正,然后根据用户可信度计算加权平均值,通过多次迭代计算来逼近用户的真实可信度,缩小用户偏差,从而提供项目最后得分的真实值。
现有技术在计算项目的得分时,一般只对评分进行单一维度的分析,即或者只是分析单一用户的评分,或者只是分析单一项目得到的所有评分。相比现有技术,本发明实施例从整体的角度,根据单个用户对所有相关项目(所有该用户给出了评分的项目)的评分与所有用户对这些项目的评分之间的差别来分析该用户的评分整体偏差和评分可信度,对该项目的所有邻居评分进行偏差矫正,然后根据用户可信度计算加权平均值,通过多次迭代计算来逼近用户的真实可信度,缩小用户偏差,从而提高了项目最后得分的准确性,进而提高整个***(垂直搜索或推荐***)最终的准确性。
步骤230:根据总体评分向目标用户推荐相应的项目。
在具体实现本步骤时,可以有多种实现方式,例如可以根据总体评分的大小,向目标用户推荐待推荐项目集合中的全部或部分项目;也可以根据总体评分的大小并结合目标用户的默认地理位置或用户使用的位置敏感设备的当前地理位置,向目标用户推荐待推荐项目集合中的项目。
与前述本发明实施例提供的一种用于向用户推荐信息的方法相对应,本发明实施例还提供了一种用于向用户推荐信息的装置,如图3所示,该装置包括:
待推荐项目集合获取模块310,用于获取向目标用户推荐的待推荐项目集合。
本发明实施例中的项目可以是电子商务网站中的商品,或点评类网站中的被评价物,或新闻类网站中的讯息,或论坛类网站中的话题,即本发明实施例中的项目不限于具体的形式,只要是可以在网络上呈现的信息均适用于本发明。在具体配置本模块时,可以有多种方式,例如,可以根据项目之间的关联性(具有关联性的项目可以是属于同一类别的项目,也可以是由同一提供方提供的项目等),获取目标用户已评分项目的邻居项目集合,从邻居项目集合中选取目标用户的邻居用户已评分的项目,得到待推荐项目集合;也可以根据项目的浏览量和/或评分数量和/或时间设置,将浏览量达到设定要求、和/或评分的用户数量达到一定要求、和/或项目的发布或更新或对项目评分符合的时间设置的项目作为当前热门项目,获取当前热门项目,得到向目标用户推荐的待推荐项目集合。
总体评分模块320,用于根据邻居用户对待推荐项目集合中各项目的评分,得到待推荐项目集合中各项目的总体评分。
在具体实现本模块时,总体评分模块可以包括:
评分单元,被配置为按照公式 计算Sv(t),其中Sv(t)为所述待推荐项目集合中第v个项目第t次迭代后的总体评分,ruv为第u个邻居用户给第v个项目的评分,bu(t)为第u个邻居用户第t次迭代后的可信度,bu(0)的值为1, eu(t)为第u个邻居用户给所述待推荐项目集合中所有N个项目评分第t次迭代后的误差绝对值的平均值,euv(t)=sv(t)-(ruv+au(t)),euv(t)为第u个邻居用户对第v个项目的评分进行第t次偏差矫正后的误差,Nu为第u个邻居用户所评分的项目的个数,au(t)为第u个邻居用户第t次迭代后的评分偏差,au(0)的值为0,v=1,2,...,N,N为自然数,Nu为不大于N的自然数,u=1,2,...,M,i=1,2,...,M,M为自然数,t为自然数;以及
判断单元,被配置为判断第t次迭代后所有N个项目中最大的评分误差dmax(t)=maxv(|Sv(t)-Sv(t-1)|)是否小于给定阈值,若是,则将Sv(t)作为所述待推荐项目集合中第v个项目的总体评分。
上述方式在计算项目评分时,首先对该项目的所有邻居评分进行偏差矫正,然后根据用户可信度计算加权平均值,通过多次迭代计算来逼近用户的真实可信度,缩小用户偏差,从而提供项目最后得分的真实值。
现有技术在计算项目的得分时,一般只对评分进行单一维度的分析,即或者只是分析单一用户的评分,或者只是分析单一项目得到的所有评分。相比现有技术,本发明实施例从整体的角度,根据单个用户对所有相关项目(所有该用户给出了评分的项目)的评分与所有用户对这些项目的评分之间的差别来分析该用户的评分整体偏差和评分可信度,对该项目的所有邻居评分进行偏差矫正,然后根据用户可信度计算加权平均值,通过多次迭代计算来逼近用户的真实可信度,缩小用户偏差,从而提高了项目最后得分的准确性,进而提高整个***(垂直搜索或推荐***)最终的准确性。
推荐模块330,用于根据总体评分向目标用户推荐相应的项目。
在具体实现本模块时,推荐模块可以被配置为:根据总体评分的大小,向目标用户推荐待推荐项目集合中的全部或部分项目。在另一中实现方式中,推荐模块被配置为:根据总体评分的大小以及目标用户的默认地理位置或用户使用的位置敏感设备的当前地理位置,向目标用户推荐待推荐项目集合中的项目。
请参阅图4,其为本发明一种用于向用户推荐信息的设备第二实施例模块图。在本实施例中,包括:
搜索模块410,用于根据目标用户输入的关键词在搜索域进行搜索,得到待推荐项目集合。
本发明实施例中的项目可以是电子商务网站中的商品,或点评类网站中的被评价物,或新闻类网站中的讯息,或论坛类网站中的话题,即本发明实施例中的项目不限于具体的形式,只要是可以在网络上呈现的信息均适用于本发明。
总体评分模块420,用于获取待推荐项目集合中各项目的总体评分。
在具体实现本模块时,总体评分模块可以包括:
评分单元,被配置为按照公式 计算Sv(t),其中Sv(t)为所述待推荐项目集合中第v个项目第t次迭代后的总体评分,ruv为第u个邻居用户给第v个项目的评分,bu(t)为第u个邻居用户第t次迭代后的可信度,bu(0)的值为1, eu(t)为第u个邻居用户给所述待推荐项目集合中所有N个项目评分第t次迭代后的误差绝对值的平均值,euv(t)=sv(t)-(ruv+au(t)),euv(t)为第u个邻居用户对第v个项目的评分进行第t次偏差矫正后的误差,Nu为第u个邻居用户所评分的项目的个数,au(t)为第u个邻居用户第t次迭代后的评分偏差,au(0)的值为0,v=1,2,...,N,N为自然数,Nu为不大于N的自然数,u=1,2,...,M,i=1,2,...,M,M为自然数,t为自然数;以及
判断单元,被配置为判断第t次迭代后所有N个项目中最大的评分误差dmax(t)=maxv(|Sv(t)-Sv(t-1)|)是否小于给定阈值,若是,则将Sv(t)作为所述待推荐项目集合中第v个项目的总体评分。
上述方式在计算项目评分时,首先对该项目的所有邻居评分进行偏差矫正,然后根据用户可信度计算加权平均值,通过多次迭代计算来逼近用户的真实可信度,缩小用户偏差,从而提供项目最后得分的真实值。
现有技术在计算项目的得分时,一般只对评分进行单一维度的分析,即或者只是分析单一用户的评分,或者只是分析单一项目得到的所有评分。相比现有技术,本发明实施例从整体的角度,根据单个用户对所有相关项目(所有该用户给出了评分的项目)的评分与所有用户对这些项目的评分之间的差别来分析该用户的评分整体偏差和评分可信度,对该项目的所有邻居评分进行偏差矫正,然后根据用户可信度计算加权平均值,通过多次迭代计算来逼近用户的真实可信度,缩小用户偏差,从而提高了项目最后得分的准确性,进而提高整个***(垂直搜索或推荐***)最终的准确性。
推荐模块430,用于根据总体评分向目标用户推荐相应的项目。
在具体实现本模块时,推荐模块可以被配置为:根据总体评分的大小,向目标用户推荐待推荐项目集合中的全部或部分项目。在另一种实现方式中,推荐模块被配置为:根据总体评分的大小以及目标用户的默认地理位置或用户使用的位置敏感设备的当前地理位置,向目标用户推荐待推荐项目集合中的项目。
通过以上的实施方式的描述可知,本领域的技术人员可以清楚地了解到本发明可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例或者实施例的某些部分所述的方法。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于装置或***实施例而言,由于其基本相似于方法实施例,所以描述得比较简单,相关之处参见方法实施例的部分说明即可。以上所描述的装置及***实施例仅仅是示意性的,其中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模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性劳动的情况下,即可以理解并实施。
以上对本发明进行了详细介绍,本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本发明的限制。
Claims (18)
1.一种用于向用户推荐信息的方法,其特征在于,包括:
获取向目标用户推荐的待推荐项目集合;
根据邻居用户对所述待推荐项目集合中各项目的评分,得到所述待推荐项目集合中各项目的总体评分;
根据所述总体评分向目标用户推荐相应的项目。
2.如权利要求1所述的方法,其特征在于,所述根据邻居用户对所述待推荐项目集合中各项目的评分,得到所述待推荐项目集合中各项目的总体评分包括:
按照公式 计算Sv(t),其中Sv(t)为所述待推荐项目集合中第v个项目第t次迭代后的总体评分,ruv为第u个邻居用户给第v个项目的评分,bu(t)为第u个邻居用户第t次迭代后的可信度,bu(0)的值为1, eu(t)为第u个邻居用户给所述待推荐项目集合中所有N个项目评分第t次迭代后的误差绝对值的平均值,euv(t)=sv(t)-(ruv+au(t)),euv(t)为第u个邻居用户对第v个项目的评分进行第t次偏差矫正后的误差,Nu为第u个邻居用户所评分的项目的个数,au(t)为第u个邻居用户第t次迭代后的评分偏差,au(0)的值为0,v=1,2,...,N,N为自然数,Nu为不大于N的自然数,u=1,2,...,M,i=1,2,...,M,M为自然数,t为自然数;
判断第t次迭代后所有N个项目中最大的评分误差dmax(t)=maxv(|Sv(t)-Sv(t-1)|)是否小于给定阈值,若是,则将Sv(t)作为所述待推荐项目集合中第v个项目的总体评分。
3.如权利要求1所述的方法,其特征在于,所述根据所述总体评分向目标用户推荐相应的项目包括:
根据所述总体评分的大小,向目标用户推荐所述待推荐项目集合中的全部或部分项目。
4.如权利要求1所述的方法,其特征在于,所述根据所述总体评分向目标用户推荐相应的项目包括:
根据所述总体评分的大小以及目标用户的默认地理位置或用户使用的位置敏感设备的当前地理位置,向目标用户推荐所述待推荐项目集合中的项目。
5.如权利要求1所述的方法,其特征在于,所述获取向目标用户推荐的待推荐项目集合包括:
获取目标用户已评分项目的邻居项目集合,从所述邻居项目集合中选取目标用户的邻居用户已评分的项目,得到待推荐项目集合;或
根据项目的浏览量和/或评分数量和/或时间设置,获取当前热门项目,得到向目标用户推荐的待推荐项目集合。
6.一种用于向用户推荐信息的方法,其特征在于,包括:
根据目标用户输入的关键词在搜索域进行搜索,得到待推荐项目集合;
获取所述待推荐项目集合中各项目的总体评分;
根据所述总体评分向目标用户推荐相应的项目。
7.如权利要求6所述的方法,其特征在于,所述获取所述待推荐项目集合中各项目的总体评分包括:
按照公式 计算Sv(t),其中Sv(t)为所述待推荐项目集合中第v个项目第t次迭代后的总体评分,ruv为第u个邻居用户给第v个项目的评分,bu(t)为第u个邻居用户第t次迭代后的可信度,bu(0)的值为1, eu(t)为第u个邻居用户给所述待推荐项目集合中所有N个项目评分第t次迭代后的误差绝对值的平均值,euv(t)=sv(t)-(ruv+au(t)),euv(t)为第u个邻居用户对第v个项目的评分进行第t次偏差矫正后的误差,Nu为第u个邻居用户所评分的项目的个数,au(t)为第u个邻居用户第t次迭代后的评分偏差,au(0)的值为0,v=1,2,...,N,N为自然数,Nu为不大于N的自然数,u=1,2,...,M,i=1,2,...,M,M为自然数,t为自然数;
判断第t次迭代后所有N个项目中最大的评分误差dmax(t)=maxv(|Sv(t)-Sv(t-1)|)是否小于给定阈值,若是,则将Sv(t)作为所述待推荐项目集合中第v个项目的总体评分。
8.如权利要求6所述的方法,其特征在于,所述根据所述总体评分向目标用户推荐相应的项目包括:
根据所述总体评分的大小,向目标用户推荐所述待推荐项目集合中的全部或部分项目。
9.如权利要求6所述的方法,其特征在于,所述根据所述总体评分向目标用户推荐相应的项目包括:
根据所述总体评分的大小以及目标用户的默认地理位置或用户使用的位置敏感设备的当前地理位置,向目标用户推荐所述待推荐项目集合中的项目。
10.一种用于向用户推荐信息的设备,其特征在于,包括:
待推荐项目集合获取模块,用于获取向目标用户推荐的待推荐项目集合;
总体评分模块,用于根据邻居用户对所述待推荐项目集合中各项目的评分,得到所述待推荐项目集合中各项目的总体评分;
推荐模块,用于根据所述总体评分向目标用户推荐相应的项目。
11.如权利要求10所述的设备,其特征在于,所述总体评分模块包括:
评分单元,用于按照公式 计算Sv(t),其中Sv(t)为所述待推荐项目集合中第v个项目第t次迭代后的总体评分,ruv为第u个邻居用户给第v个项目的评分,bu(t)为第u个邻居用户第t次迭代后的可信度,bu(0)的值为1, eu(t)为第u个邻居用户给所述待推荐项目集合中所有N个项目评分第t次迭代后的误差绝对值的平均值,euv(t)=sv(t)-(ruv+au(t)),euv(t)为第u个邻居用户对第v个项目的评分进行第t次偏差矫正后的误差,Nu为第u个邻居用户所评分的项目的个数,au(t)为第u个邻居用户第t次迭代后的评分偏差,au(0)的值为0,v=1,2,...,N,N为自然数,Nu为不大于N的自然数,u=1,2,...,M,i=1,2,...,M,M为自然数,t为自然数;
判断单元,用于判断第t次迭代后所有N个项目中最大的评分误差dmax(t)=maxv(|Sv(t)-Sv(t-1))是否小于给定阈值,若是,则将Sv(t)作为所述待推荐项目集合中第v个项目的总体评分。
12.如权利要求10所述的设备,其特征在于,所述推荐模块具体用于:
根据所述总体评分的大小,向目标用户推荐所述待推荐项目集合中的全部或部分项目。
13.如权利要求10所述的设备,其特征在于,所述推荐模块具体用于:
根据所述总体评分的大小以及目标用户的默认地理位置或用户使用的位置敏感设备的当前地理位置,向目标用户推荐所述待推荐项目集合中的项目。
14.如权利要求10所述的设备,其特征在于,所述待推荐项目集合获取模块具体用于:
获取目标用户已评分项目的邻居项目集合,从所述邻居项目集合中选取目标用户的邻居用户已评分的项目,得到待推荐项目集合;或
根据项目的浏览量和/或评分数量和/或时间设置,获取当前热门项目,得到向目标用户推荐的待推荐项目集合。
15.一种用于向用户推荐信息的设备,其特征在于,包括:
搜索模块,用于根据目标用户输入的关键词在搜索域进行搜索,得到待推荐项目集合;
总体评分模块,用于获取所述待推荐项目集合中各项目的总体评分;
推荐模块,用于根据所述总体评分向目标用户推荐相应的项目。
16.如权利要求15所述的设备,其特征在于,所述总体评分模块包括:
评分单元,用于按照公式 计算Sv(t),其中Sv(t)为所述待推荐项目集合中第v个项目第t次迭代后的总体评分,ruv为第u个邻居用户给第v个项目的评分,bu(t)为第u个邻居用户第t次迭代后的可信度,bu(0)的值为1, eu(t)为第u个邻居用户给所述待推荐项目集合中所有N个项目评分第t次迭代后的误差绝对值的平均值,euv(t)=sv(t)-(ruv+au(t)),euv(t)为第u个邻居用户对第v个项目的评分进行第t次偏差矫正后的误差,Nu为第u个邻居用户所评分的项目的个数,au(t)为第u个邻居用户第t次迭代后的评分偏差,au(0)的值为0,v=1,2,...,N,N为自然数,Nu为不大于N的自然数,u=1,2,...,M,i=1,2,...,M,M为自然数,t为自然数;
判断单元,用于判断第t次迭代后所有N个项目中最大的评分误差dmax(t)=maxv(|Sv(t)-Sv(t-1))是否小于给定阈值,若是,则将Sv(t)作为所述待推荐项目集合中第v个项目的总体评分。
17.如权利要求15所述的设备,其特征在于,所述推荐模块具体用于:
根据所述总体评分的大小,向目标用户推荐所述待推荐项目集合中的全部或部分项目。
18.如权利要求15所述的设备,其特征在于,所述推荐模块具体用于:
根据所述总体评分的大小以及目标用户的默认地理位置或用户使用的位置敏感设备的当前地理位置,向目标用户推荐所述待推荐项目集合中的项目。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210519582.5A CN103853789A (zh) | 2012-12-06 | 2012-12-06 | 一种用于向用户推荐信息的方法和设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210519582.5A CN103853789A (zh) | 2012-12-06 | 2012-12-06 | 一种用于向用户推荐信息的方法和设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN103853789A true CN103853789A (zh) | 2014-06-11 |
Family
ID=50861456
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201210519582.5A Pending CN103853789A (zh) | 2012-12-06 | 2012-12-06 | 一种用于向用户推荐信息的方法和设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103853789A (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105045867A (zh) * | 2015-07-14 | 2015-11-11 | 杭州东信北邮信息技术有限公司 | 一种基于图书评分的图书作家推荐方法 |
CN105045849A (zh) * | 2015-06-30 | 2015-11-11 | 北京奇艺世纪科技有限公司 | 一种目标对象的选取、推送方法及装置 |
CN105208033A (zh) * | 2015-10-08 | 2015-12-30 | 华中科技大学 | 一种基于智能终端情景的群体辅助推荐方法及*** |
CN105718467A (zh) * | 2014-12-03 | 2016-06-29 | 苏宁云商集团股份有限公司 | 检索算法评估推荐方法和*** |
CN105792000A (zh) * | 2014-12-23 | 2016-07-20 | 北京数码视讯科技股份有限公司 | 一种视频推荐方法及装置 |
CN107526800A (zh) * | 2017-08-20 | 2017-12-29 | 平安科技(深圳)有限公司 | 信息推荐的装置、方法及计算机可读存储介质 |
CN107766441A (zh) * | 2017-09-21 | 2018-03-06 | 北京百度网讯科技有限公司 | 基于人工智能的资源更新提醒方法、装置及存储介质 |
CN108074158A (zh) * | 2016-11-18 | 2018-05-25 | 腾讯科技(深圳)有限公司 | 共享租赁平台的用户推荐页面展示方法、装置及服务器 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2004114155A1 (ja) * | 2003-06-20 | 2004-12-29 | Fujitsu Limited | コンテンツ推薦装置、方法及びプログラム |
CN101271559A (zh) * | 2008-05-16 | 2008-09-24 | 华东师范大学 | 一种基于用户局部兴趣挖掘的协作推荐*** |
CN101329683A (zh) * | 2008-07-25 | 2008-12-24 | 华为技术有限公司 | 推荐***及方法 |
CN102567899A (zh) * | 2011-12-27 | 2012-07-11 | 纽海信息技术(上海)有限公司 | 基于地理信息的商品推荐方法 |
-
2012
- 2012-12-06 CN CN201210519582.5A patent/CN103853789A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2004114155A1 (ja) * | 2003-06-20 | 2004-12-29 | Fujitsu Limited | コンテンツ推薦装置、方法及びプログラム |
CN101271559A (zh) * | 2008-05-16 | 2008-09-24 | 华东师范大学 | 一种基于用户局部兴趣挖掘的协作推荐*** |
CN101329683A (zh) * | 2008-07-25 | 2008-12-24 | 华为技术有限公司 | 推荐***及方法 |
CN102567899A (zh) * | 2011-12-27 | 2012-07-11 | 纽海信息技术(上海)有限公司 | 基于地理信息的商品推荐方法 |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105718467A (zh) * | 2014-12-03 | 2016-06-29 | 苏宁云商集团股份有限公司 | 检索算法评估推荐方法和*** |
CN105792000A (zh) * | 2014-12-23 | 2016-07-20 | 北京数码视讯科技股份有限公司 | 一种视频推荐方法及装置 |
CN105045849A (zh) * | 2015-06-30 | 2015-11-11 | 北京奇艺世纪科技有限公司 | 一种目标对象的选取、推送方法及装置 |
CN105045867A (zh) * | 2015-07-14 | 2015-11-11 | 杭州东信北邮信息技术有限公司 | 一种基于图书评分的图书作家推荐方法 |
CN105045867B (zh) * | 2015-07-14 | 2018-02-13 | 杭州东信北邮信息技术有限公司 | 一种基于图书评分的图书作家推荐方法 |
CN105208033A (zh) * | 2015-10-08 | 2015-12-30 | 华中科技大学 | 一种基于智能终端情景的群体辅助推荐方法及*** |
CN105208033B (zh) * | 2015-10-08 | 2018-03-27 | 华中科技大学 | 一种基于智能终端情景的群体辅助推荐方法及*** |
CN108074158A (zh) * | 2016-11-18 | 2018-05-25 | 腾讯科技(深圳)有限公司 | 共享租赁平台的用户推荐页面展示方法、装置及服务器 |
CN108074158B (zh) * | 2016-11-18 | 2021-12-21 | 腾讯科技(深圳)有限公司 | 共享租赁平台的用户推荐页面展示方法、装置及服务器 |
CN107526800A (zh) * | 2017-08-20 | 2017-12-29 | 平安科技(深圳)有限公司 | 信息推荐的装置、方法及计算机可读存储介质 |
CN107526800B (zh) * | 2017-08-20 | 2019-03-26 | 平安科技(深圳)有限公司 | 信息推荐的装置、方法及计算机可读存储介质 |
CN107766441A (zh) * | 2017-09-21 | 2018-03-06 | 北京百度网讯科技有限公司 | 基于人工智能的资源更新提醒方法、装置及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103853789A (zh) | 一种用于向用户推荐信息的方法和设备 | |
CN108121737B (zh) | 一种业务对象属性标识的生成方法、装置和*** | |
CN104462156B (zh) | 一种基于用户行为的特征提取、个性化推荐方法和*** | |
Wang et al. | Product weakness finder: an opinion-aware system through sentiment analysis | |
US20100250335A1 (en) | System and method using text features for click prediction of sponsored search advertisements | |
CN105247507A (zh) | 品牌的影响力得分 | |
US20140172415A1 (en) | Apparatus, system, and method of providing sentiment analysis result based on text | |
CN105095256A (zh) | 基于用户之间相似度进行信息推送的方法及装置 | |
CN102982153A (zh) | 一种信息检索方法及其装置 | |
CN105488233A (zh) | 阅读信息推荐方法和*** | |
CN103577549A (zh) | 一种基于微博标签的人群画像***和方法 | |
CN103729360A (zh) | 一种兴趣标签推荐方法及*** | |
CN103514304A (zh) | 一种项目推荐方法和装置 | |
CN104751354A (zh) | 一种广告人群筛选方法 | |
CN105335409A (zh) | 一种目标用户的确定方法、设备和网络服务器 | |
US10997264B2 (en) | Delivery of contextual interest from interaction information | |
CN110674620A (zh) | 目标文案生成方法、装置、介质及电子设备 | |
US20180139296A1 (en) | Method of producing browsing attributes of users, and non-transitory computer-readable storage medium | |
CN105809478A (zh) | 一种广告标签的标注方法及*** | |
US20160104074A1 (en) | Recommending Bidded Terms | |
CN103530416A (zh) | 项目数据预测评分库的生成、项目数据的推送方法和*** | |
CN105468649A (zh) | 一种待展示对象匹配的判断方法及其装置 | |
US10115125B2 (en) | Determining traffic quality using event-based traffic scoring | |
CN105809275A (zh) | 一种物品评分预测方法及装置 | |
Moya et al. | Integrating web feed opinions into a corporate data warehouse |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20140611 |
|
WD01 | Invention patent application deemed withdrawn after publication |