CN107451217A - 资讯推荐方法及装置 - Google Patents

Abstract

本发明实施例公开了一种资讯推荐方法及装置，通过实时自动采集全网资讯的数据，并将所述全网资讯的数据存储入库,然后根据所述全网资讯的数据中的文章进行正文抽取、聚类、去杂质和排版优化的优化处理，将进行过优化处理的数据存储入备用内容库，再实施采集用户的行为构建用户画像，根据用户画像中记录的用户信息来从所述备用内容库中匹配资讯信息，将所述匹配资讯信息推送至用户，解决了现有资讯推荐方法需耗费人力的缺点，有针对性的推送出与用户阅读偏好相匹配的优质资讯信息，大大减少人力成本，又能根据用户需求来推送资讯信息。

Description

资讯推荐方法及装置

技术领域

本发明涉及计算机领域，尤其涉及一种资讯推荐方法及装置。

背景技术

自有新闻编辑团队，每天生产大量的新闻资讯内容，并设置相对独特的原创图文、视频栏目，编辑团队筛选出相对优质、热门的资讯内容推送给用户。

现有的资讯推荐方法存在以下缺点：互联网上各种信息掺杂，且更新速度非常快，需要投入大量的人力来进行编辑和筛选工作，运营成本非常高；对用户的阅读兴趣分析不够精准，推送给用户的资讯内容没有和用户需求相贴合，长此以往会导致用户阅读兴趣下降，用户量减少。

发明内容

本发明实施例的目的是提供一种资讯推荐方法及装置，能有效避免现有资讯推荐方法需耗费人力的缺点，能推送符合用户需求的资讯。

为实现上述目的，本发明实施例提供了一种资讯推荐方法，包括步骤：

实时自动采集全网资讯的数据，并将所述全网资讯的数据存储入库；

根据所述全网资讯的数据中的文章进行正文抽取、聚类、去杂质和排版优化的优化处理，将进行过优化处理的数据存储入备用内容库；

实施采集用户的行为构建用户画像，根据用户画像中记录的用户信息来从所述备用内容库中匹配资讯信息，将所述匹配资讯信息推送至用户。

与现有技术相比，本发明公开的资讯推荐方法通过实时自动采集全网资讯的数据，并将所述全网资讯的数据存储入库,然后根据所述全网资讯的数据中的文章进行正文抽取、聚类、去杂质和排版优化的优化处理，将进行过优化处理的数据存储入备用内容库，再实施采集用户的行为构建用户画像，根据用户画像中记录的用户信息来从所述备用内容库中匹配资讯信息，将所述匹配资讯信息推送至用户，解决了现有资讯推荐方法需耗费人力的缺点，有针对性的推送出与用户阅读偏好相匹配的的优质资讯信息，大大减少人力成本，又能根据用户需求来推送资讯信息。

作为上述方案的改进，所述根据用户画像中记录的用户信息来从所述备用内容库中匹配资讯信息前还包括步骤：

收集用户对所述匹配资讯信息的反馈信息，根据所述反馈信息修正所述用户画像。

作为上述方案的改进，所述实施采集用户的行为构建用户画像具体为：

收集用户的日志，根据所述用户的日志获取用户的行为；

对所述用户的行为进行分析，建立用户区分度模型；

根据用户的阅读兴趣、地域、收入信息及所述用户区分度模型，构建用户画像。

作为上述方案的改进，根据用户画像中记录的用户信息来从所述备用内容库中匹配资讯信息具体为：

根据所述用户画像中的兴趣、地域和收入信息，建立个性化推荐模型；

对所述个性化推荐模型进行学习，基于所述个性化推荐模型进行用户的阅读偏好预测；

在所述备用内容库中查找与所述用户的阅读偏好相匹配的资讯。

本发明实施例还提供了一种资讯推荐装置，包括：

采集模块，用于实时自动采集全网资讯的数据，并将所述全网资讯的数据存储入库；

优化处理模块，用于根据所述全网资讯的数据中的文章进行正文抽取、聚类、去杂质和排版优化的优化处理，将进行过优化处理的数据存储入备用内容库；

资讯匹配模块，用于实时采集用户的行为构建用户画像，根据用户画像中记录的用户信息来从所述备用内容库中匹配资讯信息，将所述匹配资讯信息推送至用户。

与现有技术相比，本发明公开的资讯推荐装置通过采集模块实时自动采集全网资讯的数据，并将所述全网资讯的数据存储入库,然后通过优化处理模块根据所述全网资讯的数据中的文章进行正文抽取、聚类、去杂质和排版优化的优化处理，将进行过优化处理的数据存储入备用内容库，再通过资讯匹配模块实施采集用户的行为构建用户画像，根据用户画像中记录的用户信息来从所述备用内容库中匹配资讯信息，将所述匹配资讯信息推送至用户，解决了现有资讯推荐方法需耗费人力的缺点，有针对性的推送出与用户阅读偏好相匹配的的优质资讯信息，大大减少人力成本，又能根据用户需求来推送资讯信息。

作为上述方案的改进，还包括修正模块，用于收集用户对所述匹配资讯信息的反馈信息，根据所述反馈信息修正所述用户画像。

作为上述方案的改进，所述实施采集用户的行为构建用户画像具体为：

收集用户的日志，根据所述用户的日志获取用户的行为；

对所述用户的行为进行分析，构建用户画像。

作为上述方案的改进，根据用户画像中记录的用户信息来从所述备用内容库中匹配资讯信息具体为：

根据所述用户画像中的兴趣、地域和收入信息，建立个性化推荐模型；

对所述个性化推荐模型进行学习，基于所述个性化推荐模型进行用户的阅读偏好预测；

在所述备用内容库中查找与所述用户的阅读偏好相匹配的资讯。

附图说明

图1是本发明实施例1提供的一种资讯推荐方法的流程示意图。

图2是本发明实施例1中步骤S3的流程示意图。

图3是本发明实施例1中步骤S3的另一流程示意图。

图4是本发明实施例2提供的一种资讯推荐装置的结构示意图。

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在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

参见图1，是本发明实施例1提供的一种资讯推荐方法的流程示意图，包括步骤：

S1、实时自动采集全网资讯的数据，并将所述全网资讯的数据存储入库；

S2、根据所述全网资讯的数据中的文章进行正文抽取、聚类、去杂质和排版优化的优化处理，将进行过优化处理的数据存储入备用内容库；

通过该步骤，整合全网资讯文章的基础上，全算法对文章进行正文抽取、聚类、去杂质、排版优化，并通过算法对文章进行热度分析，在内容编选方面尽量减少人工干预，减少对编辑的需求量，降低了运营成本。

S3、实施采集用户的行为构建用户画像，根据用户画像中记录的用户信息来从所述备用内容库中匹配资讯信息，将所述匹配资讯信息推送至用户。

具体实施时，数据后台会24小时不间断采集全网数据，并对采来的数据进行正文抽取、聚类、去杂质、排版优化、热度分析等智能分析处理，经过优化处理后的数据会进入备用内容库。当用户打开客户端后，后台会根据用户的一系列阅读行为和操作建立起不同的用户画像，最终根据用户画像中记录的用户信息来从内容库中匹配用户可能感兴趣的资讯信息，有针对性的推送给用户，解决了现有资讯推荐方法需耗费人力的缺点，有针对性的推送出与用户阅读偏好相匹配的的优质资讯信息，大大减少人力成本，又能根据用户需求来推送资讯信息。

所述根据用户画像中记录的用户信息来从所述备用内容库中匹配资讯信息前还包括步骤：

收集用户对所述匹配资讯信息的反馈信息，根据所述反馈信息修正所述用户画像。

通过上述方案，持续对用户行为进行分析，对个性化推荐效果进行自我修正，可提高推荐结果的准确度。

其中，如图2所示，步骤S3中所述实施采集用户的行为构建用户画像具体为：

S31、收集用户的日志，根据所述用户的日志获取用户的行为；

S32、对所述用户的行为进行分析，建立用户区分度模型；

S33、根据用户的阅读兴趣、地域、收入信息及所述用户区分度模型，构建用户画像。

上述方案通过用户在客户端的一系列行为和操作，建立起用户区分度模型，学习了解用户的阅读兴趣、地域、收入等信息，进而对用户的阅读偏好进行预测。构建出精确细化的用户画像，并根据此画像，通过科学合理的个性化推荐规则，甄选与用户兴趣切合的资讯内容，进行推荐。

优选地，如图3所示，步骤S3中根据用户画像中记录的用户信息来从所述备用内容库中匹配资讯信息具体为：

S34、根据所述用户画像中的兴趣、地域和收入信息，建立个性化推荐模型；

S35、对所述个性化推荐模型进行学习，基于所述个性化推荐模型进行用户的阅读偏好预测；

S36、在所述备用内容库中查找与所述用户的阅读偏好相匹配的资讯。

通过用户在客户端的一系列行为和操作，建立起用户区分度模型，学习了解用户的阅读兴趣、地域、收入等信息，进而对用户的阅读偏好进行预测，从而推送给用户感兴趣的文章。

参见图4，是本发明实施例4提供的一种资讯推荐装置的结构示意图，所述资讯推荐装置100包括：

采集模块101，用于实时自动采集全网资讯的数据，并将所述全网资讯的数据存储入库；

优化处理模块102，用于根据所述全网资讯的数据中的文章进行正文抽取、聚类、去杂质和排版优化的优化处理，将进行过优化处理的数据存储入备用内容库；

资讯匹配模块103，用于实时采集用户的行为构建用户画像，根据用户画像中记录的用户信息来从所述备用内容库中匹配资讯信息，将所述匹配资讯信息推送至用户。

具体实施时，通过实时自动采集全网资讯的数据，并将所述全网资讯的数据存储入库,然后根据所述全网资讯的数据中的文章进行正文抽取、聚类、去杂质和排版优化的优化处理，将进行过优化处理的数据存储入备用内容库，再实施采集用户的行为构建用户画像，根据用户画像中记录的用户信息来从所述备用内容库中匹配资讯信息，将所述匹配资讯信息推送至用户，解决了现有资讯推荐方法需耗费人力的缺点，有针对性的推送出与用户阅读偏好相匹配的的优质资讯信息，大大减少人力成本，又能根据用户需求来推送资讯信息。

优选地，所述资讯推荐装置100还包括修正模块，用于收集用户对所述匹配资讯信息的反馈信息，根据所述反馈信息修正所述用户画像。

优选地，所述实施采集用户的行为构建用户画像具体为：

收集用户的日志，根据所述用户的日志获取用户的行为；

对所述用户的行为进行分析，构建用户画像。

优选地，根据用户画像中记录的用户信息来从所述备用内容库中匹配资讯信息具体为：

根据所述用户画像中的兴趣、地域和收入信息，建立个性化推荐模型；

对所述个性化推荐模型进行学习，基于所述个性化推荐模型进行用户的阅读偏好预测；

在所述备用内容库中查找与所述用户的阅读偏好相匹配的资讯。

本发明实施例公开了一种资讯推荐方法及装置，通过实时自动采集全网资讯的数据，并将所述全网资讯的数据存储入库,然后根据所述全网资讯的数据中的文章进行正文抽取、聚类、去杂质和排版优化的优化处理，将进行过优化处理的数据存储入备用内容库，再实施采集用户的行为构建用户画像，根据用户画像中记录的用户信息来从所述备用内容库中匹配资讯信息，将所述匹配资讯信息推送至用户，解决了现有资讯推荐方法需耗费人力的缺点，有针对性的推送出与用户阅读偏好相匹配的的优质资讯信息，大大减少人力成本，又能根据用户需求来推送资讯信息。

以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为本发明的保护范围。

Claims (8)

1.一种用户画像资讯推荐方法，其特征在于，包括步骤：

实时自动采集全网资讯的数据，并将所述全网资讯的数据存储入库；

根据所述全网资讯的数据中的文章进行正文抽取、聚类、去杂质和排版优化的优化处理，将进行过优化处理的数据存储入备用内容库；

实施采集用户的行为构建用户画像，根据用户画像中记录的用户信息来从所述备用内容库中匹配资讯信息，将所述匹配资讯信息推送至用户。

2.如权利要求1所述的资讯推荐方法，其特征在于，所述根据用户画像中记录的用户信息来从所述备用内容库中匹配资讯信息前还包括步骤：

收集用户对所述匹配资讯信息的反馈信息，根据所述反馈信息修正所述用户画像。

3.如权利要求1所述的资讯推荐方法，其特征在于，所述实施采集用户的行为构建用户画像具体为：

收集用户的日志，根据所述用户的日志获取用户的行为；

对所述用户的行为进行分析，建立用户区分度模型；

根据用户的阅读兴趣、地域、收入信息及所述用户区分度模型，构建用户画像。

4.如权利要求1所述的资讯推荐方法，其特征在于，根据用户画像中记录的用户信息来从所述备用内容库中匹配资讯信息具体为：

根据所述用户画像中的兴趣、地域和收入信息，建立个性化推荐模型；

对所述个性化推荐模型进行学习，基于所述个性化推荐模型进行用户的阅读偏好预测；

在所述备用内容库中查找与所述用户的阅读偏好相匹配的资讯。

5.一种资讯推荐装置，其特征在于，包括：

采集模块，用于实时自动采集全网资讯的数据，并将所述全网资讯的数据存储入库；

优化处理模块，用于根据所述全网资讯的数据中的文章进行正文抽取、聚类、去杂质和排版优化的优化处理，将进行过优化处理的数据存储入备用内容库；

资讯匹配模块，用于实时采集用户的行为构建用户画像，根据用户画像中记录的用户信息来从所述备用内容库中匹配资讯信息，将所述匹配资讯信息推送至用户。

6.如权利要求5所述的资讯推荐装置，其特征在于，还包括：

修正模块，用于收集用户对所述匹配资讯信息的反馈信息，根据所述反馈信息修正所述用户画像。

7.如权利要求5所述的资讯推荐装置，其特征在于，所述实施采集用户的行为构建用户画像具体为：

收集用户的日志，根据所述用户的日志获取用户的行为；

对所述用户的行为进行分析，构建用户画像。

8.如权利要求5所述的资讯推荐装置，其特征在于，根据用户画像中记录的用户信息来从所述备用内容库中匹配资讯信息具体为：

根据所述用户画像中的兴趣、地域和收入信息，建立个性化推荐模型；

对所述个性化推荐模型进行学习，基于所述个性化推荐模型进行用户的阅读偏好预测；

在所述备用内容库中查找与所述用户的阅读偏好相匹配的资讯。