CN112528130A - 一种信息推荐方法、装置、设备及计算机可读存储介质 - Google Patents
一种信息推荐方法、装置、设备及计算机可读存储介质 Download PDFInfo
- Publication number
- CN112528130A CN112528130A CN201910822777.9A CN201910822777A CN112528130A CN 112528130 A CN112528130 A CN 112528130A CN 201910822777 A CN201910822777 A CN 201910822777A CN 112528130 A CN112528130 A CN 112528130A
- Authority
- CN
- China
- Prior art keywords
- information
- value
- candidate
- occasion
- preference information
- 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
- 238000000034 method Methods 0.000 title claims abstract description 45
- 230000004927 fusion Effects 0.000 claims abstract description 26
- 238000012545 processing Methods 0.000 claims description 21
- 238000004590 computer program Methods 0.000 claims description 8
- 235000013305 food Nutrition 0.000 abstract description 7
- 238000010586 diagram Methods 0.000 description 8
- 239000011159 matrix material Substances 0.000 description 7
- 235000012054 meals Nutrition 0.000 description 7
- 238000013550 semantic technology Methods 0.000 description 6
- 230000009469 supplementation Effects 0.000 description 5
- 235000019640 taste Nutrition 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 238000000354 decomposition reaction Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 239000013598 vector Substances 0.000 description 3
- 241000251468 Actinopterygii Species 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 239000000796 flavoring agent Substances 0.000 description 2
- 235000019634 flavors Nutrition 0.000 description 2
- 235000019617 piquancy Nutrition 0.000 description 2
- 235000019654 spicy taste Nutrition 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000009411 base construction Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 235000009508 confectionery Nutrition 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000011524 similarity measure Methods 0.000 description 1
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
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0631—Item recommendations
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- General Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明提供了一种信息推荐方法、装置、设备及计算机可读存储介质,其中,信息推荐方法包括:将目标用户群体中各个用户的个人喜好信息进行语义融合,得到目标用户群体对应的各个偏好信息以及与各个偏好信息对应的权重值;将每一个偏好信息与候选场合的各个特征信息分别进行语义比较,得到各个特征信息对应的相似值;根据相似值和权重值,确定候选场合与目标用户群体之间的匹配程度值;根据匹配程度值,进行场合信息推荐。本方案可综合考虑多用户的信息和偏好,从而准确全面的给出场合推荐;具体的,可有效根据多用户的就餐特点提供满意的餐厅推荐,降低用户从大量餐厅中海选的复杂度,提高就餐选择的效率,提高就餐人员对所选餐厅或食品的满意度。
Description
技术领域
本发明涉及互联网技术领域,特别是指一种信息推荐方法、装置、设备及计算机可读存储介质。
背景技术
近年来,随着信息技术和互联网的发展,人们逐渐从信息匮乏的时代进入了信息过载的时代,因此,推荐***应运而生。推荐***的应用能够方便消费者在纷繁复杂的商品信息中快速定位自己需要的商品,从而提高用户体验,提高顾客的粘着性,防止客户流失。其中,餐厅推荐是一个重要的应用领域,现在很多外卖app都致力于为用户提供更好的餐厅推荐服务。
现有针对多用户的餐厅推荐***主要有两种:一种是少数服从多数的多用户餐厅推荐***,另一种就是基于矩阵分解的多用户餐厅推荐***;
针对少数服从多数的多用户餐厅推荐***通常是通过投票、询问或者凭借用户对其他用户的了解进行经验判断的方式,基于少数服从多数的原则进行推荐,来尽量满足聚餐人员的需求;该方法虽然在一定程度上可以考虑更多人的需求,但这种做法过于简单,且不科学;无论是投票还是询问等方式,都缺乏用户信息和领域知识,不能够对多用户的喜好进行综合分析,推荐准确率低。同时,有些用户可能碍于面子或者其他原因不愿意参与到投票过程中,使得该方案具有一些局限性。
针对基于矩阵分解的多用户餐厅推荐***通常是构建用户与餐厅之间的联合矩阵,然后通过矩阵分解的方式获得用户特征矩阵以及餐厅特征矩阵,从而根据这两个矩阵进行推荐;该方法在一定程度满足多用户的就餐需求,但是该方不具有扩展性和推理能力,无法挖掘用户本身以及用户与餐厅之间的隐含关系,使得推荐准确率以及查全率不高;如,一个用户的个人信息里只有喜欢川菜这一信息,并没有喜欢麻辣味相关的信息,矩阵分解是无法推理出该用户喜欢的口味是麻辣口味。
由上可知,现有技术中的针对多用户的餐厅推荐***存在推荐准确率低的问题。
发明内容
本发明的目的在于提供一种信息推荐方法、装置、设备及计算机可读存储介质,解决现有技术中针对多用户的餐厅推荐***的推荐准确率低的问题。
为了解决上述技术问题,本发明实施例提供一种信息推荐方法,包括:
将目标用户群体中各个用户的个人喜好信息进行语义融合,得到所述目标用户群体对应的各个偏好信息以及与各个所述偏好信息对应的权重值;
将每一个所述偏好信息与候选场合的各个特征信息分别进行语义比较,得到各个所述特征信息对应的相似值;
根据所述相似值和权重值,确定所述候选场合与所述目标用户群体之间的匹配程度值;
根据所述匹配程度值,进行场合信息推荐。
可选的,在将目标用户群体中各个用户的个人喜好信息进行语义融合之前,还包括:
对所述个人喜好信息和候选场合信息进行语义补全。
可选的,所述对所述个人喜好信息和候选场合信息进行语义补全,包括:
根据预设用户的个人喜好信息以及预设场合的特征信息,得到场合共用信息;
根据所述场合共用信息,对所述个人喜好信息和候选场合信息进行语义补全。
可选的,所述对所述个人喜好信息和候选场合信息进行语义补全,包括:
根据上下位关系信息,对所述个人喜好信息和候选场合信息进行语义补全;或者
根据预设推理规则,对所述个人喜好信息和候选场合信息进行语义补全。
可选的,所述将目标用户群体中各个用户的个人喜好信息进行语义融合,得到所述目标用户群体对应的各个偏好信息以及与各个所述偏好信息对应的权重值,包括:
获取各个用户的个人喜好信息之间的语义相似度值;
根据所述语义相似度值,对所述各个用户的个人喜好信息进行整合,得到所述目标用户群体对应的各个偏好信息以及与各个所述偏好信息对应的权重值。
可选的,所述根据所述相似值和权重值,确定所述候选场合与所述目标用户群体之间的匹配程度值,包括:
获取各个第一相似值对应的所述偏好信息对应的权重值;
根据获取的权重值,确定所述候选场合与所述目标用户群体之间的匹配程度值;
其中,所述第一相似值为大于第一阈值的所述相似值。
可选的,所述候选场合的数量为至少两个,所述根据所述匹配程度值,进行场合信息推荐,包括:
根据所述匹配程度值、所述候选场合对应的人气值以及距离值,确定所述候选场合的推荐顺序;
根据所述推荐顺序,进行场合信息推荐;
其中,所述距离值为所述候选场合的地理位置与所述目标用户群体的地理位置之间的距离值。
可选的,所述根据所述匹配程度值、所述候选场合对应的人气值以及距离值,确定所述候选场合的推荐顺序,包括:
采用公式一,根据所述匹配程度值、所述候选场合对应的人气值以及距离值,确定所述候选场合的推荐顺序;
其中,所述公式一为:
P表示所述推荐顺序;
α表示所述匹配程度值所对应的权重值;
n表示所述第一相似值的总个数;
β表示所述候选场合对应的人气值所对应的权重值;
xj表示第j个所述候选场合对应的人气值;
λ表示所述候选场合对应的距离值所对应的权重值;
yj表示第j个所述候选场合对应的距离值;
l表示所述候选场合的总数量。
本发明实施例还提供了一种信息推荐装置,包括:
第一处理模块,用于将目标用户群体中各个用户的个人喜好信息进行语义融合,得到所述目标用户群体对应的各个偏好信息以及与各个所述偏好信息对应的权重值;
第一比较模块,用于将每一个所述偏好信息与候选场合的各个特征信息分别进行语义比较,得到各个所述特征信息对应的相似值;
第一确定模块,用于根据所述相似值和权重值,确定所述候选场合与所述目标用户群体之间的匹配程度值;
第一推荐模块,用于根据所述匹配程度值,进行场合信息推荐。
可选的,还包括:
第二处理模块,用于在将目标用户群体中各个用户的个人喜好信息进行语义融合之前,对所述个人喜好信息和候选场合信息进行语义补全。
可选的,所述第二处理模块,包括:
第一处理子模块,用于根据预设用户的个人喜好信息以及预设场合的特征信息,得到场合共用信息;
第二处理子模块,用于根据所述场合共用信息,对所述个人喜好信息和候选场合信息进行语义补全。
可选的,所述对所述个人喜好信息和候选场合信息进行语义补全,包括:
根据上下位关系信息,对所述个人喜好信息和候选场合信息进行语义补全;或者
根据预设推理规则,对所述个人喜好信息和候选场合信息进行语义补全。
可选的,所述第一处理模块,包括:
第一获取子模块,用于获取各个用户的个人喜好信息之间的语义相似度值;
第三处理子模块,用于根据所述语义相似度值,对所述各个用户的个人喜好信息进行整合,得到所述目标用户群体对应的各个偏好信息以及与各个所述偏好信息对应的权重值。
可选的,所述第一确定模块,包括:
第二获取子模块,用于获取各个第一相似值对应的所述偏好信息对应的权重值;
第一确定子模块,用于根据获取的权重值,确定所述候选场合与所述目标用户群体之间的匹配程度值;
其中,所述第一相似值为大于第一阈值的所述相似值。
可选的,所述候选场合的数量为至少两个,所述第一推荐模块,包括:
第二确定子模块,用于根据所述匹配程度值、所述候选场合对应的人气值以及距离值,确定所述候选场合的推荐顺序;
第一推荐子模块,用于根据所述推荐顺序,进行场合信息推荐;
其中,所述距离值为所述候选场合的地理位置与所述目标用户群体的地理位置之间的距离值。
可选的,所述第二确定子模块,具体用于:
采用公式一,根据所述匹配程度值、所述候选场合对应的人气值以及距离值,确定所述候选场合的推荐顺序;
其中,所述公式一为:
P表示所述推荐顺序;
α表示所述匹配程度值所对应的权重值;
n表示所述第一相似值的总个数;
β表示所述候选场合对应的人气值所对应的权重值;
xj表示第j个所述候选场合对应的人气值;
λ表示所述候选场合对应的距离值所对应的权重值;
yj表示第j个所述候选场合对应的距离值;
l表示所述候选场合的总数量。
本发明实施例还提供了一种信息推荐设备,包括:处理器;
所述处理器,用于将目标用户群体中各个用户的个人喜好信息进行语义融合,得到所述目标用户群体对应的各个偏好信息以及与各个所述偏好信息对应的权重值;
将每一个所述偏好信息与候选场合的各个特征信息分别进行语义比较,得到各个所述特征信息对应的相似值;
根据所述相似值和权重值,确定所述候选场合与所述目标用户群体之间的匹配程度值;
根据所述匹配程度值,进行场合信息推荐。
可选的,所述处理器还用于:
在将目标用户群体中各个用户的个人喜好信息进行语义融合之前,对所述个人喜好信息和候选场合信息进行语义补全。
可选的,所述处理器具体用于:
根据预设用户的个人喜好信息以及预设场合的特征信息,得到场合共用信息;
根据所述场合共用信息,对所述个人喜好信息和候选场合信息进行语义补全。
可选的,所述处理器具体用于:
根据上下位关系信息,对所述个人喜好信息和候选场合信息进行语义补全;或者
根据预设推理规则,对所述个人喜好信息和候选场合信息进行语义补全。
可选的,所述处理器具体用于:
获取各个用户的个人喜好信息之间的语义相似度值;
根据所述语义相似度值,对所述各个用户的个人喜好信息进行整合,得到所述目标用户群体对应的各个偏好信息以及与各个所述偏好信息对应的权重值。
可选的,所述处理器具体用于:
获取各个第一相似值对应的所述偏好信息对应的权重值;
根据获取的权重值,确定所述候选场合与所述目标用户群体之间的匹配程度值;
其中,所述第一相似值为大于第一阈值的所述相似值。
可选的,所述处理器具体用于:
根据所述匹配程度值、所述候选场合对应的人气值以及距离值,确定所述候选场合的推荐顺序;
根据所述推荐顺序,进行场合信息推荐;
其中,所述距离值为所述候选场合的地理位置与所述目标用户群体的地理位置之间的距离值。
可选的,所述处理器具体用于:
采用公式一,根据所述匹配程度值、所述候选场合对应的人气值以及距离值,确定所述候选场合的推荐顺序;
其中,所述公式一为:
P表示所述推荐顺序;
α表示所述匹配程度值所对应的权重值;
n表示所述第一相似值的总个数;
β表示所述候选场合对应的人气值所对应的权重值;
xj表示第j个所述候选场合对应的人气值;
λ表示所述候选场合对应的距离值所对应的权重值;
yj表示第j个所述候选场合对应的距离值;
l表示所述候选场合的总数量。
本发明实施例还提供了一种信息推荐设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序;所述处理器执行所述程序时实现上述的信息推荐方法。
本发明实施例还提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现上述的信息推荐方法中的步骤。
本发明的上述技术方案的有益效果如下:
上述方案中,所述信息推荐方法通过将目标用户群体中各个用户的个人喜好信息进行语义融合,得到所述目标用户群体对应的各个偏好信息以及与各个所述偏好信息对应的权重值;将每一个所述偏好信息与候选场合的各个特征信息分别进行语义比较,得到各个所述特征信息对应的相似值;根据所述相似值和权重值,确定所述候选场合与所述目标用户群体之间的匹配程度值;根据所述匹配程度值,进行场合信息推荐;能够综合考虑多用户的信息和偏好,从而准确全面的给出场合推荐;具体的,可以有效地根据多用户的就餐特点提供满意的餐厅推荐,降低了用户从大量餐厅中海选的复杂度,提高了就餐选择的效率,同时也能够提高就餐人员对所选餐厅或食品的满意度;很好的解决了现有技术中针对多用户的餐厅推荐***的推荐准确率低的问题。
附图说明
图1为本发明实施例的信息推荐方法流程示意图;
图2为本发明实施例的信息推荐方法具体实现流程示意图;
图3为本发明实施例的用户餐厅共有知识库示意图;
图4为本发明实施例的用户u1的部分个人信息本体示意图;
图5为本发明实施例的餐厅R1的部分餐厅信息本体示意图;
图6为本发明实施例的用户u1个人信息的语义补全示意图;
图7为本发明实施例的语义补全后的用户个人信息本体示意图;
图8为本发明实施例的信息推荐装置结构示意图;
图9为本发明实施例的信息推荐设备结构示意图。
具体实施方式
为使本发明要解决的技术问题、技术方案和优点更加清楚,下面将结合附图及具体实施例进行详细描述。
本发明针对现有的技术中针对多用户的餐厅推荐***的推荐准确率低的问题,提供一种信息推荐方法,如图1所示,包括:
步骤11:将目标用户群体中各个用户的个人喜好信息进行语义融合,得到所述目标用户群体对应的各个偏好信息以及与各个所述偏好信息对应的权重值;
步骤12:将每一个所述偏好信息与候选场合的各个特征信息分别进行语义比较,得到各个所述特征信息对应的相似值;
步骤13:根据所述相似值和权重值,确定所述候选场合与所述目标用户群体之间的匹配程度值;
步骤14:根据所述匹配程度值,进行场合信息推荐。
本发明实施例提供的所述信息推荐方法通过将目标用户群体中各个用户的个人喜好信息进行语义融合,得到所述目标用户群体对应的各个偏好信息以及与各个所述偏好信息对应的权重值;将每一个所述偏好信息与候选场合的各个特征信息分别进行语义比较,得到各个所述特征信息对应的相似值;根据所述相似值和权重值,确定所述候选场合与所述目标用户群体之间的匹配程度值;根据所述匹配程度值,进行场合信息推荐;能够综合考虑多用户的信息和偏好,从而准确全面的给出场合推荐;具体的,可以有效地根据多用户的就餐特点提供满意的餐厅推荐,降低了用户从大量餐厅中海选的复杂度,提高了就餐选择的效率,同时也能够提高就餐人员对所选餐厅或食品的满意度;很好的解决了现有技术中针对多用户的餐厅推荐***的推荐准确率低的问题。
进一步的,考虑到针对用户或场合信息缺失或者不全面,本发明实施例中,在将目标用户群体中各个用户的个人喜好信息进行语义融合之前,还包括:对所述个人喜好信息和候选场合信息进行语义补全。
其中,所述对所述个人喜好信息和候选场合信息进行语义补全,包括:根据预设用户的个人喜好信息以及预设场合的特征信息,得到场合共用信息;根据所述场合共用信息,对所述个人喜好信息和候选场合信息进行语义补全。
具体的,所述对所述个人喜好信息和候选场合信息进行语义补全,包括:根据上下位关系信息,对所述个人喜好信息和候选场合信息进行语义补全;或者根据预设推理规则,对所述个人喜好信息和候选场合信息进行语义补全。
关于推理规则可以是机器学习得到的,也可以是预定义的,在此不作限定。
本发明实施例中,所述将目标用户群体中各个用户的个人喜好信息进行语义融合,得到所述目标用户群体对应的各个偏好信息以及与各个所述偏好信息对应的权重值,包括:获取各个用户的个人喜好信息之间的语义相似度值;根据所述语义相似度值,对所述各个用户的个人喜好信息进行整合,得到所述目标用户群体对应的各个偏好信息以及与各个所述偏好信息对应的权重值。
具体的,所述根据所述相似值和权重值,确定所述候选场合与所述目标用户群体之间的匹配程度值,包括:获取各个第一相似值对应的所述偏好信息对应的权重值;根据获取的权重值,确定所述候选场合与所述目标用户群体之间的匹配程度值;其中,所述第一相似值为大于第一阈值的所述相似值。
第一阈值可为0.5。
本发明实施例中,所述候选场合的数量为至少两个,所述根据所述匹配程度值,进行场合信息推荐,包括:根据所述匹配程度值、所述候选场合对应的人气值以及距离值,确定所述候选场合的推荐顺序;根据所述推荐顺序,进行场合信息推荐;其中,所述距离值为所述候选场合的地理位置与所述目标用户群体的地理位置之间的距离值。
具体的,所述根据所述匹配程度值、所述候选场合对应的人气值以及距离值,确定所述候选场合的推荐顺序,包括:采用公式一,根据所述匹配程度值、所述候选场合对应的人气值以及距离值,确定所述候选场合的推荐顺序;其中,所述公式一为:
P表示所述推荐顺序;α表示所述匹配程度值所对应的权重值;
n表示所述第一相似值的总个数;β表示所述候选场合对应的人气值所对应的权重值;xj表示第j个所述候选场合对应的人气值;λ表示所述候选场合对应的距离值所对应的权重值;yj表示第j个所述候选场合对应的距离值;l表示所述候选场合的总数量。
对应的,本发明实施例中,所述根据所述相似值和权重值,确定所述候选场合与所述目标用户群体之间的匹配程度值,可包括:
采用公式二,根据所述相似值和权重值,确定所述候选场合与所述目标用户群体之间的匹配程度值;
其中,所述公式二为:
matchRate表示所述匹配程度值;mi表示所述候选场合的第i个第一相似值的权重值;其中,所述第一相似值为大于第一阈值的所述相似值;n表示所述第一相似值的总个数。
下面对本发明实施例提供的所述信息推荐方法进行进一步说明,关于场合以餐厅为例。
首先对本发明实施例以下内容中涉及的两个概念进行介绍:
第一个,本体(ontology),是对领域内事物以及事物之间的关系进行的概念化抽象,其组织是层次结构化的,用来描述、表示和获取相关领域内的知识。本体能够提供该领域内语义层面的知识与共同理解,确定领域内共同认可的概念(类)以及概念之间的关系(属性),在人与人之间、人与机器以及机器与机器之间达到共享。本体作为知识的一种表现形式,能够很好地描述用户信息以及餐厅信息,对实现多用户的餐厅推荐具有重要的意义。
第二个,语义相似度,是从定量的角度对语义信息之间的相似程度进行衡量,词语语义相似度作为自然语言处理领域的重要研究方向,已经广泛应用于词义消歧、检索、信息抽取、以及本体匹配与裁剪等领域。典型的语义相似度计算方式是基于word2vec算法在语料库上训练词向量模型,然后基于词向量模型计算词语之间的余弦距离作为词语的语义相似度。如微辣与麻辣的词向量为:
微辣=(-0.878781 -2.112356 1.204208 1.041078 -1.249182 0.272419 ……-1.952982 2.179033 -0.258987 1.129659 0.363234);
麻辣=(0.033173 -0.252127 -0.794737 -1.141235 0.678041 2.522937 -0.833398 …… 1.822892 0.152297 -1.032652 -0.725105 0.790077);
则语义相似度为:SimVec=cos(微辣,麻辣)=0.78。
针对上述技术问题,本发明实施例提供了一种信息推荐方法,以下以餐厅推荐为例,具体可采用一种基于语义技术的多用户餐厅推荐***来实现,具体操作可如图2所示,包括:首先构建用户聚餐群(图2中的u1表示用户1、u2表示用户2,un表示用户n)和知识库(可包括用户餐厅共有知识库,用户个人信息知识库,以及餐厅信息知识库);然后对用户个人信息知识库以及餐厅信息知识库进行语义补全;其次基于就餐群,将语义补全后的用户个人信息知识库进行语义融合;之后将融合后的用户信息知识库与语义补全后的餐厅知识库进行语义(本体)匹配,最后根据匹配结果进行餐厅推荐。关于操作具体介绍如下:
1.关于聚餐群与知识库部分构建
(1)建立聚餐群
现在很多餐厅推荐app(应用程序)都具有社交功能,如在APP中设置“我的关注”这个模块,该模块可以与其他用户进行关注,关注后可以看到好友去哪里吃过饭,对哪些餐厅有什么样的评论。基于此社交功能,可以添加一个构建社交群的模块,即:当多个用户u1、u2、……un进行聚餐时,可以利用推荐***里的社交关系建立一个聚餐群,该群的作用就是将群内每位成员的个人信息和用餐偏好进行综合分析,从而可以为就餐人员推荐让大家都满意的餐厅。
(2)知识库部分主要包含用户餐厅共有知识库、用户个人信息知识库、餐厅信息知识库三部分。
用户餐厅共有知识库是根据所有用户的个人信息以及餐厅信息由专家(根据经验)构建(或者半自动化、采用现有技术根据菜谱的关键词等进行构建)的一个共用语义本体。该知识库包含用户偏好与餐厅特点所共有的与推荐相关的所有知识(所有的分类特征),是对用户偏好和餐厅特点的语义抽象,如用菜系、口味等,是对用户喜欢的菜系以及餐厅菜系特点进行的概括抽象。用户餐厅共用知识库是餐厅推荐***的基础,关于用户餐厅共有知识库可参见图3,图3中的contain表示包含,is-a表示隶属于,has-taste表示拥有的口味。
用户个人信息知识库是每个用户个人信息本体的集合。每位用户都拥有一个自己的信息本体,该信息本体从语义层面表示了用户用餐的偏好信息与特点。用户u1的信息本体举例如图4:该本体信息说明了用户u1喜欢日本料理、喜欢川菜,喜欢的口味是麻辣与甜。这些信息可以用于后续的餐厅推荐。
餐厅信息知识库是每个餐厅信息本体的集合。每个餐厅都拥有一个自己的信息本体,该信息本体从语义层面表示了餐厅的信息与特点。餐厅R1的信息本体举例如图5:该本体信息说明了餐厅R1是川菜餐厅,具有麻辣、鱼香等口味的特色菜。这些信息可以用于后续的餐厅推荐。
2.关于对用户个人信息知识库以及餐厅信息知识库进行语义补全
该餐厅推荐***可与语义技术相结合,针对用户或餐厅信息缺失或者不全面的特点,提供一种语义补全方案,该方案可利用语义技术上下位关系以及推理能力,挖掘用户本身、用户与共体以及餐厅与共体之间的隐含关系,通过语义补全方案可以使得推荐更加准确全面,具体的语义补全方案可如下,以用户个人信息语义补全为例,餐厅信息语义补全同理。
(1)首先将用户u1的用户个人信息本体与用户餐厅共有本体进行语义匹配,语义匹配的基本原理就是基于语义相似度的计算,当两个本体中的概念相似度大于0.5且是最大值的一对概念时进行匹配(获取最大相似度的进行匹配,且最大相似度大于0.5);
(2)然后基于一定的规则进行语义补全,规则可如下:
规则一,根据上下位关系进行语义补充。当用户个人信息本体中的叶子节点A与用户餐厅共用本体的非叶子节点B相匹配时,将节点A进行语义补充,即将用户餐厅共有本体B节点的叶子节点添加到用户个人信息本体节点A下,作为节点A的下位子节点。这是因为用户信息本体中的叶子节点与用户餐厅共用本体中的非叶子节点相匹配,说明用户信息本体中的叶子节点是一个更上层的抽象,没有进行细粒度的划分,因此,可以认为该用户对细粒度划分后的菜谱特点都会喜欢。
规则二,基于推理进行语义补充。当用户餐厅共有本体中存在一定的推理规则可以推理出一些隐含的喜好信息时,推理出的部分加入到用户个人信息本体中,进行语义补充。如湘菜具有鱼香的口味特点,若一个用户他喜欢湘菜,则该用户喜欢鱼香口味。反之亦然。
规则三:当用户个人信息本体中的叶子节点A与用户餐厅共用本体的叶子节点B相匹配时,不需要进行语义补充。
举例:基于规则一、二、三可以对用户u1的个人信息本体进行语义补充(语义匹配)如图6,语义补全后的用户个人信息本体如图7所示。
餐厅信息本体的语义补全与用户个人信息本体语义补全原理类似,在此不再赘述。
3.关于基于就餐群,将语义补全后的用户个人信息知识库进行语义融合
该过程基于语义相似度技术,将就餐群中每位用户的个人信息本体进行语义融合。
假如当前用户群中有n个用户(u1,u2……un),对应的语义补全后的本体为(o1,o2……on)。基于语义相似度的计算,将(o1,o2……on)这n个本体融合为一个带有权重的大本体。
权重的计算方式可为:在本体融合(合并)过程中,当两个本体中的概念(特征)相似度大于0.5且是最大值的一对概念时进行匹配,当某个概念(特征)为叶子节点且被m个用户本体匹配时,该叶子概念的权重系数就为m。没被匹配过的叶子节点权重为1。最后构建了一个融合了多用户的偏好信息的本体。
4.关于将融合后的用户信息知识库与语义补全后的餐厅知识库进行语义匹配
餐厅信息本体的叶子节点的权重都设置为1,然后基于语义相似度算法,将语义融合后的带有权重的语义本体与语义补全后的餐厅知识库进行语义匹配。将匹配后(相似度大于上述第一阈值)的节点进行加权求和,计算用户与餐厅的匹配程度,公式如下:
5.关于形成餐厅推荐列表(根据匹配结果进行餐厅推荐)
具体的,计算了用户与餐厅的匹配程度之后,再基于每个餐厅的人气值,距离值进行加权,最后得到餐厅推荐列表。餐厅推荐列表生成公式可为:
xj表示第j个餐厅对应的餐厅人气值,yj表示第j个餐厅对应的距离值(距离值是指餐厅所在的位置与聚餐用户群所在位置之间的距离值),α,β,λ分别表示餐厅匹配度、餐厅人气值以及距离值的权重值(可根据经验得到的),此处可分别为0.6、0.3、0.2。
最后根据排序结果推荐给就聚餐用户群,提供比较符合大家偏好的餐厅列表供大家进行选择。
其中,关于聚餐用户群所在位置与餐厅位置之间的距离值,在实际应用时存在两种情况:
第一种,用户均在一个位置,这种情况直接将用户所在位置与餐厅位置之间的距离值作为聚餐用户群所在位置与餐厅位置之间的距离值即可;
第二种,聚餐用户群中的用户位于至少两个位置,这种情况下,可将每个位置对应的用户个数作为该位置的权重值,将每个位置与餐厅位置之间的距离值进行加权求和再平均(按照用户的不同位置的总个数进行平均),得到的结果作为聚餐用户群所在位置与餐厅位置之间的距离值,但并不以此为限。
具体比如:
用户1、用户2、用户3、用户4和用户5构成一个聚餐用户群,其中,用户1、用户2和用户3位于位置A,用户4和用户5位于位置B,则位置A对应的加权值为0.6,位置B对应的加权值为0.4;聚餐用户群所在位置与餐厅位置C之间的距离值S可如下计算:
获取位置A与餐厅位置C之间的距离值1以及位置B与餐厅位置C之间的距离值2;
距离值1乘以位置A对应的加权值0.6,得到第一值;
距离值2乘以位置B对应的加权值0.4,得到第二值;
将第一值和第二值相加,再除以2,得到的结果作为S。
由上可知,本发明实施例提供的方案针对现实生活中普遍存在多用户一起就餐的情况,如单位聚餐、班级聚餐、朋友聚餐等,基于语义技术提供了一种面向多用户的餐厅推荐***:
(1)该***通过知识库构建、语义补全、语义融合、本体匹配等步骤,综合考虑了多用户的信息和偏好,能够准确全面的给出餐厅的推荐;
(2)该餐厅推荐***与语义技术相结合,针对用户或餐厅信息缺失或者不全面的特点,提供了一种语义补全方案,该方案利用语义技术上下位关系以及推理能力,挖掘用户本身、用户与共体以及餐厅与共体之间的隐含关系,通过语义补全方案可以使得推荐更加准确全面;比如:通过语义技术,可以通过该用户喜欢川菜推理出该用户喜欢麻辣味的菜,从而可以向用户推荐麻辣味相关的菜品,从而使得查全率以及准确率提高;
(3)本方案还基于语义相似度计算方法,提供了一套语义融合方案,该方案可以对多用户的个性化信息进行融合,形成一个加权的多用户信息本体,为后续的餐厅推荐提供基础。
通过上述三点,本方案可以有效地根据多用户的就餐特点提供全面、准确率高的餐厅推荐方案,提供满意的餐厅推荐,降低用户从大量餐厅中海选的复杂度,提高就餐选择的效率,同时也能够提高就餐人员对所选餐厅或食品的满意度。
本发明实施例还提供了一种信息推荐装置,如图8所示,包括:
第一处理模块81,用于将目标用户群体中各个用户的个人喜好信息进行语义融合,得到所述目标用户群体对应的各个偏好信息以及与各个所述偏好信息对应的权重值;
第一比较模块82,用于将每一个所述偏好信息与候选场合的各个特征信息分别进行语义比较,得到各个所述特征信息对应的相似值;
第一确定模块83,用于根据所述相似值和权重值,确定所述候选场合与所述目标用户群体之间的匹配程度值;
第一推荐模块84,用于根据所述匹配程度值,进行场合信息推荐。
本发明实施例提供的所述信息推荐装置通过将目标用户群体中各个用户的个人喜好信息进行语义融合,得到所述目标用户群体对应的各个偏好信息以及与各个所述偏好信息对应的权重值;将每一个所述偏好信息与候选场合的各个特征信息分别进行语义比较,得到各个所述特征信息对应的相似值;根据所述相似值和权重值,确定所述候选场合与所述目标用户群体之间的匹配程度值;根据所述匹配程度值,进行场合信息推荐;能够综合考虑多用户的信息和偏好,从而准确全面的给出场合推荐;具体的,可以有效地根据多用户的就餐特点提供满意的餐厅推荐,降低了用户从大量餐厅中海选的复杂度,提高了就餐选择的效率,同时也能够提高就餐人员对所选餐厅或食品的满意度;很好的解决了现有技术中针对多用户的餐厅推荐***的推荐准确率低的问题。
进一步的,所述的信息推荐装置,还包括:第二处理模块,用于在将目标用户群体中各个用户的个人喜好信息进行语义融合之前,对所述个人喜好信息和候选场合信息进行语义补全。
其中,所述第二处理模块,包括:第一处理子模块,用于根据预设用户的个人喜好信息以及预设场合的特征信息,得到场合共用信息;第二处理子模块,用于根据所述场合共用信息,对所述个人喜好信息和候选场合信息进行语义补全。
具体的,所述对所述个人喜好信息和候选场合信息进行语义补全,包括:根据上下位关系信息,对所述个人喜好信息和候选场合信息进行语义补全;或者,根据预设推理规则,对所述个人喜好信息和候选场合信息进行语义补全。
本发明实施例中,所述第一处理模块,包括:第一获取子模块,用于获取各个用户的个人喜好信息之间的语义相似度值;第三处理子模块,用于根据所述语义相似度值,对所述各个用户的个人喜好信息进行整合,得到所述目标用户群体对应的各个偏好信息以及与各个所述偏好信息对应的权重值。
具体的,所述第一确定模块,包括:第二获取子模块,用于获取各个第一相似值对应的所述偏好信息对应的权重值;第一确定子模块,用于根据获取的权重值,确定所述候选场合与所述目标用户群体之间的匹配程度值;其中,所述第一相似值为大于第一阈值的所述相似值。
本发明实施例中,所述候选场合的数量为至少两个,所述第一推荐模块,包括:第二确定子模块,用于根据所述匹配程度值、所述候选场合对应的人气值以及距离值,确定所述候选场合的推荐顺序;第一推荐子模块,用于根据所述推荐顺序,进行场合信息推荐;其中,所述距离值为所述候选场合的地理位置与所述目标用户群体的地理位置之间的距离值。
具体的,所述第二确定子模块,具体用于:采用公式一,根据所述匹配程度值、所述候选场合对应的人气值以及距离值,确定所述候选场合的推荐顺序;其中,所述公式一为:
P表示所述推荐顺序;α表示所述匹配程度值所对应的权重值;
n表示所述第一相似值的总个数;β表示所述候选场合对应的人气值所对应的权重值;xj表示第j个所述候选场合对应的人气值;λ表示所述候选场合对应的距离值所对应的权重值;yj表示第j个所述候选场合对应的距离值;l表示所述候选场合的总数量。
其中,上述信息推荐方法的所述实现实施例均适用于该信息推荐装置的实施例中,也能达到相同的技术效果。
本发明实施例还提供了一种信息推荐设备,如图9所示,包括:处理器91;
所述处理器91,用于将目标用户群体中各个用户的个人喜好信息进行语义融合,得到所述目标用户群体对应的各个偏好信息以及与各个所述偏好信息对应的权重值;
将每一个所述偏好信息与候选场合的各个特征信息分别进行语义比较,得到各个所述特征信息对应的相似值;
根据所述相似值和权重值,确定所述候选场合与所述目标用户群体之间的匹配程度值;
根据所述匹配程度值,进行场合信息推荐。
信息推荐设备还可以包括收发机,在此不作限定。
本发明实施例提供的所述信息推荐设备通过将目标用户群体中各个用户的个人喜好信息进行语义融合,得到所述目标用户群体对应的各个偏好信息以及与各个所述偏好信息对应的权重值;将每一个所述偏好信息与候选场合的各个特征信息分别进行语义比较,得到各个所述特征信息对应的相似值;根据所述相似值和权重值,确定所述候选场合与所述目标用户群体之间的匹配程度值;根据所述匹配程度值,进行场合信息推荐;能够综合考虑多用户的信息和偏好,从而准确全面的给出场合推荐;具体的,可以有效地根据多用户的就餐特点提供满意的餐厅推荐,降低了用户从大量餐厅中海选的复杂度,提高了就餐选择的效率,同时也能够提高就餐人员对所选餐厅或食品的满意度;很好的解决了现有技术中针对多用户的餐厅推荐***的推荐准确率低的问题。
进一步的,所述处理器还用于:在将目标用户群体中各个用户的个人喜好信息进行语义融合之前,对所述个人喜好信息和候选场合信息进行语义补全。
其中,所述处理器具体用于:根据预设用户的个人喜好信息以及预设场合的特征信息,得到场合共用信息;根据所述场合共用信息,对所述个人喜好信息和候选场合信息进行语义补全。
具体的,所述处理器具体用于:根据上下位关系信息,对所述个人喜好信息和候选场合信息进行语义补全;或者,根据预设推理规则,对所述个人喜好信息和候选场合信息进行语义补全。
本发明实施例中,所述处理器具体用于:获取各个用户的个人喜好信息之间的语义相似度值;根据所述语义相似度值,对所述各个用户的个人喜好信息进行整合,得到所述目标用户群体对应的各个偏好信息以及与各个所述偏好信息对应的权重值。
具体的,所述处理器具体用于:获取各个第一相似值对应的所述偏好信息对应的权重值;根据获取的权重值,确定所述候选场合与所述目标用户群体之间的匹配程度值;其中,所述第一相似值为大于第一阈值的所述相似值。
本发明实施例中,所述处理器具体用于:根据所述匹配程度值、所述候选场合对应的人气值以及距离值,确定所述候选场合的推荐顺序;根据所述推荐顺序,进行场合信息推荐;其中,所述距离值为所述候选场合的地理位置与所述目标用户群体的地理位置之间的距离值。
具体的,所述处理器具体用于:采用公式一,根据所述匹配程度值、所述候选场合对应的人气值以及距离值,确定所述候选场合的推荐顺序;其中,所述公式一为:
P表示所述推荐顺序;α表示所述匹配程度值所对应的权重值;
n表示所述第一相似值的总个数;β表示所述候选场合对应的人气值所对应的权重值;xj表示第j个所述候选场合对应的人气值;λ表示所述候选场合对应的距离值所对应的权重值;yj表示第j个所述候选场合对应的距离值;l表示所述候选场合的总数量。
其中,上述信息推荐方法的所述实现实施例均适用于该信息推荐设备的实施例中,也能达到相同的技术效果。
本发明实施例还提供了一种信息推荐设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序;所述处理器执行所述程序时实现上述的信息推荐方法。
其中,上述信息推荐方法的所述实现实施例均适用于该信息推荐设备的实施例中,也能达到相同的技术效果。
本发明实施例还提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现上述的信息推荐方法中的步骤。
其中,上述信息推荐方法的所述实现实施例均适用于该计算机可读存储介质的实施例中,也能达到相同的技术效果。
需要说明的是,此说明书中所描述的许多功能部件都被称为模块/子模块,以便更加特别地强调其实现方式的独立性。
本发明实施例中,模块/子模块可以用软件实现,以便由各种类型的处理器执行。举例来说,一个标识的可执行代码模块可以包括计算机指令的一个或多个物理或者逻辑块,举例来说,其可以被构建为对象、过程或函数。尽管如此,所标识模块的可执行代码无需物理地位于一起,而是可以包括存储在不同位里上的不同的指令,当这些指令逻辑上结合在一起时,其构成模块并且实现该模块的规定目的。
实际上,可执行代码模块可以是单条指令或者是许多条指令,并且甚至可以分布在多个不同的代码段上,分布在不同程序当中,以及跨越多个存储器设备分布。同样地,操作数据可以在模块内被识别,并且可以依照任何适当的形式实现并且被组织在任何适当类型的数据结构内。所述操作数据可以作为单个数据集被收集,或者可以分布在不同位置上(包括在不同存储设备上),并且至少部分地可以仅作为电子信号存在于***或网络上。
在模块可以利用软件实现时,考虑到现有硬件工艺的水平,所以可以以软件实现的模块,在不考虑成本的情况下,本领域技术人员都可以搭建对应的硬件电路来实现对应的功能,所述硬件电路包括常规的超大规模集成(VLSI)电路或者门阵列以及诸如逻辑芯片、晶体管之类的现有半导体或者是其它分立的元件。模块还可以用可编程硬件设备,诸如现场可编程门阵列、可编程阵列逻辑、可编程逻辑设备等实现。
以上所述的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人员来说,在不脱离本发明所述原理前提下,还可以作出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (19)
1.一种信息推荐方法,其特征在于,包括:
将目标用户群体中各个用户的个人喜好信息进行语义融合,得到所述目标用户群体对应的各个偏好信息以及与各个所述偏好信息对应的权重值;
将每一个所述偏好信息与候选场合的各个特征信息分别进行语义比较,得到各个所述特征信息对应的相似值;
根据所述相似值和权重值,确定所述候选场合与所述目标用户群体之间的匹配程度值;
根据所述匹配程度值,进行场合信息推荐。
2.根据权利要求1所述的信息推荐方法,其特征在于,在将目标用户群体中各个用户的个人喜好信息进行语义融合之前,还包括:
对所述个人喜好信息和候选场合信息进行语义补全。
3.根据权利要求2所述的信息推荐方法,其特征在于,所述对所述个人喜好信息和候选场合信息进行语义补全,包括:
根据预设用户的个人喜好信息以及预设场合的特征信息,得到场合共用信息;
根据所述场合共用信息,对所述个人喜好信息和候选场合信息进行语义补全。
4.根据权利要求2或3所述的信息推荐方法,其特征在于,所述对所述个人喜好信息和候选场合信息进行语义补全,包括:
根据上下位关系信息,对所述个人喜好信息和候选场合信息进行语义补全;或者
根据预设推理规则,对所述个人喜好信息和候选场合信息进行语义补全。
5.根据权利要求1所述的信息推荐方法,其特征在于,所述将目标用户群体中各个用户的个人喜好信息进行语义融合,得到所述目标用户群体对应的各个偏好信息以及与各个所述偏好信息对应的权重值,包括:
获取各个用户的个人喜好信息之间的语义相似度值;
根据所述语义相似度值,对所述各个用户的个人喜好信息进行整合,得到所述目标用户群体对应的各个偏好信息以及与各个所述偏好信息对应的权重值。
6.根据权利要求1或5所述的信息推荐方法,其特征在于,所述根据所述相似值和权重值,确定所述候选场合与所述目标用户群体之间的匹配程度值,包括:
获取各个第一相似值对应的所述偏好信息对应的权重值;
根据获取的权重值,确定所述候选场合与所述目标用户群体之间的匹配程度值;
其中,所述第一相似值为大于第一阈值的所述相似值。
7.根据权利要求1所述的信息推荐方法,其特征在于,所述候选场合的数量为至少两个,所述根据所述匹配程度值,进行场合信息推荐,包括:
根据所述匹配程度值、所述候选场合对应的人气值以及距离值,确定所述候选场合的推荐顺序;
根据所述推荐顺序,进行场合信息推荐;
其中,所述距离值为所述候选场合的地理位置与所述目标用户群体的地理位置之间的距离值。
8.根据权利要求7所述的信息推荐方法,其特征在于,所述根据所述匹配程度值、所述候选场合对应的人气值以及距离值,确定所述候选场合的推荐顺序,包括:
采用公式一,根据所述匹配程度值、所述候选场合对应的人气值以及距离值,确定所述候选场合的推荐顺序;
其中,所述公式一为:
P表示所述推荐顺序;
α表示所述匹配程度值所对应的权重值;
n表示所述第一相似值的总个数;
β表示所述候选场合对应的人气值所对应的权重值;
xj表示第j个所述候选场合对应的人气值;
λ表示所述候选场合对应的距离值所对应的权重值;
yj表示第j个所述候选场合对应的距离值;
l表示所述候选场合的总数量。
9.一种信息推荐装置,其特征在于,包括:
第一处理模块,用于将目标用户群体中各个用户的个人喜好信息进行语义融合,得到所述目标用户群体对应的各个偏好信息以及与各个所述偏好信息对应的权重值;
第一比较模块,用于将每一个所述偏好信息与候选场合的各个特征信息分别进行语义比较,得到各个所述特征信息对应的相似值;
第一确定模块,用于根据所述相似值和权重值,确定所述候选场合与所述目标用户群体之间的匹配程度值;
第一推荐模块,用于根据所述匹配程度值,进行场合信息推荐。
10.根据权利要求9所述的信息推荐装置,其特征在于,还包括:
第二处理模块,用于在将目标用户群体中各个用户的个人喜好信息进行语义融合之前,对所述个人喜好信息和候选场合信息进行语义补全。
11.根据权利要求10所述的信息推荐装置,其特征在于,所述第二处理模块,包括:
第一处理子模块,用于根据预设用户的个人喜好信息以及预设场合的特征信息,得到场合共用信息;
第二处理子模块,用于根据所述场合共用信息,对所述个人喜好信息和候选场合信息进行语义补全。
12.根据权利要求10或11所述的信息推荐装置,其特征在于,所述对所述个人喜好信息和候选场合信息进行语义补全,包括:
根据上下位关系信息,对所述个人喜好信息和候选场合信息进行语义补全;或者
根据预设推理规则,对所述个人喜好信息和候选场合信息进行语义补全。
13.根据权利要求9所述的信息推荐装置,其特征在于,所述第一处理模块,包括:
第一获取子模块,用于获取各个用户的个人喜好信息之间的语义相似度值;
第三处理子模块,用于根据所述语义相似度值,对所述各个用户的个人喜好信息进行整合,得到所述目标用户群体对应的各个偏好信息以及与各个所述偏好信息对应的权重值。
14.根据权利要求9或13所述的信息推荐装置,其特征在于,所述第一确定模块,包括:
第二获取子模块,用于获取各个第一相似值对应的所述偏好信息对应的权重值;
第一确定子模块,用于根据获取的权重值,确定所述候选场合与所述目标用户群体之间的匹配程度值;
其中,所述第一相似值为大于第一阈值的所述相似值。
15.根据权利要求9所述的信息推荐装置,其特征在于,所述候选场合的数量为至少两个,所述第一推荐模块,包括:
第二确定子模块,用于根据所述匹配程度值、所述候选场合对应的人气值以及距离值,确定所述候选场合的推荐顺序;
第一推荐子模块,用于根据所述推荐顺序,进行场合信息推荐;
其中,所述距离值为所述候选场合的地理位置与所述目标用户群体的地理位置之间的距离值。
16.根据权利要求15所述的信息推荐装置,其特征在于,所述第二确定子模块,具体用于:
采用公式一,根据所述匹配程度值、所述候选场合对应的人气值以及距离值,确定所述候选场合的推荐顺序;
其中,所述公式一为:
P表示所述推荐顺序;
α表示所述匹配程度值所对应的权重值;
n表示所述第一相似值的总个数;
β表示所述候选场合对应的人气值所对应的权重值;
xj表示第j个所述候选场合对应的人气值;
λ表示所述候选场合对应的距离值所对应的权重值;
yj表示第j个所述候选场合对应的距离值;
l表示所述候选场合的总数量。
17.一种信息推荐设备,其特征在于,包括:处理器;
所述处理器,用于将目标用户群体中各个用户的个人喜好信息进行语义融合,得到所述目标用户群体对应的各个偏好信息以及与各个所述偏好信息对应的权重值;
将每一个所述偏好信息与候选场合的各个特征信息分别进行语义比较,得到各个所述特征信息对应的相似值;
根据所述相似值和权重值,确定所述候选场合与所述目标用户群体之间的匹配程度值;
根据所述匹配程度值,进行场合信息推荐。
18.一种信息推荐设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序;其特征在于,所述处理器执行所述程序时实现如权利要求1至8中任一项所述的信息推荐方法。
19.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1至8中任一项所述的信息推荐方法中的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910822777.9A CN112528130A (zh) | 2019-09-02 | 2019-09-02 | 一种信息推荐方法、装置、设备及计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910822777.9A CN112528130A (zh) | 2019-09-02 | 2019-09-02 | 一种信息推荐方法、装置、设备及计算机可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112528130A true CN112528130A (zh) | 2021-03-19 |
Family
ID=74974106
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910822777.9A Pending CN112528130A (zh) | 2019-09-02 | 2019-09-02 | 一种信息推荐方法、装置、设备及计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112528130A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113434772A (zh) * | 2021-07-09 | 2021-09-24 | 支付宝(杭州)信息技术有限公司 | 推荐处理方法及装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090328105A1 (en) * | 2008-06-27 | 2009-12-31 | Guideworks, Llc | Systems and methods for ranking assets relative to a group of viewers |
US20130218905A1 (en) * | 2010-10-29 | 2013-08-22 | Yogesh Sankarasubramaniam | Content recommendation for groups |
CN105871707A (zh) * | 2016-06-17 | 2016-08-17 | 中国联合网络通信集团有限公司 | 基于云计算的资源推荐方法及*** |
CN109064278A (zh) * | 2018-07-26 | 2018-12-21 | 北京三快在线科技有限公司 | 目标对象推荐方法及装置、电子设备、存储介质 |
-
2019
- 2019-09-02 CN CN201910822777.9A patent/CN112528130A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090328105A1 (en) * | 2008-06-27 | 2009-12-31 | Guideworks, Llc | Systems and methods for ranking assets relative to a group of viewers |
US20130218905A1 (en) * | 2010-10-29 | 2013-08-22 | Yogesh Sankarasubramaniam | Content recommendation for groups |
CN105871707A (zh) * | 2016-06-17 | 2016-08-17 | 中国联合网络通信集团有限公司 | 基于云计算的资源推荐方法及*** |
CN109064278A (zh) * | 2018-07-26 | 2018-12-21 | 北京三快在线科技有限公司 | 目标对象推荐方法及装置、电子设备、存储介质 |
Non-Patent Citations (1)
Title |
---|
胡川;孟祥武;张玉洁;杜雨露;: "一种改进的偏好融合组推荐方法", 软件学报, no. 10, 12 July 2017 (2017-07-12), pages 164 - 169 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113434772A (zh) * | 2021-07-09 | 2021-09-24 | 支付宝(杭州)信息技术有限公司 | 推荐处理方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Min et al. | A survey on food computing | |
Yang et al. | Yum-me: a personalized nutrient-based meal recommender system | |
Xu et al. | A novel POI recommendation method based on trust relationship and spatial–temporal factors | |
Min et al. | Cross-platform multi-modal topic modeling for personalized inter-platform recommendation | |
Selke et al. | Pushing the boundaries of crowd-enabled databases with query-driven schema expansion | |
WO2017165774A1 (en) | Systems and methods for multi-modal automated categorization | |
Huang et al. | Two-stage friend recommendation based on network alignment and series expansion of probabilistic topic model | |
Xu et al. | Integrated collaborative filtering recommendation in social cyber-physical systems | |
CN108647800B (zh) | 一种基于节点嵌入的在线社交网络用户缺失属性预测方法 | |
Yang et al. | Plateclick: Bootstrapping food preferences through an adaptive visual interface | |
Herranz et al. | Food recognition and recipe analysis: integrating visual content, context and external knowledge | |
Yildirim et al. | Using random walks to generate associations between objects | |
Komkhao et al. | Incremental collaborative filtering based on Mahalanobis distance and fuzzy membership for recommender systems | |
Singh et al. | A survey on the generation of recommender systems | |
Miao et al. | Joint prediction of rating and popularity for cold-start item by sentinel user selection | |
Ji et al. | STARec: Adaptive learning with spatiotemporal and activity influence for POI recommendation | |
Ping et al. | User consumption intention prediction in meituan | |
Shi et al. | Mining significant crisp-fuzzy spatial association rules | |
Sun et al. | Inferring private demographics of new users in recommender systems | |
CN112528130A (zh) | 一种信息推荐方法、装置、设备及计算机可读存储介质 | |
Agarwal et al. | WGSDMM+ GA: A genetic algorithm-based service clustering methodology assimilating dirichlet multinomial mixture model with word embedding | |
US20210373921A1 (en) | Methods and systems for providing alimentary combinations in a packet-based graphical user interface generated using distance metrics | |
US10983674B1 (en) | Methods and systems for providing alimentary combinations in a packet-based graphical user interface generated using distance metrics | |
Mohammadnezhad et al. | An effective model for improving the quality of recommender systems in mobile e-tourism | |
Cunningham et al. | Foodgpt: Amachine learning approach to ingredient substitution and recipe recommendation |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |