混合推荐方法及系统的制作方法
【专利摘要】本发明提供一种混合推荐方法及系统，其中方法包括将数据库中的用户数据分为单维度用户特征值和多维度用户特征值；采用贝叶斯平均算法对单维度用户特征值进行计算，获得用户的推荐算法兴趣度；采用朴素贝叶斯模型对多维度用户特征值进行计算，获得用户的推荐算法兴趣度；根据单维度用户的推荐算法兴趣度和多维度用户的推荐算法兴趣度，确定推荐列表，并将推荐列表推荐给数据库的用户。利用本发明，能够解决用户的推荐算法兴趣度预测准确率低、计算评估不同用户的推荐算法兴趣度和训练用户兴趣模型的时间瓶颈的问题。
【专利说明】混合推荐方法及系统
【技术领域】
[0001]本发明涉及推荐【技术领域】，更为具体地，涉及一种混合推荐方法及系统。
【背景技术】
[0002]推荐技术发展至今已有十余年的历史，其间众多的推荐算法被提出并在业界应用。经过大量实践，人们发现似乎没有任何一种方法可以适用于所有场景，因为每种推荐算法都有自身难以逾越的局限性。
[0003]面对各种推荐算法的局限，业内推出了混合推荐技术，目前混合推荐技术有很多，如:加权混合推荐技术、交叉调和混合推荐技术等。图1示出了传统的混合推荐技术的流程，如图1所示，传统的混合推荐技术的流程包括:
[0004]SllO:开始；
[0005]S120:用户浏览目标商务网站；
[0006]S130:网站向推荐系统发送请求；
[0007]S140:推荐系统外部接口；
[0008]S150:推荐算法；其中，在推荐算法中会调用A和B，A即商品信息数据库，B用户行为及用户信息数据库；
[0009]S160:是否使用混合推荐策略，若是，则执行S180 ;若否，则执行S170 ；
[0010]S170:混合推荐策略组件；
[0011]S180:推荐列表；
[0012]S190:结束。
[0013]上述为传统的混合推荐技术的整个流程，目前，主流的混合推荐策略包括:加权型混合推荐技术、分级型混合推荐技术、交叉型混合推荐技术、推荐模型混合技术等。
[0014]但是上述这些混合推荐技术都存在一些共性的问题。
[0015]由于上述推荐系统对所有用户的推荐算法混合策略是相同的，而该策略可能并不适用于所有用户。比如:某系统提供了多种推荐算法系统，采用分级混合策略，优先展现准确率较高的推荐算法生成的结果，后续加入召回率较高的其他算法的结果。对于最终推荐结果(Top-N)的推荐列表，兴趣单一的用户会对推荐结果感到满意；而兴趣广泛的用户总是优先看到他感兴趣的一个方面，随着时间的推移，会不可避免地导致用户的算法兴趣度预测准确率低、新颖度不够，并且推荐系统需要完成推荐的时间增加，从而降低用户对推荐结果的满意度。
[0016]因此，现在需要一种新的混合推荐技术解决上述出现的问题。
【发明内容】
[0017]鉴于上述问题，本发明的目的是提供一种混合推荐方法及系统，以解决用户的推荐算法兴趣度预测准确率低、计算评估不同用户的推荐算法兴趣度和训练用户兴趣模型的时间瓶颈的问题。[0018]一方面，本发明提供一种混合推荐方法，包括将数据库中的用户数据分为单维度用户特征值和多维度用户特征值；
[0019]采用贝叶斯平均算法对单维度用户特征值进行计算，获得单维度用户的推荐算法兴趣度；以及，
[0020]采用朴素贝叶斯模型对多维度用户特征值进行计算，建立多维度用户兴趣模型，并对多维度用户兴趣模型进行训练，获得多维度用户的推荐算法兴趣度；
[0021]根据单维度用户的推荐算法兴趣度和多维度用户的推荐算法兴趣度，确定推荐列表，并将推荐列表推荐给数据库的用户。
[0022]此外，优选的方案是，在根据单维度用户的推荐算法兴趣度和多维度用户的推荐算法兴趣度确定推荐列表的过程中，通过混合推荐策略组件对单维度用户的推荐算法兴趣度和多维度用户的推荐算法兴趣度进行融合，获得数据库的用户对每个推荐算法的兴趣度，根据每个推荐算法的兴趣度获得每个推荐算法在所有推荐算法中的比例，确定推荐列表。
[0023]此外，优选的方案是，在采用贝叶斯平均算法对单维度用户特征值进行计算的过程中，采用并行计算方法计算单维度用户的推荐算法兴趣度；
[0024]在采用朴素贝叶斯模型对多维度用户特征值进行计算的过程中，采用并行计算方法计算多维度用户的推荐算法兴趣度。
[0025]此外，优选的方案是，在采用贝叶斯平均算法对单维度用户特征值进行计算的过程中，
[0026]贝叶斯平均算法公式为:
[0027]
【权利要求】
1.一种混合推荐方法,包括: 将数据库中的用户数据分为单维度用户特征值和多维度用户特征值； 采用贝叶斯平均算法对所述单维度用户特征值进行计算，获得所述单维度用户的推荐算法兴趣度；以及， 采用朴素贝叶斯模型对所述多维度用户特征值进行计算，建立多维度用户兴趣模型，并对所述多维度用户兴趣模型进行训练，获得所述多维度用户的推荐算法兴趣度； 根据所述单维度用户的推荐算法兴趣度和所述多维度用户的推荐算法兴趣度，确定推荐列表，并将所述推荐列表推荐给所述数据库的用户。
2.如权利要求1所述的混合推荐方法，其中，在根据所述单维度用户的推荐算法兴趣度和所述多维度用户的推荐算法兴趣度确定推荐列表的过程中， 通过混合推荐策略组件对所述单维度用户的推荐算法兴趣度和所述多维度用户的推荐算法兴趣度进行融合，获得所述数据库的用户对每个推荐算法的兴趣度； 根据所述每个推荐算法的兴趣度获得每个推荐算法在所有推荐算法中的比例，确定推荐列表。
3.如权利要求1所述的混合推荐方法，其中， 在采用贝叶斯平均算法对所述单维度用户特征值进行计算的过程中，采用并行计算方法计算所述单维度用户的推荐算法兴趣度； 在采用朴素贝叶斯模型对所述多维度用户特征值进行计算的过程中，采用并行计算方法计算所述多维度用户的推荐算法兴趣度。
4.如权利要求1所述的混合推荐方法，在采用贝叶斯平均算法对所述单维度用户特征值进行计算的过程中， 所述贝叶斯平均算法公式为: f ^ CXm^L1Xl
A.'— 其中，c为一个自行设定的常数； m为数据库中项目的平均值； η为所述项目的数据数量； X为每个数据的值； 上述公式中，m为先验概率，每个X的值都是一个调整因子，随着η的增加，所述项目的值置将不断趋向其正确的值。
5.如权利要求1所述的混合推荐方法，在采用朴素贝叶斯模型对所述多维度用户特征值进行计算的过程中， 所述朴素贝叶斯模型公式为:
PfClX) = p(xiG)x1p《g》 \ I J — p(X) 其中，c为目标事件;X为特征值； P (CIX)为X条件下c发生的概率； P (XIC)为C条件下X发生的概率；P(C)为C的概率； P(X)为X的概率。
6.—种混合推荐系统,包括: 数据库区分单元，用于将数据库中的用户数据分为单维度用户特征值和多维度用户特征值； 贝叶斯平均算法计算单元，用于采用贝叶斯平均算法对所述单维度用户特征值进行计算，获得所述单维度用户的推荐算法兴趣度； 朴素贝叶斯模型计算单元，用于采用朴素贝叶斯模型对所述多维度用户特征值进行计算，建立多维度用户兴趣模型，并对所述多维度用户兴趣模型进行训练，获得所述多维度用户的推荐算法兴趣度； 算法推荐单元，用于根据所述单维度用户的推荐算法兴趣度和所述多维度用户的推荐算法兴趣度，确定推荐列表，并将所述推荐列表推荐给所述数据库的用户。
7.如权利要求6所述的混合推荐方系统，其中，所述算法推荐单元进一步包括: 兴趣度获取单元，用于通过混合推荐策略组件对所述单维度用户的推荐算法兴趣度和所述多维度用户的推荐算法兴趣度进行融合，获得所述数据库的用户对每个推荐算法的兴趣度； 推荐列表确定单元，用 于根据所述每个推荐算法的兴趣度获得每个推荐算法在所有推荐算法中的比例，确定推荐列表。
8.如权利要求6所述的混合推荐方系统，其中， 所述贝叶斯平均算法计算单元在对所述单维度用户特征值进行计算的过程中，采用并行计算方法计算所述单维度用户的推荐算法兴趣度； 所述朴素贝叶斯模型计算单元在对所述多维度用户特征值进行计算的过程中，采用并行计算方法计算所述多维度用户的推荐算法兴趣度。
9.如权利要求6所述的混合推荐系统， 在所述贝叶斯平均算法计算单元采用贝叶斯平均算法对所述单维度用户特征值进行计算的过程中， 所述贝叶斯平均算法公式为:
10.如权利要求6所述的混合推荐系统， 所述朴素贝叶斯模型计算单元在采用朴素贝叶斯模型对所述多维度用户特征值进行计算的过程中， 所述朴素贝叶斯模型公式为:
【文档编号】G06F17/30GK103744917SQ201310737345
【公开日】2014年4月23日 申请日期:2013年12月27日 优先权日:2013年12月27日
【发明者】姜立宇, 张霞, 韩宇, 王菊 申请人:东软集团股份有限公司