故事推荐方法和故事推荐装置与流程

本发明涉及互联网技术领域，尤其涉及一种故事推荐方法和推荐装置。

背景技术：

现有相关故事作品推荐方法，主要由三种手段：一种是根据当前故事作品的文本内容，试图找到内容类似的其他故事作品，展现给用户一个根据文本相似性进行排序的列表；第二种是根据用户的属性信息，找到相似用户关注的故事作品，将对应的作品列表作为推荐结果展示给用户；第三种是根据用户的行为日志，找到用户经常同时查看的两个或多个故事作品，通过挖掘行为的频繁项，建立故事作品之间的关联关系，展现给用户一个列表，列表中根据关联关系的强弱来进行排序。

但是上述方法推荐的故事作品的相关性都较差，推荐效果不理想。

技术实现要素：

本发明旨在至少在一定程度上解决相关技术中的技术问题之一。

为此，本发明的一个目的在于提出一种故事推荐方法，该方法可以提高推荐质量，获取用户感兴趣的故事。

本发明的另一个目的在于提出一种故事推荐装置。

本发明第一方面实施例提出的故事推荐方法，通过获取故事属性信息，并根据故事属性信息计算故事之间的相似性，获取基于内容相似的初步推荐结果。由于属性信息可以由故事内容进行提取，并根据相似性进行初步推荐，这解决了当接收新故事时推荐系统冷启动问题；另外，通过获取用户描述信息，并根据用户描述信息计算用户之间的相似性，获取基于用户相似的初步推荐结果，当有新用户加入到系统，可以挖掘与其相似的用户，并把相似用户感兴趣的故事推荐给新加入的用户，这解决了获取新用户数据时推荐系统冷启动问题。

本发明通过获取用户群体行为描述信息，构造混合策略推荐模型，该混合模型优化并结合了传统模型中常用的基于物品的协同过滤推荐模型和基于用户的协同过滤推荐模型，在对推荐分值优化的基础上，兼顾了两种模型各自的优点，提升了系统整体的多样性和准确性。另外通过获取用户个体行为描述信息，根据用户的点击行为作为推荐结果的反馈，可以分析出用户对于推荐结果的偏好。基于用户的协同过滤推荐能更好的满足用户的相关性需求，基于物品的协同过滤推荐能搞好的满足用户的个性化需求和多样性需求，在结合两种算法优势的基础上，根据用户的点击行为动态调整两种算法的推荐比例，让推荐结果根据用户的反馈自适应地调节，从而更好的满足用户对于推荐结果的满意度。

为达到上述目的，本发明第二方面实施例提出的故事推荐装置，包括：接收模块，用于接收故事和新用户；内容推荐模块，包括相似故事推荐子模块，用于获取故事属性信息，并根据故事属性信息获取基于内容相似的初步推荐结果；相似用户推荐子模块，根据用户描述信息获取基于用户相似的初步推荐结果；协同过滤推荐模块，包括混合策略推荐子模块，用于根据用户群体行为描述信息获取基于物品以及基于用户协同过滤推荐结果；动态调整子模块，利用用户个体的点击行为，动态调整不同推荐模型结果的比例，自适应用户的推荐偏好，从而更好的满足推荐结果的准确性和多样性；确定模块，用于从所述排序后的结果中选择预设个数的结果，确定为推荐故事。

本发明附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解得到。

附图说明

图1是本发明一实施例提出的故事推荐方法的流程示意图。

图2是本发明一实施例提出的获取基于内容相似的初步推荐结果流程示意图。

图3是本发明一实施例提出的获取基于用户相似的初步推荐结果流程示意图见。

图4是本发明一实施例提出的混合推荐策略示意图。

图5是本发明一实施例提出的动态调整策略的流程示意图。

图6是本发明另一实施例提出的故事推荐装饰的结构示意图。

具体实施方式

下面详细􏰁述本发明的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的模块或具有相同或类似功能的模块。下面通过参考附图描述的实施例是示例性的,仅用于解释本发明,而不能理解为对本发明的限制。相反, 本发明的实施例包括落入所附调权利要求书的精神和内涵范围内的所有变化、修改和等同物。

图1是本发明一实施例提出的故事推荐方法的流程示意图，该方法包括。

s11:接收故事和新用户。可以理解的是，本实施例可以由与后台系统连接具有数据录入功能的移动客户端或web产品实现，使用者向系统提交故事信息和用户信息。

s12:获取所述故事属性信息，并根据所述故事属性信息获取基于内容相似的初步推荐结果。

s13:获取所述用户描述信息，并根据所述用户描述信息获取基于用户相似的初步推荐结果。

s14:获取用户群体行为描述信息，并根据所述用户群体行为描述信息获取基于混合策略协同推荐结果。

s15:获取个体用户行为描述信息，并根据所述用户个体行为描述信息动态调整所述推荐结果并排序优化，得到排序后的记过。

s16:从所述排序后的结果中选择预设个数的结果，确定为推荐故事。

图2是本发明一实施例中提出的根据故事属性信息，获取基于内容相似的初步推荐结果流程示意图，该方法包括。

s21:系统进行数据采集，具体包括，故事分类属性信息、标签属性信息、相关用户属性信息、故事介绍属性信息、故事梗概属性信息。其中相关用户属性信息为存储于系统中的用户对故事的操作信息数据。

s22：本实施例对采集到得故事各个属性信息进行特征提取，其中所述故事介绍属性信息转化为词向量，将词向量作为介绍属性信息的特征，所述故事梗概属性信息进行关键词提取，将所述提取出得关键词转化为词向量作为梗概属性信息的特征；分类属性信息和标签属性信息转化为固定长度词向量特征。

s23:根据所述故事分类属性信息、标签属性信息、介绍属性信息、梗概属性信息所提取出的词向量特征，同时对新接收的故事也提取其词向量特征，利用常用的向量相似性计算方法，如余铉相似性度量方法，计算出所述新接收的故事与存储于系统中原有故事之间的相似性分值，并将所述相似性分值排序获得相似性故事列表。

s24: 利用s21采集的存储于系统中已知的故事及其对应用户的操作信息计算出交互分值。

s25: 利用s24所述用户交互分值对s23所述相似故事列表的相似性分值进行调权，所述调权后的分值作为故事和用户之间的相关性推荐分值。

s26: 对s25所述推荐分值再次进行排序，将相关性推荐分值高的用户作为新获取故事的候选推荐用户，从而获得基于内容相似性的初步推荐结果。

图3是本发明一实施例中提出的根据用户描述信息，获取基于用户相似的初步推荐结果流程示意图，该方法包括。

s31:系统采集用户描述属性信息，包括并不只限于角色信息、认证信息、兴趣信息、活跃信息、相关故事属性信息；其中相关故事属性信息为存储于系统中已知的用户对故事的操作信息。

s32:根据采集的用户描述信息提取出描述用户的特征向量。

s33:对新接收的用户利用获取的特征向量和相似性度量方法进行用户之间的相似性计算。

s34：利用s31采集的存储于系统中已知的用户对故事的操作细腻计算出交互分值。

s35: 利用s34所述用户交互分值对s33所述相似用户列表的相似性分值进行调权，所述调权后的分值作为用户和故事相关性推荐分值。

s36: 对s35所述推荐分值再次进行排序，将相关性推荐分值高的故事推荐给新获取用户，从而获得基于用户相似性的初步推荐结果。

图4是本发明一实例提出的混合推荐策略示意图。

s41:获取用户群体行为日志，记录了用户对那些故事感兴趣。

s42:根据用户行为日志建立用户-物品倒查表，检索用户-物品倒查表中物品协同出现次数，用于刻画物品之间的相关性并构建基于物品的协同过滤模型。考虑到不同用户重要性的影响，添加用户重要性分值进行调权，根据s31获取的用户描述信息计算出用户重要性分值，并利用所述用户重要性分值对物品协同出现次数进行调权，根据调权后的分值获得最终的推荐结果列表。

s43:根据用户行为日志建立物品-用户倒查表，检索物品-用户倒查表中用户协同出现次数，用于刻画用户之间的相关行性并构建基于用户的协同过滤模型；考虑到不同物品质量的影响，添加物品质量分值进行调权，根据s21获取的故事属性信息计算出物品质量分值，并利用所述物品质量分值对用户协同出现次数进行调权，根据调权后的分值获得最终的推荐结果列表。

s44:由于不同的推荐模型具有不同的特性，而单一推荐模型很难同时满足多样性、准确性、新颖性。基于用户协同过滤推荐模型能够很好的获得热门物品，但是在挖掘长尾能力方面有所欠缺；基于物品协同过滤模型能够较好的发掘用户的个性化需求，但是对于推荐物品的新颖性却无法保证。综合两种推荐方法的结果构建混合推荐策略能够利用不同模型各自的优点，提高整体推荐质量。

不同的用户对于推荐结果有不同的偏好，本发明一实施例希望通过用户自身的偏好选择动态调整推荐策略，更好的满足用户自身的需求。图5是动态调整策略的流程示意图。

s51:采集用户行为日志，作为用户对推荐系统的反馈。

s52:混合推荐策略初始时对于不同推荐模型获取相同数目的推荐结果。由于用户之间的差异性，部分用户偏好流行度较高的故事，而部分用户偏好符合自身兴趣的故事，本发明实施例会对具有不同偏好的用户自适应调节推荐策略生成结果的比例，当用户点击某条推荐内容时，可以记录该条推荐 是由哪种推荐模型生成的，即认为用户更认可该模型生成的内容，对不同模型推荐列表的比例进行适当的调整，从而迎合用户的偏好。

调整方法可以假设有推荐模型A与B，当用户点击推荐模型A生成的结果时，认为用户更偏好于A的结果，因此将B的推荐列表中分值最低的推荐结果从列表中删除，用模型A的候选推荐结果补充进删除的列表数据，当用户多次与推荐结果进行交互后就能基本确定用户偏好的推荐模型，并且整个推荐模型的调整是自发的。

s53：根据所述调权后的混合策略推荐分值以及预设的展现个数，调整故事的展示列表。

图6是本发明另一实施例提出的故事推荐装饰的结构示意图，该装置包括接收模块s61、内容推荐模块s62及其子模块，包括相似故事推荐模块s63、相似用户推荐模块s64，协同过滤推荐模块s65及其子模块，包括混合策略推荐模块s66，推荐结果动态调整模块s67,确定模块s68。

接收模块s61，用于接收新的故事和新用户。

内容推荐模块s62基于内容相似性原理出发进行推荐，具体包含两个子模块：相似故事推荐模块s63，对于新接收故事根据其内容获取相似性最高的故事列表，并将所述的故事列表中对应的用户作为候选推荐用户；相似用户推荐模块s64，对于新接收的用户根据其用户描述信息获取相似性最高的用户列表，并将所述的用户列表中对应的故事作为候选推荐故事。

协同过滤推荐模块s65基于协同过滤原理出发进行推荐，具体包括两个子模块：混合策略推荐模块s66，由传统的物品协同过滤模型和用户协同过滤模型组合成的混合策略推荐模块吸收了不同推荐模型的优点，弥补了单一推荐模型无法同时满足多样性、准确性等各方面需求。推荐结果动态调整模块s67，针对不同用户对推荐结果有不同偏好的现象，采用用户的行为数据作为推荐结果的反馈，动态调整不同推荐模型生成结果的比例，更好的适应了不同用户的推荐偏好。

确定模块s68, 用于向用户展示所获取到的推荐结果。

需要说明的是,在本发明的描述中,术语“第一”、“第二”等仅用于描述目的,而不能理解为指示或暗示相对重要性。此外,在本发明的描述中,除非另有说明,“多个”的含义是两个或两个以上。

流程图中或在此以其他方式描述的任何过程或方法􏰁述可以被理解为，表示包括 一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分,并且本发明的优选实施方式的范围包括另外的实现,其中可以不按所示出或讨论的顺 序,包括根据所涉及的功能按基本同时的方式或按相反的顺序,来执行功能,这应被本发明的实施例所属技术领域的技术人员所理解。

应当理解,本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中,多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件 或固件来实现。例如,如果用硬件来实现,和在另一实施方式中一样,可用本领域公知的下列技术中的任一项或他们的组合来实现:具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路,具有合适的组合逻辑门电路的专用集成电路,可编程门阵列 (PGA),现场 可编程门阵列 (FPGA) 等。

本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步 骤是可以通过程序来指令相关的硬件完成,所述的程序可以存储于一种计算机可读存储介质中,该程序在执行时,包括方法实施例的步骤之一或其组合。

此外,在本发明各个实施例中的各功能单元可以集成在一个处理模块中,也可以 是各个单元单独物理存在,也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时,也可以存储在一个计算机可读取存储介质中。

上述􏰀到的存储介质可以是只读存储器,磁盘或光盘等。

在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。

尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例 性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。