信息推荐方法及系统与流程

本发明涉及信息推荐领域，特别是涉及信息推荐方法及系统。

背景技术：

社会覆盖面极广、在线活跃用户数量庞大的流式信息服务称为公众性流式信息服务，公众性流式信息服务的典型代表为各类媒体直播服务。公众性流式信息服务的推荐面临以下问题：1)必须在内容的在线周期内推荐，从而避免将下线内容推荐给用户；2)必须将内容推荐给合适的用户个体，从而避免对其他用户群体造成干扰。

可见，对于公众性流式信息服务的推荐，需要能够同时保证时效性和兼顾不同用户个体的个性化需求的新技术。

技术实现要素：

鉴于以上所述现有技术的缺点，本发明的目的在于提供信息推荐方法及系统，用于解决现有技术中公众性流式信息服务的推荐无法保证时效性，以及无法兼顾不同用户个体的个性化需求等问题。

为实现上述目的及其他相关目的，本发明提供一种信息推荐方法，包括：按照预设时间间隔切割读入的多个采样数据流以得到多个采样数据切片；定义一个或多个用户行为场景，所述每个用户行为场景包括至少一个和/或至少一类用户行为事件；分别从每个所述采样数据切片的数据中甄选出符合所述用户行为场景的部分以组成场景快照；将所述场景快照作为场景模拟模型的输入，从而得到所述场景模拟模型输出的场景画像；将所述场景画像与预设推荐结果进行匹配，若匹配成功，则将所述预设推荐结果确定为推荐信息。

于本发明一实施例中，当定义了一个或多个用户行为场景时，所述一个或多个用户行为场景构成行为模式，所述行为模式中的某个用户行为场景的场景画像是由所述某个用户行为场景的场景快照和前一个用户行为场景的场景画像共同作为所述场景模拟模型的输入，并经所述场景模拟模型的输出得到的，所述方法还包括：将最终得到的场景画像与所述预设推荐结果进行匹配，若匹配成功，则将所述预设推荐结果确定为推荐信息。

于本发明一实施例中，所述场景模拟模型包括多个，每个用于针对一种特征信息进行场景模拟。

于本发明一实施例中，所述场景模拟模型包括：有监督学习模型、和/或无监督学习模型。

于本发明一实施例中，所述无监督学习模型包括：深度学习模型。

于本发明一实施例中，所述深度学习模型是根据反向传播算法建立的。

于本发明一实施例中，每个所述采样数据流包括一类用户行为事件数据，所述多个采样数据切片包括与所述多个采样数据流分别一一对应的多个所述用户行为事件的部分数据。

于本发明一实施例中，每类所述用户行为事件数据包括多个所述用户行为事件数据，每个所述用户行为事件数据包括：时间戳、用于标识产生相应的行为事件的对象的用户标识、及相应的行为事件的采样数据。

于本发明一实施例中，在将所述场景快照输入所述场景模拟模型之前，所述方法还包括：将所述场景快照包含的各个用户行为事件数据按照时间顺序排序，并依序输入所述场景模拟模型。

于本发明一实施例中，所述预设推荐结果包括多个，所述匹配包括：分别计算所述场景画像与每个所述预设推荐结果的相关度，将所述相关度最大的预设推荐结果确定为推荐信息。

为实现上述目的及其他相关目的，本发明提供一种信息推荐系统，包括：数据切片模块，用于按照预设时间间隔切割读入的多个采样数据流以得到多个采样数据切片；场景定义模块，用于定义一个或多个用户行为场景，每个用户行为场景包括至少一个和/或至少一类用户行为事件；快照甄选模块，用于分别从每个所述采样数据切片的数据中甄选出符合所述用户行为场景的部分以组成场景快照；场景模拟模块，用于将所述场景快照作为场景模拟模型的输入，从而得到所述场景模拟模型输出的场景画像；匹配模块，用于将所述场景画像与预设推荐结果进行匹配，若匹配成功，则将所述预设推荐结果确定为推荐信息。

于本发明一实施例中，当定义了一个或多个用户行为场景时，所述一个或多个用户行为场景构成行为模式，所述行为模式中的某个用户行为场景的场景画像是由所述某个用户行为场景的场景快照和前一个用户行为场景的场景画像共同作为所述场景模拟模型的输入，并经所述场景模拟模型的输出得到的，所述匹配模块还用于：将最终得到的场景画像与所述预设推荐结果进行匹配，若匹配成功，则将所述预设推荐结果确定为推荐信息。

于本发明一实施例中，所述场景模拟模型包括多个，每个用于针对一种特征信息进行场景模拟。

于本发明一实施例中，所述场景模拟模型包括：有监督学习模型、和/或无监督学习模型。

于本发明一实施例中，所述无监督学习模型包括：深度学习模型。

于本发明一实施例中，所述深度学习模型是根据反向传播算法建立的。

于本发明一实施例中，每个所述采样数据流包括一类用户行为事件数据，所述多个采样数据切片包括与所述多个采样数据流分别一一对应的多个所述用户行为事件的部分数据。

于本发明一实施例中，每类所述用户行为事件数据包括多个所述用户行为事件数据，每个所述用户行为事件数据包括：时间戳、用于标识产生相应的行为事件的对象的用户标识、及相应的行为事件的采样数据。

于本发明一实施例中，所述系统还包括：排序模块，用于在将所述场景快照输入所述场景模拟模型之前，将所述场景快照包含的各个用户行为事件数据按照时间顺序排序，并依序输入所述场景模拟模型。

于本发明一实施例中，所述预设推荐结果包括多个，所述匹配包括：分别计算所述场景画像与每个所述预设推荐结果的相关度，将所述相关度最大的预设推荐结果确定为推荐信息。

如上所述，本发明的信息推荐方法及系统，实现了基于用户行为数据即时读入采样数据、即时个性化推荐的技术方案，具有以下有益效果：

1)推荐结果更新的时间周期短，以分钟或秒或更小的时间单位计算；

2)读入采样数据后，采样数据对推荐结果的影响在几分钟/几秒钟之后显现出来，能够形成一种“行为采样—推荐反馈”的交互式推荐；

3)推荐结果基于用户行为数据采样，是用户个体行为历史演进的概率结果，具有个性化特质。

附图说明

图1显示为本发明一实施例的信息推荐方法流程图。

图2显示为本发明一实施例的切割采样数据流以生成采样数据切片的示意图。

图3显示为本发明一实施例的A类行为采样数据流的内部组成示意图。

图4显示为本发明一实施例的定义的用户行为场景的示意图。

图5A～5B显示为本发明一实施例的快照甄选过程示意图。

图6A～6B显示为本发明一实施例的场景模拟过程示意图。

图7显示为本发明一实施例的多个用户行为场景串联形成行为模式的模拟过程示意图。

图8显示为本发明一实施例的选择最终推荐结果的过程示意图。

图9显示为本发明一实施例的信息推荐系统模块图。

具体实施方式

以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。

需要说明的是，以下实施例中所提供的图示仅以示意方式说明本发明的基本构想，遂图式中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。

随着大数据时代的到来，通过挖掘用户的历史行为来预测用户未来的行为，建立起用户和内容的关系，才能提高信息推荐的准确性。请参阅图1，本发明提供一种信息推荐方法，在保证时效性的基础上，兼顾不同用户的个性化需求，实现了流式数据读入的动态交互式个性化推荐，具体包括以下步骤：

步骤S101：按照预设时间间隔切割读入的多个采样数据流以得到多个采样数据切片，图2显示了一次切割的过程，切割的时间点记录为时间点1，每个所述采样数据流包括一类用户行为事件数据，每个切割出的采样数据切片包括对应类别的用户行为事件数据中与预设时间间隔对应的部分。如图3所示，每个采样数据流是由多个用户行为事件数据组成的，其中，每个用户行为事件数据包括：记录该数据产生时间的时间戳、标识该数据产生的来源对象的用户标识，以及该数据主体部分。

需要说明的是，在每个采样数据流内，各个用户行为事件数据可以是无序的，在以预设时间间隔切割时，在预设时间间隔范围内的时间戳所对应的用户行为事件数据被切分出来，从而生成该类用户行为事件的采样数据切片。在多次切割后，按照切割时间的先后顺序将各批采样数据切片进行排序。

例如，用户行为事件为：观众观看某频道，对应的采样数据流为：所有在线观众观看该频道的数据，这些数据将实时地以数据流的形式获取，对应的采样数据切片为：在时间轴上对这些数据进行多次切片处理后，获得的一组彼此之间依切割时间排序的切片。

步骤S102：定义一个或多个用户行为场景，如图4所示，每个定义的用户行为场景可以包括一个、多个、一类、多类用户行为事件。

例如：A类用户行为事件为：观众观看某频道，B类用户行为事件为：观众切换到某频道，C类用户行为事件为：频道播放某节目，当定义的场景a包括A、C两类，则场景a为：观众观看某频道某节目，当定义的场景b包括B、C两类，则场景b为：观众切换到某频道某节目。

步骤S103：对于每次切割，分别从每个所述采样数据切片的数据中甄选出符合所述用户行为场景的部分以组成与每个切割时间点对应的场景快照。

例如，对于图5A，A类用户行为事件采样数据切片为：所有在线观众在不同时间段观看某频道的数据，在时间轴上对这些数据进行多次切片处理后，获得的一组彼此之间依时间排序的切片。C类用户行为事件采样数据切片为：所有直播频道在某段时间内播放节目的节目单数据，在时间轴上对这些数据进行3次切片处理后，获得的一组彼此之间依切割时间排序的切片。甄选出的场景a快照1为：时间点1，观众观看某频道某节目的采样数据组成的快照，甄选出的场景a快照2为：时间点2，观众观看某频道某节目的采样数据组成的快照，甄选出的场景a快照3为：时间点3，观众观看某频道某节目的采样数据组成的快照。对于图5B，B类用户行为事件采样数据切片为：所有在线观众在不同时间段切换到某频道的数据，在时间轴上对这些数据进行3次切片处理后，获得的一组彼此之间依时间排序的切片。C类用户行为事件采样数据切片为：所有直播频道在某段时间内播放节目的节目单数据，在时间轴上对这些数据进行多次切片处理后，获得的一组彼此之间依时间排序的切片。甄选出的场景b快照1为：时间点1，某频道某节目观众切换进来的采样数据组成的快照，甄选出的场景b快照2为：时间点2，某频道某节目观众切换进来的采样数据组成的快照，甄选出的场景b快照3为：时间点3，某频道某节目观众切换进来的采样数据组成的快照。

步骤S104：按照切割时间顺序，分别将各所述场景快照作为场景模拟模型的输入，从而得到所述场景模拟模型输出的各场景画像。需要说明的是，场景模拟模型是定制模型，可以是一个，也可以是多个，每个模型用于针对一种特征信息进行场景模拟。定制模型的生成根据画像的需要，由选择的各类深度学习算法(如：反向传播算法)和/或非监督学习算法等组合而成。

例如，对于图6A，模拟模型针对场景a的快照中蕴含的特定特征，模拟该特征的概率画像。具体的，场景a画像1为：针对场景a快照1中蕴含的特定特征模拟出的该特征的概率画像，即时间点1及其邻近时域，观众们可能观看某频道某节目的概率预测，场景a画像1与场景a快照1进行比对并调整参数，使得二者的差异缩小；场景a画像2为：针对场景a快照2中蕴含的特定特征模拟出的该特征的概率画像，即时间点2及其邻近时域，观众们可能观看某频道某节目的概率预测，场景a画像2与场景a快照2进行比对并调整参数，使得二者的差异缩小；场景a画像3为：针对场景a快照3中蕴含的特定特征模拟出的该特征的概率画像，即时间点3及其邻近时域，观众们可能观看某频道某节目的概率预测，场景a画像3与场景a快照3进行比对并调整参数，使得二者的差异缩小。以此类推，场景a画像n为：针对场景a快照n中蕴含的特定特征模拟出的该特征的概率画像，即时间点n及其邻近时域，观众们可能观看某频道某节目的概率预测，场景a画像n与场景a快照n进行比对并调整参数，使得二者的差异缩小。

又例如，对于图6B，模拟模型对场景b的快照中蕴含的特定特征，模拟该特征的概率画像。具体的，场景b画像1为：针对场景b快照1中蕴含的特定特征模拟出的该特征的概率画像，即时间点1及其邻近时域，观众们可能切换到某频道某节目的概率预测，场景b画像1与场景b快照1进行比对并调整参数，使得二者的差异缩小；场景b画像2为：针对场景b快照2中蕴含的特定特征模拟出的该特征的概率画像，即时间点2及其邻近时域，观众们可能切换到某频道某节目的概率预测，场景b画像1与场景b快照1进行比对并调整参数，使得二者的差异缩小；场景b画像3为：针对场景b快照3中蕴含的特定特征模拟出的该特征的概率画像，即时间点3及其邻近时域，观众们可能切换到某频道某节目的概率预测，场景b画像1与场景b快照1进行比对并调整参数，使得二者的差异缩小。以此类推，场景b画像n为：针对场景b快照n中蕴含的特定特征模拟出的该特征的概率画像，即时间点n及其邻近时域，观众们可能观看某频道某节目的概率预测，场景b画像n与场景b快照n进行比对并调整参数，使得二者的差异缩小。

需要说明的是，在另一实施例中，将每个场景快照输入相应的场景模拟进行模型之前，根据用户行为事件的时间戳，先将场景快照中包含的各个用户行为事件数据按照时间先后顺序排序，再依序输入相应的场景模拟模型中。

特别的，当定义了一个或多个用户行为场景时，所述一个或多个用户行为场景构成行为模式，具体来说，单独一个用户行为场景可以构成行为模式，多个用户行为场景组合起来(例如以串联的形式)也可以构成行为模式。图7显示了多个用户行为场景串联构成行为模式的情况，其中，所述行为模式中的某个用户行为场景的场景画像是由所述某个用户行为场景的场景快照和前一个用户行为场景的场景画像共同作为所述场景模拟模型的输入，并经所述场景模拟模型的输出得到的。

例如，同时考虑2个因素：1)在时间点1及其邻近时域，观众们可能观看某频道某节目的概率，来自场景a画像1；2)在时间点1，观众切换进某频道某节目的实际采样数据，来自场景b快照1。模拟：时间点1及其邻近时域，观众们可能切换到某频道某节目的概率预测。

步骤S105：将所述场景画像与预设推荐结果进行匹配，若匹配成功，则将所述预设推荐结果确定为推荐信息。可选的，所述预设推荐结果可以包括多个，所述匹配具体包括：分别计算每个场景画像与每个所述预设推荐结果的相关度，将相关度最大的预设推荐结果确定为最终的推荐信息。

例如图8所示，由所有的场景模拟所构成的行为模式模拟输出的场景b画像作为了最终的推荐结果，那么，就可以根据某时间点及其邻近时域中观众们可能切换到某频道某节目的概率，来向观众做频道推荐。

请参阅图9，与上述方法实施例原理相似的是，本发明提供一种信息推荐系统900，作为一种软件实现，可以搭载于具有输入、输出、数据处理功能的电子设备上予以执行。由于前述实施例中的各个技术特征可以应用于本系统实施例，因而不再重复赘述。

系统900包括：数据切片模块901、场景定义模块902、快照甄选模块903、场景模拟模块904、及匹配模块905。具体的：数据切片模块901按照预设时间间隔切割读入的多个采样数据流以得到多个采样数据切片；场景定义模块902定义一个或多个用户行为场景，每个用户行为场景包括至少一个和/或至少一类用户行为事件；快照甄选模块903分别从每个所述采样数据切片的数据中甄选出符合所述用户行为场景的部分以组成场景快照；场景模拟模块904将所述场景快照作为场景模拟模型的输入，从而得到所述场景模拟模型输出的场景画像；匹配模块905将所述场景画像与预设推荐结果进行匹配，若匹配成功，则将所述预设推荐结果确定为推荐信息。

在一实施例中，所述系统还包括：排序模块，用于在将所述场景快照输入所述场景模拟模型之前，将所述场景快照包含的各个用户行为事件数据按照时间顺序排序，并依序输入所述场景模拟模型。

综上所述，本发明有效克服了现有技术中的种种缺点而具高度产业利用价值。

上述实施例仅例示性说明本发明的原理及其功效，而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下，对上述实施例进行修饰或改变。因此，举凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变，仍应由本发明的权利要求所涵盖。