一种基于语义分析的在线用户推荐系统及方法
【技术领域】
[0001]本发明涉及一种用户推荐技术，具体涉及一种基于语义分析的在线用户推荐技术，属于海量信息处理、信息安全及智能处理等技术领域。
【背景技术】
[0002]互联网发展几十年来，信息量呈指数爆炸，如何在海量信息中获得与自己切身相关的部分，已经成为了用户最迫切的需求，也是互联网服务提供商重点研究和部署的业务。
[0003]美国亚马逊公司以电商业务著称，据称其推荐业务帮助其提升了约30%的销量。有效实用的推荐系统由四部分:用户信息记录模块、用户偏好处理模块、推荐算法模块和用户反馈模块。以国外的亚马逊、易趣以及国内的淘宝、豆瓣等为例，他们的推荐业务主要有三种形态:
[0004]I)基于用户行为(包括驻留时间、搜索、反馈)作出推荐；
[0005]2)基于标的信息(如收藏历史、购物车信息)作出推荐；
[0006]3)根据历史用户和标的信息的关系(如历史会员对某些商品的喜好程度)，利用推荐机制做会员营销。
[0007]可以看到，针对用户行为-标的信息这组二元关系，很多服务提供商进行了研究。
[0008]在上述三种形态下常见的推荐机制算法包括基于关联规则的算法(Associat1nRule_based Recommendat1n)、基于内容的协同算法(Content-based Recommendat1n)、协同过滤推荐算法(Collaborative Filtering Recommendat1n)。
[0009]专利“一种基于协同过滤的RSS信息推荐算法”(申请号:200910256457.8)从计算用户相似度方阵，来对新用户进行。即A，B用户有相似的喜好，如果A添加了新的信息源，则为B也推荐该信息源。这种方法基于聚类，简单有效，但是如果新的信息源没有用户进行过问，就无法被推荐到更多的用户上去；也就是说这种推荐算法影响了信息推荐的公平性。
[0010]专利“基于潜在社群的信息推荐方法”(申请号:201210012345.X)、专利“基于SNS的用户推荐方法及装置”(申请号:201310337086.2)通过用户关系聚类来实现信息、用户推荐。
[0011]上述推荐算法普遍存在一个毛病一一上述基于相似性、关联性的传统推荐算法，没有对用户行为或标的信息背后蕴含的深层语义进行分析，仅依赖于用户动作的浅层含义，导致基于相似性的推荐只能停留在形式上。用户真正需要的是一个能够理解自己的，关于自己个人的信息提供管道。
[0012]而进行语义分析，一来能够提取用户行为背后蕴含的深层含义，二来能够简约用户和标的信息关系型数据库的存量，三来能够公平推荐多个可能的信息源。
[0013]专利“一种用户推荐方法及装置”(申请号:201510089046.X)量化用户行为，设定了一些固定的公式来实现用户相互之间的推荐。
[0014]专利“用户推荐方法及用户推荐系统”(申请号:200910038601.0)仅仅利用了用户的关系网，那些好友推荐。没有考虑任何其它外部可靠信息。
[0015]上述推荐系统尤其存在另外一个缺点，即没有实现推荐策略的在线更新:合理有效的用户量化评价，应该充分利用用户的其它公开数据、去随着时间不断更推荐策略。
【发明内容】
[0016]本发明的目的为了解决用户推荐技术存在的推荐内容浅层、形式化以及缺少在线更新推荐策略的问题，提出了一种基于语义分析的在线用户推荐系统及方法。
[0017]—种基于语义分析的在线用户推荐系统，其特征在于:包括用户群组100、媒体信息源300、语义分析及存储设备200 ;语义分析及存储设备200接收用户群组100发出的用户行为和媒体信息源300提交的信息，分别进行语义分析匹配后，为用户群组100提供精确的推荐信息。
[0018]进一步的，所述媒体信息源300包括但不限于商品信息、多媒体信息、个人服务信息和好友推荐信息。
[0019]进一步的，所述用户行为包括但不限于网页浏览或拒绝记录、商品浏览或拒绝记录、好友浏览或拒绝记录、浏览时间。
[0020]一种基于语义分析的在线用户推荐方法，其特征在于:包括如下步骤:
[0021]I)用户群组100上传用户行为到语义分析及存储设备200中，语义分析及存储设备200对用户行为进行语义分析；
[0022]2)媒体信息源300将信息提供给语义分析及存储设备200，语义分析及存储设备200对信息进行语义分析；
[0023]3)语义分析及存储设备200结合用户行为和广泛信息进行联合语义分析；
[0024]4)综合上述第I)到第3)步骤的结果，语义分析及存储设备200提炼出精确信息投放给用户群组100 ;
[0025]5)用户群组100对精确信息作出判断，并且反馈用户行为，循环步骤1)-3)，再次反馈精确信息，实现在线用户推荐。
[0026]进一步的，所述步骤I)中语义分析及存储设备200对用户行为进行语义分析的方法包括但不限于隐马尔科夫模型方法、回归神经网络方法、深度学习方法、统计学习方法。
[0027]进一步的，所述步骤2)中语义分析及存储设备200对信息进行语义分析的方法包括但不限于隐马尔科夫模型方法、回归神经网络方法、深度学习方法、统计学习方法。
[0028]进一步的，所述步骤3)中联合语义分析的方法包括但不限于隐马尔科夫模型方法、回归神经网络方法、深度学习方法、统计学习方法。
[0029]有益效果
[0030]采用本发明的一种基于语义分析的在线用户推荐技术，具有如下有益效果:
[0031]1.同时对用户行为和数据库内的信息源进行语义分析，分析数据和用户行为背后的深层含义；
[0032]2.不需要用户行为进行辅助就可以对信息进行独立的分析，并且获得信息语义，这种技术可以在没有大量用户行为数据的时候，提供比较准确的用户推荐；
[0033]3.可以对用户的行为进行实时的学习，并且反馈到用户推荐中去。
【附图说明】
[0034]图1是本发明一种基于语义分析的在线用户推荐技术所需的系统结构图；
[0035]图2是本发明一种基于语义分析的在线用户推荐技术的实现流程图。
【具体实施方式】
[0036]下面结合附图和实施例对本发明做进一步说明。
[0037]实施例1
[0038]本实施例具体描述一种基于语义分析的在线用户推荐技术的实现流程。
[0039]如图1和图2所示，流程主要包括:
[0040]I系统开机，附图1中的用户群组100、语义分析及存储设备200、媒体信息源300
等相