义为：
[0039] 其中，取1时表示用户的积极反馈即状态值为1的反馈，count (ur= 1 |a d表 示用户在上下文实例ckq下对具有属性特征为a ^的项目所具有的积极反馈次数，count (u ^ =1)表示用户在上下文实例ckq下对所有项目所具有的积极反馈次数。
[0040] 步骤2 :产生上下文实例ckq下的评价值集合。
[0042] 其中，\为项目第i个属性类型下的第j个属性特征。
[0043] 步骤3 :计算上下文实例的熵值。
[0045] 其中，I(ckq)表示用户在上下文实例ckq下对不同属性类型的项目选择；f咖( &1]) 表示在上下文实例ckq下，用户u所选择的属性类型a i项目中属于某一特征a ^的项目的概 率；η为项目所具有的属性类型的个数。
[0046] 步骤4 :计算上下文信息熵，即不同上下文实例分布下相应上下文要素(；的熵值。
[0048] 其中，p (ckq)为上下文实例ckq下在给定上下文要素 c 14样本中的分布，t为该上下 文要素中所包含的上下文实例样本的个数。
[0049] 在推送生成之前，选择那些熵值较小的上下文要素作为推送生成的数据输入。此 外，在挖掘用户兴趣时，根据上下文信息熵的大小不断调整用户兴趣深度信念网络模型，去 除网络模型中对目标用户的兴趣不起任何作用的上下文要素。根据上下文要素的关键度值 以及它所包含的上下文实例来分析用户兴趣。上下文关键度值的计算方式如式
[0050] Dck=l_E(Ck)
[0051] 其中，Ck为对用户兴趣相关联的上下文要素，而Da表示该上下文要素的关键度 值。
[0052] 用户Ul在一组上下文信息c d下对项目属性a ^的兴趣度计算如下：
[0054] 其中，ckq是该组上下文信息c d中对该用户的兴趣相关联的上下文实例，p (a ^ | ckq) 为上下文实例ckq下用户对属性特征为a u的项目的初步兴趣值，η为对用户兴趣相关联的 上下文实例的个数。
[0055] 本发明进一步从用户对项目属性特征兴趣和用户记分两方面考虑，提出合并推送 方法。首先，采用基于项目属性的语义相似度的协同过滤来填充用户记分矩阵的缺失值，然 后从用户对项目属性的兴趣角度出发，结合用户记分共同搜索目标用户的邻居集合；然后 将上下文相似度的匹配和上下文关键度值进行协同过滤，产生推送结果集；最后将基于上 下文的关键词过滤推送与协同过滤的结果相融合，得到最终的推送结果。基于上下文的项 目合并推送的基本流程为：
[0056] 提取己获取的用户兴趣数据信息，以及对用户兴趣相关联的上下文；然后在推送 方法中对当前上下文数据、历史上下文数据相关的用户行为记录进行预处理；
[0057] 从用户对项目属性的兴趣和用户对项目的记分来计算用户之间的相似性，进而找 到邻居集合，然后将上下文的相似度匹配及上下文关键度值加入基于用户的推送生成过程 中；
[0058] 根据用户当前的上下文，采用基于上下文的关键词过滤方法产生对项目资源的推 送结果；
[0059] 根据协同过滤和关键词过滤所产生的推送结果，进而生成最终推送结果的访问序 列，并将该推送结果通过界面反馈给用户；通过用户获取推送序列后给出的反馈信息。
[0060] 在协同过滤推送中，根据不同用户对项目的记分信息产生推送结果。设用户 信息为U = {ι^，u2,…，um}，代表用户集合，I =仏，12，…，IJ为项目资源集合，则A = {RijIuiXiy为用户资源记分集合，其中u# U，I I。因此用m*n矩阵A(m，n)表示上述 用户记分数据集合，m行和η列分别代表该记分矩阵中有m个用户和η个项目资源，第i行 第j列的元素表示用户W对项目资源I ,的记分。
[0061] 本发明采用面向服务分层及模块化的方式构建了基于上下文的推送系统体系结 构。该架构共分为3层，分别为数据层、计算层和应用层，每一个层次都包含了不同的模块 来实现相应层次下的服务。数据层是对实现推送服务中所使用的相关信息源的描述。该层 次相应的提供了数据组织模块，通过对相关数据源的整合，采用语义化的方式构建相应的 模型，为用户推送的实现提供了知识基础。计算层根据数据层所提供的信息，为推送的实现 提供核心服务。该层次包含的模块有兴趣采集模块、上下文计算模块、语义匹配模块以及推 送生成模块。兴趣采集模块：根据数据层提供的上下文知识和用户知识，采用深度信念网络 概率计算的方法获取用户兴趣信息。上下文计算模块：根据用户当前的上下文信息，在数据 层的模型中采用预定义的计算规则来获取扩展的上下文信息以及用户兴趣的相关信息。语 义匹配模块：通过基于实体的方法对各种数据源之间的进行语义相似匹配，进而获取各种 资源之间的相似度情况，为推送生成模块提供知识支持。推送生成模块：根据上下文计算 模块和语义匹配模块所提供的知识，采用一定的方法来生成与用户上下文及需求相似的最 终推送结果。应用层提供用户与推送服务的交互服务，通过用户对推送结果的反馈信息，不 断更新数据层的用户相关模型。根据本发明提出的推送体系结构，基于上下文的推送服务 的实现过程分为以下步骤。推送系统首先通过交互界面实现推送服务于用户之间的信息沟 通，根据用户简单的行为操作获取用户的相关上下文信息，收集用户的兴趣特征，依此为推 送过程的实现提供信息依据；根据用户的行为记录以及当前上下文，采用深度信念网络计 算的方法来分析用户兴趣情况；基于推送用户实体的相关知识，结合用户兴趣，检索与当前 用户兴趣相似的近邻用户；结合当前上下文，采用相似度计算的方法检索与当前上下文相 似的历史上下文集合；基于上下文建模的推送模式，采用基于上下文的改进协同过滤推送 方法，为目标用户生成推送结果；根据当前上下文信息以及用户兴趣，基于推送方法中的预 定规则进行关键词过滤推送，生成基于规则知识的推送结果；采用上下文计算优化方法，将 关键词过滤与协同过滤中相冲突的结果过滤掉，进而生成最终的推送结果集合并反馈给目 标用户。
[0062] 综上所述，本发明提出了一种基于上下文的内容个性化提供方法，通过分析用户 兴趣获得用户的需求，提高用户获取所需信息和信息推送的效率。
[0063] 显然，本领域的技术人员应该理解，上述的本发明的各模块或各步骤可以用通用 的计算系统来实现，它们可以集中在单个的计算系统上，或者分布在多个计算系统所组成 的网络上，可选地，它们可以用计算系统可执行的程序代码来实现，从而，可以将它们存储 在存储系统中由计算系统来执行。这样，本发明不限制于任何特定的硬件和软件结合。
[0064] 应当理解的是，本发明的上述【具体实施方式】仅仅用于示例性说明或解释本发明的 原理，而不构成对本发明的限制。因此，在不偏离本发明的精神和范围的情况下所做的任何 修改、等同替换、改进等，均应包含在本发明的保护范围之内。此外，本发明所附权利要求旨 在涵盖落入所附权利要求范围和边界、或者这种范围和边界的等同形式内的全部变化和修 改例。
【主权项】
1. 一种基于上下文的内容个性化提供方法，其特征在于，包括： 通过交互界面收集用户的行为记录，获取用户交互的上下文，采用深度信念网络计算 用户兴趣，基于所述用户兴趣为目标用户生成推送结果。2. 根据权利要求1所述的方法，其特征在于，所述采用深度信念网络计算用户兴趣之 前，还包括： 针对上下文、用户和项目资源之间的关系建立用户兴趣的深度信念网络模型，具体包 括： 步骤1 :将用户上下文和环境上下文插入深度信念网络作为两个不同的上下文根节 点，分别将对应的用户上下文和环境上下文的本体结构依次插入深度信念网络树中； 步骤2 :根据上下文实体中的关系属性，连接步骤1中的节点，使得上述节点之间存在 依赖关系； 步骤3 :将用户兴趣数据作为深度信念网络中的叶子节点加入到深度信念网络底层 中，并将这些代表的用户对项目属性兴趣的叶子节点与项目实体中的项目属性类相关联； 根据上述网络建立过程的描述，将该上下文用户兴趣深度信念网络表示为<Nu，Eu，Pn> ; 其中，Nu为变量集合，Eu为有向边集合，PN为节点变量上的条件概率集合； 将上下文用户兴趣深度信念网络模型分为用户兴趣深度信念网络和基于属性的项目 实体两部分构成；在顶层用户兴趣深度信念网络结构中，由上下文要素Ck、具体上下文实例 Ckq，以及用户兴趣pu三部分相应的构成网络的输入、状态和输出结构，即根节点为环境上下 文和用户上下文实体中的相应父概念，上下文实体中的各种上下文要素(；及相应的各种上 下文实例分别按照实体中的层次结构相应的构成了该模型中的父节点，将实体中的用户兴 趣作为该网络结构中的叶子节点； 在底层项目实体描述项目的属性关系概念及其实例，且通过实体的语义映射刻画用户 兴趣与项目之间的联系；将上下文实例作为深度信任网络中的证据节点，用户对项目属性 的兴趣则作为计算结果表示为叶子节点，则节点之间的有向弧Eu表示各种上下文之间，以 及上下文和用户兴趣之间的概率依赖关系。
【专利摘要】本发明提供了一种基于上下文的内容个性化提供方法，该方法包括：通过交互界面收集用户的行为记录，获取用户交互的上下文，采用深度信念网络计算用户兴趣，基于所述用户兴趣为目标用户生成推送结果。本发明提出了一种基于上下文的内容个性化提供方法，通过分析用户兴趣获得用户的需求，提高用户获取所需信息和信息推送的效率。
【IPC分类】G06F17/30
【公开号】CN105354339
【申请号】CN201510930193
【发明人】董政, 吴文杰, 陈露, 李学生
【申请人】成都陌云科技有限公司
【公开日】2016年2月24日
【申请日】2015年12月15日