基于大数据搜索的个性化推荐方法和系统的制作方法
【技术领域】
[0001]本发明涉及搜索技术领域，特别是涉及一种基于大数据搜索的个性化推荐方法和系统。
【背景技术】
[0002]随着推荐技术的快速发展，用户对推荐结果的要求也越来越高。个性化推荐是推荐技术的最重要内容之一。现有的个性化推荐是根据用户的兴趣特点和购买行为，向用户推荐用户感兴趣的信息和商品。随着电子商务规模的不断扩大，商品个数和种类快速增长，顾客需要花费大量的时间才能找到自己想买的商品。这种浏览大量无关的信息和产品过程无疑会使淹没在信息过载问题中的消费者不断流失。为了解决这些问题，个性化推荐系统应运而生。个性化推荐系统是建立在海量数据挖掘基础上的一种高级商务智能平台，以帮助电子商务网站为其顾客购物提供完全个性化的决策支持和信息服务。
[0003]现有个性化推荐是基于某个信息平台或信息系统内部的海量数据做出的，譬如淘宝的商品推荐系统是基于淘宝信息平台里的海量数据进行推荐的，又譬如当当网的推荐系统是基于当当网信息平台里的海量数据进行推荐的。各个信息平台或信息系统里的数据量虽然很大，但相互之间没有融合，所以形成了数据孤岛，相对于互联网上的大数据而言，某个信息平台或信息系统内部的海量数据只能称得上是小数据，导致了现有推荐系统主要有以下问题:
[0004](I)现有推荐技术在向一个用户进行推荐时需要参考该个用户的以往购买行为，对新用户而言，没有足够的购买行为的历史数据可以供推荐系统参考；
[0005](2)现有推荐技术在向一个用户进行推荐时需要参考与该个用户类似的同类用户的购买行为，而另类用户的需求往往与一般用户不同；
[0006](3)现有推荐系统是根据用户的兴趣特点和购买行为进行推荐的，而用户的兴趣特点和购买行为是从用户的购买历史数据中挖掘出来的，虽然用户的兴趣特点和购买行为也属于用户的属性，但这些用户属性信息是从用户的购买历史数据中挖掘出来的，属于用户在购买时的属性，而用户购买属性之外的用户属性信息却没有被现有推荐技术所考虑和利用。
[0007]综上所述，现有推荐系统推荐，准确率无法突破现有的瓶颈，准确率低。
【发明内容】
[0008]基于此，有必要针对现有技术准确率低的问题，提供一种基于大数据搜索的个性化推荐方法和系统。
[0009 ] 一种个性化推荐方法，包括以下步骤:
[0010]对预先从推荐系统获取到的推荐信息进行筛选，得到初始推荐信息；
[0011]分别以各个初始推荐信息为搜索信息在搜索引擎中进行搜索，得到对应的NI条第一搜索结果，分别以各个初始推荐信息与预先获取的用户属性信息为搜索信息在搜索引擎中进行搜索，得到对应的N2条第二搜索结果；
[0012]根据各个初始推荐信息的NI与N2的比值对所述初始推荐信息进行筛选，得到推荐结果。
[0013]一种个性化推荐系统，包括:
[0014]第一筛选模块，用于对预先从推荐系统获取到的推荐信息进行筛选，得到初始推荐信息；
[0015]搜索模块，用于分别以各个初始推荐信息为搜索信息在搜索引擎中进行搜索，得到对应的NI条第一搜索结果，分别以各个初始推荐信息与预先获取的用户属性信息为搜索信息在搜索引擎中进行搜索，得到对应的N2条第二搜索结果；
[0016]第二筛选模块，用于根据各个初始推荐信息的NI与N2的比值对所述初始推荐信息进行筛选，得到推荐结果。
[0017]上述个性化推荐方法和系统，通过对预先从推荐系统获取到的推荐信息进行筛选，得到初始推荐信息;分别以各个初始推荐信息为搜索信息在搜索引擎中进行搜索，得到对应的NI条第一搜索结果，分别以各个初始推荐信息与预先获取的用户属性信息为搜索信息在搜索引擎中进行搜索，得到对应的N2条第二搜索结果;根据各个初始推荐信息的NI与N2的比值对所述初始推荐信息进行筛选，得到推荐结果，极大提高了推荐结果与用户属性的契合度，满足了用户的个性化推荐的需要，提高推荐的准确率，提高了用户对推荐结果的采纳率，提升了推荐系统对用户的价值。
【附图说明】
[0018]图1为一个实施例的个性化推荐方法流程图；
[0019]图2为一个实施例的个性化推荐系统的结构示意图。
【具体实施方式】
[0020]下面结合附图对本发明的个性化推荐方法和系统的实施例进行描述。
[0021]图1为一个实施例的个性化推荐方法流程图。如图1所示，所述个性化推荐方法可包括以下步骤:
[0022]步骤SI，对预先从推荐系统获取到的推荐信息进行筛选，得到初始推荐信息；
[0023]其中，所述推荐系统可以是现有的各种推荐系统，也可以是新开发的推荐系统;从推荐系统获取到的推荐信息可以是各种类型的推荐信息，譬如，商品推荐信息、服装推荐信息、图书推荐信息、视频推荐信息、图片推荐信息、论文推荐信息或好友推荐信息等。
[0024]假设从推荐系统获取到的推荐信息的数量为P，初始推荐信息的数量为N，则N小于或等于P。可计算预先从推荐系统获取到的推荐信息的数量;将所述数量与预设的数量阈值进行比较;若所述数量大于所述数量阈值，可从预先从推荐系统获取到的推荐信息中选择N条推荐信息，设为初始推荐信息。通过这种方式，可以避免P的数值较大时造成后续处理花费时间过长、处理复杂度过高的问题，有效提高了后续对推荐信息的处理效率，节约了处理时间。
[0025]步骤S2，分别以各个初始推荐信息为搜索信息在搜索引擎中进行搜索，得到对应的NI条第一搜索结果，分别以各个初始推荐信息与预先获取的用户属性信息为搜索信息在搜索引擎中进行搜索，得到对应的N2条第二搜索结果；
[0026]例如，假设初始推荐信息的数量为N=3，分别以3条初始推荐信息为搜索信息在搜索引擎中进行搜索，得到的第一搜索结果的数量分别为Nl = 30、40和50。假设分别以3条初始推荐信息与预先获取的用户属性信息为搜索信息在搜索引擎中进行搜索，得到的第二搜索结果的数量分别为N2 = 10、15和35 ο可将上述NI和N2代入后续步骤。
[0027]所述搜索引擎可以是一种大数据搜索引擎，还可以是互联网搜索引擎(譬如谷歌、百度等)，还可以是基于语料库的搜索引擎，还可以是其他类型的信息搜索引擎。搜索是调用搜索引擎自动完成的。
[0028]所述用户属性信息包括用户的年龄、性别、职业、学历、专业、特长、爱好和地理位置等信息。
[0029]获取用户属性信息的方式可以是获取搜索引擎上登录的注册账户;提取所述账户相关联的用户属性信息。获取用户属性信息的方式还可以是弹出信息输入界面;接收用户在所述信息输入界面中输入的用户属性信息。初始推荐信息与所述用户属性组合的方式是将用户属性组追加到初始推荐信息之后。
[0030]步骤S3，根据各个初始推荐信息的NI与N2的比值对所述初始推荐信息进行筛选，得到推荐结果。具体讲，可以根据以下方式获取推荐结果:
[0031 ]步骤S31，计算各个初始推荐信息的NI与N2的比值N1/N2;
[0032]步骤S32，对所述比值进行排序，得到所述比值对应的序列；
[0033]步骤S33，选择所述序列中的排序靠前的M个比值，并将所述M个比值对应的初始推荐信息设为推荐结果;其中，M小于N小于或等于P，N为初始推荐信息的数量，P为预先从推荐系统获取到的推荐信息的数量。
[0034]在得到所述推荐结果之后，可将所述推荐结果输出给用户。
[0035]其中，将最终推荐结果输出给用户的方式可以是现有推荐系统所采用的方式，也可以采用其他的信息输出方式，譬如，如网页的方式、文件的方式。
[0036]其中，当所述推荐系统向多个用户推荐所述推荐结果，则可针对所述多个用户执行多次所述个性化推荐方法；当所述推荐系统多次向一个用户推荐多个推荐结果，则针对所述多次执行多次所述个性化推荐方法;所述推荐结果的序列是有序的，是按照N2的值从大到小进行排序的。N2的值反映了各个初始推荐信息与用户属性的契合度。某条初始推荐信息的N2值越大，表明用户对该推荐信息的认同度越高，反之，某条初始推荐信息的N2值越小，表明用户对该推荐信息的认同度越低。
[0037]NI与N2的比值N1/N2反映了用户属性引起用户对初始推荐信息的认同度的变化。某条初始推荐信息N1/N2的值越大，表明该初始推荐信息引起用户对初始推荐信息的认同度的变化越大，从而说明初始推荐信息