信息推送的方法和装置制造方法
【专利摘要】本发明公开了一种信息推送的方法和装置，属于互联网【技术领域】。所述方法包括：获取用户对当前书籍的历史行为数据，其中，所述历史行为数据包括：所述用户购买书籍的数据、所述用户搜索书籍的数据和所述用户在线阅读书籍的数据；根据所述用户的历史行为数据分别计算所述当前书籍的流行度分数和所述用户对预设标签的喜好度；根据所述当前书籍的标签、所述当前书籍的流行度分数和所述用户对所述预设标签的喜好度，得到推荐给所述用户的书籍。本发明通过对用户历史行为数据的分析进行个性化推荐，其中不需要人工编辑，提高了门户网站的推荐效率。
【专利说明】信息推送的方法和装置
【技术领域】
[0001]本发明涉及互联网领域，特别涉及一种信息推送的方法和装置。
【背景技术】
[0002]随着互联网的发展，出现了越来越多的图书门户网站，阅读爱好者不需要花费时间和精力去图书馆购买书籍，在网上就能够方便阅读。由于网上阅读的方便性，选择在网上阅读书籍的用户越来越多。但是怎样获得符合用户兴趣爱好的书籍，以便将用户感兴趣的书籍推荐给用户，是所有图书门户网站需要解决的问题。
[0003]现有技术中，多数门户网站靠人工统计不同用户的兴趣爱好，从而通过人工编辑推荐给用户可能喜欢的书籍。
[0004]但是现有技术中通过人工编辑的做法耗费人力资源较大，并且在热门书籍发现的准确性和及时性上较差，导致为用户推荐书籍的效率比较低。
【发明内容】
[0005]为了提高门户网站推荐的效率，本发明实施例提供了一种信息推送的方法和装置。所述技术方案如下:
[0006]—方面，提供了一种信息推荐的方法，所述方法包括:
[0007]获取用户对当前书籍的历史行为数据，其中，所述历史行为数据包括:所述用户购买书籍的数据、所述用户搜索书籍的数据和所述用户在线阅读书籍的数据；
[0008]根据所述用户的历史行为数据分别计算所述当前书籍的流行度分数和所述用户对预设标签的喜好度，其中，所述预设标签是指所述用户在历史上感兴趣的书籍对应的标签中的每一类标签；
[0009]根据所述当前书籍的标签、所述当前书籍的流行度分数和所述用户对所述预设标签的喜好度，得到推荐给所述用户的书籍。
[0010]另一方面，提供了一种信息推荐的装置，所述装置包括:
[0011]获取模块，用于获取用户对当前书籍的历史行为数据，其中，所述历史行为数据包括:所述用户购买书籍的数据、所述用户搜索书籍的数据和所述用户在线阅读书籍的数据；
[0012]计算模块，用于根据所述用户的历史行为数据分别计算所述当前书籍的流行度分数和所述用户对预设标签的喜好度，其中，所述预设标签是指所述用户在历史上感兴趣的书籍对应的标签中的每一类标签；
[0013]推荐模块，用于根据所述当前书籍的标签、所述当前书籍的流行度分数和所述用户对所述预设标签的喜好度，得到推荐给所述用户的书籍。
[0014]本发明实施例提供的技术方案带来的有益效果是:获取用户对当前书籍的历史行为数据，其中，所述历史行为数据包括:所述用户购买书籍的数据、所述用户搜索书籍的数据和所述用户在线阅读书籍的数据；根据所述用户的历史行为数据分别计算所述当前书籍的流行度分数和所述用户对预设标签的喜好度；根据所述当前书籍的标签、所述当前书籍的流行度分数和所述用户对所述预设标签的喜好度，得到推荐给所述用户的书籍。从而通过对用户历史行为数据的分析进行个性化推荐，其中不需要人工编辑，提高了门户网站的推荐效率。
【专利附图】
【附图说明】
[0015]为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0016]图1是本发明实施例一中提供的一种信息推荐的方法流程图；
[0017]图2是本发明实施例二中提供的一种信息推荐的方法流程图；
[0018]图3是本发明实施例三中提供的一种信息推荐的装置结构示意图；
[0019]图4是本发明实施例三中提供的另一种信息推荐的装置结构示意图。
【具体实施方式】
[0020]为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明实施方式作进一步地详细描述。
[0021]实施例一
[0022]参见图1，本实施例中提供了一种信息推荐的方法，包括:
[0023]101、获取用户对当前书籍的历史行为数据，其中，所述历史行为数据包括:所述用户购买书籍的数据、所述用户搜索书籍的数据和所述用户在线阅读书籍的数据；
[0024]102、根据所述用户的历史行为数据分别计算所述当前书籍的流行度分数和所述用户对预设标签的喜好度，其中，所述预设标签是指所述用户在历史上感兴趣的书籍对应的标签中的每一类标签；
[0025]103、根据所述当前书籍的标签、所述当前书籍的流行度分数和所述用户对所述预设标签的喜好度，得到推荐给所述用户的书籍。
[0026]其中，所述根据所述用户的历史行为数据计算所述当前书籍的流行度分数，包括:
[0027]根据所述用户购买书籍的数据，分别计算所述用户的购买密度和所述用户的购买热度；
[0028]根据所述用户搜索书籍的数据，分别计算所述用户的搜索密度和所述用户的搜索热度；
[0029]根据所述用户在线阅读书籍的数据，分别计算所述用户的阅读密度和所述用户的阅读热度；
[0030]根据所述用户的购买密度和所述用户的购买热度、所述用户的搜索密度和所述用户的搜索热度及所述用户的阅读密度和所述用户的阅读热度，计算得到所述书籍的流行度分数。
[0031]可选地，所述根据所述用户的历史行为数据计算所述当前书籍的流行度分数之后,还包括:
[0032]按照所述当前书籍的流行度分数的大小对所述当前书籍进行排序，得到所述当前书籍的热门榜单。
[0033]可选地，所述根据所述用户的历史行为数据计算所述用户对预设标签的喜好度，包括:
[0034]根据所述用户的历史行为数据统计所述用户在历史上感兴趣的书籍的名称；
[0035]根据所述用户在历史上感兴趣的书籍的名称，得到对应所述用户在历史上感兴趣的书籍的标签；
[0036]分别统计对应所述用户在历史上感兴趣的书籍的总的标签数量和所标签中预设标签出现的次数；
[0037]根据所述预设标签出现的次数和所述总的标签数量，计算所述用户对所述预设标签的喜好度。
[0038]相应地，所述根据所述当前书籍的标签、所述当前书籍的流行度分数和所述用户对所述预设标签的喜好度，得到推荐给所述用户的书籍，包括:
[0039]将所述当前书籍的标签与所述预设标签进行匹配，在所述用户对所述预设标签的喜好度中，找到所有包括所述用户对带有所述当前书籍的标签的喜好度％；
[0040]根据所述当前书籍的流行度分数和所述所有包括所述用户对带有所述当前书籍的标签的喜好度；
[0041]根据所述当前书籍的推荐分数，得到推荐给所述用户的书籍。
[0042]可选地，所述根据所述用户的历史行为数据计算所述用户对预设标签的喜好度，包括:
[0043]根据所述用户的历史行为数据得到所述用户在历史上感兴趣的书籍的标签和所述用户在历史上不感兴趣的书籍的标签；
[0044]分别统计所述用户在历史上感兴趣的书籍的标签中预设标签出现的次数和所述用户在历史上不感兴趣的书籍的标签中所述预设标签出现的次数；
[0045]根据所述用户在历史上感兴趣的书籍的标签中预设标签出现的次数和所述用户在历史上不感兴趣的书籍的标签中所述预设标签出现的次数，分别得到所述用户在历史上感兴趣的书籍中带有所述预设标签的概率和所述用户在历史上不感兴趣的书籍中带有所述预设标签的概率；
[0046]根据贝叶斯公式对所述用户在历史上感兴趣的书籍中带有所述预设标签的概率和所述用户在历史上不感兴趣的书籍中带有所述预设标签的概率进行计算，得到所述用户对所述预设标签的喜好度。
[0047]相应地，所述根据所述当前书籍的标签、所述当前书籍的流行度分数和所述用户对所述预设标签的喜好度，得到推荐给所述用户的书籍，包括:
[0048]将所述当前书籍的标签与所述预设标签进行匹配，在所述用户对所述预设标签的喜好度中，找到所有包括所述用户对带有所述当前书籍的标签的喜好度；
[0049]根据所述所有包括所述用户对带有所述当前书籍的标签的喜好度，得到所述用户对所述当前书籍的喜欢概率；
[0050]根据所述当前书籍的流行度分数和所述用户对所述当前书籍的喜欢概率，得到对所述当前书籍的推荐分数；
[0051]根据所述当前书籍的推荐分数，得到推荐给所述用户的书籍。
[0052]本实施例的有益效果是:获取用户对当前书籍的历史行为数据，其中，所述历史行为数据包括:所述用户购买书籍的数据、所述用户搜索书籍的数据和所述用户在线阅读书籍的数据；根据所述用户的历史行为数据分别计算所述当前书籍的流行度分数和所述用户对预设标签的喜好度；根据所述当前书籍的标签、所述当前书籍的流行度分数和所述用户对所述预设标签的喜好度，得到推荐给所述用户的书籍。从而通过对用户历史行为数据的分析进行个性化推荐，其中不需要人工编辑，提高了门户网站的推荐效率。
[0053]实施例二
[0054]本发明实施例提供了一种信息推荐的方法，参见图2，方法流程包括:
[0055]201、获取用户对当前书籍的历史行为数据。
[0056]本实施例中，当前书籍指当前门户网站上提供的书籍。其中，用户是指门户网站上的任一用户，对此本实施例不做具体限定。用户对当前书籍的历史行为数据包括但不限于:用户购买书籍的数据、用户搜索书籍的数据和用户在线阅读书籍的数据等。
[0057]此步骤中，对于用户的历史行为数据进行统计，以获取历史行为数据。其中具体的获取的历史行为数据包括但不限于:用户购买、搜索、阅读的时间、书籍的名称以及书籍的数量等。
[0058]202、根据用户的历史行为数据计算当前书籍的流行度分数。
[0059]本实施例中，热门小说的榜单通过用户的购买、搜索以及在线阅读的数据等进行计算，其中具体的根据用户的历史行为数据计算当前书籍的流行度分数，包括:
[0060]I)根据所述用户购买书籍的数据，分别计算所述用户的购买密度By_
Intensity (ti)和所述用户的购买热度 By_Recency U1),其中
【权利要求】
1.一种信息推荐的方法，其特征在于，所述方法包括: 获取用户对当前书籍的历史行为数据，其中，所述历史行为数据包括:所述用户购买书籍的数据、所述用户搜索书籍的数据和所述用户在线阅读书籍的数据； 根据所述用户的历史行为数据分别计算所述当前书籍的流行度分数和所述用户对预设标签的喜好度，其中，所述预设标签是指所述用户在历史上感兴趣的书籍对应的标签中的每一类标签； 根据所述当前书籍的标签、所述当前书籍的流行度分数和所述用户对所述预设标签的喜好度，得到推荐给所述用户的书籍。
2.根据权利要求1所述的方法，其特征在于，所述根据所述用户的历史行为数据计算所述当前书籍的流行度分数，包括: 根据所述用户购买书籍的数据，分别计算所述用户的购买密度和所述用户的购买热度； 根据所述用户搜索书籍的数据，分别计算所述用户的搜索密度和所述用户的搜索热度； 根据所述用户在线阅读书籍的数据，分别计算所述用户的阅读密度和所述用户的阅读热度； 根据所述用户的购买密度和所述用户的购买热度、所述用户的搜索密度和所述用户的搜索热度及所述用户的阅读密度和所述用户的阅读热度，计算得到所述书籍的流行度分数。`
3.根据权利要求1所述的方法，其特征在于，所述根据所述用户的历史行为数据计算所述当前书籍的流行度分数之后，还包括: 按照所述当前书籍的流行度分数的大小对所述当前书籍进行排序，得到所述当前书籍的热门榜单。
4.根据权利要求1所述的方法，其特征在于，所述根据所述用户的历史行为数据计算所述用户对预设标签的喜好度，包括: 根据所述用户的历史行为数据统计所述用户在历史上感兴趣的书籍的名称； 根据所述用户在历史上感兴趣的书籍的名称，得到所述用户在历史上感兴趣的书籍的标签； 分别统计所述用户在历史上感兴趣的书籍的总的标签数量和所标签中预设标签出现的次数； 根据所述预设标签出现的次数和所述总的标签数量，计算所述用户对所述预设标签的喜好度。
5.根据权利要求4所述的方法，其特征在于，所述根据所述当前书籍的标签、所述当前书籍的流行度分数和所述用户对所述预设标签的喜好度，得到推荐给所述用户的书籍，包括: 将所述当前书籍的标签与所述预设标签进行匹配，在所述用户对所述预设标签的喜好度中，找到所有包括所述用户对带有所述当前书籍的标签的喜好度； 根据所述当前书籍的流行度分数和所述所有包括所述用户对带有所述当前书籍的标签的喜好度，得到对所述当前书籍的推荐分数；根据所述当前书籍的推荐分数，得到推荐给所述用户的书籍。
6.根据权利要求1所述的方法，其特征在于，所述根据所述用户的历史行为数据计算所述用户对预设标签的喜好度，包括: 根据所述用户的历史行为数据得到所述用户在历史上感兴趣的书籍的标签和所述用户在历史上不感兴趣的书籍的标签； 分别统计所述用户在历史上感兴趣的书籍的标签中预设标签出现的次数和所述用户在历史上不感兴趣的书籍的标签中所述预设标签出现的次数； 根据所述用户在历史上感兴趣的书籍的标签中预设标签出现的次数和所述用户在历史上不感兴趣的书籍的标签中所述预设标签出现的次数，分别得到所述用户在历史上感兴趣的书籍中带有所述预设标签的概率和所述用户在历史上不感兴趣的书籍中带有所述预设标签的概率； 根据贝叶斯公式对所述用户在历史上感兴趣的书籍中带有所述预设标签的概率和所述用户在历史上不感兴趣的书籍中带有所述预设标签的概率进行计算，得到所述用户对所述预设标签的喜好度。
7.根据权利要求6所述的方法，其特征在于，所述根据所述当前书籍的标签、所述当前书籍的流行度分数和所述用户对所述预设标签的喜好度，得到推荐给所述用户的书籍，包括: 将所述当前书籍的标签与所述预设标签进行匹配，在所述用户对所述预设标签的喜好度中，找到所有包括所述用户对带有所述当前书籍的标签的喜好度； 根据所述所有包括所述用户对带有所述当前书籍的标签的喜好度，得到所述用户对所述当前书籍的喜欢概率； 根据所述当前书籍的流行度分数和所述用户对所述当前书籍的喜欢概率，得到对所述当前书籍的推荐分数； 根据所述当前书籍的推荐分数，得到推荐给所述用户的书籍。
8.一种信息推荐的装置，其特征在于，所述装置包括: 获取模块，用于获取用户对当前书籍的历史行为数据，其中，所述历史行为数据包括:所述用户购买书籍的数据、所述用户搜索书籍的数据和所述用户在线阅读书籍的数据； 计算模块，用于根据所述用户的历史行为数据分别计算所述当前书籍的流行度分数和所述用户对预设标签的喜好度，其中，所述预设标签是指所述用户在历史上感兴趣的书籍对应的标签中的每一类标签； 推荐模块，用于根据所述当前书籍的标签、所述当前书籍的流行度分数和所述用户对所述预设标签的喜好度，得到推荐给所述用户的书籍。
9.根据权利要求8所述的装置，其特征在于，所述计算模块，包括: 第一计算单元，用于根据所述用户购买书籍的数据，分别计算所述用户的购买密度和所述用户的购买热度； 第二计算单元，用于根据所述用户搜索书籍的数据，分别计算所述用户的搜索密度和所述用户的搜索热度； 第三计算单元，用于根据所述用户在线阅读书籍的数据，分别计算所述用户的阅读密度和所述用户的阅读热度；第四计算单元，用于根据所述用户的购买密度和所述用户的购买热度、所述用户的搜索密度和所述用户的搜索热度及所述用户的阅读密度和所述用户的阅读热度，计算得到所述书籍的流行度分数。
10.根据权利要求8所述的装置，其特征在于，所述装置还包括: 排序模块，用于在所述计算模块根据所述用户的历史行为数据计算所述当前书籍的流行度分数之后，按照所述当前书籍的流行度分数的大小对所述当前书籍进行排序，得到所述当前书籍的热门榜单。
11.根据权利要求8所述的装置，其特征在于，所述计算模块，包括: 第一统计单元，用于根据所述用户的历史行为数据统计所述用户在历史上感兴趣的书籍的名称； 第二统计单元，用于根据所述用户在历史上感兴趣的书籍的名称，得到对应所述用户在历史上感兴趣的书籍的标签； 第三统计单元，用于分别统计对应所述用户在历史上感兴趣的书籍的总的标签数量和所标签中预设标签出现的次数； 第五计算单元，用于根据所述预设标签出现的次数和所述总的标签数量，计算所述用户对所述预设标签的喜好度。
12.根据权利要求11所述的装置，其特征在于，所述推荐模块，包括: 第一获取模块，用于将所述当前书籍的标签与所述预设标签进行匹配，在所述用户对所述预设标签的喜好度中，找到所有包括所述用户对带有所述当前书籍的标签的喜好度；第一计算单元，用于根据所述当前书籍的流行度分数和所述所有包括所述用户对带有所述当前书籍的标签的喜好度，`得到对所述当前书籍的推荐分数； 第一推荐单元，用于根据所述当前书籍的推荐分数，得到推荐给所述用户的书籍。
13.根据权利要求8所述的装置，其特征在于，所述计算模块，包括: 第四统计单元，用于根据所述用户的历史行为数据得到所述用户在历史上感兴趣的书籍的标签和所述用户在历史上不感兴趣的书籍的标签； 第五统计单元，用于分别统计所述用户在历史上感兴趣的书籍的标签中预设标签出现的次数和所述用户在历史上不感兴趣的书籍的标签中所述预设标签出现的次数； 第六计算单元，用于根据所述用户在历史上感兴趣的书籍的标签中预设标签出现的次数和所述用户在历史上不感兴趣的书籍的标签中所述预设标签出现的次数，分别得到所述用户在历史上感兴趣的书籍中带有所述预设标签的概率和所述用户在历史上不感兴趣的书籍中带有所述预设标签的概率； 第七计算单元，用于根据贝叶斯公式对所述用户在历史上感兴趣的书籍中带有所述预设标签的概率和所述用户在历史上不感兴趣的书籍中带有所述预设标签的概率进行计算，得到所述用户对所述预设标签的喜好度。
14.根据权利要求13所述的装置，其特征在于，所述推荐模块，包括: 第二获取单元，用于将所述当前书籍的标签与所述预设标签进行匹配，在所述用户对所述预设标签的喜好度中，找到所有包括所述用户对带有所述当前书籍的标签的喜好度；第二计算单元，用于根据所述所有包括所述用户对带有所述当前书籍的标签的喜好度，得到所述用户对所述当前书籍的喜欢概率；第三计算单元，用于根据所述当前书籍的流行度分数和所述用户对所述当前书籍的喜欢概率，得到对所述当前书籍的推荐分数； 第二推荐单元，用于根`据所述当前书籍的推荐分数，得到推荐给所述用户的书籍。
【文档编号】G06F17/30GK103793419SQ201210427789
【公开日】2014年5月14日 申请日期:2012年10月31日 优先权日:2012年10月31日
【发明者】程刚, 李鹤, 潘璇, 庄子明 申请人:深圳市世纪光速信息技术有限公司