网络服务推荐方法和装置的制造方法
【技术领域】
[0001] 本发明涉及网络数据分析技术，特别涉及一种网络服务推荐方法和装置。
【背景技术】
[0002] 随着网络时代的发展，网络服务遍及人们日常生活之中，网络服务至少包括：在线 视频、在线音乐、在线新闻以及在线购物。
[0003] 其中，以在线视频为例，目前的视频推荐策略包括：AR(Association Rules,关联 规则挖掘策略）和CF (Collaborative Filtering，协同过滤策略），其中，AR与CF均假设： 整个用户群体有相同的观影兴趣，当为其中一个用户推荐视频时，推荐其他用户看过的同 类型视频的前N个给该用户，N>1，且N为整数，例如，由于假设整个用户群体的观影兴趣均 为动作类的电影，则在为用户A推荐视频时，推荐其他用户观看过的动作类电影中的前10 部电影给用户A。
[0004] 在实现本发明的过程中，发明人发现上述技术至少存在以下问题：由于实际运行 过程中，各个用户对网络服务的主观兴趣之间存在差异，而根据整个用户群体的兴趣标准 所推荐的网络服务，不一定符合单一用户对网络服务的兴趣，进而降低了后台系统根据整 个用户群体的兴趣标准所推荐的网络服务是否符合用户对网络服务的兴趣的准确率。
【发明内容】
[0005] 为了解决由于后台系统根据整个用户群体的兴趣标准向单一用户推荐网络服务， 从而降低了向单一用户推荐网络服务的准确率的问题，本发明实施例提供了一种网络服务 推荐方法和装置。所述技术方案如下：
[0006] 根据本发明的第一方面，提供一种网络服务推荐方法，所述方法包括：
[0007] 根据用户在使用网络服务时的历史浏览记录，提取所述用户所使用的每个网络服 务所对应的标签；
[0008] 根据标签-主题对应关系，通过所述用户所使用的每个网络服务所对应的标签， 确定出所述用户对应的前η个主题，所述前η个主题是按照所述用户的浏览概率由高到低 排序的最前η个主题，η为正整数；
[0009] 根据主题-网络服务对应关系，获取所述前η个主题各自对应的推荐网络服务列 表，每个主题的所述推荐网络服务列表包括至少一个网络服务；
[0010] 根据所述前η个主题各自对应的所述推荐网络服务列表为所述用户推荐所述网 络服务。
[0011] 根据本发明的第二方面，提供一种网络服务推荐装置，所述装置包括：
[0012] 提取模块，用于根据用户在使用网络服务时的历史浏览记录，提取所述用户所使 用的每个网络服务所对应的标签；
[0013] 主题确定模块，用于根据标签-主题对应关系，通过所述提取模块提取的所述用 户所使用的每个网络服务所对应的标签，确定出所述用户对应的前η个主题，所述前η个主 题是按照所述用户的浏览概率由高到低排序的最前η个主题，η为正整数；
[0014] 获取模块，用于根据主题-网络服务对应关系，获取所述主题确定模块确定的所 述前η个主题各自对应的推荐网络服务列表，每个主题的所述推荐网络服务列表包括至少 一个网络服务；
[0015] 推荐模块，用于根据所述获取模块获取的所述前η个主题各自对应的所述推荐网 络服务列表为所述用户推荐所述网络服务。
[0016] 本发明实施例提供的技术方案带来的有益效果是：
[0017] 由于根据用户的历史浏览记录得到用户对应的前η个主题，前η个主题是按照用 户的浏览概率由高到低排序的最前η个主题，能够反映用户使用网络服务时的兴趣，进一 步通过前η个主题对应的推荐网络服务列表，根据前η个主题对应的推荐网络服务列表向 用户推荐网络服务；解决了由于后台系统根据整个用户群体的兴趣标准向单一用户推荐网 络服务，从而降低了向单一用户推荐网络服务的准确率的问题；提高了向单一用户推荐网 络服务的准确率。
【附图说明】
[0018] 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。
[0019] 图1是本发明一个实施例提供的网络服务推荐方法的方法流程图；
[0020] 图2是本发明另一个实施例提供的网络服务推荐方法的方法流程图；
[0021] 图3是本发明另一个实施例提供的一种主题生成模型的输出效果图；
[0022] 图4是本发明另一个实施例提供的另一种网络服务推荐方法的方法流程图；
[0023] 图5是本发明另一个实施例提供的又一种网络服务推荐方法的方法流程图；
[0024] 图6是本发明另一个实施例提供的再一种网络服务推荐方法的方法流程图；
[0025] 图7是本发明一个实施例提供的网络服务推荐装置的结构方框图；
[0026] 图8是本发明另一个实施例提供的网络服务推荐装置的结构方框图；
[0027] 图9是本发明一个实施例提供的服务器的结构示意图。
【具体实施方式】
[0028] 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。
[0029] 本发明实施例提供的网络服务推荐方法中，网络服务至少包括：在线视频、在线 音乐、在线阅读以及在线购物。其中，在线视频中的视频可以为：电影、电视剧、MV(Music Video,音乐视频）、微电影或网友上传视频；在线阅读可以为：浏览新闻和在线阅读小说。 下文中主要以在线视频来举例说明。
[0030] 请参考图1，其示出了本发明一个实施例提供的网络服务推荐方法的方法流程图。 该网络服务推荐方法，包括：
[0031] 步骤101，根据用户在使用网络服务时的历史浏览记录，提取该用户所使用的每个 网络服务所对应的标签。
[0032] 步骤102,根据预设的标签-主题对应关系，通过该用户所使用的每个网络服务所 对应的标签，确定出用户对应的前η个主题。
[0033] 其中，前η个主题是按照用户的浏览概率由高到低排序的最前η个主题，η为正整 数。
[0034] 步骤103,根据预设的主题-网络服务对应关系，获取前η个主题各自对应的推荐 网络服务列表。
[0035] 其中，每个主题的推荐网络服务列表包括至少一个网络服务。
[0036] 步骤104,根据前η个主题各自对应的推荐网络服务列表为用户推荐网络服务。
[0037] 综上所述，本实施例提供的的网络服务推荐方法，通过根据用户的历史浏览记录 得到用户对应的前η个主题，前η个主题是按照用户的浏览概率由高到低排序的最前η个 主题，能够反映用户使用网络服务时的兴趣，进一步通过前η个主题对应的推荐网络服务 列表，根据前η个主题对应的推荐网络服务列表向用户推荐网络服务；解决了由于后台系 统根据整个用户群体的兴趣标准向单一用户推荐网络服务，从而降低了向单一用户推荐网 络服务的准确率的问题；提高了向单一用户推荐网络服务的准确率。
[0038] 本发明实施例提供的网络服务推荐方法主要包括2大过程：
[0039] 第一，挖掘主题的预处理过程；
[0040] 服务器通过该预处理过程，得到：
[0041] 1、主题-标签之间的对应关系，以及每个标签属于对应主题的概率；
[0042] 2、主题-网络服务之间的对应关系，以及每个网络服务属于对应主题的概率。
[0043] 第二，通过用户的历史浏览记录和挖掘好的两个对应关系进行网络服务推荐的过 程。
[0044] 也即，服务器通过用户的历史浏览记录、预先挖掘好的主题-标签之间的对应关 系，以及主题-网络服务之间的对应关系，进行网络服务推荐的过程。具体请见图2实施 例：
[0045] 请参考图2,其示出了本发明另一实施例提供的网络服务推荐方法的方法流程图。 本实施例以该网络服务推荐方法应用于服务器中来举例说明。该网络服务推荐方法，包 括：
[0046] 步骤201，预先提取各个网络服务的标签序列。
[0047] 其中，每个网络服务的标签序列包括与网络服务对应的至少一个标签。
[0048] 这里网络服务以在线视频为例进行说明，其中，服务器提取各个用户观看的在 线视频对应的标签，得到每个在线视频对应的标签序列。在线视频包括：电影、电视剧、 MV(Music Video,音乐视频）、微电影或网友上传视频。
[0049] 如，在线视频以电影为例，其中电影可以为：《美国队长》、《两杆大烟枪》、《暗 战》、《无间道》和《桃姐》，对应每部电影的标签序列可以为：
[0050] 《美国队长》{克里斯?埃文斯，动作};
[0051] 《两杆大烟枪》{杰森·斯坦森，喜剧};
[0052] 《暗战》{刘德华，动作};
[0053] 《无间道》{刘德华，动作};
[0054] 《桃姐》{刘德华，文艺}。
[0055] 这里标签序列中的标签包括：主演、电影类型、导演、制片地区、语言。除此之外，该 标签序列中的标签还可以包括但不限于：观影感受、角色技能、大众评价、剧情看点，视听看 点，每位主演曾演过的熟知角色，例如，电影《无间道》的标签序列中的标签可以包括：I:刘 德华，动作，刘伟强，中国香港，粵语，国语，观影感受：敌我双方的较量，角色技能：卧底，大 众评价：剧情紧扣，剧情看点：警匪双方的互相较量，视听看点：画面拼接与背景音乐很棒， 刘德华曾主演过的角色：《投名状》中的赵二虎}。
[0056] 本发明提供的实施例中标签序列中的内容以能够实现网络服务推荐方法为准，具 体不做限定。
[0057] 步骤202,将各个网络服务的标签序列输入主题生成模型中，得到标签-主题对应 关系和主题-网络服务对应关系。
[0058] 其中，服务器将各个网络服务的标签序列输入主题生成模型中，得到标签-主题 对应关系和主题-网络服务对应关系，具体包括：
[0059] 步骤202a，服务器将各个网络服务的标签序列输入LDA(Latent Dirichlet Allocation，潜在狄利克雷分配模型）中，得到标签-主题概率矩阵和主题-网络服务概率 矩阵。
[0060] 其中，该标签-主题概率矩阵包括至少一个主题、与每个主题所对应的标签和每 个标签属于对应主题的概率；
[0061] 该主题-网络服务概率矩阵包括至少一个主题、与每个主题所对应的网络服务和 每个网络服务属于对应主题的概率。
[0062] 步骤202b，服务器根据标签-主题概率矩阵生成标签-主题对应关系；
[0063] 步骤202c，服务器根据主题-网络服务概率矩阵生成主题-网络服务对应关系。
[0064] 比如：请参照图3,将步骤201中电影《美国队长》、《两杆大烟枪》、《无间道》、《暗 战》和《桃姐》的标签序列输入主题生成模型中，其中，如图3箭头左侧所示，电影《美国队 长》、《两杆大烟枪》、《暗战》、《无间道》和《桃姐》的标签序列与对应的电影以"6*5型"矩阵 形式表示，即，矩阵的行分别表示标签：克里斯?埃文斯、杰森?斯坦森、刘德华、喜剧、动作 和文艺；矩阵的列分别表示电影：《美国队长》、《两杆大烟枪》、《暗战》、《无间道》和《桃姐》， 通过输入主题生成模型，分离得到图3箭头右侧的两个矩阵，"6*4型"矩阵A和"4*5型"矩 阵B。其中：
[0065] 矩阵A包括：至少一个主题、与每个主题对应的标签和每个标签对应主题的概率， 艮P，矩阵A的行分别表示标签：步骤201中每部电影对应的标签序列中的标签，矩阵A的列 分别表示挖掘出的主题：topicl至topic4,矩阵A中的数据为每个标签对应主题的概率。
[0066] 矩阵B包括：至少一个主题、与每个主题对应的在线视频和每个在线视频属于