一种行为感知偏好获取系统及其获取方法技术方案

一种行为感知偏好获取系统及其获取方法，通过建立一个融合上下文信息的行为感知偏好获取算法模型，在传统偏好获取算法的基础上，充分考虑用户历史数据所体现出的行为特性及行为规律，并将其与上下文环境信息相结合，通过用户行为感知计算子系统构建用户标准偏好空间、计算行为波动阈值、判断偏好是否可预知，并据此对用户行为进行聚类分析。然后针对不同的用户行为类，设计了羁束偏好获取算法、可控偏离偏好获取算法、不可控偏好获取算法，然后通过相应的自适应修正策略逐步精确的提取用户偏好，从而实现提高偏好获取精确度、偏好算法适用性的目的。

【技术实现步骤摘要】

本专利技术涉及信息推送
，尤其涉及一种行为感知偏好获取系统及其获取方 法。
技术介绍
电子商务的急剧发展与扩张将人们带入了数字化信息的海洋，电子商务功能的迅 速发展也带来了传统服务模式的变革，网上购物、在线业务办理等新型服务模式为人们的 生活带来了很大的便利。随着面向服务、普适计算等新技术的广泛应用，使得各类电 子商务网站上的资源呈现爆炸性的增长，并且这种增长大大超过了人们能够接受和有效利 用的范围，这也就是我们熟知的信息过载问题。在这种背景下，如何从繁多的信息化商 品中为不同的用户推荐出符合其偏好的商品，已经成为制约电子商务平台发展的关键性因 素。 传统的个性化推荐服务研究主要通过挖掘用户-项目之间的二元关系来构建 用户偏好模型，而这种方法仅仅将用户-项目间的二元关系数据作为单一数据源，并依 赖于基于内容的过滤、协同过滤等技术来实现，而用户偏好是在环境上下文、用户行为状态 等多种影响因素共同作用下的结果。因此采用这种方法所构建的用户偏好模型，不能客观 的反应出用户的真实偏好，在实际的应用中难以取得较好的推荐结果。 近年来，各研究机构及商业网站对于偏好获取策略的研究取得了较多成果，许多 研究者开始将上下文信息融入偏好获取过程，相比于传统的推荐方法，取得了较好的推荐 效果。但是这些方法主要都是将上下文信息融入偏好获取模型中，缺少对于用户行为规律 性的研究分析，在推荐精确度、算法适用性等方面还有很大的不足。
技术实现思路
为克服上述现有技术的不足，本专利技术的目的在于提供一种行为感知偏好获取系统 及其获取方法，依据用户历史记录及上下文信息作为数据源，通过行为感知及偏好获取算 法来获取用户偏好，能够向用户提供高质量的个性化服务，提高了网络资源利用率，有效的 解决了大数据时代日益严峻的信息过载问题。 为实现上述目的，本专利技术的采用的技术方案是： -种行为感知偏好获取系统，所述偏好获取系统包括用户行为数据获取子系统、 数据存储与管理子系统、用户行为感知计算子系统、用户偏好获取子系统，其中： 用户行为数据获取子系统，用以完成获取用户的历史行为数据，并据此生成融入 上下文信息的用户行为数据； 数据存储与管理子系统，用以完成用户历史行为数据、上下文信息、用户行为类 集、偏好算法集、用户偏好等数据信息的存储与管理； 用户行为感知计算子系统，用以完成依据用户行为数据的分类预处理，通过构建 标准偏好空间、计算行为波动阈值、判断偏好是否可预知等为用户行为进行分类； 用户偏好获取子系统，用以依据用户行为感知分类结果及用户行为数据提取用户 偏好信息，并根据用户反馈、具体应用环境等对获取的用户偏好进行自适应修正。 所述用户行为数据获取子系统包括：用户历史行为生成模块、上下文信息生成模 块； 所述用户历史行为生成模块，用以根据用户历史行为记录生成符合偏好获取算法 需求的数据源； 所述用户上下文信息生成模块，用以实现与用户历史行为对应的上下文信息的生 成，包括地理上下文、情绪上下文、环境上下文。 所述用户行为感知计算子系统包括：标准偏好空间构建模块、行为波动阈值计算 模块、可预知偏好判定模块、行为分类模块；其中， 所述标准偏好空间构建模块，针对当前用户群组，采用k-中心点方法对用户偏好 行为进行聚类，得出的k个用户行为簇的并集即表示标准偏好空间，用以分离用户行为孤 点及判断用户偏好是否可预测； 所述行为波动阈值计算模块，用以针对当前用户群组，采用量化的偏好均值来表 示用户偏好的变化，即用户行为波动，并根据其量化值分布特征计算波动阈值以分离用户 行为孤点； 所述可预知偏好判定模块，依据标准偏好空间分离出的行为孤点，以判断相应用 户偏好行为是否具有可预测性； 所述行为分类模块，用以依据标准偏好空间及行为波动阈值将用户行为分类，输 出用户与不同行为类的对应关系。 所述用户偏好获取子系统包括：偏好计算模块、偏好自适应修正模块，其中： 所述偏好计算模块，根据用户行为感知计算子系统所获取的用户行为分类数据， 修正基础偏好获取算法，获取用户偏好并输出结果至数据存储与管理子系统； 所述偏好自适应修正模块，用以依据用户反馈、客观应用环境等对用户偏好进行 惩罚性/增强性修正，并输出结果至数据存储与管理子系统。 -种行为感知偏好获取方法，包括以下步骤： 1)获取触发推荐算法运行指令； 2)用户行为数据获取子系统生成用户历史行为及地理上下文、情绪上下文、环境 上下文信息数据，并将其存储至数据存储与管理子系统； 3)用户行为感知计算子系统由数据存储与管理子系统获取用户行为数据，标准偏 好空间构建模块以其为数据源对用户聚类，并构建标准偏好空间；行为波动阈值计算模块 计算针对当前用户群组的行为波动阈值；可预知偏好判断模块依据上述两模块结果计算用 户偏好的可预知性；行为分类模块利用上述三模块结果对用户行为进行分类，并将结果数 据保存至数据存储与管理子系统； 4)用户偏好获取子系统获取用户行为分类，偏好计算模块采用偏好算法计算融合 上下文信息与行为信息的用户偏好，偏好自适应修正模块根据用户反馈与具体应用环境对 用户偏好进行自适应修正，并将最终的用户偏好信息存储至数据存储与管理子系统，然后 依据用户偏好信息通过网络服务为用户推荐出符合其偏好的信息资源。 所述的标准偏好空间构建模块在融合上下文信息的用户行为数据上，选取聚类中 心点，依据相异度度量方法分配用户聚类归属，并通过优化特征权重及距离权重，对其进行 重复聚类直至中心点稳定，由稳定中心点所构成的用户簇并集即标准偏好空间， 其中，所述相异度度量方法如下：本文档来自技高网...

【技术保护点】
一种行为感知偏好获取系统，其特征在于，所述偏好获取系统包括用户行为数据获取子系统(11)、数据存储与管理子系统(12)、用户行为感知计算子系统(13)、用户偏好获取子系统(14)，其中：用户行为数据获取子系统(11)，用以完成获取用户的历史行为数据，并据此生成融入上下文信息的用户行为数据；数据存储与管理子系统(12)，用以完成用户历史行为数据、上下文信息、用户行为类集、偏好算法集、用户偏好等数据信息的存储与管理；用户行为感知计算子系统(13)，用以完成依据用户行为数据的分类预处理，通过构建标准偏好空间、计算行为波动阈值、判断偏好是否可预知等为用户行为进行分类；用户偏好获取子系统(14)，用以依据用户行为感知分类结果及用户行为数据提取用户偏好信息，并根据用户反馈、具体应用环境等对获取的用户偏好进行自适应修正。

【技术特征摘要】
1. 一种行为感知偏好获取系统，其特征在于，所述偏好获取系统包括用户行为数据获 取子系统（11)、数据存储与管理子系统（12)、用户行为感知计算子系统（13)、用户偏好获 取子系统（14)，其中： 用户行为数据获取子系统（11)，用以完成获取用户的历史行为数据，并据此生成融入 上下文信息的用户行为数据； 数据存储与管理子系统（12)，用以完成用户历史行为数据、上下文信息、用户行为类 集、偏好算法集、用户偏好等数据信息的存储与管理； 用户行为感知计算子系统（13)，用以完成依据用户行为数据的分类预处理，通过构建 标准偏好空间、计算行为波动阈值、判断偏好是否可预知等为用户行为进行分类； 用户偏好获取子系统（14)，用以依据用户行为感知分类结果及用户行为数据提取用户 偏好信息，并根据用户反馈、具体应用环境等对获取的用户偏好进行自适应修正。2. 根据权利要求书1所述的一种行为感知偏好获取系统，其特征在于，所述用户行为 数据获取子系统（11)包括：用户历史行为生成模块（111)、上下文信息生成模块（112); 所述用户历史行为生成模块（111)，用以根据用户历史行为记录生成符合偏好获取算 法需求的数据源； 所述用户上下文信息生成模块（112)，用以实现与用户历史行为对应的上下文信息的 生成，包括地理上下文、情绪上下文、环境上下文。3. 根据权利要求书1所述的一种行为感知偏好获取系统，其特征在于，所述用户行为 感知计算子系统（13)包括：标准偏好空间构建模块（131)、行为波动阈值计算模块（132)、 可预知偏好判定模块（133)、行为分类模块（134);其中， 所述标准偏好空间构建模块（131)，针对当前用户群组，采用k-中心点方法对用户偏 好行为进行聚类，得出的k个用户行为簇的并集即表示标准偏好空间，用以分离用户行为 孤点及判断用户偏好是否可预测； 所述行为波动阈值计算模块（132)，用以针对当前用户群组，采用量化的偏好均值来表 示用户偏好的变化，即用户行为波动，并根据其量化值分布特征计算波动阈值以分离用户 行为孤点； 所述可预知偏好判定模块（133)，依据标准偏好空间分离出的行为孤点，以判断相应用 户偏好行为是否具有可预测性； 所述行为分类模块（134)，用以依据标准偏好空间及行为波动阈值将用户行为分类，输 出用户与不同行为类的对应关系。4. 根据权利要求书1所述的一种行为感知偏好获取系统，其特征在于，所述用户偏好 获取子系统（14)包括：偏好计算模块（141)、偏好自适应修正模块（142)，其中： 所述偏好计算模块（141)，根据用户行为感知计算子系统（13)所获取的用户行为分类 数据，修正基础偏好获取算法，获取用户偏好并输出结果至数据存储与管理子系统（12); 所述偏好自适应修正模块（142)，用以依据用户反馈、客观应用环境等对用户偏好进行 惩罚性/增强性修正，并输出结果至数据存储与管理子系统（12)。5. -种行为感知偏好获取方法，其特征在于，包括以下步骤： 1) 获取触发推荐算法运行指令； 2) 用户行为数据获取子系统（11)生成用户历史行为及地理上下文、情绪上下文、环境 上下文数据，并将其存储至数据存储与管理子系统（12); 3) 用户行为感知计算子系统（13)由数据存储与管理子系统（12)获取用户行为数据， 标准偏好空间构建模块（131)以其为数据源对用户聚类，并构建标准偏好空间；行为波动 阈值计算模块（132)计算针对当前用户群组的行为波动阈值；可预知偏好判断模块（133) 依据上述两模块结果计算用户偏好的可预知性；行为分类模块（134)利用上述三模块结果 对用户行为进行分类，并将结果数据保存至数据存储与管理子系统（12); 4) 用户偏好获取子系统（14)获取用户行为分类，偏好计算模块（141)采用偏好算法计 算融合上下文信息与行为信息的用户偏...

【专利技术属性】
技术研发人员：高岭，高全力，杨建锋，曹瑞，张洋，
申请(专利权)人：西北大学，
类型：发明
国别省市：陕西;61