推送推荐信息的方法和装置制造方法及图纸

本发明专利技术涉及一种推送推荐信息的方法和装置，所述方法包括：获取异质信息网络中连接候选用户和目标用户的元路径；所述元路径包括所述候选用户和候选推荐对象间的具有属性值的连接；获取所述目标用户和所述候选用户相对于所述元路径的用户相似度；根据所述候选用户和候选推荐对象间的连接的属性值、所述元路径的属性值约束条件以及所述用户相似度，估计所述候选推荐对象和所述目标用户间的连接的属性值；当估计的属性值满足推荐条件时，向所述目标用户对应的终端发送所述候选推荐对象的推荐信息。本发明专利技术提供的推送推荐信息的方法和装置，不仅考虑了目标用户的社交关系，还考虑了目标用户与候选推荐对象之间量化的关系，从而使得推送结果更加准确。

【技术实现步骤摘要】

本专利技术涉及信息处理
，特别是涉及一种推送推荐信息的方法和装置。
技术介绍
通过向用户候选推荐对象，比如向用户推荐电影、音乐、书籍、好友、群组或者商品，使得用户无需主动搜索就可以获得相应被候选推荐对象的信息，为用户被动获取信息提供了一种途径。目前的一种推送推荐信息的方法主要是基于用户的社交关系来实现的，比如若用户A观看了电影M，且用户A与用户B是好友关系，那么就会将电影M推荐给用户B。然而，目前的推送推荐信息的方法仅考虑了用户之间的社交关系，但具有社交关系的用户之间并不一定具有相同的推荐需求。比如用户A和用户B是好友关系，但用户A和用户B可能有完全不同的观影偏好，这样将用户A观看过的电影M推荐给用户B就是不准确的。可见，目前基于社交关系的推送推荐信息的方法的推荐结果并不准确，亟须改进。
技术实现思路
基于此，有必要针对目前基于社交关系的推送推荐信息的方法的推荐结果不准确的问题，提供一种推送推荐信息的方法和装置。一种推送推荐信息的方法，所述方法包括：获取异质信息网络中连接候选用户和目标用户的元路径；所述元路径包括所述候选用户和候选推荐对象间的具有属性值的连接；获取所述目标用户和所述候选用户相对于所述元路径的用户相似度；根据所述候选用户和候选推荐对象间的连接的属性值、所述元路径的属性值约束条件以及所述用户相似度，估计所述候选推荐对象和所述目标用户间的连接的属性值；当估计的属性值满足推荐条件时，向所述目标用户对应的终端发送所述候选推荐对象的推荐信息。一种推送推荐信息的装置，所述装置包括：元路径获取模块，用于获取异质信息网络中连接候选用户和目标用户的元路径；所述元路径包括所述候选用户和候选推荐对象间的具有属性值的连接；用户相似度获取模块，用于获取所述目标用户和所述候选用户相对于所述元路径的用户相似度；属性值估计模块，用于根据所述候选用户和候选推荐对象间的连接的属性值、所述元路径的属性值约束条件以及所述用户相似度，估计所述候选推荐对象和所述目标用户间的连接的属性值；推送模块，用于当估计的属性值满足推荐条件时，向所述目标用户对应的终端发送所述候选推荐对象的推荐信息。上述推送推荐信息的方法和装置，通过一种新型的异质信息网络来实现对象的推荐，该异质信息网络包括连接候选用户和目标用户的元路径，可以表示出目标用户和候选用户间的社交关系。该元路径中候选用户和候选推荐对象间的连接具有属性值，以对候选用户和候选推荐对象间的关系进行量化。在获取到目标用户和候选用户相对于元路径的用户相似度之后，就可以根据该用户相似度结合候选用户和候选推荐对象间的连接的属性值以及属性值约束条件来估计候选推荐对象和目标用户间的连接的属性值，估计出的属性值可反映出目标用户和候选推荐对象间经过量化的关系。这样在利用异质信息网络来进行推荐时，不仅考虑了目标用户的社交关系，还将目标用户与候选推荐对象之间的关系通过相应的属性值进行精确的量化，从而使得推送结果更加准确。附图说明图1为一个实施例中用于推荐电影的异质信息网络的网络模式示意图；图2为一个实施例中用于推荐电影的带属性值的异质信息网络的示意图；图3为一个实施例中推荐系统的应用环境图；图4为一个实施例中用于实现推送推荐信息的方法的服务器的结构示意图；图5为一个实施例中推送推荐信息的方法的流程示意图；图6为一个实施例中获取目标用户和候选用户相对于元路径的用户相似度的步骤的流程示意图；图7为一个实施例中不带属性值的元路径和带属性值的元路径下计算用户相似度的对比图；图8为一个实施例中根据候选用户和候选推荐对象间的连接的属性值、元路径的属性值约束条件以及用户相似度，估计候选推荐对象和目标用户间的连接的属性值的步骤的流程示意图；图9为一个实施例中推送推荐信息的装置的结构框图；图10为另一个实施例中推送推荐信息的装置的结构框图。具体实施方式为了使本专利技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本专利技术进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本专利技术，并不用于限定本专利技术。为了便于理解本专利技术提供的推送推荐信息的方法，先对异质信息网络的相关概念进行解释说明。参照图1，异质信息网络的底层数据结构是一张有向图，异质信息网络中包含了不同类型的对象和连接，而对象之间的连接代表了不同的关系。异质性与丰富的信息使得异质信息网络在很多场景里成为一个更好的数据表达形式。元路径是异质信息网络中一个独有的特性，它通过两个对象类型间的关系序列连接网络中的两个对象，被广泛地应用于探索丰富的语义信息。用户、用户属性、候选推荐对象以及候选推荐对象的属性都可以作为异质信息网络中的对象。连接表示相连接的对象间的关系。异质信息网络可用于推荐电影，这种情况下异质信息网络包括了不同类型的对象，比如用户和电影；还包括了这些对象之间的各种关系，如观影信息、社交网络以及对象的属性信息。异质信息网络可以有效整合各种可能对推荐有用的信息。此外，探索网络中对象和关系的不同语义，可以揭示对象间微妙的关系。例如，图1中的元路径“用户-电影-用户”表示看过相同电影的用户，这个元路径可以被用于基于观影记录的相似用户检索。如果根据这条元路径推荐电影，就会推荐那些被与目标用户有相同观影记录的其他用户看过的电影。类似地，基于元路径“用户-兴趣小组-用户”可以找到具有相似兴趣爱好的用户。因此，我们可以根据连接用户的不同元路径找到相似用户，然后直接推荐这些相似用户喜欢的推荐对象。进而，合理地设置不同的元路径可以实现不同的推荐模型。然而，常规的异质信息网络和元路径并不考虑连接上的属性值，但用于推荐电影的异质信息网络可能包含带有属性值的连接。具体来说，用户会给他看过的电影打一个1至5之间的评分值(如图1中用户与电影间的连接所示)，越高的评分值表示用户越喜欢这个电影。如果不考虑评分值大小，相似用户检索可能会出现不准确的结果。例如，基于路径“用户-电影-用户”，汤姆与玛丽或鲍勃的相似度是相同的，这是因为他们都观看了相同的电影。然而，他们可能会因为完全不同的兴趣而给出不一样的评分值。事实上，汤姆和鲍勃对相同的电影打了非常高的评分值，因此基于评分值来看，他们是相似的。而玛丽则有完全不同的口味，这是因为她一点都不喜欢这些电影。常规的元路径并不考虑连接上的属性值，因此不能揭示这些微妙的差别。然而，这些差别是非常重要的，尤其是在候选推荐对象时。因此，我们需要扩展现有的异质信息网络和元路径等概念来引入连接上的属性值。具体定义异质信息网络，给定一个网络模式其中包含一个对象类型集合一个连接对象对的关系集合以及关系上的属性值集合带属性值的信息网络是一个有向图G＝(V,E,W)，其中包含一个对象类型映射函数一个连接类型映射函数ψ:以及一个属性值类型映射函数θ:每一个对象v∈V属于一个特定的对象类型每一个连接e∈E属于一个特定的关系每一个属性值w∈W属于一个特定的属性值类型当对象类型且关系类型时，可称为同质信息网络。当对象类型(或关系类型)且属性值类型时，网络可称为不带属性值的异质信息网络。当对象类型(或关系类型)且属性值类型时，网络可被称为带属性值的异质信息网络。常规的异质信息网络是不带属性值的，即网络中的关系没有属性值或不考虑这些属本文档来自技高网...

【技术保护点】
一种推送推荐信息的方法，所述方法包括：获取异质信息网络中连接候选用户和目标用户的元路径；所述元路径包括所述候选用户和候选推荐对象间的具有属性值的连接；获取所述目标用户和所述候选用户相对于所述元路径的用户相似度；根据所述候选用户和候选推荐对象间的连接的属性值、所述元路径的属性值约束条件以及所述用户相似度，估计所述候选推荐对象和所述目标用户间的连接的属性值；当估计的属性值满足推荐条件时，向所述目标用户对应的终端发送所述候选推荐对象的推荐信息。

【技术特征摘要】
1.一种推送推荐信息的方法，所述方法包括：获取异质信息网络中连接候选用户和目标用户的元路径；所述元路径包括所述候选用户和候选推荐对象间的具有属性值的连接；获取所述目标用户和所述候选用户相对于所述元路径的用户相似度；根据所述候选用户和候选推荐对象间的连接的属性值、所述元路径的属性值约束条件以及所述用户相似度，估计所述候选推荐对象和所述目标用户间的连接的属性值；当估计的属性值满足推荐条件时，向所述目标用户对应的终端发送所述候选推荐对象的推荐信息。2.根据权利要求1所述的方法，其特征在于，所述获取所述目标用户和所述候选用户相对于所述元路径的用户相似度，包括：根据所述元路径的属性值约束条件将所述元路径拆分为多条原子元路径；获取所述目标用户和所述候选用户间相对于各条原子元路径的相似度；根据获取的相对于各条原子元路径的相似度计算所述目标用户和所述候选用户相对于所述元路径的用户相似度。3.根据权利要求2所述的方法，其特征在于，所述根据获取的相对于各条原子元路径的相似度计算所述目标用户和所述候选用户相对于所述元路径的用户相似度，包括：计算获取的相对于各条原子元路径的相似度的和；将所述相似度的和直接或者进行正相关运算后作为所述目标用户和所述候选用户相对于所述元路径的用户相似度。4.根据权利要求1所述的方法，其特征在于，所述根据所述候选用户和候选推荐对象间的连接的属性值、所述元路径的属性值约束条件以及所述用户相似度，估计所述候选推荐对象和所述目标用户间的连接的属性值，包括：获取所述目标用户和候选推荐对象间的连接的属性值的离散取值范围；对于所述离散取值范围内的每个取值，分别获取具有与所述取值满足所述属性值约束条件的属性值的所述候选用户和候选推荐对象间的连接，根据获取的连接所对应的候选用户与所述目标用户间的用户相似度计算所述取值对应的
\t属性值强度；将所述离散取值范围内的各个取值分别以相应的属性值强度为权重计算加权平均值；根据计算出的加权平均值获得所述候选推荐对象和所述目标用户间的连接的估计的属性值。5.根据权利要求4所述的方法，其特征在于，所述根据计算出的加权平均值获得所述候选推荐对象和所述目标用户间的连接的估计的属性值，包括：将各个元路径下计算出的加权平均值分别乘以相应的元路径的路径权重以计算加权平均值，获得所述候选推荐对象和所述目标用户间的连接的估计的属性值。6.根据权利要求4所述的方法，其特征在于，所述根据计算出的加权平均值获得所述候选推荐对象和所述目标用户间的连接的估计的属性值，包括：将各个元路径下计算出的加权平均值分别乘以与目标用户和相应的元路径对应的路径权重以计算加权平均值，获得所述候选推荐对象和所述目标用户间的连接的估计的属性值。7.根据权利要求6所述的方法，其特征在于，所述方法还包括：获取所述候选推荐对象和所述目标用户间的连接的真实的属性值；将与目标用户和元路径对应的路径权重初始化；根据所述用户相似度，朝趋近于与所述候选用户和所述元路径对应的路径权重的平均值的方向调整初始化的路径权重，使得真实的属性值和估计的属性值的差距满足最小化条件。8.根据权利要求1至7中任意一项所述的方法，其特征在于，所述...

【专利技术属性】
技术研发人员：石川，贺鹏，易玲玲，张志强，
申请(专利权)人：北京邮电大学，腾讯科技深圳有限公司，
类型：发明
国别省市：北京;11