信息推荐方法及装置制造方法及图纸

本发明专利技术适用于信息技术领域，提供了一种信息推荐方法及装置。该方法包括：将信息类别划分为源信息类别和目标信息类别；建立所述源信息类别的评分矩阵和所述目标信息类别的评分矩阵；通过分析源信息类别和目标信息类别的不同用户类型，根据所述评分矩阵建立所述源信息类别和所述目标信息类别之间的联合矩阵分解模型，同时，根据所述用户相似度进行所述联合矩阵分解模型的正则化处理，最后通过所述联合矩阵分解模型推荐信息。该方法将共享信息从源信息类别应用到目标信息类别的信息推荐中，能够较为全面地获取和使用网络用户的信息，使得跨信息类别的推荐准确度大大提高，提升信息推荐的效果。

Information recommendation method and device

The invention is applicable to the field of information technology, and provides a method and a device for recommending information. The method includes: classifying information for source information categories and target information categories; score matrix score matrix to establish the source categories of information and the target information categories; through the analysis of different types of users of information source categories and target information categories, according to the review of the joint matrix between matrix based on the source information category and the target categories of information decomposition model, at the same time, according to the regularization of the user similarity of the combined matrix decomposition model, finally through the combined matrix decomposition model of information recommendation. This method will share information information from the source categories of information applied to the target categories of information recommendation, can be more comprehensive access to and use of network users, making information across categories of recommendation accuracy is greatly improved, to enhance the effect of information recommendation.

【技术实现步骤摘要】
信息推荐方法及装置
本专利技术属于信息
，尤其涉及一种信息推荐方法及装置。
技术介绍
随着互联网技术的快速发展，信息量呈现指数级别增长。推荐系统是信息过滤的主要方式，推荐系统背后蕴藏着共同的基本假设：行为相似的用户在未来仍然具有相似的行为。然而，数据稀疏性是当前推荐系统存在的最主要挑战之一，成为制约推荐系统发展的主要瓶颈。现有推荐系统的方法包括基于内容的推荐方法、基于协同过滤的推荐方法和混合推荐方法。专利技术人在实现本专利技术的过程中，发现现有技术至少存在以下不足：现有推荐系统缓解数据稀疏性的方法大多是基于单个领域信息的，但是利用单个领域信息研究推荐模型具有一定的局限性，往往不能全面获取和使用网络用户的信息，使得最终的推荐准确度大大降低。
技术实现思路
有鉴于此，本专利技术实施例提供了一种信息推荐方法及装置，以解决现有技术中利用单个领域信息研究推荐模型导致的不能全面获取和使用网络用户的信息、推荐准确度较低的问题。本专利技术实施例的第一方面，提供了一种信息推荐方法，包括：将信息类别划分为源信息类别和目标信息类别；建立所述源信息类别的评分矩阵和所述目标信息类别的评分矩阵；根据所述评分矩阵建立所述源信息类别和所述目标信息类别之间的联合矩阵分解模型，通过所述联合矩阵分解模型推荐信息。本专利技术实施例的第二方面，提供了一种信息推荐装置，包括：领域划分模块，用于将信息类别划分为源信息类别和目标信息类别；评分矩阵建立模块，用于建立所述源信息类别的评分矩阵和所述目标信息类别的评分矩阵；处理模块，用于根据所述评分矩阵建立所述源信息类别和所述目标信息类别之间的联合矩阵分解模型，通过所述联合矩阵分解模型推荐信息。本专利技术实施例相对于现有技术所具有的有益效果：本专利技术实施例通过将信息类别划分为源信息类别和目标信息类别，建立所述源信息类别的评分矩阵和所述目标信息类别的评分矩阵，然后根据评分矩阵建立源信息类别和目标信息类别之间的联合矩阵分解模型，并通过该联合矩阵分解模型推荐信息，从而将共享信息从源信息类别应用到目标信息类别的信息推荐中，能够较为全面地获取和使用网络用户的信息，提高跨信息类别的信息推荐的准确度，提升信息推荐的效果。附图说明为了更清楚地说明本专利技术实施例中的技术方案，下面将对实施例或现有技术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专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。图1是本专利技术实施例提供的信息推荐方法的流程图；图2是本专利技术实施例提供的根据评分矩阵建立源信息类别和目标信息类别之间的联合矩阵分解模型，通过联合矩阵分解模型推荐信息的一种实现流程图；图3是本专利技术实施例提供的根据评分矩阵建立源信息类别和目标信息类别之间的联合矩阵分解模型，通过联合矩阵分解模型推荐信息的又一种实现流程图；图4是本专利技术实施例提供的信息推荐装置的结构框图；图5是本专利技术实施例提供的处理模块的一种结构框图；图6是本专利技术实施例提供的处理模块的又一种结构框图；图7是本专利技术实施例提供的信息推荐装置的示意框图。具体实施方式以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本专利技术实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本专利技术。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本专利技术的描述。为了说明本专利技术所述的技术方案，下面通过具体实施例来进行说明。实施例一：图1示出了本专利技术实施例一提供的信息推荐方法的实现流程，详述如下：步骤S101，将信息类别划分为源信息类别和目标信息类别。其中，源信息类别可以为源领域中用户关于对象的偏好信息类别(如用户浏览网页、用户关注好友、用户购买商品等)，目标信息类别为与源信息类别相关领域的信息类别。本实施例中，可以根据用户的历史行为偏好信息，将各个信息类别划分为源信息类别和目标信息类别。通过源信息类别采集用户的行为信息，从而能够根据用户的行为信息将目标信息类别中的相关信息推荐给用户。例如，信息类别包括但不限于电影、音乐、书籍、新闻、商品等。例如，共有s+t个信息类别，根据用户的行为偏好信息，将s+t个信息类别划分为s个源信息类别和t个目标信息类别。其中，s和t均为正整数。步骤S102，建立所述源信息类别的评分矩阵和所述目标信息类别的评分矩阵。具体的，对于s个源信息类别和t个目标信息类别，分别建立s个源信息类别的评分矩阵分别为X1,…,Xs，t个目标信息类别的评分矩阵分别为Xs+1,…,Xs+t。本实施例中，评分矩阵的建立过程可以为：根据用户对某个信息类别中的数据信息的浏览、操作记录，将该信息类别的数据信息生成评分矩阵。评分矩阵的每一行可以对应一个用户，评分矩阵的每一列可以对应一种对象。其中，对象涉及的数据信息包括但不限于某个信息类别中的音乐信息、文本信息和新闻信息等。步骤S103，根据所述评分矩阵建立所述源信息类别和所述目标信息类别之间的联合矩阵分解模型，通过所述联合矩阵分解模型推荐信息。参见图2，作为一种可实施方式，步骤S103可以通过以下过程实现：步骤S201，将各个信息类别的评分矩阵分解为包含用户特征和对象特征的评分矩阵。其中，用户特征可以用于表征信息类别中用户的特征，对象特征可以用于表征某一信息类别中对象的信息数据。本步骤中，可以对任一信息类别r的评分矩阵Xr(r＝1,…,s,s+1,…,s+t)作如下矩阵分解：其中，Ur为用户隐含特征矩阵，Sr为矩阵分解因子，为对象隐含特征矩阵。优选的，在步骤S201之前，该信息推荐方法还可以包括：将各个信息类别的用户进行分类。本实施例中，可以将不同领域的用户分成三种不同层次的类别：相同用户、相似用户和相异用户。将不同领域的用户进行分类，能够准确表达不同层次上的不同程度的信息共享，从而提高信息推荐效果。具体的，为了更深入地理解用户的评分模式，本实施例中对“不同领域之间的用户群重叠现象”和“用户评分模式在不同信息类别之间的异同”两种现象进行深入分析，将不同信息类别的用户分成三种不同层次的类别：相同用户、相似用户和相异用户。相同用户表示不同信息类别中对应于相同的自然人(本质特征)。相同用户的评分模式在不同信息类别之间也相同，这样，其本质特征和评分模式都要在不同信息类别之间进行共享。相似用户表示不同信息类别中对应于不同的自然人，但是相似用户的评分模式在不同领域之间相同。这样，相似用户只有评分模式需要在不同领域之间进行共享，本质特征不再共享。相异用户表示不同信息类别中对应于不同的自然人，且相异用户的评分模式在不同信息类别之间也不同。这样，相异用户本质特征和评分模式都不再共享。对应的，步骤S201中可以对用户隐含特征矩阵Ur进行进一步的划分，以区分三种不同层次的用户类别，具体可以为：按照用户分类结果，将各个信息类别的评分矩阵分解为包含用户特征和对象特征的评分矩阵。具体的，基于上述分析，可以对任一信息类别r的评分矩阵Xr(r＝1,…,s,s+1,…,s+t)作如下矩阵分解：其中，和分别对应为三种用户类型的用户隐含特征矩阵，和分为对应的矩阵分解因子。步骤S202，根据经过矩阵分解后的评分矩阵建立所述源本文档来自技高网...

【技术保护点】
一种信息推荐方法，其特征在于，包括：将信息类别划分为源信息类别和目标信息类别；建立所述源信息类别的评分矩阵和所述目标信息类别的评分矩阵；根据所述评分矩阵建立所述源信息类别和所述目标信息类别之间的联合矩阵分解模型，通过所述联合矩阵分解模型推荐信息。

【技术特征摘要】
1.一种信息推荐方法，其特征在于，包括：将信息类别划分为源信息类别和目标信息类别；建立所述源信息类别的评分矩阵和所述目标信息类别的评分矩阵；根据所述评分矩阵建立所述源信息类别和所述目标信息类别之间的联合矩阵分解模型，通过所述联合矩阵分解模型推荐信息。2.根据权利要求1所述的信息推荐方法，其特征在于，所述根据所述评分矩阵建立所述源信息类别和所述目标信息类别之间的联合矩阵分解模型包括：将各个信息类别的评分矩阵分解为包含用户特征和对象特征的评分矩阵；根据经过矩阵分解后的评分矩阵建立所述源信息类别和所述目标信息类别之间的联合矩阵分解模型。3.根据权利要求2所述的信息推荐方法，其特征在于，在所述将各个信息类别的评分矩阵分解为包含用户特征和对象特征的评分矩阵之前，所述信息推荐方法还包括：将各个信息类别的用户进行分类；所述将各个信息类别的评分矩阵分解为包含用户特征和对象特征的评分矩阵具体为：按照用户分类结果，将各个信息类别的评分矩阵分解为包含用户特征和对象特征的评分矩阵。4.根据权利要求3所述的信息推荐方法，其特征在于，所述根据所述评分矩阵建立所述源信息类别和所述目标信息类别之间的联合矩阵分解模型的过程为：设定s+t个信息类别中包括s个源信息类别和t个目标信息类别，对应的评分矩阵分别为X1,…,Xs和Xs+1,…,Xs+t；按照用户分类结果，对各个信息类别的评分矩阵Xr(r＝1,…,s,s+1,…,s+t)进行矩阵分解：其中，Ur为用户隐含特征矩阵，Sr为矩阵分解因子，为对象隐含特征矩阵；根据矩阵分解后的所述评分矩阵得出所述联合矩阵分解模型为：其中，Wr表示稀疏评分矩阵的标识矩阵，元素为1表示有值，元素为0表示无值。5.根据权利要求3所述的信息推荐方法，其特征在于，在所述通过所述联合矩阵分解模型推荐信息之前，还包括：计算各类用户之间的相似度，并根据所述相似度对所述联合矩阵分解模型进行正则化。6.一种信息推...

【专利技术属性】
技术研发人员：尚田丰，赵娟娟，须成忠，
申请(专利权)人：深圳先进技术研究院，
类型：发明
国别省市：广东,44