一种融合多源异构信息的个性化推荐方法及系统技术方案

本发明专利技术公开了一种融合多源异构信息的个性化推荐方法及系统，其中，所述个性化推荐方法包括：采集用户行为记录信息，所述用户行为记录信息包括不限于系统中记录用户对项目的各种行为和所述各种行为发生时间、发生地点和存储至数据库；对用户对项目的各种行为按照不同权重进行线性加权转换处理，获取用户对项目的隐式反馈；根据用户对项目的隐式反馈进行交互矩阵构建处理，获取用户项目交互矩阵；根据用户项目交互矩阵构建个性化推荐模型，并获取向用户推荐的对应项目。在本发明专利技术实施例中，可以有效的缓解数据协同过滤中存在的数据稀释问题和冷启动问题，能根据用户的具体情况向用户推荐合适的项目，有效的提高用户的使用友好体验。

【技术实现步骤摘要】
一种融合多源异构信息的个性化推荐方法及系统
本专利技术涉及数据处理
，尤其涉及一种融合多源异构信息的个性化推荐方法及系统。
技术介绍
信息推送是通过一定的技术标准或协议，在互联网上通过定期传送用户需要的信息来减少信息过载的一项新技术；推送技术通过自动传送信息给用户，来减少用于网络上搜索的时间；它根据用户的兴趣来搜索、过滤信息，并将其定期推给用户，帮助用户高效率地发掘有价值的信息；从技术而言，信息推送是一项以数据挖掘、自然语言处理及互联网等多门技术为基础的综合性方向；将合适的信息推送给合适的人，是一项极具挑战的工作，这个过程需要对信息作充分的分析。现有的推荐技术通过项目相似度等技术手段向用户推荐多个与某个项目相似度较高的项目，然后某个项目是用户偶然浏览到的或者很好购买或使用的项目，在用户购买或使用一次之后，较长时间内不会再次进行购买或者使用时，采用这样的推荐方式，会使得用户感觉到烦躁和厌烦，因此需要根据用户的实际情况制定相应的个性化推荐方式向用户推荐相应的项目。
技术实现思路
本专利技术的目的在于克服现有技术的不足，本专利技术提供了一种融合多源异构信息的个性化推荐方法及系统，能根据用户的具体情况向用户推荐合适的项目，有效的提高用户的使用友好体验。为了解决上述技术问题，本专利技术实施例提供了一种融合多源异构信息的个性化推荐方法，所述个性化推荐方法包括：采集用户行为记录信息，所述用户行为记录信息包括不限于系统中记录用户对项目的各种行为和所述各种行为发生时间、发生地点和存储至数据库；对用户对项目的各种行为按照不同权重进行线性加权转换处理，获取用户对项目的隐式反馈；根据用户对项目的隐式反馈进行交互矩阵构建处理，获取用户项目交互矩阵；根据用户项目交互矩阵构建个性化推荐模型，并获取向用户推荐的对应项目。优选地，所述用户对项目的各种行为至少包括浏览、收藏、加入购物车、购买、评分、评论中的一种或多种的组合。优选地，所述用户对项目的隐式反馈为用户对项目的性趣值。优选地，所述根据用户对项目的隐式反馈进行交互矩阵构建处理，包括：根据用户对项目的隐式反馈获取用户对项目的性趣值；根据用户、项目、性趣值三个元素构建交互矩阵，获取用户项目交互矩阵。优选地，所述根据用户项目交互矩阵构建个性化推荐模型，包括：构建初始个性化推荐模型；确定初始个性化推荐模型的目标函数；构建协同降噪自编码模型；采用协同降噪自编码模型对初始个性化推荐模型进行训练，获取个性化推荐模型。优选地，所述构建协同降噪自编码模型包括：输入层、隐藏层和输出层；其中，输入层由损坏的用户评分向量与用户辅助信息向量组成；隐藏层有K个节点，与输入层节点全连接；输出层M个节点，与隐藏层节点全连接。优选地，所述用户辅助信息向量的构建，包括：获取用户特征信息和对应项目的特征信息并进行向量化处理，获取用户特征信息对应的第一向量化信息和对应项目的特征信息对应的第二向量化信息；根据所述第一向量化信息和所述第二向量化信息进行构建用户辅助信息向量处理，获取用户辅助信息向量。优选地，所述用户特征信息至少包括用户的性别、年龄、职业、注册时间、居住地、活跃度、忠诚度中的一种或多种组合；所述对应项目的特征信息至少包括项目的类型。优选地，还包括：在获取向用户推荐的对应项目后，构建显示排序，将向用户推荐的对应项目按显示排序结果进行反馈。另外，本专利技术实施例还提供了一种融合多源异构信息的个性化推荐系统，所述个性化推荐系统包括：信息采集模块：用于采集用户行为记录信息，所述用户行为记录信息包括不限于系统中记录用户对项目的各种行为和所述各种行为发生时间、发生地点和存储至数据库；加权转换模块：用于对用户对项目的各种行为按照不同权重进行线性加权转换处理，获取用户对项目的隐式反馈；矩阵构建模块：用于根据用户对项目的隐式反馈进行交互矩阵构建处理，获取用户项目交互矩阵；推荐模块：用于根据用户项目交互矩阵构建个性化推荐模型，并获取向用户推荐的对应项目；显示模块：用于在获取向用户推荐的对应项目后，构建显示排序，将向用户推荐的对应项目按显示排序结果进行反馈。在本专利技术实施例中，可以有效的缓解数据协同过滤中存在的数据稀释问题和冷启动问题，能根据用户的具体情况向用户推荐合适的项目，有效的提高用户的使用友好体验。附图说明为了更清楚地说明本专利技术实施例或现有技术中的技术方案，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，显而易见的，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的前提下，还可以根据这些附图获得其它的附图。图1是本专利技术实施例中的个性化推荐方法的方法流程示意图；图2是本专利技术另一实施例中的个性化推荐方法的方法流程示意图；图3是本专利技术实施例中的个性化推荐系统的系统结构组成示意图。具体实施方式下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本专利技术保护的范围。用户在电商平台上面对海量的商品时，个性化推荐方法可以很好的解决信息过载问题，并充分挖掘长尾信息；同时，本方法在平台建设初期，用户量明显少于商品量时，可以有效地融合用户特征信息用于推荐，缓解用户冷启动问题。具体步骤如下：首先系统记录用户行为日志用户对项目的各种行为(浏览、收藏、加入购物车，购买，评分，评论等)；然后对数据进行预处理，整理历史用户行，以及对数据进行清洗、规约；接着构建用户项目交互矩阵，同时利用用户和项目元数据信息进行特征工程为训练模型提供辅助信息；然后训练个性化推荐模型，并为目标用户提供Top-N商品推荐接口；最后为目标从个性化推荐模型获取推荐结果，并构建展示界面。图1是本专利技术实施例中的个性化推荐方法的方法流程示意图，如图1所示，所述个性化推荐方法包括：S11：采集用户行为记录信息，所述用户行为记录信息包括不限于系统中记录用户对项目的各种行为和所述各种行为发生时间、发生地点和存储至数据库；在本专利技术具体实施过程中，通过数据爬虫算法在系统平台采集用户的行为记录信息；其中用户的行为记录信息包括不限于系统中记录用户对项目的各种行为和跟着行为对应的发生时间、发生地点和对该行为的存储至的数据库中。用户对项目的各种行为包括不限于以下行为的一种或多种组合，各种行为如下：浏览、收藏、加入购物车、购买、评分、评论、互动。S12：对用户对项目的各种行为按照不同权重进行线性加权转换处理，获取用户对项目的隐式反馈；在本专利技术具体实施过程中，在进行线性加权转换的时候，首先赋予用户对项目的各种行为的一个权重值，例如浏览赋予0.05、收藏赋予0.2、加入购物车0.3、购买0.2、评分或评论赋予0.15、互动赋予0.1的权值，根据再根据用户进行了那些对项目的行为，再赋予对应行为的赋值，如每个行为赋值为1或者10或者100等；然后根据上述赋予的权值和对应项目的赋值进行线性加权转换处理，根据加权处理的结果来获取用户对项目的隐式反馈。其中，该饮食反馈即为用户对项目的性趣值。S13：根据用户对项目的隐式反馈进行交互矩阵构建处理，获取用户项目交互矩阵；在本专利技术具体实施过程中，本文档来自技高网...

【技术保护点】
1.一种融合多源异构信息的个性化推荐方法，其特征在于，所述个性化推荐方法包括：采集用户行为记录信息，所述用户行为记录信息包括不限于系统中记录用户对项目的各种行为和所述各种行为发生时间、发生地点和存储至数据库；对用户对项目的各种行为按照不同权重进行线性加权转换处理，获取用户对项目的隐式反馈；根据用户对项目的隐式反馈进行交互矩阵构建处理，获取用户项目交互矩阵；根据用户项目交互矩阵构建个性化推荐模型，并获取向用户推荐的对应项目。

【技术特征摘要】
1.一种融合多源异构信息的个性化推荐方法，其特征在于，所述个性化推荐方法包括：采集用户行为记录信息，所述用户行为记录信息包括不限于系统中记录用户对项目的各种行为和所述各种行为发生时间、发生地点和存储至数据库；对用户对项目的各种行为按照不同权重进行线性加权转换处理，获取用户对项目的隐式反馈；根据用户对项目的隐式反馈进行交互矩阵构建处理，获取用户项目交互矩阵；根据用户项目交互矩阵构建个性化推荐模型，并获取向用户推荐的对应项目。2.根据权利1所述的个性化推荐方法，其特征在于，所述用户对项目的各种行为至少包括浏览、收藏、加入购物车、购买、评分、评论中的一种或多种的组合。3.根据权利1所述的个性化推荐方法，其特征在于，所述用户对项目的隐式反馈为用户对项目的性趣值。4.根据权利1所述的个性化推荐方法，其特征在于，所述根据用户对项目的隐式反馈进行交互矩阵构建处理，包括：根据用户对项目的隐式反馈获取用户对项目的性趣值；根据用户、项目、性趣值三个元素构建交互矩阵，获取用户项目交互矩阵。5.根据权利1所述的个性化推荐方法，其特征在于，所述根据用户项目交互矩阵构建个性化推荐模型，包括：构建初始个性化推荐模型；确定初始个性化推荐模型的目标函数；构建协同降噪自编码模型；采用协同降噪自编码模型对初始个性化推荐模型进行训练，获取个性化推荐模型。6.根据权利5所述的个性化推荐方法，其特征在于，所述构建协同降噪自编码模型包括：输入层、隐藏层和输出层；其中，输入层由损坏的用户评分向量与用户辅助信息向量组成；隐藏层有K个...

【专利技术属性】
技术研发人员：胡建国，晏斌，李凯详，
申请(专利权)人：中山大学，广州搏创信息科技有限公司，
类型：发明
国别省市：广东,44