一种基于用户性格标签的推荐方法技术

本发明专利技术公开了一种基于用户性格标签的推荐方法，实现了用户行为指标列表的开发、用户性格‑推荐模式匹配规则的建模、推荐模式列表的开发、用户性格标签的开发、用户线上行为指标的建模等；本发明专利技术以心理学的性格理论为基础，利用大数据技术全面分析用户对产品的使用行为、评论等数据，对用户的性格进行挖掘，构建用户行为模型，开发一套用户性格标签及对应的推荐模式，可以根据具体的应用场景向用户进行相关推荐，适用于电子商务、社交网络等平台的推荐系统。由于用户性格的内部稳定性好，可解释性、可迁移性强，利用性格标签进行推荐能有效解决系统数据稀疏、不可迁移、新用户推荐效果不佳等冷启动问题。

A recommendation method based on user's personality tag

【技术实现步骤摘要】
一种基于用户性格标签的推荐方法
本专利技术属于大数据处理
，尤其涉及一种基于用户性格标签的推荐方法。
技术介绍
随着大数据时代的来临，网络中的信息量呈现指数式增长，大量的冗余信息严重干扰了互联网用户对相关有用信息的准确性选择，推荐系统应运而生。推荐系统能根据不同的算法模型，从大量信息中分析找到用户可能感兴趣的信息，从而向用户推荐他们现在或将来可能会喜欢的项目。目前推荐系统大都应用于电商类的购物网站，社交类、资讯类的网络信息平台，为相关产品及项目进行推荐。协同过滤是目前主流的推荐机制，主要是指根据用户对物品或者信息的偏好，发现物品、内容或用户本身的相关性，基于这些关联性进行推荐，其核心是收集用户偏好、找到相似的用户或物品、计算并推荐。其中，获取用户偏好，理解用户需求，对用户进行分类识别建模，是影响推荐系统质量和应用发展的关键。但是，以协同过滤为机制的推荐系统，对用户的历史数据依赖性较高，存在新用户场景下的“冷启动”问题。“冷启动”问题包括数据稀疏性(sparsity)和新用户(thenewuser)问题。数据稀疏性主要是指由于系统或物品处于新上线状态，缺少用户的浏览、购买、评价等历史数据；新用户问题主要是指用户处于新登录状态，未对任务物品进行过评分，无法确定用户偏好及需求。并且，在推荐分析过程中，需要大量、重复多次的历史浏览信息，数据量庞大，数据处理缓慢，推荐效率低。以视频推荐为例，用户在实际查找视频过程中，由于每个用户对视频的喜好并不相同，且同一用户在不同时期对视频的喜好也不同。因此，通过协同过滤机制进行推荐，容易导致推荐准确度不高，无法满足用户需求。国内外的众多研究曾在协同过滤技术中引入性格特征，作为一个参数，综合加权考虑计算用户相似度，相比于传统的协同过滤手段，能显著提升推荐的准确性。然而，在这类研究中，对性格的测量都是通过问卷，由用户进行自我主观反馈来进行，测量效率低且停留在表面，并不能从本质上体现性格在推荐系统中的作用。推荐系统普遍采用标签结合不同推荐方式来实现推荐过程，需要对标签进行不断的开发，标签的不稳定性质，会导致使用这类标签的推荐系统不够准确，无法满足用户的推荐需求。
技术实现思路
本专利技术的目的是提供一种全面分析用户在互联网使用行为中的认知习惯和操作倾向，基于用户性格标签进行推荐的方法和系统。本专利技术的目的是通过以下技术方案来实现的：一种基于用户性格标签的推荐方法，该方法包括以下步骤：(1)建立线下性格与推荐模式的映射模型(1.1)构建用户行为指标库和推荐模式库：根据一般用户对终端设备和终端设备上应用的行为习惯，开展小样本的线下用户抽样调研，收集用户行为指标和推荐模式，构建用户行为指标库和推荐模式库；(1.2)生成用户行为指标列表、推荐模式列表和性格－推荐模式匹配规则：根据用户行为指标和推荐模式，编制用户在具体应用场景的状态描述，即用户行为问卷；让受试者分别做用户行为问卷和通用性格问卷，处理问卷数据生成用户行为指标列表、推荐模式列表和性格－推荐模式匹配规则；所述用户行为指标列表，包括从用户行为指标库里筛选出来的，与推荐模式列表中的推荐模式对应的用户行为指标；所述推荐模式列表，包括从推荐模式库里筛选出来的，对受试者有区分度或与性格维度得分显著相关的推荐模式；所述性格-推荐模式匹配规则，包括性格维度，以及性格维度得分与推荐模式的对应关系。(2)建立线上性格与行为真值拟合模型(2.1)让线上受试者做通用性格问卷，生成某一性格维度的真值，同时采集同一受试者的互联网使用行为；(2.2)根据用户行为指标列表，对用户的线上互联网使用行为进行指标转译，得到用户线上行为向量；(2.3)将某用户线上行为向量与该用户相对应的性格维度真值进行训练，得到分类规则，完成线上性格与行为真值拟合模型的构建。(3)根据用户的线上行为向量，确定用户推荐模式及内容(3.1)将某用户的线上行为向量输入线上性格与行为真值拟合模型，通过计算指标相似性来获得该用户的性格标签；(3.2)将用户性格标签，与性格-推荐模式匹配规则、推荐模式列表进行匹配，确定用户推荐模式；(3.3)根据具体应用场景和用户推荐模式，确定推荐内容。进一步地，所述步骤(1.1)中，用户对终端设备上应用的行为习惯包括对视频、App、音乐应用的评论、使用行为习惯。进一步地，所述步骤(1.1)中，所述用户行为指标库由用户行为指标构成，根据用户使用量级或类别确定子维度。进一步地，所述步骤(1.2)中的具体生成方法如下：根据用户行为指标和推荐模式，编制用户行为问卷，让受试者用5点量表做评价，生成某一推荐模式的得分A；让同一受试者做通用性格问卷，生成某一性格维度的得分B；采用不同的机器学习算法对得分A和得分B进行训练，选取拟合度最高的模型对用户行为指标进行分析筛选，只保留对受试者有区分度或与得分B积差相关系数显著的推荐模式形成推荐模式列表，并将推荐模式列表中的推荐模式在状态描述中对应的用户行为指标构成用户行为指标列表，并将推荐模式得分A和性格维度得分B之间的映射关系构成性格－推荐模式匹配规则。进一步地，所述对受试者有区分度的标准为：得分排名前27％的受试者平均得分与得分排名后27％的受试者平均得分的T检验存在显著差异。进一步地，所述步骤(2.2)中，所述用户的线上互联网使用行为包括显性行为数据和隐性行为数据；所述显性行为数据包括用户评分、评论、点赞、转发数据；所述隐性行为数据包括用户浏览量、浏览时间、点击量、观看时长数据。进一步地，所述步骤(2.2)中，所述用户线上行为向量，是以用户行为指标列表为基础，根据实际的用户线上互联网使用行为，按不同的计算方法对用户在某个用户行为指标上的使用行为进行打分，得到该用户在各个用户行为指标列表上的得分向量；所述计算方法包括标记分类、占比计分、百分位数方法；对不同的计算方法进行组合搭配，以获得最好的拟合效果。进一步地，所述步骤(2.3)中，对所有用户的线上行为向量和所对应的性格维度真值进行分析处理，通过机器学习分类算法，选取拟合度最高的模型，确定与用户性格维度相对应的用户线上行为指标及分值，形成分类规则。进一步地，所述步骤(3.1)中，所述指标相似性的计算方法包括余弦相似性、欧氏距离、杰卡德距离，通过调整相应参数，根据模型的拟合度来选取计算方法。进一步地，所述用户的性格标签，包括该用户的性格特征特点，是根据用户的线上行为和模型中的向量距离，认为该用户属于某性格而给用户打上的标签，这个标签只描述了该用户可能的性格维度得分区间，但不包括具体分值。本专利技术的有益效果是：本专利技术以心理学的性格理论为基础，利用大数据技术全面分析用户对产品的使用行为、评论等数据，对用户的性格进行挖掘，构建用户行为模型，开发一套用户性格标签及对应的推荐模式，可以根据具体的应用场景向用户进行相关推荐，适用于电子商务、社交网络等平台的推荐系统。由于用户性格的内部稳定性本文档来自技高网...

【技术保护点】
1.一种基于用户性格标签的推荐方法，其特征在于，该方法包括以下步骤：/n(1)建立线下性格与推荐模式的映射模型/n(1.1)构建用户行为指标库和推荐模式库：根据一般用户对终端设备和终端设备上应用的行为习惯，开展小样本的线下用户抽样调研，收集用户行为指标和推荐模式，构建用户行为指标库和推荐模式库；/n(1.2)生成用户行为指标列表、推荐模式列表和性格－推荐模式匹配规则：/n根据用户行为指标和推荐模式，编制用户在具体应用场景的状态描述，即用户行为问卷；/n让受试者分别做用户行为问卷和通用性格问卷，处理问卷数据生成用户行为指标列表、推荐模式列表和性格－推荐模式匹配规则；/n所述用户行为指标列表，包括从用户行为指标库里筛选出来的，与推荐模式列表中的推荐模式对应的用户行为指标；/n所述推荐模式列表，包括从推荐模式库里筛选出来的，对受试者有区分度或与性格维度得分显著相关的推荐模式；/n所述性格-推荐模式匹配规则，包括性格维度，以及性格维度得分与推荐模式的对应关系。/n(2)建立线上性格与行为真值拟合模型/n(2.1)让线上受试者做通用性格问卷，生成某一性格维度的真值，同时采集同一受试者的互联网使用行为；/n(2.2)根据用户行为指标列表，对用户的线上互联网使用行为进行指标转译，得到用户线上行为向量；/n(2.3)将某用户线上行为向量与该用户相对应的性格维度真值进行训练，得到分类规则，完成线上性格与行为真值拟合模型的构建。/n(3)根据用户的线上行为向量，确定用户推荐模式及内容/n(3.1)将某用户的线上行为向量输入线上性格与行为真值拟合模型，通过计算指标相似性来获得该用户的性格标签；/n(3.2)将用户性格标签，与性格-推荐模式匹配规则、推荐模式列表进行匹配，确定用户推荐模式；/n(3.3)根据具体应用场景和用户推荐模式，确定推荐内容。/n...

【技术特征摘要】
1.一种基于用户性格标签的推荐方法，其特征在于，该方法包括以下步骤：
(1)建立线下性格与推荐模式的映射模型
(1.1)构建用户行为指标库和推荐模式库：根据一般用户对终端设备和终端设备上应用的行为习惯，开展小样本的线下用户抽样调研，收集用户行为指标和推荐模式，构建用户行为指标库和推荐模式库；
(1.2)生成用户行为指标列表、推荐模式列表和性格－推荐模式匹配规则：
根据用户行为指标和推荐模式，编制用户在具体应用场景的状态描述，即用户行为问卷；
让受试者分别做用户行为问卷和通用性格问卷，处理问卷数据生成用户行为指标列表、推荐模式列表和性格－推荐模式匹配规则；
所述用户行为指标列表，包括从用户行为指标库里筛选出来的，与推荐模式列表中的推荐模式对应的用户行为指标；
所述推荐模式列表，包括从推荐模式库里筛选出来的，对受试者有区分度或与性格维度得分显著相关的推荐模式；
所述性格-推荐模式匹配规则，包括性格维度，以及性格维度得分与推荐模式的对应关系。
(2)建立线上性格与行为真值拟合模型
(2.1)让线上受试者做通用性格问卷，生成某一性格维度的真值，同时采集同一受试者的互联网使用行为；
(2.2)根据用户行为指标列表，对用户的线上互联网使用行为进行指标转译，得到用户线上行为向量；
(2.3)将某用户线上行为向量与该用户相对应的性格维度真值进行训练，得到分类规则，完成线上性格与行为真值拟合模型的构建。
(3)根据用户的线上行为向量，确定用户推荐模式及内容
(3.1)将某用户的线上行为向量输入线上性格与行为真值拟合模型，通过计算指标相似性来获得该用户的性格标签；
(3.2)将用户性格标签，与性格-推荐模式匹配规则、推荐模式列表进行匹配，确定用户推荐模式；
(3.3)根据具体应用场景和用户推荐模式，确定推荐内容。


2.根据权利要求1所述的一种基于用户性格标签的推荐方法，其特征在于，所述步骤(1.1)中，用户对终端设备上应用的行为习惯包括对视频、App、音乐应用的评论、使用行为习惯。


3.根据权利要求1所述的一种基于用户性格标签的推荐方法，其特征在于，所述步骤(1.1)中，所述用户行为指标库由用户行为指标构成，根据用户使用量级或类别确定子维度。


4.根据权利要求1所述的一种基于用户性格标签的推荐方法，其特征在于，所述步骤(1.2)中的具体生成方法如下：根据用户行为指标和推荐模式...

【专利技术属性】
技术研发人员：林苗，万群，肖宇涵，
申请(专利权)人：杭州数理大数据技术有限公司，
类型：发明
国别省市：浙江;33