一种个性化推荐方法、系统以及存储介质技术方案

本发明专利技术主要是提供一种个性化推荐方法、系统及其可读存储介质，其方法包括，获取用户的多维信息标签；依据所述用户的多维信息标签建立用户画像；采集一段时间段内线下全部用户的活动数据，基于所述全部用户的活动数据和用户画像来分析邻近用户的兴趣偏好的影响从而对用户画像进行重构，根据重构的用户画像为用户提供个性化推荐。且本发明专利技术实施例解决了线下个性化推荐时未考虑邻近用的兴趣偏好影响造成的兴趣迁移所造成的推荐结果不准确的问题，提高了推荐结果的准确率。高了推荐结果的准确率。高了推荐结果的准确率。

【技术实现步骤摘要】
一种个性化推荐方法、系统以及存储介质


[0001]本专利技术涉及信息处理
，尤其涉及个性化推荐方法、系统及其存储介质。

技术介绍

[0002]个性化推荐系统(Personalized recommendation system)，其主要是通过与不同消费者的需求相结合，从消费者的历史行为出发，基于相关的算法为消费者提供差异化的服务，继而为消费者快速的找到感兴趣的商品。
[0003]现有技术中，个性化推荐系统普遍应用于线上购物平台、社交媒体、新闻服务以及LBS服务，而专门针对线下场景下的个性化推荐系统较少，且其多为基于热度的推荐方式以及聚类/分组的推荐方法等，前者主要考虑的事件本身，并非考虑到用户本身的兴趣需求，不具备差异化推荐的能力，后者主要是针对某类标签的聚类方式，例如将A市的景区推荐给A市的人可能不如推荐给外地人的效果更好，其他的现有技术的方式亦存在相应的缺陷和不足，例如CN109165997A公开了一种线下购物推荐内容的生成方法和装置，其考虑的时通过获取表征下用户产品的喜好数据例如视线轨迹、交互信息等来确定线下用户的需求，CN104866540A公开了一种基于群体用户行为分析的个性化推荐方法，其公开了通过聚合海量个体用户对商品的动态兴趣来进行自适应推荐，上述方式均未考虑到线下用户的空间临近度会在用户产生兴趣影响的问题，其兴趣的动态迁移会导致个性化推荐的结果产生变化，造成个性化推荐结果不准确。
[0004]因此，如何在线下场景下更精确、快速的为用户提供精确、有效的推荐内容是一个亟待解决的问题。

技术实现思路

[0005]有鉴于此，本专利技术的目的在于克服上述现有技术的缺陷，提供一种个性化推荐方法、系统及其存储介质，以提高个性化推荐的准确性。
[0006]第一方面，本专利技术实施例提供了一种个性化推荐方法，该方法包括：
[0007]获取用户的多维信息标签；
[0008]依据所述用户的多维信息标签建立用户画像；
[0009]采集一段时间段内线下全部用户的活动数据；
[0010]基于所述全部用户的活动数据和用户画像来分析邻近用户的兴趣偏好的影响从而对用户画像进行重构；
[0011]根据重构的用户画像为用户提供个性化推荐。
[0012]在一个实施例中，所述多维信息标签包括：用户的静态属性标签和动态特征标签。
[0013]在一个实施例中，所述采集一段时间段内线下全部用户的活动数据包括：在线下场所内安装一个或多个用户活动监控传感器以及包含用户移动终端和/或可穿戴设备所获取的传感器数据。
[0014]在一个实施例中，所述基于所述全部用户的活动数据和用户画像来分析邻近用户
的兴趣偏好的影响从而对用户画像进行重构具体包括：采用元胞自动机对邻近用户的兴趣偏好的影响进行建模，其建模过程包括元胞空间划分；中心元胞的定义；邻域模型的确定；兴趣偏好影响规则的建立。
[0015]在一个实施例中，所述建模过程具体步骤包括：
[0016]根据线下场景的空间结构进行区域划分，将其划分为预设距离步长的网格；
[0017]基于全部用户的活动数据，将用户位置输入到对应的网格中，基于用户画像获取用户的兴趣偏好，并以占据网格作为中心元胞，作为兴趣偏好的影响源；
[0018]选择邻域模型；
[0019]建立兴趣偏好影响规则，其中包括邻域影响规则和兴趣递减规则，
[0020]所述邻域影响规则为，其下一时刻的元胞状态的变化取决于当前元胞的状态以及邻域中元胞的状态，且每个元胞具备兴趣倾向度、影响力权重和转化率权重的参数特性，其公式为：
[0021][0022]上述公式中，S
i,j
为兴趣倾向度，S
i,j
(t)为t时刻中心元胞的状态，S
n,m
(t)为t时刻邻域元胞的状态，β
ij
为转化率权重，γ
n,m
为邻接元胞的影响力权重，θ为邻域空间，n和m为邻域空间的元素，π为中心元胞随机扰动，μ为邻近元胞随机扰动；
[0023]所述兴趣递减规则为，兴趣会受到时间的影响产生递减，公式如下所示：
[0024]S
i,j
(t+Δn)＝S
i,j
(t)e
‑
αΔn
ꢀꢀ
(2)
[0025]上述公式中，α为递减系数，
△
n为时间差值。；
[0026]根据元胞自动机模型结果对用户画像进行重构。
[0027]在一个实施例中，所述邻域模型，具体包括：所述邻域模型采用Von Neumann、Moore型和扩展Moore型中任意一个。
[0028]在一个实施例中，所述根据重构的用户画像为用户提供个性化推荐，包括：
[0029]步骤a，采用重构和/或修正的用户画像、商户画像和/或商品画像进行个性化推荐；
[0030]步骤b，将个性化推荐的结果推送给用户；
[0031]步骤c，根据收集到的用户的活动数据进行隐式反馈提取，并采集用户显式反馈的结果；
[0032]步骤d，依据接收到的隐式反馈和显式反馈的结果，更新个性化推荐以及对用户画像进行修正；
[0033]步骤e，重复上述步骤，并采用当前更新进行个性化推荐。
[0034]第二方面，本专利技术实施例还提供一种个性化推荐系统，该系统包括：
[0035]获取模块，获取用户的多维信息标签；
[0036]用户画像建立模块，依据所述用户的多维信息标签建立用户画像；
[0037]采集模块，采集一段时间段内线下全部用户的活动数据；
[0038]用户画像重构模块，基于所述活动数据来确定邻近用户的兴趣偏好的影响以对用户画像进行重构；
[0039]推荐模块，根据重构的用户画像为用户提供个性化推荐。
[0040]第三方面，本专利技术实施例还提供一种计算机设备，其上包括存储器和处理器，所述存储器上存储有能够在处理器运行的计算机程序，其特征在于，所述计算机程序被处理器执行时实现如本专利技术任一实施例中所述的个性化推荐方法。
[0041]第四方面，本专利技术实施例还提供一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如本专利技术任一实施例中所述的个性化推荐方法。
[0042]本专利技术至少具有以下优点：
[0043]1、获取用户的多维信息标签；依据所述用户的多维信息标签建立用户画像；采集一段时间段内线下全部用户的活动数据，基于所述全部用户的活动数据和用户画像来分析邻近用户的兴趣偏好的影响从而对用户画像进行重构，根据重构的用户画像为用户提供个性化推荐。其解决了线下个性化推荐时未考虑邻近用的兴趣偏好影响造成的兴趣迁移所造成的推荐结果不准确的问题，提高了推荐结果的准确率。
[0044]2、在考虑到了线下用户在空间活动时会产生兴趣影响时，采用元胞自动机对兴趣偏好实际情况进行建模，同时考虑邻域本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种个性化推荐方法，其特征在于，包括：获取用户的多维信息标签；依据所述用户的多维信息标签建立用户画像；采集一段时间段内线下全部用户的活动数据；基于所述全部用户的活动数据和用户画像来分析邻近用户的兴趣偏好的影响从而对用户画像进行重构；根据重构的用户画像为用户提供个性化推荐。2.根据权利要求1所述的方法，其特征在于，所述多维信息标签包括：用户的静态属性标签和动态特征标签。3.根据权利要求1所述的方法，其特征在于，采集一段时间段内线下全部用户的活动数据包括：在线下场所内安装一个或多个监控传感器以及包含用户移动终端和/或可穿戴设备所获取的传感器数据。4.根据权利要求1所述的方法，所述基于所述全部用户的活动数据和用户画像来分析邻近用户的兴趣偏好的影响从而对用户画像进行重构具体包括：采用元胞自动机对邻近用户的兴趣偏好的影响进行建模，其建模过程包括元胞空间划分；中心元胞的定义；邻域模型的确定；兴趣偏好影响规则的建立；用户画像的重构。5.根据权利要求4所述的方法，其特征在于，所述建模过程具体步骤包括：根据线下场景的空间结构进行区域划分，将其划分为预设距离步长的网格；基于全部用户的活动数据，将用户位置输入到对应的网格中，基于用户画像获取用户的兴趣偏好，并以占据网格作为中心元胞，作为兴趣偏好的影响源：选择邻域模型；建立兴趣偏好影响规则，其中包括邻域影响规则和兴趣递减规则，所述邻域影响规则为，其下一时刻的元胞状态的变化取决于当前元胞的状态以及邻域中元胞的状态，且每个元胞具备兴趣倾向度、影响力权重和转化率权重的参数特性，其公式为：上述公式中，S
i，j
为兴趣倾向度，S
i，j
(t)为t时刻中心元胞的状态，S
n，m
(t)为t时刻邻域元胞的状态，β
ij
为转化率权重，γ
n，m
为邻接元胞的影响力权重，θ为邻域空间，...

【专利技术属性】
技术研发人员：陈晖，包坚，
申请(专利权)人：广东大比特网络科技有限公司，
类型：发明
国别省市：