一种资源数据匹配推荐方法技术

本发明专利技术公开了一种资源数据匹配推荐方法，属于数据算法推荐技术领域。本发明专利技术通过获取用户需求数据与基础数据，确定需求数据与基础数据中包含的关键词及关键词的权重，将关键词作为第一推荐资源并建立用户模型，通过其他相似用户的模型特征作为第二推荐资源，并将第一推荐资源、第二推荐资源的关键词推演匹配形成第三推荐资源随机推给用户。本发明专利技术除了基于用户的习惯、需求、历史等数据提供准确的推荐资源外，还通过借鉴相似的用户提供相似的资源，并且对两者推荐资源的关键词推演匹配，推演匹配出来的内容前瞻性地满足客户需求，克服了现有算法的封闭性与滞后性，先行激发用户潜在需求，保证资源推荐质量以及用户的满意度。保证资源推荐质量以及用户的满意度。保证资源推荐质量以及用户的满意度。

【技术实现步骤摘要】
一种资源数据匹配推荐方法


[0001]本专利技术属于数据算法推荐
，尤其涉及一种资源数据匹配推荐方法。

技术介绍

[0002]随着现代信息技术的发展，互联网普及度日益提高，用户能够获取的资源也越来越多，用户很难从海量的资源(电影、音乐、金融产品、视频、商品等)中快速地选择出自己感兴趣的资源。目前主要采用TF
‑
IDF算法，此算法主要通过特征词向量来描述文本特征，通过计算得到文本特征向量，通过计算向量之间的余弦相似度，得到文本相似度排序，随后对文本进行相似推荐。这种方法的缺点是：需要用户明确自己的需求，而且需要用户主动检索。为了高效率、快速、主动给用户提供推荐信息，个性化推荐服务应运而生，个性化推荐服务首先会根据用户行为数据进行相应的用户行为偏好分析，常用的方法是通过用户行为分析建立一个用户偏好模型，将用户的行为转换为用户的偏好。但是目前的用户偏好模型太过封闭、偏执，开放性差且比较迟缓。比如用户检索或购买了商品A之后，不断推荐商品A、商品A
’
,但此时用户已不再需要商品A，而是可能需要与商品A关联的商品C、商品D或者相关服务，而商品C、商品D不是用户主动检索的，但用户看到时可能就激发了用户的需求欲望。因此，为解决上述问题，提出一种资源数据匹配推荐方法。

技术实现思路

[0003]本专利技术的目的在于提供一种资源数据匹配推荐方法，旨在解决所述
技术介绍
中现有推荐算法模型太过封闭、偏执，开放性差且比较迟缓的问题。为实现所述目的，本专利技术采用的技术方案是：一种资源数据匹配推荐方法，包括如下步骤：
[0004]S1：获取用户需求数据与基础数据，确定需求数据与基础数据中包含的关键词及关键词的权重，将关键词作为第一推荐资源并建立用户模型；
[0005]S2：获取具备第一推荐资源的其他用户的模型特征作为第二推荐资源；
[0006]S3：通过第一推荐资源、第二推荐资源的关键词推演匹配得到第三推荐资源；
[0007]S4：将第一推荐资源、第二推荐资源以及第三推荐资源加入用户模型并按比例向用户推荐；
[0008]S5：根据用户对推荐资源的点击、停留时长确定新的第一推荐资源，对第一推荐资源、第二推荐资源以及第三推荐资源进行更新，并将初始的第一推荐资源至目前的第一推荐资源作为第四推荐资源，将第四推荐资源加入用户模型中。
[0009]与现有推荐算法不同的是，本专利技术除了基于用户的习惯、需求、历史等数据提供准确的推荐资源外，还通过借鉴相似的用户提供相似的资源，并且对两者推荐资源的关键词推演匹配，推演匹配出来的内容前瞻性地满足客户需求，克服了现有算法的封闭性与滞后性。
[0010]进一步的，S1中的用户需求数据包括用户输入的文本、音频、图像以及历史记录的第四推荐资源。将音频转换为文本，计算文本中各词语TF和IDF，将每个词语的TF和IDF相乘
得到该词语的TF
‑
IDF值作为各词语的权重，以保证第一推荐资源的准确度。
[0011]对前述方案的进一步描述，用户的基础数据包括性别、年龄、行业、历史记录、主题、兴趣内容等，其中年龄、历史记录、主题、兴趣内容会根据用户的使用情况、时长等改变。
[0012]进一步的，将步骤S5中的第四推荐资源提取加入用户的基础数据中，使基础数据迭代更新，不断对基础数据反馈更新，减少推荐内容都迟滞性。
[0013]更优的是，步骤S2中其他用户的模型特征包括浏览记录、购买记录、感兴趣内容、点赞评论等，通过第二推荐资源与所述第一推荐资源之间的被关联程度初值计算用户之间的关联程度，使得本用户模型与其他用户的模型高度匹配，以更准确地提供客户所需内容。步骤S3中的推演匹配包括词义联想、类比、上下游扩展，比如输入“乌龟”会向上扩展各种宠物、动物，向下会扩展各种类型的乌龟，还能联想到龟粮、龟药、养龟缸等，为用户的下一步行为进行推演，保证推荐资源的有效性。
[0014]对前述方案的进一步描述，对用户模型中的需求数据与基础数据进行逐层地编码，并将需求数据与基础数据映射到数值向量所表示的特征空间，通过相似度量的运算单元，确定顶层的用户特征空间和资源特征空间的重合度。通过堆叠式的稀疏自编码器或受限玻尔兹曼机对需求数据与基础数据进行逐层地编码，并将需求数据与基础数据映射到数值向量所表示的特征空间。
[0015]进一步的，第一推荐资源排列在前，第二推荐资源、第三推荐资源以及第四推荐资源随机排列在后，保证推荐的内容在混乱中精准，提供用户需要而未想到的内容，先行用户一步。
[0016]有益效果：
[0017]本专利技术与现有推荐算法不同的是，除了基于用户的习惯、需求、历史等数据提供准确的推荐资源外，还通过借鉴相似的用户提供相似的资源，并且对两者推荐资源的关键词推演匹配，推演匹配出来的内容前瞻性地满足客户需求，克服了现有算法的封闭性与滞后性，先行激发用户潜在需求，保证资源推荐质量以及用户的满意度。
附图说明
[0018]图1为本专利技术实施例提供的原理示意图。
具体实施方式
[0019]为了便于理解本专利技术，下面将参照相关附图对本专利技术进行更全面的描述。附图中给出了本专利技术的较佳实施方式。但是，本专利技术可以以许多不同的形式来实现，并不限于本文所描述的实施方式。相反地，提供这些实施方式的目的是使对本专利技术的公开内容理解得更加透彻全面。
[0020]下面结合具体实施方式对本专利的技术方案做进一步详细地说明。
[0021]请参阅图1所示，本专利技术提供一种资源数据匹配推荐方法，包括如下步骤：
[0022]S1：获取用户需求数据与基础数据，确定需求数据与基础数据中包含的关键词及关键词的权重，将关键词作为第一推荐资源并建立用户模型；
[0023]S2：获取具备第一推荐资源的其他用户的模型特征作为第二推荐资源；
[0024]S3：通过第一推荐资源、第二推荐资源的关键词推演匹配得到第三推荐资源；
[0025]S4：将第一推荐资源、第二推荐资源以及第三推荐资源加入用户模型并按比例向用户推荐；
[0026]S5：根据用户对推荐资源的点击、停留时长确定新的第一推荐资源，对第一推荐资源、第二推荐资源以及第三推荐资源进行更新，并将初始的第一推荐资源至目前的第一推荐资源作为第四推荐资源，将第四推荐资源加入用户模型中。给用户展示时，第一推荐资源排列在前，第二推荐资源、第三推荐资源以及第四推荐资源随机排列在后，保证推荐的内容在混乱中精准，提供用户需要而未想到的内容，先行用户一步。在S1步骤中对用户模型中的需求数据与基础数据进行逐层地编码，并将需求数据与基础数据映射到数值向量所表示的特征空间，通过相似度量的运算单元，确定顶层的用户特征空间和资源特征空间的重合度。通过堆叠式的稀疏自编码器或受限玻尔兹曼机对需求数据与基础数据进行逐层地编码，并将需求数据与基础数据映射到数值向量所表示的特征空间。
[0027]为了对本专利技术的公开内容理解得更加透彻全面，下面结合使用方式进一步讲解本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种资源数据匹配推荐方法，其特征在于：包括如下步骤：S1：获取用户需求数据与基础数据，确定需求数据与基础数据中包含的关键词及关键词的权重，将关键词作为第一推荐资源并建立用户模型；S2：获取具备第一推荐资源的其他用户的模型特征作为第二推荐资源；S3：通过第一推荐资源、第二推荐资源的关键词推演匹配得到第三推荐资源；S4：将第一推荐资源、第二推荐资源以及第三推荐资源加入用户模型并按比例向用户推荐；S5：根据用户对推荐资源的点击、停留时长确定新的第一推荐资源，对第一推荐资源、第二推荐资源以及第三推荐资源进行更新，并将初始的第一推荐资源至目前的第一推荐资源作为第四推荐资源，将第四推荐资源加入用户模型中。2.根据权利要求1所述的一种资源数据匹配推荐方法，其特征在于：S1中的用户需求数据包括用户输入的文本、音频、图像以及历史记录的第四推荐资源。3.根据权利要求2所述的一种资源数据匹配推荐方法，其特征在于：用户输入的文本、音频中将音频转换为文本，计算文本中各词语TF和IDF，将每个词语的TF和IDF相乘得到该词语的TF
‑
IDF值作为各词语的权重。4.根据权利要求1所述的一种资源数据匹配推荐方法，其特征在于：用户的基础数据包括性别、年龄、行业、...

【专利技术属性】
技术研发人员：陈佳，何欣，
申请(专利权)人：北京秒付科技有限公司，
类型：发明
国别省市：