【技术实现步骤摘要】
本专利技术涉及互联网交互领域，尤其涉及一种元素推荐方法和装置。
技术介绍
随着互联网业务的不断发展，其提供了越来越多的用户交互业务。如，用户搜索业务，热门歌曲推荐，热门视频推荐、热门新闻推荐等。在现有的推荐系统中，如Last, fm的CF推荐系统的社会网络结构，通过研究发现其存在增强热门歌手/曲的趋势，这会导致处于长尾分布的歌手得不到应有的推荐。并且，人们在研究中还发现用户对推荐系统的满意度跟精确度没有必然关系，精确度不能作为评估推荐系统性能好坏的唯一标准。 现有技术中的协同过滤的音乐推荐系统，如基于聚类的协同过滤推荐算法首先根据用户之间的相似度聚成若干个类，每个类由若干个相关的用户组成，每个用户都有自己对某些条目(如歌曲等元素)的评分。在为用户u生成推荐列表的时候，首先找到该用户属于的类C，然后找到类C里面包含的条目，如果用户u和类C的相似度是Sim(u，c)，并且条目t在类c中的平均评分是ave(t,c),那么对每一个条目都按sim(u,c)*ave(t,c)计算一个分数。如果一个用户属于多个类，就将分数按类累加。最后根据分数将条目排序，生成用户的推荐列表。但是，采用上述方法进行推荐时，会导致热歌(意即在网络上特别流行的歌曲，也称网络歌曲)得到加强，而热歌大部分用户都听过。虽然从精确度方面来说，由于热歌受很多人欢迎，推荐对的比推荐错的比例要大，而且精确度的评估也是在用户可见的条目上进行的，所以总体的精确度会相对高一些。但是从实际的效果来说，大部分人都已经听过这些热歌，再推荐热歌给用户已经没有多大意义；而且对于那些不喜欢热歌的用户而言，会很反感这些热歌...
【技术保护点】
【技术特征摘要】
1.一种元素推荐方法，其特征在于，所述方法包括 对多个用户进行聚类，确定各用户所属类别，所述用户中包括多个元素； 根据聚类结果获取属于当前用户的各元素的类别频率倒数，其中，元素在总类别的分布越集中，则该元素的类别频率倒数值越大； 根据所述类别频率倒数计算所述当前用户的各元素的推荐值，根据所述推荐值向所述用户进行推荐，其中，元素的类别频率倒数值越大则当前用户的该元素的推荐值越高。2.如权利要求I所述的方法，其特征在于，所述类别频率倒数用下述公式计算3.如权利要求2所述的方法，其特征在于，所述推荐值用下述公式计算4.如权利要求I至3中任一项所述的方法，其特征在于，所述对多个用户进行聚类包括 获取用户频率倒数，根据所述用户频率倒数对用户进行聚类，其中，元素在总用户的分布越集中，则该元素的用户频率倒数值越大。5.如权利要求4所述的方法，其特征在于，所述用户频率倒数用下述公式计算6.如权利要求5所述的方法，其特征在于，所述用户可表示为7.—种元素推荐装置，其特征在于，所述装置包括 聚类模块，用于对多个用户进...
【专利技术属性】
技术研发人员：陈建群，杨志峰，刘建，贺鹏程，肖战勇，
申请(专利权)人：腾讯科技深圳有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。