[发明专利]一种基于隐马尔科夫链模型的智能推荐算法

说明书

一种基于隐马尔科夫链模型的智能推荐算法，用于法律网的智能推荐系统上。包括步骤：针对文档特点，将信息增益率和相关度分别替代隐马尔科夫链模型中的状态的初始概率和状态转移概率；计算客户阅读第t篇文档时的部分概率；计算文档篇数t=n时每一篇文档的最优概率和最优文档序列，从所有最优概率中选择值最大的最优概率；记录下最优文档序列，即是推荐给客户的所有文档序列。本发明实施方案综合了信息增益率和隐马尔科夫链的优点，弥补了单使用隐马尔科夫链算法作为推荐算法时推荐偏向数量大的状态的缺点，以及求解参数是的复杂性缺点，在推荐算法中具有较大的实用性和较高的精准性。

技术领域

本发明涉及智能推荐领域，特别涉及一种基于隐马尔科夫链模型的智能推荐算法。

背景技术

互联网的出现和普及给用户带来了大量的信息，满足了用户在信息时代对信息的需求，但随着网络的迅速发展而带来的网上信息量的大幅增长，使得用户在面对大量信息时无法从中获得对自己真正有用的那部分信息，对信息的使用效率反而降低了，这就是所谓的信息超载问题。

解决信息超载问题一个非常有潜力的办法是推荐系统，它是根据用户的信息需求、兴趣等，将用户感兴趣的信息、产品等推荐给用户的个性化信息推荐系统。和搜索引擎相比推荐系统通过研究用户的兴趣偏好，进行个性化计算，由系统发现用户的兴趣点，从而引导用户发现自己的信息需求。一个好的推荐系统不仅能为用户提供个性化的服务，还能和用户之间建立密切关系，让用户对推荐产生依赖。

推荐系统现已广泛应用于很多领域，其中最典型并具有良好的发展和应用前景的领域就是电子商务领域。同时学术界对推荐系统的研究热度一直很高，逐步形成了一门独立的学科。

推荐系统有3个重要的模块分别为用户建模模块、推荐对象建模模块、推荐算法模块。推荐系统把用户模型中兴趣需求信息和推荐对象模型中的特征信息匹配，同时使用相应的推荐算法进行计算筛选，找到用户可能感兴趣的推荐对象，然后推荐给用户。推荐系统采用的推荐算法有多种，目前最常用的是组合推荐算法，各种算法都有优缺点，选择组合推荐算法可弥补或者避免单独推荐技术的弱点。

发明内容

基于此，针对上述现有技术，本发明的目的在于提供一种基于隐马尔科夫链模型的智能推荐算法，是综合了信息增益率和隐马尔科夫链的优点，弥补了单使用隐马尔科夫链算法作为推荐算法时推荐偏向数量大的状态的缺点，以及求解参数是的复杂性缺点。

为达到上述目的，本发明实施例采用以下方案：

针对文档特点，将信息增益率和相关度分别替代隐马尔科夫链模型中的状态的初始概率和状态转移概率；

计算客户阅读第t篇文档时的部分概率；

计算文档篇数t=n时每一篇文档的最优概率和最优文档序列，从所有最优概率中选择值最大的最优概率；

记录下最优文档序列，即是推荐给客户的所有文档序列。

根据上述本发明实施例的方案，将信息增益率和相关度分别替代了状态的初始概率和状态转移概率，然后结合常规HMM的算法步骤对信息属性进行分析得到多个同时与目标属性有强相关的属性，然后将其作出推荐。本方案综合了信息增益率和隐马尔科夫链的优点，弥补了单使用隐马尔科夫链算法作为推荐算法时推荐偏向数量大的状态的缺点，以及求解参数是的复杂性缺点，在推荐算法中具有较大的实用性和较高的精准性。

附图说明

图1是本发明实施例的基于隐马尔科夫链模型的智能推荐算法的流程示意图。

具体实施方式

为使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步的详细说明。应当理解，此处所描述的具体实施方式仅仅用以解释本发明，并不限定本发明的保护范围。