[发明专利]基于历史记录的用户兴趣提取方法

权利要求书

1.一种基于历史记录的用户兴趣提取方法，其特征在于，包括：

对用户行为历史数据进行预处理并识别独立用户；确定关键词在上下文的 语义，根据语义对关键词进行词频统计，从而得到用户的兴趣特征。

2.根据权利要求1所述的方法，其特征在于，所述对用户行为历史数据进 行预处理，进一步包括：

删除Web日志中无关的数据，然后将网站日志数据规范化为以下字段：

Record＝<Source，ACC，Time，URL，Reference，Des，Agent，cke>；

其中，Source为用户登录时主机的IP地址；ACC为用户的账户；Time是 用户访问这一URL的时刻，即生成这一条日志的时刻；URL则是用户访问的页 面；Reference表示用户是从哪一个页面链接到当前页面；Des是用户要访问的 页面所在的网站的主机IP，即服务器IP地址；Agent则是用户当前使用的机器 的配置和使用的浏览器的配置的信息；cke是用户在网站上的私人信息，其中 Agent和cke是经过编码的，使用Java库中的相应解码函数对其进行解码；

其中，所述确定关键词在上下文的语义，根据语义对关键词进行词频统计， 从而得到用户的兴趣特征，进一步包括：

对于输入的每条关键词记录，如果不存在该记录，则新增一列词频字段， 并将其置为1；如果已经存在一条记录与该记录的字段都相同，则将与该条记录 一致的词的词频值更新为原来的值+1；统计出每个用户词频值最大的预定义数 量的记录并输出，将每一用户的预定义数量词频最大的记录的特征词即为该用 户的兴趣特征，记录为：

Record＝<UserID，list<Key，Cls，Weight>

其中，Weight为该特征词在该分类下出现的次数，即权重；list作为其兴 趣特征，其中Key是特征词，Cls是兴趣特征词的分类，对每一个用户记录的每 一个用户兴趣特征词提取其分类，然后添加到特征分类词库CLB；提取兴趣特 征分类时，判断分类词库中是否存在该特征分类，如果不存在，则将其加入特 征词库；如果存在，再继续提取下个特征词的分类；接下来根据特征分类词库 中的每一个词找出对该分类感兴趣的用户，即找相似特征用户；将用户User的 每个兴趣特征词记为W_i，则在计算该用户在每一个兴趣特征词与分类词的语义 近似度的值时在兴趣特征词与分类词的相似度的值上加上权重比例，得到用户 User与分类词C的语义近似度；然后，对所有用户按照其与分类词的语义近似 度的值进行降序排序，取排序后预定比例的用户作为属于该分类的用户，将这 些用户的UserID添加到分类词的链表中记录下来；然后计算所有用户的兴趣特 征与CLB中的其他分类词的语义近似度；计算每个分类下的用户，最终得到CLB 中每个分类词下所属的用户。