[发明专利]基于概率模型和用户行为分析的个性化推荐方法、系统

权利要求书

1.基于概率模型和用户行为分析的个性化推荐方法，其特征在于，包括如下步骤：

提取得到物品以及物品属性信息，且提取得到用户对物品的操作行为；所述物品是在 不同场景下，待推荐主体；所述操作行为是用户在不同场景下，所包含的操作类型；

通过所述物品属性信息和用户对物品的操作行为，得到兴趣点；通过用户对物品的操 作行为，获取用户兴趣相似度，并得到相似用户；根据用户对物品基于时间维度的操作行 为，得到衰减因子；根据所述兴趣点、相似用户、衰减因子建立用户模型；

根据用户模型，得到用户在各个维度的兴趣特征信息；

对所述兴趣特征信息进行过滤，并采用推荐算法生成待推荐结果；

根据所述待推荐结果进行算法融合，得到用户个性化推荐的结果。

2.根据权利要求1所述的个性化推荐方法，其特征在于，所述物品以及物品属性信息 为：

<itemid，publisher，categroyid，tagid>

其中itemid表示唯一标识一个物品，publisher表示物品的发布者，categoryid表示物 品所属的类别id，tagid表示物品的标签id。

3.根据权利要求1所述的个性化推荐方法，其特征在于，所述用户对物品的操作行为 为：

<userid，itemid，timestamp，action_type>

其中userid表示唯一标识一个用户，itemid表示唯一标识一个物品，timestamp表示本 次操作的时间，action_type表示本次操作的类型；所述用户对物品的操作行为包括，用户 的历史行为数据。

4.根据权利要求2所述的个性化推荐方法，其特征在于，通过所述物品属性信息和用户 对物品的操作行为，得到兴趣点的方法为：

4-1)遍历用户所有点击过的itemid，获取itemid对应的categoryid，统计每一个用户 点击行为下的每个类别的点击次数，这样就得到了每个用户点击过的类别次数分布；

4-2)计算点击过的各个物品的类别概率分布为：

P(categoryid|click)=Count(categoryid|click)Σcount(categoryid|click)]]>

其中，P(categoryid|click)表示在点击行为下的类别categoryid的概率，表示对不同 操作类型下的属性权重；Count(categoryid|click)表示在点击行为下的类别categoryid 的点击次数；Count(categoryid|click)表示在点击行为下的各个类别的点击次数之和；

4-3)类别最终的概率如下：

P(categoryid)＝P(categoryid|behavior₁)*Weight(behavior₁)

+P(categoryid|behavior₂)*Weight(behavior₂)

+...

+P(categoryid|behavior_n)*Weight(behavior_n)

其中，P(categoryid)表示在各种行为下的类别categoryid的最终权重；P(categoryid |behavior_n)表示在行为类型behavior下的类别categoryid的概率；Weight(behavior_n)表 示行为类型的权重，n为自然数；

4-4)根据在各种行为下的类别categoryid的最终权重，得到用户在各个维度上的偏好 数据即兴趣点。