[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

说明书

技术领域

本发明涉及计算机数据处理技术领域，特别涉及基于概率模型和用户行为分析的 个性化推荐方法、系统。

背景技术

随着互联网信息技术的发展，尤其是电子商务的兴起，互联网内容呈现爆炸式的 增长，人们逐渐进入海量数据时代。每天面对琳琅满目并且种类繁杂的商品、电影、歌曲、视 频等各种服务时，却无所适从，这就是经常提到的信息过载(informationoverload)问题。 同时，互联网上的各种物品又存在长尾(longtail)现象，指大部分商品属于冷门而没有展 示的机会。ChrisAnderson在2006年出版的《长尾理论》一书中指出，传统的80/20原则 (80％的销售额来自于20％的热门品牌)在互联网时代下回面临更多挑战。主流的商品基本 上代表的是大部分用户的需求，但是长尾的商品代表的则是一小部分个性化需求。应对信 息过载和长尾物品的问题，推荐系统大显身手。能够根据用户的历史行为数据，对用户进行 兴趣建模，推荐用户感兴趣的物品(如商品、电影、新闻)，这就是个性化推荐系统。

目前，个性化推荐系统能够在用户没有明确目的时候，帮助发现那些他们感兴趣 但很难发现的物品。但是也存在诸多难点。

1、用户兴趣的量化。正所谓：一千个人中有一千个汉姆雷特。个人的兴趣千差万 别，如何给出一种能准确量化用户兴趣的指标，用以表征用户的偏好。比如如何判断用户喜 欢娱乐八卦的文章还是喜欢时事政治，如何量化对各个类别、标签的偏好程度。

2、用户行为模式挖掘。用户历史行为数据代表了用户的明确需求，每一次的鼠标 点击都是用户本质需求的反应。基于用户的注册、登录、浏览、点击、购买、收藏、打分、评论 等各种维度的数据中，如何提取有价值的用户属性。

3、个性化的精准性。如何保证个性化的推荐结果是真正符合用户需求，一直也都 是业界都在绞尽脑汁解决的问题。

发明内容

本发明要解决的技术问题是，通过将原始数据进行预处理后，构建用户模型，用以 准确刻画用户的兴趣点和本质的信息获取需求，以提供精准的个性化推荐，从而解决互联 网中的信息过载和长尾物品的问题。

解决上述技术问题，本发明提供了基于概率模型和用户行为分析的个性化推荐方 法，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。

更进一步，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。

更进一步，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。

更进一步，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即为：