[发明专利]一种并行式文章推荐方法、装置、设备及存储介质

说明书

本发明提供一种并行式文章推荐方法、装置、设备及存储介质，涉及信息技术领域。根据用户的历史浏览文章，构建用户结构化模型；根据用户结构化模型以及预设的至少两种推荐算法，获得对应于用户的至少两种文章推荐算法；分别将待推荐的文章通过至少两种文章推荐算法，获得与每种文章推荐算法对应的推荐文章列表；根据至少两种文章推荐算法的预设权重值，从每个文章推荐列表选取预定的文章，以混合生成相应于所述用户的最终推荐文章列表。本发明采用并行式混合并行式文章推荐方法，保证了推荐出的文章数据集合了所有文章推荐算法的推荐的优点，弥补了单项推荐的不足，使得推荐文章数据更加的准确有效。

技术领域

本发明涉及信息技术领域，具体而言，涉及一种并行式文章推荐方法、装置、设备及存储介质。

背景技术

随着互联网的快速发展，人们每天需要面对大量的信息，为了让用户能够准确阅读到用户感兴趣的文章，从而提高用户粘性，推荐系统服务也逐渐地被运用到资讯类网站/移动应用中。文章推荐系统可以根据资讯类网站/移动应用的用户数据与文章内容，为网站/移动应用的用户计算出文章资讯，使得用户可以不受其他多余信息的干扰，直接查看到自身感兴趣的文章资讯。目前的文章推荐系统主要采用的是基于内容的推荐算法或者协同过滤算法。

基于内容的推荐算法主要根据用户的当前及历史的行为内容通过机器学习的方法计算得出当前用户的相关内容标签，然后再根据用户的内容标签进行内容的推荐。但是基于内容的推荐只是单一的用户数据样本，尤其是针对用户行为稀少的情况下，得出的用户内容标签不够准确，精度较低。

而协同过滤算法是在基于内容算法的基础上利用其他用户的历史行为内容，即在得出当前用户的内容标签后，在数据库中进行对比，找到用户相似内容标签的其他用户，然后将其他用户感兴趣的内容推荐给当前用户。虽然协同过滤算法在一定程度上提高了推荐精度，但当用户及文章数据的增多，而且部分没有访问行为的文章就很难出现在推荐的列表中，造成文章资源分配不均，不利于文章的相应阅读推广。

因此，需研发一种推荐精度高、覆盖的文章数广的混合推荐算法用于减少单项文章推荐算法的不足，使得文章推荐更加准确且更符合相应的推荐要求。

发明内容

有鉴于此，本发明实施例的目的在于提供一种并行式文章推荐方法、装置、设备及存储介质，以改善现有技术中单项文章推荐算法的不足的问题。

本发明较佳实施例提供了一种并行式文章推荐方法，包括:

根据用户的历史浏览文章，构建用户结构化模型；

根据所述用户结构化模型以及预设的至少两种推荐算法，获得对应于所述用户的至少两种文章推荐算法；

分别将待推荐的文章通过所述至少两种文章推荐算法，获得与每种文章推荐算法对应的推荐文章列表；

根据所述至少两种文章推荐算法的预设权重值，从每个文章推荐列表选取预定的文章，以混合生成相应于所述用户的最终推荐文章列表。

优选地，根据用户的历史浏览文章，构建用户结构化模型的步骤包括：

获取用户的历史浏览文章的特征数据；

基于所述特征数据，采用机器学习的分类算法构建用户结构化模型；

储存为用户构建的所述用户结构化模型。

优选地，所述文章推荐算法包括如下中的两个：热点新闻推荐算法、基于内容的推荐算法或协同过滤算法。

优选地，所述协同过滤算法包括基于用户的协同过滤算法和基于文章的协同过滤算法。

优选地，还包括：

获取用户对生成的最终推荐文章列表中的已阅读文章；

获取已阅读文章在各个推荐文章列表中的占比以及排列位置；