[发明专利]一种基于用户性格标签的推荐方法

说明书

本发明公开了一种基于用户性格标签的推荐方法，实现了用户行为指标列表的开发、用户性格‑推荐模式匹配规则的建模、推荐模式列表的开发、用户性格标签的开发、用户线上行为指标的建模等；本发明以心理学的性格理论为基础，利用大数据技术全面分析用户对产品的使用行为、评论等数据，对用户的性格进行挖掘，构建用户行为模型，开发一套用户性格标签及对应的推荐模式，可以根据具体的应用场景向用户进行相关推荐，适用于电子商务、社交网络等平台的推荐系统。由于用户性格的内部稳定性好，可解释性、可迁移性强，利用性格标签进行推荐能有效解决系统数据稀疏、不可迁移、新用户推荐效果不佳等冷启动问题。

技术领域

本发明属于大数据处理技术领域，尤其涉及一种基于用户性格标签的推荐方法。

背景技术

随着大数据时代的来临，网络中的信息量呈现指数式增长，大量的冗余信息严重干扰了互联网用户对相关有用信息的准确性选择，推荐系统应运而生。推荐系统能根据不同的算法模型，从大量信息中分析找到用户可能感兴趣的信息，从而向用户推荐他们现在或将来可能会喜欢的项目。

目前推荐系统大都应用于电商类的购物网站，社交类、资讯类的网络信息平台，为相关产品及项目进行推荐。协同过滤是目前主流的推荐机制，主要是指根据用户对物品或者信息的偏好，发现物品、内容或用户本身的相关性，基于这些关联性进行推荐，其核心是收集用户偏好、找到相似的用户或物品、计算并推荐。其中，获取用户偏好，理解用户需求，对用户进行分类识别建模，是影响推荐系统质量和应用发展的关键。但是，以协同过滤为机制的推荐系统，对用户的历史数据依赖性较高，存在新用户场景下的“冷启动”问题。“冷启动”问题包括数据稀疏性(sparsity)和新用户(the new user)问题。数据稀疏性主要是指由于系统或物品处于新上线状态，缺少用户的浏览、购买、评价等历史数据；新用户问题主要是指用户处于新登录状态，未对任务物品进行过评分，无法确定用户偏好及需求。并且，在推荐分析过程中，需要大量、重复多次的历史浏览信息，数据量庞大，数据处理缓慢，推荐效率低。以视频推荐为例，用户在实际查找视频过程中，由于每个用户对视频的喜好并不相同，且同一用户在不同时期对视频的喜好也不同。因此，通过协同过滤机制进行推荐，容易导致推荐准确度不高，无法满足用户需求。

国内外的众多研究曾在协同过滤技术中引入性格特征，作为一个参数，综合加权考虑计算用户相似度，相比于传统的协同过滤手段，能显著提升推荐的准确性。然而，在这类研究中，对性格的测量都是通过问卷，由用户进行自我主观反馈来进行，测量效率低且停留在表面，并不能从本质上体现性格在推荐系统中的作用。

推荐系统普遍采用标签结合不同推荐方式来实现推荐过程，需要对标签进行不断的开发，标签的不稳定性质，会导致使用这类标签的推荐系统不够准确，无法满足用户的推荐需求。

发明内容

本发明的目的是提供一种全面分析用户在互联网使用行为中的认知习惯和操作倾向，基于用户性格标签进行推荐的方法和系统。

本发明的目的是通过以下技术方案来实现的：一种基于用户性格标签的推荐方法，该方法包括以下步骤：

(1)建立线下性格与推荐模式的映射模型

(1.1)构建用户行为指标库和推荐模式库：根据一般用户对终端设备和终端设备上应用的行为习惯，开展小样本的线下用户抽样调研，收集用户行为指标和推荐模式，构建用户行为指标库和推荐模式库；

(1.2)生成用户行为指标列表、推荐模式列表和性格－推荐模式匹配规则：

根据用户行为指标和推荐模式，编制用户在具体应用场景的状态描述，即用户行为问卷；

让受试者分别做用户行为问卷和通用性格问卷，处理问卷数据生成用户行为指标列表、推荐模式列表和性格－推荐模式匹配规则；

所述用户行为指标列表，包括从用户行为指标库里筛选出来的，与推荐模式列表中的推荐模式对应的用户行为指标；