[发明专利]一种推荐对象的方法和系统

说明书

提供了一种推荐对象的方法和系统，所述方法包括：对多个用户中的每个用户构建用户画像，基于用户画像的每个标签获得对象‑标签数据，其中，对象‑标签数据是指基于标签统计的所述多个用户中具有所述标签的用户与对象之间的关联信息；针对所述多个用户中的目标用户构建候选集，其中，构建候选集的步骤包括：针对目标用户的用户画像中的每个标签在对应的对象‑标签数据中选取排名最高的第一数量个对象，对基于用户画像选择的对象进行合并和去重来构建与目标用户对应的候选集；对候选集进行筛选以构建推荐集；以及向目标用户展示推荐集中的对象。

技术领域

本发明涉及数据挖掘领域，提供了一种推荐对象的方法和系统。

背景技术

在大数据时代，每天都会产生大量的数据。例如，这些数据包含了不同用户的特征、不同对象(例如，商品、服务、虚拟商品等)的特征以及用户与对象之间的关联信息(例如，购买/点击/收藏)。用合适的方法对大量的数据进行分析，构建推荐系统，从而为不同的用户推荐不同的对象，进而为用户提供更好的服务。

当前的推荐系统分为“召回”和“排序”两个模块。“召回”指的是：为了减少“排序”模块的计算量，从大量对象(例如，数量级为千万级别的商品)中选出一部分对象(例如，数量级为百级别的商品)。“排序”则是按照用户与对象的匹配程度进行打分，然后再按照分数来排序，将分数高的对象推荐给对应的用户。

召回模块通常采用“协同过滤”方法，但是“协同过滤”仅仅只能从数据角度来考虑用户之间的相似度，最终得到的相似用户是所有特征维度的综合影响结果，并因此忽略了用户单个维度之间的关系。进一步地说，传统的“协同过滤”通常只能从对象所有特征综合维度来召回一部分对象，这不利于推荐对象的多样性。

此外，传统的推荐系统计算完用户与对象的匹配程度后便进行“排序”操作，“排序”完成后便按照排序后的结果将对象按照匹配度从高往低进行推荐。这种方法在一定时间之内，对同一个用户很有可能推荐相同的对象，同样不利于推荐的多样性。

发明内容

本发明的目的在于提供一种推荐对象的方法和系统，以便在用户量和商品量较大的情况下，在保证推荐准确率的前提下，提供推荐商品的多样性。

本发明提供了一种推荐对象的方法，所述方法包括：对多个用户中的每个用户构建用户画像，基于用户画像的每个标签获得对象-标签数据，其中，对象-标签数据是指基于标签统计的所述多个用户中具有所述标签的用户与对象之间的关联信息；针对所述多个用户中的目标用户构建候选集；对候选集进行筛选以构建推荐集；以及向目标用户展示推荐集中的对象。其中，构建候选集的步骤包括：针对目标用户的用户画像中的每个标签在对应的对象-标签数据中选取排名最高的第一数量个对象，对基于目标用户的用户画像选择的对象进行合并和去重来构建与目标用户对应的候选集。

在根据发明构思的实施例中，对多个用户中的每个用户构建用户画像的步骤采用聚类的方式来实现。

在根据发明构思的实施例中，聚类的方式采用K平均算法来实现。

在根据发明构思的另一实施例中，对多个用户中的每个用户构建用户画像的步骤采用专家规则的方式来实现。

在根据发明构思的另一实施例中，针对所述多个用户中的目标用户构建候选集的步骤还包括：从全局数据中选取排名最高的第二数量个对象，其中，所述全局数据是指所述多个用户与对象之间的关联信息；从用户历史数据中选取排名最高的第三数量个对象，其中，所述用户历史数据是指目标用户与对象之间的关联信息；并且将第二数量个对象和第三数量个对象以及基于目标用户的用户画像选择的对象进行合并和去重来构建与目标用户对应的候选集。

在根据发明构思的实施例中，所述方法还包括：对全部对象进行聚类以构建对象类别。

在根据发明构思的实施例中，对全部对象进行聚类以构建对象类别的方法采用K平均算法来实现。