[发明专利]一种基于大数据的喜好内容推荐方法

说明书

本发明公开了一种基于大数据的喜好内容推荐方法，通过获取目标人物人脸图像获取目标用户信息，根据目标用户信息获取与之聚类的用户历史信息，对用户历史信息进行优化，计算目标用户信息与获取的用户历史信息进行相似度对目标用户未评价项目评分，最后根据评分高低将高评分的项目推送给目标用户。基于项目重合依赖度的相似度计算公式提高了项目间相似度的精度，并利用基于项目的协同过滤推荐算法来缓解评分数据的稀疏性，大大提高了基于用户的协同过滤推荐算法的推荐效果。

技术领域

本发明涉及数据分析和数据处理领域，尤其涉及一种用于向目标用户推荐感兴趣内容的内容推荐方法及内容推荐系统。

背景技术

近几年来，随着信息技术的快速发展和网络技术的崛起，互联网技术使得网络数据呈爆炸性增长趋势，越来越多的数据信息与服务充斥着网络。同时互联网技术也成为人们搜集和采集信息的常用通道。然而，这些数据信息资源质量参差不齐，结构复杂，使得人们在庞大的信息中很难找到自己的需求。推荐系统是一种帮助用户快速发现有用信息的工具。推荐系统不需要用户提供明确的关键词，而是通过用户历史行为为用户的兴趣建模，从而主动推荐能够满足用户兴趣和需求的数据信息。推荐系统能够在用户没有明确目的时帮助他们发现感兴趣的新内容。

目前，推荐系统的经典算法有三种：基于内容的推荐算法、协同过滤推荐算法、基于关联规则的推荐算法。其中协同过滤推荐算法被广泛的应用，而协同过滤推荐算法又可以被分为基于项目的协同过滤推荐算法和基于用户的协同过滤推荐算法。基于用户的协同过滤推荐算法基于用户对项目的偏好找到邻居用户(使用统计的方法挑选出于目标用户最相似的若干用户，成为“邻居”)，然后将邻居用户喜欢的项目推荐给当前用户。基于物品的协同过滤推荐算法基于用户对项目的偏好找到相似的项目，然后根据用户的历史偏好，推荐相似的项目。显然，无论哪种协同过滤算法，数据都是基于用户对物品的评分，评分通常是由用户对物品的浏览次数、点击次数、购买次数等转换换来的显示数据。但是随着商品的数量和用户数量的不断增加，用户-项目评分矩阵越来稀疏，传统的协同过滤推荐算法推荐精度受到了比较大的影响。

另外，相似度计算是协同推荐算法预测评分的关键步骤，相似度计算的目的是为基于用户的协同推荐算法中的用户和基于项目的协同过滤推荐算法中的项目找到相似近邻，而相似近邻选择的准确与否又直接影响后续推荐结果的准确性。因此，相似度计算准确性对整个推荐系统的性能和推荐质量均会产生直接影响，是协同过滤推荐算法中核心的问题。

发明内容

本发明提供了一种基于大数据的喜好内容推荐方法，以解决现有技术中矩阵稀疏、计算速度慢、计算内容相似度时准确性不高的技术问题。

为了解决上述问题，本发明提出一种基于大数据的喜好内容推荐方法，包括：

步骤1)：通过相机采集场景中的目标用户的人脸图像，基于获取的人脸图像获取目标用户的ID和表情；

步骤2)：获取与目标用户相同表情下所有用户的历史行为数据，用户的历史行为数据包括：用户表情、用户查看项目以及用户对项目的历史偏好评分；

步骤3)：把历史行为数据作为输入，使用聚类算法将所有项目分成预设数量的簇；遍历所有的项目，找到每一个项目所在的簇，使用基于项目重合依赖度的协同过滤推荐算法对未评分项目进行预测评分，并将未评分项目及其项目的评分填充到历史行为数据中；

步骤4)：把填充后的历史行为数据作为输入，使用聚类算法将所有用户分成预设数量的簇；计算目标用户与目标用户所在簇中所有用户的相似度，利用基于用户的协同推荐算法计算目标用户对未评项目的评分；

步骤5)：根据目标用户对未评分项目预测评分的高低程度，从中提取出目标用户评分最高的预设项目数量的项目，将所有提取的项目推送给目标用户。

进一步的，所述步骤1)具体包括如下步骤：

步骤1.1)：先通过单目相机采集周围场景图像；