專利名稱：一種基于信度網(wǎng)的資源推薦方法和裝置的制作方法
技術(shù)領(lǐng)域：
本發(fā)明涉及資源推薦技術(shù)，特別涉及一種基于信度網(wǎng)的資源推薦方法和裝置。
背景技術(shù)：
推薦技術(shù)是指在用戶訪問系統(tǒng)資源時，通過研究用戶的興趣等，主動為其推薦還未訪問的資源的技術(shù)。目前幾乎所有的大型電子商務系統(tǒng)都不同程度的使用了推薦技術(shù)，該技術(shù)有助于提高電子商務服務質(zhì)量和用戶的忠誠度等。現(xiàn)有推薦方式主要為根據(jù)特定領(lǐng)域的領(lǐng)域知識或通過數(shù)據(jù)挖掘方法生成規(guī)則，當用戶訪問系統(tǒng)資源時，根據(jù)用戶已訪問的資源情況以及所述規(guī)則推理出用戶還未訪問過但可能感興趣的資源，根據(jù)規(guī)則的強度等進行排序后推薦給用戶。但是，上述方式在實際應用中會存在一定的問題，如基本上所有的用戶都使用統(tǒng)一的規(guī)則，因此推薦結(jié)果的個性化程度較低。

發(fā)明內(nèi)容
有鑒于此，本發(fā)明提供了一種基于信度網(wǎng)的資源推薦方法和裝置，能夠提高推薦結(jié)果的個性化程度。為達到上述目的，本發(fā)明的技術(shù)方案是這樣實現(xiàn)的—種基于信度網(wǎng)的資源推薦方法，包括A、在用戶訪問系統(tǒng)資源的過程中，當每次滿足推薦條件時，則執(zhí)行步驟B;B、為用戶建立基于信度網(wǎng)的用戶興趣模型；根據(jù)所建立的用戶興趣模型確定待推薦資源；按照用戶感興趣的程度由高到低的順序?qū)Ω鞔扑]資源進行排序，將排序后的結(jié)果推薦給用戶。一種基于信度網(wǎng)的資源推薦裝置，包括控制模塊，用于在用戶訪問系統(tǒng)資源的過程中，當每次滿足推薦條件時，通知推薦模塊執(zhí)行自身功能；所述推薦模塊，用于為用戶建立基于信度網(wǎng)的用戶興趣模型；根據(jù)所建立的用戶興趣模型確定待推薦資源；按照用戶感興趣的程度由高到低的順序?qū)Ω鞔扑]資源進行排序，將排序后的結(jié)果推薦給用戶?？梢?，采用本發(fā)明的技術(shù)方案，針對每個用戶，分別為其建立基于信度網(wǎng)的用戶興趣模型，并根據(jù)所建立的用戶興趣模型進行資源推薦，從而提高了推薦結(jié)果的個性化程度。


圖1為本發(fā)明基于信度網(wǎng)的資源推薦方法實施例的流程圖。圖2為一個有向無環(huán)圖結(jié)構(gòu)的示意圖。圖3為另一個有向無環(huán)圖結(jié)構(gòu)的示意圖。
圖4為為某一用戶建立的用戶興趣模型的示意圖。圖5為本發(fā)明基于信度網(wǎng)的資源推薦裝置實施例的組成結(jié)構(gòu)示意圖。
具體實施例方式針對現(xiàn)有技術(shù)中存在的問題，本發(fā)明中提出一種基于信度網(wǎng)的資源推薦方案，能夠提高推薦結(jié)果的個性化程度。為使本發(fā)明的技術(shù)方案更加清楚、明白，以下參照附圖并舉實施例，對本發(fā)明所述方案作進一步地詳細說明。圖1為本發(fā)明基于信度網(wǎng)的資源推薦方法實施例的流程圖。如圖1所示，包括以下步驟步驟101 :在用戶訪問系統(tǒng)資源的過程中，當每次滿足推薦條件時，則執(zhí)行步驟102。當用戶每訪問一個新的資源時，即可生成一個數(shù)據(jù)，所述數(shù)據(jù)用于描述用戶對系統(tǒng)中各資源的訪問或評價情況。假設(shè)系統(tǒng)中共存在3個資源，分別為資源1、資源2、資源3，用戶訪問了資源2，那么所生成的數(shù)據(jù)即可為(0，1，0)，如果用戶同時訪問了資源2和資源3，那么所生成的數(shù)據(jù)即可為(O, I, I)。上述是以二值的0、1來表示資源是否被訪問的，如果要體現(xiàn)對資源的評價情況，則需要用多值來表示，具體實現(xiàn)為本領(lǐng)域公知。以下均以二值為例。當每生成N個數(shù)據(jù)時，則執(zhí)行一次步驟102，N為正整數(shù)。步驟102 :為用戶建立基于信度網(wǎng)的用戶興趣模型；根據(jù)所建立的用戶興趣模型確定待推薦資源；按照用戶感興趣的程度由高到低的順序?qū)Ω鞔扑]資源進行排序，將排序后的結(jié)果推薦給用戶。本步驟的實現(xiàn)主要包括三個過程，第一個過程為建立基于信度網(wǎng)的用戶興趣模型，第二個過程為根據(jù)所建立的用戶興趣模型確定待推薦資源，第三個過程為按照用戶感興趣的程度由高到低的順序?qū)Ω鞔扑]資源進行排序，將排序后的結(jié)果推薦給用戶。所建立的用戶興趣模型的個數(shù)可以為一個，也可為多個，即兩個以上，以下以建立一個用戶興趣模型為例，分別對上述各過程的具體實現(xiàn)進行詳細說明。I)第一個過程信度網(wǎng)包括兩部分有向無環(huán)圖結(jié)構(gòu)和各節(jié)點的條件概率分布，可表示為一個二元組S =〈G，P〉，G表示有向無環(huán)圖結(jié)構(gòu)，P表示各節(jié)點的條件概率分布。圖2為一個有向無環(huán)圖結(jié)構(gòu)的示意圖，如圖2所示，節(jié)點B和節(jié)點A之間存在連接，表示節(jié)點B和節(jié)點A之間存在依賴關(guān)系，箭頭方向表示節(jié)點B對節(jié)點A有直接的因果影響，P= {P(A Ji (A))}表示節(jié)點A的父節(jié)點對節(jié)點A的因果影響的強度，(A)表示節(jié)點A的父節(jié)點集合，節(jié)點B和節(jié)點E即為節(jié)點A的父節(jié)點。為方便計算，可對信度網(wǎng)的有向無環(huán)圖結(jié)構(gòu)進行編碼，即表示為容易處理的數(shù)據(jù)結(jié)構(gòu)，編碼后主要包括三部分第一部分、第二部分和第三部分。其中，第一部分表示信度網(wǎng)中的各節(jié)點的排序，任何節(jié)點的父節(jié)點都必須排在該節(jié)點的后面；第二部分表示每個節(jié)點的父節(jié)點在第一部分中的排序位置分布情況，共包括η-1段，第I段表示第一部分中排在第I位的節(jié)點的父節(jié)點在第一部分中的排序位置分布情況，第2段表示第一部分中排在第2位的節(jié)點的父節(jié)點在第一部分中的排序位置分布情況，依次類推；第三部分為自適應步長σ，σ為整數(shù)。圖3為另一個有向無環(huán)圖結(jié)構(gòu)的示意圖。假設(shè)針對該結(jié)構(gòu)進行編碼，那么得到的編碼可為[54231 234 345 4 O σ ]，“54231”為第一部分，“234 345 4 O”為第二部分，“ σ ”為第三部分。可以看出，節(jié)點4、節(jié)點2和節(jié)點3為節(jié)點5的父節(jié)點，因此節(jié)點4、節(jié)點2和節(jié)點3排在節(jié)點5的后面，節(jié)點2和節(jié)點3為節(jié)點4的父節(jié)點，因此節(jié)點2和節(jié)點3排在節(jié)點4的后面，節(jié)點3又為節(jié)點2的父節(jié)點，因此節(jié)點3排在節(jié)點2的后面，節(jié)點I也為節(jié)點4的父節(jié)點，因此也排在節(jié)點4的后面。另外，對于第一部分中排在第I位的節(jié)點5，其父節(jié)點4在第一部分中的排序位置為2，父節(jié)點2在第一部分中的排序位置為3，父節(jié)點3在第一部分中的排序位置為4，因此，節(jié)點5對應的第二部分中的第I段可為“234”，同理，第一部分中排在第2位的節(jié)點4對應的第二部分中的第2段可為“345”，第一部分中排在第3位的節(jié)點2對應的第二部分中的第3段可為“4”，第一部分中排在第4位的節(jié)點3沒有父節(jié)點，那么其對應的第二部分中的第4段可為“O” (如果有父節(jié)點則不是O)，而第一部分中排在最后一位，即第5位的節(jié)點I 一定是沒有父節(jié)點的，因此其在第二部分無對應的段。通常來說，每個節(jié)點的父節(jié)點的個數(shù)會限制為不超過一定數(shù)目，那么第二部分中的每段的長度也不會超過該數(shù)目。基于上述介紹，建立基于信度網(wǎng)的用戶興趣模型的過程可如下所示。11)隨機生成μ個不同的信度網(wǎng)，并從中選出一個作為最優(yōu)信度網(wǎng)Sb，μ為大于I的正整數(shù)；每個信度網(wǎng)中的每個節(jié)點分別對應系統(tǒng)中的一個資源，每個信度網(wǎng)中的節(jié)點數(shù)均等于系統(tǒng)中的資源數(shù)；本步驟中，可隨機 選出一個信度網(wǎng)作為Sb。12)根據(jù)Sb分別計算出所生成的各信度網(wǎng)的評分函數(shù)值。13)如果計算出的μ個評分函數(shù)值中的最大值與最小值之差小于預定閾值，或者，本步驟的重復執(zhí)行次數(shù)已經(jīng)達到預定閾值，則將取值最大的評分函數(shù)值對應的信度網(wǎng)作為sb，并將Sb作為用戶興趣模型，結(jié)束流程，否則，將取值最大的評分函數(shù)值對應的信度網(wǎng)作為sb，執(zhí)行步驟14)。14)根據(jù)最新一次生成的μ個信度網(wǎng)生成λ個新的信度網(wǎng)，λ為大于I的正整數(shù)，且大于μ。15)根據(jù)新的Sb分別計算出各新的信度網(wǎng)的評分函數(shù)值，并按照評分函數(shù)值由大到小的順序從中選出μ個信度網(wǎng)，重復執(zhí)行步驟13)。在計算各信度網(wǎng)的評分函數(shù)值時，各信度網(wǎng)的有向無環(huán)圖結(jié)構(gòu)以編碼的形式參與運算。上述步驟12)和15)中所提到的信度網(wǎng)的評分函數(shù)值的計算主要涉及到三部分，即信度網(wǎng)與新數(shù)據(jù)的匹配程度(適用程度)、信度網(wǎng)與舊數(shù)據(jù)的匹配程度，以及懲罰因子。評分函數(shù)值的計算過程中應考慮網(wǎng)絡結(jié)構(gòu)的簡潔度，越簡單的網(wǎng)絡結(jié)構(gòu)用于預測和推理時的計算復雜度越低，因此可引入懲罰因子，用于懲罰復雜度高的網(wǎng)絡結(jié)構(gòu)，從而使得評分函數(shù)值傾向于簡單的網(wǎng)絡結(jié)構(gòu)。
具體來說，針對每個信度網(wǎng)S，可分別計算其與新數(shù)據(jù)的匹配程度、與舊數(shù)據(jù)的匹配程度以及其懲罰因子，用與新數(shù)據(jù)的匹配程度減去預定系數(shù)與舊數(shù)據(jù)的匹配程度的乘積，再減去懲罰因子，即可得到信度網(wǎng)S的評分函數(shù)值。所述新數(shù)據(jù)可為以下之一最新N次生成的數(shù)據(jù)、截止時間為當前時間的一段預定時長內(nèi)生成的數(shù)據(jù)；除新數(shù)據(jù)以外的數(shù)據(jù)即為舊數(shù)據(jù)(針對該用戶生成的所有數(shù)據(jù)中除新數(shù)據(jù)以外的數(shù)據(jù))。其中，信度網(wǎng)S與新數(shù)據(jù)的匹配程度可通過計算信度網(wǎng)S與新數(shù)據(jù)之間的似然度log (D I S)來得至Ij，D表示新數(shù)據(jù)ο信度網(wǎng)S與舊數(shù)據(jù)的匹配程度可通過計算信度網(wǎng)S與上一次進行推薦時所建立的用戶興趣模型之間的距離
權(quán)利要求
1.一種基于信度網(wǎng)的資源推薦方法，其特征在于，包括 A、在用戶訪問系統(tǒng)資源的過程中，當每次滿足推薦條件時，則執(zhí)行步驟B; B、為用戶建立基于信度網(wǎng)的用戶興趣模型；根據(jù)所建立的用戶興趣模型確定待推薦資源；按照用戶感興趣的程度由高到低的順序?qū)Ω鞔扑]資源進行排序，將排序后的結(jié)果推薦給用戶。
2.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述步驟A包括 用戶每訪問一個新的資源，則生成一個數(shù)據(jù)，所述數(shù)據(jù)用于描述用戶對系統(tǒng)中各資源的訪問或評價情況； 當每生成N個數(shù)據(jù)時，則執(zhí)行一次步驟B，N為正整數(shù)。
3.根據(jù)權(quán)利要求2所述的方法，其特征在于，所建立的用戶興趣模型的個數(shù)為一個，建立方式包括 BH、隨機生成μ個不同的信度網(wǎng)，并從中選出一個作為最優(yōu)信度網(wǎng)Sb，μ為大于I的正整數(shù)；每個信度網(wǎng)中的每個節(jié)點分別對應系統(tǒng)中的一個資源，每個信度網(wǎng)中的節(jié)點數(shù)均等于系統(tǒng)中的資源數(shù)； Β12、根據(jù)Sb分別計算出所生成的各信度網(wǎng)的評分函數(shù)值； Β13、如果計算出的μ個評分函數(shù)值中的最大值與最小值之差小于預定閾值，或者，本步驟的重復執(zhí)行次數(shù)已經(jīng)達到預定閾值，則將取值最大的評分函數(shù)值對應的信度網(wǎng)作為Sb，并將Sb作為用戶興趣模型，結(jié)束流程，否則，將取值最大的評分函數(shù)值對應的信度網(wǎng)作為Sb，執(zhí)行步驟Β14 ； Β14、根據(jù)最新一次生成的μ個信度網(wǎng)生成λ個新的信度網(wǎng)，λ為大于I的正整數(shù)，且大于μ ； Β15、根據(jù)新的Sb分別計算出各新的信度網(wǎng)的評分函數(shù)值，并按照評分函數(shù)值由大到小的順序從中選出μ個信度網(wǎng)，重復執(zhí)行步驟Β13。
4.根據(jù)權(quán)利要求3所述的方法，其特征在于，所述計算每個信度網(wǎng)的評分函數(shù)值包括 針對每個信度網(wǎng)S，分別計算其與新數(shù)據(jù)的匹配程度、與舊數(shù)據(jù)的匹配程度以及懲罰因子；用與新數(shù)據(jù)的匹配程度減去預定系數(shù)與舊數(shù)據(jù)的匹配程度的乘積，再減去懲罰因子，則得到信度網(wǎng)S的評分函數(shù)值； 其中，所述新數(shù)據(jù)為以下之一最新N次生成的數(shù)據(jù)、截止時間為當前時間的一段預定時長內(nèi)生成的數(shù)據(jù)；除新數(shù)據(jù)以外的數(shù)據(jù)即為舊數(shù)據(jù)。
5.根據(jù)權(quán)利要求4所述的方法，其特征在于， 所述計算信度網(wǎng)S與新數(shù)據(jù)的匹配程度包括計算信度網(wǎng)S與新數(shù)據(jù)之間的似然度log (D I S)，D表示新數(shù)據(jù)； 所述計算信度網(wǎng)S與舊數(shù)據(jù)的匹配程度包括計算信度網(wǎng)S與上一次進行推薦時所建立的用戶興趣模型之間的距離
6.根據(jù)權(quán)利要求5所述的方法，其特征在于，所述信度網(wǎng)S包括兩部分有向無環(huán)圖結(jié)構(gòu)和各節(jié)點的條件概率分布；在計算信度網(wǎng)S的評分函數(shù)值時，有向無環(huán)圖結(jié)構(gòu)以編碼的形式參與運算； 其中，有向無環(huán)圖結(jié)構(gòu)的編碼包括三部分第一部分、第二部分和第三部分； 第一部分表示信度網(wǎng)S中的各節(jié)點的排序，任何節(jié)點的父節(jié)點都必須排在該節(jié)點的后面； 第二部分表示每個節(jié)點的父節(jié)點在第一部分中的排序位置分布情況，共包括η-1段，第I段表示第一部分中排在第I位的節(jié)點的父節(jié)點在第一部分中的排序位置分布情況，第2段表示第一部分中排在第2位的節(jié)點的父節(jié)點在第一部分中的排序位置分布情況，依次類推； 第三部分為自適應步長σ，σ為整數(shù)。
7.根據(jù)權(quán)利要求6所述的方法，其特征在于，所述步驟Β14包括 Β141、從最新一次生成的μ個信度網(wǎng)中隨機選出兩個不同的信度網(wǎng)，針對選出的兩個信度網(wǎng)的第一部分，隨機產(chǎn)生兩個交叉點，將每個第一部分中處于這兩個交叉點之間的區(qū)域定義為匹配區(qū)域，并交換兩個第一部分中的匹配區(qū)域，然后，針對每個第一部分，分別將匹配區(qū)域以外出現(xiàn)的與匹配區(qū)域內(nèi)重復的字符按照匹配區(qū)域內(nèi)的位置映射關(guān)系進行映射；之后，隨機選擇一個第一部分作為新的信度網(wǎng)的第一部分； Β142、針對選出的兩個信度網(wǎng)的第二部分，以段為單位，分別隨機選擇兩個第二部分中的一段作為新的信度網(wǎng)的第二部分中的一段； Β143、針對選出的兩個信度網(wǎng)的第三部分，將(σ1+σ2)/2作為新的信度網(wǎng)的第三部分σ，σ i和σ 2分別表示選出的兩個信度網(wǎng)的第三部分； Β144、針對新的信度網(wǎng)，對其施加I σ · Ν(0，1) I次變異因子，所述變異因子包括增加一條邊、減少一條邊，以及反轉(zhuǎn)一條邊，Ν(0,1)表不均值為O,方差為I的正態(tài)分布隨機變量; 之后，重復執(zhí)行步驟Β141，直到得到λ個新的信度網(wǎng)。
8.根據(jù)權(quán)利要求4 7中任一項所述的方法，其特征在于，所述根據(jù)所建立的用戶興趣模型確定待推薦資源包括 從所建立的用戶興趣模型中找出與用戶已訪問的資源對應的節(jié)點存在父節(jié)點和子節(jié)點關(guān)系的節(jié)點對應的資源； 從找出的資源中刪除重復以及用戶已訪問的資源，將剩下的資源作為待推薦資源； 其中，如果將最新N次生成的數(shù)據(jù)作為新數(shù)據(jù)，則用戶已訪問的資源為用戶最新N次訪問的資源；如果將截止時間為當前時間的一段預定時長內(nèi)生成的數(shù)據(jù)作為新數(shù)據(jù)，則用戶已訪問的資源為該預定時長內(nèi)用戶訪問的資源。
9.根據(jù)權(quán)利要求8所述的方法，其特征在于，所述按照用戶感興趣的程度由高到低的順序?qū)Ω鞔扑]資源進行排序包括 針對每個待推薦資源X，分別根據(jù)信度網(wǎng)推理算法計算其在用戶興趣模型中的條件概率值；將各條件概率值按照取值由大到小的順序進行排序；其中，條件概率值=P (XIR)，R表示用戶已訪問的資源的集合。
10.根據(jù)權(quán)利要求2所述的方法，其特征在于，所建立的用戶興趣模型的個數(shù)為兩個以上，各用戶興趣模型的建立方式相同； 所述根據(jù)所建立的用戶興趣模型確定待推薦資源包括從所建立的各用戶興趣模型中找出與用戶已訪問的資源對應的節(jié)點存在父節(jié)點和子節(jié)點關(guān)系的節(jié)點對應的資源，從找出的資源中刪除重復以及用戶已訪問的資源，將剩下的資源作為待推薦資源；其中，用戶已訪問的資源為以下之一用戶最新N次訪問的資源、截止時間為當前時間的一段預定時長內(nèi)用戶訪問的資源； 所述按照用戶感興趣的程度由高到低的順序?qū)Ω鞔扑]資源進行排序包括針對每個待推薦資源X，分別根據(jù)信度網(wǎng)推理算法計算其在各用戶興趣模型中的條件概率值，將計算結(jié)果取平均，作為最終的條件概率值，將各最終的條件概率值按照取值由大到小的順序進行排序，將排序后的結(jié)果推薦給用戶；其中，條件概率值=P(X|R)，R表示用戶已訪問的資源的集合。
11.一種基于信度網(wǎng)的資源推薦裝置，其特征在于，包括 控制模塊，用于在用戶訪問系統(tǒng)資源的過程中，當每次滿足推薦條件時，通知推薦模塊執(zhí)行自身功能； 所述推薦模塊，用于為用戶建立基于信度網(wǎng)的用戶興趣模型；根據(jù)所建立的用戶興趣模型確定待推薦資源；按照用戶感興趣的程度由高到低的順序?qū)Ω鞔扑]資源進行排序，將排序后的結(jié)果推薦給用戶。
12.根據(jù)權(quán)利要求11所述的裝置，其特征在于，當用戶每訪問一個新的資源時，所述控制模塊即生成一個數(shù)據(jù)，所述數(shù)據(jù)用于描述用戶對系統(tǒng)中各資源的訪問或評價情況，并且，當每生成N個數(shù)據(jù)時，所述控制模塊即通知所述推薦模塊執(zhí)行一次自身功能，N為正整數(shù)。
13.根據(jù)權(quán)利要求12所述的裝置，其特征在于，所述推薦模塊中包括 建立單元，用于為用戶建立一個基于信度網(wǎng)的用戶興趣模型； 推薦單元，用于根據(jù)所建立的用戶興趣模型確定待推薦資源，并按照用戶感興趣的程度由高到低的順序?qū)Ω鞔扑]資源進行排序，將排序后的結(jié)果推薦給用戶。
14.根據(jù)權(quán)利要求13所述的裝置，其特征在于，所述建立單元中包括 第一處理子單元，用于隨機生成μ個不同的信度網(wǎng)，并從中選出一個作為最優(yōu)信度網(wǎng)Sb, μ為大于I的正整數(shù)，每個信度網(wǎng)中的每個節(jié)點分別對應系統(tǒng)中的一個資源，每個信度網(wǎng)中的節(jié)點數(shù)均等于系統(tǒng)中的資源數(shù)；根據(jù)Sb分別計算出所生成的各信度網(wǎng)的評分函數(shù)值，并通知第二處理子單元執(zhí)行自身功能； 所述第二處理子單元，用于當計算出的μ個評分函數(shù)值中的最大值與最小值之差小于預定閾值，或自身的重復執(zhí)行次數(shù)已經(jīng)達到預定閾值時，將取值最大的評分函數(shù)值對應的信度網(wǎng)作為sb，并將Sb作為用戶興趣模型，結(jié)束處理，否則，將取值最大的評分函數(shù)值對應的信度網(wǎng)作為sb，通知第三處理子單元執(zhí)行自身功能； 所述第三處理子單元，用于根據(jù)最新一次生成的μ個信度網(wǎng)生成λ個新的信度網(wǎng)，入為大于I的正整數(shù)，且大于μ，并根據(jù)新的Sb分別計算出各新的信度網(wǎng)的評分函數(shù)值，按照評分函數(shù)值由大到小的順序從中選出μ個信度網(wǎng)，之后通知所述第二處理子單元重復執(zhí)行自身功能。
15.根據(jù)權(quán)利要求14所述的裝置，其特征在于，每個信度網(wǎng)S的評分函數(shù)值為信度網(wǎng)S與新數(shù)據(jù)的匹配程度減去預定系數(shù)與信度網(wǎng)S與舊數(shù)據(jù)的匹配程度的乘積，再減去懲罰因子； 其中，所述新數(shù)據(jù)為以下之一最新N次生成的數(shù)據(jù)、截止時間為當前時間的一段預定時長內(nèi)生成的數(shù)據(jù)；除新數(shù)據(jù)以外的數(shù)據(jù)即為舊數(shù)據(jù)。
16.根據(jù)權(quán)利要求15所述的裝置，其特征在于，所述信度網(wǎng)S包括兩部分有向無環(huán)圖結(jié)構(gòu)和各節(jié)點的條件概率分布；在計算信度網(wǎng)S的評分函數(shù)值時，有向無環(huán)圖結(jié)構(gòu)以編碼的形式參與運算； 其中，有向無環(huán)圖結(jié)構(gòu)的編碼包括三部分第一部分、第二部分和第三部分； 第一部分表示信度網(wǎng)S中的各節(jié)點的排序，任何節(jié)點的父節(jié)點都必須排在該節(jié)點的后面； 第二部分表示每個節(jié)點的父節(jié)點在第一部分中的排序位置分布情況，共包括η-1段，第I段表示第一部分中排在第I位的節(jié)點的父節(jié)點在第一部分中的排序位置分布情況，第2段表示第一部分中排在第2位的節(jié)點的父節(jié)點在第一部分中的排序位置分布情況，依次類推； 第三部分為自適應步長σ，σ為整數(shù)。
17.根據(jù)權(quán)利要求16所述的裝置，其特征在于，所述第三處理子單元按照以下方式生成每個新的信度網(wǎng) 從最新一次生成的μ個信度網(wǎng)中隨機選出兩個不同的信度網(wǎng)，針對選出的兩個信度網(wǎng)的第一部分，隨機產(chǎn)生兩個交叉點，將每個第一部分中處于這兩個交叉點之間的區(qū)域定義為匹配區(qū)域，并交換兩個第一部分中的匹配區(qū)域，然后，針對每個第一部分，分別將匹配區(qū)域以外出現(xiàn)的與匹配區(qū)域內(nèi)重復的字符按照匹配區(qū)域內(nèi)的位置映射關(guān)系進行映射；之后，隨機選擇一個第一部分作為新的信度網(wǎng)的第一部分； 針對選出的兩個信度網(wǎng)的第二部分，以段為單位，分別隨機選擇兩個第二部分中的一段作為新的信度網(wǎng)的第二部分中的一段； 針對選出的兩個信度網(wǎng)的第三部分，將(0,(^)/2作為新的信度網(wǎng)的第三部分0，σ i和σ 2，分別表示選出的兩個信度網(wǎng)的第三部分； 針對新的信度網(wǎng)，對其施加I?！う?0，1)|次變異因子，所述變異因子包括增加一條邊、減少一條邊，以及反轉(zhuǎn)一條邊，Ν(0,1)表示均值為0，方差為I的正態(tài)分布隨機變量。
18.根據(jù)權(quán)利要求15 17中任一項所述的裝置，其特征在于，所述推薦單元中包括 第四處理子單元，用于從所建立的用戶興趣模型中找出與用戶已訪問的資源對應的節(jié)點存在父節(jié)點和子節(jié)點關(guān)系的節(jié)點對應的資源，從找出的資源中刪除重復以及用戶已訪問的資源，將剩下的資源作為待推薦資源；其中，如果將最新N次生成的數(shù)據(jù)作為新數(shù)據(jù)，則用戶已訪問的資源為用戶最新N次訪問的資源，如果將截止時間為當前時間的一段預定時長內(nèi)生成的數(shù)據(jù)作為新數(shù)據(jù)，則用戶已訪問的資源為該預定時長內(nèi)用戶訪問的資源； 第五處理子單元，用于針對每個待推薦資源X，分別根據(jù)信度網(wǎng)推理算法計算其在用戶興趣模型中的條件概率值；將各條件概率值按照取值由大到小的順序進行排序；其中，條件概率值=P(XlR)，R表示用戶已訪問的資源的集合。
19.根據(jù)權(quán)利要求12所述的裝置，其特征在于，所述推薦模塊中包括建立單元，用于為用戶建立兩個以上基于信度網(wǎng)的用戶興趣模型，各用戶興趣模型的建立方式相同； 推薦單元，用于根據(jù)所建立的用戶興趣模型確定待推薦資源，并按照用戶感興趣的程度由高到低的順序?qū)Ω鞔扑]資源進行排序，將排序后的結(jié)果推薦給用戶。
20.根據(jù)權(quán)利要求19所述的裝置，其特征在于，所述推薦單元中包括 第四處理子單元，用于從所建立的各用戶興趣模型中找出與用戶已訪問的資源對應的節(jié)點存在父節(jié)點和子節(jié)點關(guān)系的節(jié)點對應的資源，從找出的資源中刪除重復以及用戶已訪問的資源，將剩下的資源作為待推薦資源；其中，用戶已訪問的資源為以下之一用戶最新N次訪問的資源、截止時間為當前時間的一段預定時長內(nèi)用戶訪問的資源； 第五處理子單元，用于針對每個待推薦資源X，分別根據(jù)信度網(wǎng)推理算法計算其在各用戶興趣模型中的條件概率值，將計算結(jié)果取平均，作為最終的條件概率值，將各最終的條件概率值按照取值由大到小的順序進行排序，將排序后的結(jié)果推薦給用戶；其中，條件概率值= P(X|R),R表示用戶已訪問的資源的集合。
全文摘要
本發(fā)明公開了一種基于信度網(wǎng)的資源推薦方法，包括A、在用戶訪問系統(tǒng)資源的過程中，當每次滿足推薦條件時，則執(zhí)行步驟B；B、為用戶建立基于信度網(wǎng)的用戶興趣模型；根據(jù)所建立的用戶興趣模型確定待推薦資源；按照用戶感興趣的程度由高到低的順序?qū)Ω鞔扑]資源進行排序，將排序后的結(jié)果推薦給用戶。本發(fā)明同時公開了一種基于信度網(wǎng)的資源推薦裝置。應用本發(fā)明所述的方法和裝置，能夠提高推薦結(jié)果的個性化程度。
文檔編號G06F17/30GK103064856SQ20111032231
公開日2013年4月24日 申請日期2011年10月21日 優(yōu)先權(quán)日2011年10月21日
發(fā)明者王世君, 陳樂君, 朱賢澤, 何渝君, 王琨, 董宇翔 申請人:中國移動通信集團重慶有限公司