一種基于短記憶的上下文感知推薦方法
【技術領域】
[0001] 本發(fā)明涉及推薦系統(tǒng)技術領域，尤其涉及一種基于短記憶的上下文感知推薦方 法。
【背景技術】
[0002] 常用的推薦方法有：基于內容的推薦、協(xié)同過濾推薦、基于知識推薦和混合推薦。 首先從用戶以往歷史數(shù)據(jù)中提取用戶對項目的偏好信息，根據(jù)具有相似項目偏好的用戶 之間喜歡的項目的差異，將相似用戶喜歡的物品進行推薦。
[0003] 上下文推薦系統(tǒng)的使用，有兩方面意義，其中一方面符合上下文信息的現(xiàn)實意義； 而另一方面要對推薦結果有實質性的幫助，提高推薦的準確率，或者滿足用戶特定需求體 驗等方面。實現(xiàn)推薦系統(tǒng)的實時性除了對用戶行為的存取有實時性要求，還要求推薦算法 本身具有實時性，其中推薦算法本身的實時性意味著：要求在每個用戶訪問推薦時，都根據(jù) 用戶這個時間點前的行為實施計算推薦列表；推薦算法需要平衡考慮用戶的近期行為和長 期行為，讓推薦列表反映出用戶近期行為所體現(xiàn)的興趣變化，又不能讓推薦列表完全受用 戶近期行為的影響，要保證推薦列表對用戶興趣預測的延續(xù)性。
[0004] 推薦系統(tǒng)所推薦物品都是基于用戶購買和瀏覽的歷史記錄進行其偏好的相似度 計算后進行推薦，其中用戶偏好的相似度計算主要使用一種余弦相似度的計算方法，定義 如下：
[0005]
[0006] 當 I Sxy I〈2 時，sim(x，y) = 0·
[0007] 其中，sim(x, y)表示用戶X和用戶y之間的相似度，rx, s表示用戶X對項目s的 評分，Sx，y表示用戶X和用戶y共同評分的項目集合。

【發(fā)明內容】

[0008] 本發(fā)明目的就是為了彌補已有技術的缺陷，提供一種基于短記憶的上下文感知推 薦方法。
[0009] 本發(fā)明是通過以下技術方案實現(xiàn)的：
[0010] -種基于短記憶的上下文感知推薦方法，具體步驟如下：
[0011] ⑴利用Web服務器中的日志，通過數(shù)據(jù)清理、用戶識別、事務識別，建立用戶事務 矩陣、頁面訪問特征矩陣；
[0012] (2)采用機器學習的方法，提取對用戶具有短記憶影響的上下文：計算出⑴中的 每個用戶對于不同類別的物品的偏好，采用短期web日志進行提取形成短記憶偏好和上下 文特征；
[0013] (3)通過用戶反饋信息修正用戶偏好：（2)產生的短記憶偏好具有較高的權重，在 滿足相同上下文環(huán)境中，對長記憶的偏好推薦結果進行修正。
[0014] 將短記憶的上下文信息與傳統(tǒng)推薦算法進行融合生成一種新的推薦方法，短記憶 通常是由于當時所處的某種環(huán)境下而產生的行為，在較短的時間內影響向用戶進行的推 薦。
[0015] 利用Web服務器中的日志，可以挖掘用戶的數(shù)據(jù)一般有用戶IP地址、用戶ID、請求 的URL、訪問日期和時間等，通過數(shù)據(jù)清理、用戶識別、事務識別，建立用戶事務矩陣、頁面訪 問特征矩陣，首先進行數(shù)據(jù)清理，即刪除與挖掘任務無關的數(shù)據(jù)，處理請求頁面發(fā)生錯誤的 記錄等；用戶識別即根據(jù)從日志中提取的IP地址和Cookie標識來分辨識別用戶，事務是頁 面及其表示的集合，建立用戶事務矩陣，即對用戶歷史上訪問的頁面鏈接等進行矩陣建模， 然后進行物品相似度計算，進行排名；
[0016] 通過用戶反饋信息修正用戶偏好，上述產生的短記憶偏好具有較高的權重，主要 是近期的與往常不一樣的用戶行為，對此行為加一個權重，影響推薦系統(tǒng)中物品的排名，在 滿足相同上下文環(huán)境中，對長記憶的偏好推薦結果進行修正，實時響應用戶新的行為，讓 推薦系統(tǒng)列表不斷變化，從而滿足用戶不斷變化的興趣。
[0017] 本發(fā)明的優(yōu)點是：本發(fā)明是基于短記憶的上下文感知推薦方法就是實時響應用戶 新的行為，讓推薦系統(tǒng)列表不斷變化，從而滿足用戶不斷變化的興趣。
【附圖說明】
[0018] 圖1為本發(fā)明的流程圖。
【具體實施方式】
[0019] 如圖1所示，一種基于短記憶的上下文感知推薦方法，具體步驟如下：
[0020] (1)利用Web服務器中的日志，通過數(shù)據(jù)清理、用戶識別、事務識別，建立用戶事務 矩陣、頁面訪問特征矩陣；
[0021] ⑵采用機器學習的方法，提取對用戶具有短記憶影響的上下文：計算出⑴中的 每個用戶對于不同類別的物品的偏好，采用短期web日志進行提取形成短記憶偏好和上下 文特征；
[0022] (3)通過用戶反饋信息修正用戶偏好：（2)產生的短記憶偏好具有較高的權重，在 滿足相同上下文環(huán)境中，對長記憶的偏好推薦結果進行修正。
[0023] 由于Web服務器的廣泛使用，時間和位置等的上下文信息可以很容易從服務器日 志中提取，所以從時間上可以提取對用戶具有短記憶影響的上下文。
[0024] 下面簡單用圖進行表示，主要為下面四個步驟：
[0025] (一）、web服務器中用戶近期行為提取；
[0026] (二）、選取異于平常的用戶行為，即用戶近期的行為提取后，進行分析，著重從中 選擇出異于平常的行為，以物品推薦為例，比如在近期突然經(jīng)常瀏覽購買的往常一般情況 不同的物品等等；
[0027] (三）、對此近期內突然偏好的物品加權重，即對近期的這些比較偏好的物品加權 重以增加其排名；
[0028] (四）、對推薦系統(tǒng)長記憶的偏好物品排名進行重排，即對長記憶的偏好推薦結果 進行修正，以此來保證所推薦物品的實時性，準確性，提高用戶使用體驗。
【主權項】
1. 一種基于短記憶的上下文感知推薦方法，其特征在于：具體步驟如下： (1) 利用Web服務器中的日志，通過數(shù)據(jù)清理、用戶識別、事務識別，建立用戶事務矩 陣、頁面訪問特征矩陣； (2) 采用機器學習的方法，提取對用戶具有短記憶影響的上下文：計算出（1)中的每個 用戶對于不同類別的物品的偏好，采用短期web日志進行提取形成短記憶偏好和上下文特 征； (3) 通過用戶反饋信息修正用戶偏好：（2)產生的短記憶偏好具有較高的權重，在滿足 相同上下文環(huán)境中，對長記憶的偏好推薦結果進行修正。
【專利摘要】本發(fā)明公開了一種基于短記憶的上下文感知推薦方法，利用Web服務器中的日志，通過數(shù)據(jù)清理、用戶識別、事務識別，建立用戶事務矩陣、頁面訪問特征矩陣；計算出（1）中的每個用戶對于不同類別的物品的偏好，采用短期web日志進行提取形成短記憶偏好和上下文特征；產生的短記憶偏好具有較高的權重，在滿足相同上下文環(huán)境中，對長記憶的偏好推薦結果進行修正。本發(fā)明是基于短記憶的上下文感知推薦方法就是實時響應用戶新的行為，讓推薦系統(tǒng)列表不斷變化，從而滿足用戶不斷變化的興趣。
【IPC分類】G06F17/30
【公開號】CN105095471
【申請?zhí)枴緾N201510483261
【發(fā)明人】張建軍, 葛菲, 劉征宇, 宋亮, 連正杰
【申請人】合肥工業(yè)大學, 安徽新華傳媒股份有限公司
【公開日】2015年11月25日
【申請日】2015年8月7日