基于上下文的內容個性化提供方法
【技術領域】
[0001] 本發(fā)明涉及大數(shù)據(jù),特別涉及一種基于上下文的內容個性化提供方法。
【背景技術】
[0002] 隨著互聯(lián)網的發(fā)展及普及,信息爆炸性增長使用戶難以及時準確地發(fā)現(xiàn)有用的數(shù) 據(jù)源,導致人們在獲取豐富的數(shù)據(jù)源過程中受到信息過載的困擾。如何幫助用戶從激增的 海量信息中獲取有效的數(shù)據(jù)源,主動地為用戶提供更豐富、全面并符合其潛在需求的數(shù)據(jù) 源,給電子商務領域技術帶來了極大的挑戰(zhàn)。然而,當前技術中忽略了具體環(huán)境對用戶興趣 的影響。另一方面,面對眾多資源,現(xiàn)有的方案根據(jù)用戶對資源的評價信息產生的推送,這 種基于項目記分的推送只能體現(xiàn)用戶對項目整體的興趣情況。然而實際上用戶對項目資源 的評價往往是根據(jù)它所具有的屬性特征產生的,因此根據(jù)僅僅根據(jù)用戶對資源的整體記分 而產生的推送結果往往具有片面性。
【發(fā)明內容】
[0003] 為解決上述現(xiàn)有技術所存在的問題,本發(fā)明提出了一種基于上下文的內容個性化 提供方法,包括:
[0004] 通過交互界面收集用戶的行為記錄,獲取用戶交互的上下文,采用深度信念網絡 計算用戶興趣,基于所述用戶興趣為目標用戶生成推送結果。
[0005] 優(yōu)選地,所述采用深度信念網絡計算用戶興趣之前,還包括:
[0006] 針對上下文、用戶和項目資源之間的關系建立用戶興趣的深度信念網絡模型,具 體包括:
[0007] 步驟1 :將用戶上下文和環(huán)境上下文插入深度信念網絡作為兩個不同的上下文根 節(jié)點,分別將對應的用戶上下文和環(huán)境上下文的本體結構依次插入深度信念網絡樹中;
[0008] 步驟2 :根據(jù)上下文實體中的關系屬性,連接步驟1中的節(jié)點,使得上述節(jié)點之間 存在依賴關系;
[0009] 步驟3 :將用戶興趣數(shù)據(jù)作為深度信念網絡中的葉子節(jié)點加入到深度信念網絡底 層中,并將這些代表的用戶對項目屬性興趣的葉子節(jié)點與項目實體中的項目屬性類相關 聯(lián);
[0010] 根據(jù)上述網絡建立過程的描述,將該上下文用戶興趣深度信念網絡表示為<NU,E U, PN> ;其中,Nu為變量集合,E u為有向邊集合,P N為節(jié)點變量上的條件概率集合;
[0011] 將上下文用戶興趣深度信念網絡模型分為用戶興趣深度信念網絡和基于屬性的 項目實體兩部分構成;在頂層用戶興趣深度信念網絡結構中,由上下文要素4、具體上下文 實例Ckq,以及用戶興趣pu三部分相應的構成網絡的輸入、狀態(tài)和輸出結構,即根節(jié)點為環(huán) 境上下文和用戶上下文實體中的相應父概念,上下文實體中的各種上下文要素(;及相應的 各種上下文實例分別按照實體中的層次結構相應的構成了該模型中的父節(jié)點,將實體中的 用戶興趣作為該網絡結構中的葉子節(jié)點;
[0012] 在底層項目實體描述項目的屬性關系概念及其實例,且通過實體的語義映射刻畫 用戶興趣與項目之間的聯(lián)系;將上下文實例作為深度信任網絡中的證據(jù)節(jié)點,用戶對項目 屬性的興趣則作為計算結果表示為葉子節(jié)點,則節(jié)點之間的有向弧Eu表示各種上下文之 間,以及上下文和用戶興趣之間的概率依賴關系。
[0013] 本發(fā)明相比現(xiàn)有技術,具有以下優(yōu)點:
[0014] 本發(fā)明提出了一種基于上下文的內容個性化提供方法,通過分析用戶興趣獲得用 戶的需求,提高用戶獲取所需信息和信息推送的效率。
【附圖說明】
[0015] 圖1是根據(jù)本發(fā)明實施例的基于上下文的內容個性化提供方法的流程圖。
【具體實施方式】
[0016] 下文與圖示本發(fā)明原理的附圖一起提供對本發(fā)明一個或者多個實施例的詳細描 述。結合這樣的實施例描述本發(fā)明,但是本發(fā)明不限于任何實施例。本發(fā)明的范圍僅由權 利要求書限定,并且本發(fā)明涵蓋諸多替代、修改和等同物。在下文描述中闡述諸多具體細節(jié) 以便提供對本發(fā)明的透徹理解。出于示例的目的而提供這些細節(jié),并且無這些具體細節(jié)中 的一些或者所有細節(jié)也可以根據(jù)權利要求書實現(xiàn)本發(fā)明。
[0017] 本發(fā)明的一方面提供了一種基于上下文的內容個性化提供方法。圖1是根據(jù)本發(fā) 明實施例的基于上下文的內容個性化提供方法流程圖。
[0018] 本發(fā)明建立包含上下文實體、用戶實體和項目實體的推送方法。針對上下文與用 戶興趣之間的關系,根據(jù)推送方法中各個實體要素之間的聯(lián)系建立用戶興趣模型,表述用 戶上下文及其興趣之間的關聯(lián)關系,并分析用戶在某個特定上下文中的興趣;計算上下文 信息熵和上下文關鍵度值的概念,并計算上下文信息熵值以及上下文要素的關鍵度值,根 據(jù)這些上下文的關鍵度值來計算用戶興趣。基于上下文的結合協(xié)同過濾和關鍵詞過濾的進 行合并推送。首先結合用戶對項目的記分和用戶對項目屬性的興趣兩個方面搜尋目標用戶 的鄰居,并將上下文相似度匹配和上下文關鍵度值加入基于用戶的協(xié)同過濾推送的生成過 程中,利用協(xié)同過濾推送方法;根據(jù)當前上下文信息以及用戶對項目屬性的興趣,采用基于 知識推送的方法生成推送結果;最后通過基于上下文的計算優(yōu)化方法對兩種推送方法產生 的結果進行整合而形成最終結果。
[0019] 在上述所建立的推送方法的基礎上,本發(fā)明從結構要素和實現(xiàn)過程的角度,建立 基于上下文的項目推送邏輯框架。推送框架由輸入、推送過程、輸出三個階段組成;該框架 包含了知識建模、用戶興趣挖掘、推送生成和用戶反饋四個層次。
[0020] 首先,推送實現(xiàn)的首要任務就是建立關于用戶、上下文和項目的推送方法,然后從 該模型中提取用于推送過程的有效數(shù)據(jù),該部分對應于推送的輸入階段;其次,挖掘用戶興 趣,這一過程是推送生成的關鍵前提;在推送生成部分,將提取的用戶興趣與和當前上下文 相似的用戶歷史行為數(shù)據(jù)相結合,同時利用領域知識進行語義匹配,進而產生推送結果;最 后,將推送結果以排序推送、預測值或其它形式呈現(xiàn)給用戶,并根據(jù)用戶的反饋結果更新推 送方法中的用戶模型,即為推送的輸出階段。
[0021] 本發(fā)明所建立的推送架構獲取用戶興趣,然后結合與當前上下文相似的用戶行為 記錄,基于該領域推送知識的特點采用某種技術生成推送結果?;谕扑头椒ǎ捎蒙疃刃?念網絡來分析用戶在不同上下文中對項目屬性類型的興趣;然后考慮不同上下文對用戶興 趣產生影響的差異,計算各種上下文對用戶興趣產生影響的差異。
[0022] 基于實體概念間豐富的語義關系和邏輯計算功能,根據(jù)該模型能夠實現(xiàn)對用戶興 趣的深層次計算。對己建立的推送方法中的用戶實體和上下文實體及其之間的關系進行概 率上的擴展,采用概率模型的思想建立基于實體的用戶興趣深度信念網絡模型,實現(xiàn)對用 戶興趣的計算,進而獲取潛在的用戶興趣來過濾不相關的資源項目,并結合基于知識推送 的方法進行推送,從而為用戶提供滿足其需求的結果。
[0023] 本發(fā)明針對上下文、用戶和項目資源之間的關系建立用戶興趣的深度信念網絡模 型。構建用戶興趣深度信念網絡模型的步驟如下:
[0024] 步驟1 :將用戶上下文和環(huán)境上下文插入深度信念網絡作為兩個不同的上下文根 節(jié)點,分別將對應的用戶上下文和環(huán)境上下文本體的概念按照它們在實體中的結構依次插 入深度信念網絡樹中;
[0025] 步驟2 :根據(jù)上下文實體中的關系屬性,連接步驟1中的節(jié)點,使得上述節(jié)點之間 存在依賴關系;
[0026] 步驟3 :將用戶興趣數(shù)據(jù)作為深度信念網絡中的葉子節(jié)點加入到深度信念網絡底 層中,并將這些代表的用戶對項目屬性興趣的葉子節(jié)點與項目實體中的項目屬性類相關 聯(lián)。
[0027] 根據(jù)上述網絡建立過程的描述,將該上下文用戶興趣深度信念網絡表示為:
[0028] 深度信任網絡=<NU,Eu,PN>
[0029] 其中,Nu為變量集合,E u為有向邊集合,P N為節(jié)點變量上的條件概率集合。
[0030] 基于實體的上下文用戶興趣深度信念網絡模型由用戶興趣深度信念網絡和基于 屬性的項目實體兩部分構成。
[0031] 在頂層用戶興趣深度信念網絡結構中,由上下文要素(;、具體上下文實例Ckq,以及 用戶興趣pu三部分相應的構成了網絡的輸入、狀態(tài)和輸出結構。即根節(jié)點為環(huán)境上下文和 用戶上下文實體中的相應父概念,上下文實體中的各種上下文要素 Ck及相應的各種上下文 實例分別按照實體中的層次結構相應的構成了該模型中的父節(jié)點,將實體中的用戶興趣作 為該網絡結構中的葉子節(jié)點。
[0032] 在底層項目實體描述了項目的屬性關系概念及其實例,且這兩部分通過實體的語 義映射刻畫了用戶興趣與項目之間的聯(lián)系。將上下文實例作為深度信任網絡中的證據(jù)節(jié) 點,即C1為Nu中的父節(jié)點,用戶對項目屬性的興趣則作為計算結果表示為葉子節(jié)點,則節(jié)點 之間的有向弧Eu表示各種上下文之間,以及上下文和用戶興趣之間的概率依賴關系。
[0033] 本發(fā)明識別對用戶選擇行為或興趣產生影響的重要上下文要素,并通過對這些上 下文要素對用戶產生影響的重要程度的計算,進一步分析基于這些重要上下文要素影響下 的用戶興趣。計算某一具體上下文實例ckq下,用戶選擇屬性類型為a u的項目的熵值,進而 獲取用戶在該上下文實例下對某屬性類型的項目的選擇。
[0035] 其中,表示在上下文實例下,用戶u所選擇的所有項目中屬于屬性類型aij的項目的概率。根據(jù)具體上下文實例下用戶對項目的選擇,采用用戶在某上下文要素所包 含的不同上下文實例下對所選擇項目的熵值,來表達該上下文要素所包含的各個實例對用 戶選擇結果的貢獻程度。對上下文信息熵的計算過程包含以下幾個步驟。
[0036] 步驟1獲取并計算用戶反饋信息。
[0037] 將用戶的反饋信息二值化,對于具有用戶記分的反饋將其定量化為0和1兩種狀 態(tài)值,在上下文實例ckq的影響下,用戶u在項目資源空間中對具有屬性特征為a ^的項目評 價值的定