基于用戶交互信息的結(jié)果推送方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及大數(shù)據(jù)，特別涉及一種基于用戶交互信息的結(jié)果推送方法。
【背景技術(shù)】
[0002] 隨著互聯(lián)網(wǎng)的發(fā)展及普及，信息爆炸性增長使用戶難以及時(shí)準(zhǔn)確地發(fā)現(xiàn)有用的數(shù) 據(jù)源，導(dǎo)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(wù)領(lǐng)域技術(shù)帶來了極大的挑戰(zhàn)。然而，當(dāng)前技術(shù)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(jià)信息產(chǎn)生的推送，這 種基于項(xiàng)目記分的推送只能體現(xiàn)用戶對項(xiàng)目整體的興趣情況。然而實(shí)際上用戶對項(xiàng)目資源 的評價(jià)往往是根據(jù)它所具有的屬性特征產(chǎn)生的，因此根據(jù)僅僅根據(jù)用戶對資源的整體記分 而產(chǎn)生的推送結(jié)果往往具有片面性。

【發(fā)明內(nèi)容】

[0003] 為解決上述現(xiàn)有技術(shù)所存在的問題，本發(fā)明提出了一種基于用戶交互信息的結(jié)果 推送方法，包括：
[0004] 通過用戶的交互行為獲取用戶興趣特征，檢索與當(dāng)前用戶興趣相似的近鄰用戶以 及與當(dāng)前上下文相似的歷史上下文集合;基于所述上下文集合進(jìn)行協(xié)同過濾推送，為目標(biāo) 用戶生成推送結(jié)果。
[0005] 優(yōu)選地，所述推送系統(tǒng)包括數(shù)據(jù)層、計(jì)算層和應(yīng)用層，數(shù)據(jù)層提供數(shù)據(jù)組織模塊， 通過對相關(guān)數(shù)據(jù)源的整合，采用語義化的方式構(gòu)建相應(yīng)的模型;計(jì)算層根據(jù)數(shù)據(jù)層所提供 的信息，為推送的實(shí)現(xiàn)提供計(jì)算服務(wù)，包括興趣采集模塊、上下文計(jì)算模塊、語義匹配模塊 以及推送生成模塊，所述興趣采集模塊根據(jù)數(shù)據(jù)層提供的上下文知識和用戶知識，提供深 度信念網(wǎng)絡(luò)概率計(jì)算獲取用戶興趣信息，所述上下文計(jì)算模塊用于根據(jù)用戶當(dāng)前的上下文 信息，在數(shù)據(jù)層的模型中采用預(yù)定義的計(jì)算規(guī)則來獲取擴(kuò)展的上下文信息以及用戶興趣的 相關(guān)信息，所述語義匹配模塊用于對各種數(shù)據(jù)源之間的進(jìn)行語義相似匹配，進(jìn)而獲取各種 資源之間的相似度情況;所述推送生成模塊用于根據(jù)上下文計(jì)算模塊和語義匹配模塊所提 供的知識，生成與用戶上下文及需求相似的最終推送結(jié)果;應(yīng)用層提供用戶與推送服務(wù)的 交互，通過用戶對推送結(jié)果的反饋信息，更新數(shù)據(jù)層的用戶相關(guān)模型。
[0006] 優(yōu)選地，所述基于所述上下文集合進(jìn)行協(xié)同過濾推送，為目標(biāo)用戶生成推送結(jié)果， 進(jìn)一步包括：
[0007] 提取己獲取的用戶興趣數(shù)據(jù)信息，以及對用戶興趣相關(guān)聯(lián)的上下文;對當(dāng)前上下 文數(shù)據(jù)、歷史上下文數(shù)據(jù)相關(guān)的用戶行為記錄進(jìn)行預(yù)處理;從用戶對項(xiàng)目屬性的興趣和用 戶對項(xiàng)目的記分來計(jì)算用戶之間的相似性，進(jìn)而找到鄰居集合，將上下文的相似度匹配及 上下文關(guān)鍵度值加入推送生成過程中；根據(jù)用戶當(dāng)前的上下文，采用基于上下文的關(guān)鍵詞 過濾方法產(chǎn)生對項(xiàng)目資源的推送結(jié)果;根據(jù)協(xié)同過濾和關(guān)鍵詞過濾所產(chǎn)生的推送結(jié)果，生 成最終推送結(jié)果的訪問序列，將該推送結(jié)果通過界面反饋給用戶。
[0008] 本發(fā)明相比現(xiàn)有技術(shù)，具有以下優(yōu)點(diǎn)：
[0009] 本發(fā)明提出了一種基于用戶交互信息的結(jié)果推送方法，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】
[0010] 圖1是根據(jù)本發(fā)明實(shí)施例的基于用戶交互信息的結(jié)果推送方法的流程圖。
【具體實(shí)施方式】
[0011] 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(gè)或者多個(gè)實(shí)施例的詳細(xì)描 述。結(jié)合這樣的實(shí)施例描述本發(fā)明，但是本發(fā)明不限于任何實(shí)施例。本發(fā)明的范圍僅由權(quán)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(xì)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(xì)節(jié)，并且無這些具體細(xì)節(jié)中的 一些或者所有細(xì)節(jié)也可以根據(jù)權(quán)利要求書實(shí)現(xiàn)本發(fā)明。
[0012] 本發(fā)明的一方面提供了一種基于用戶交互信息的結(jié)果推送方法。圖1是根據(jù)本發(fā) 明實(shí)施例的基于用戶交互信息的結(jié)果推送方法流程圖。
[0013] 本發(fā)明建立包含上下文實(shí)體、用戶實(shí)體和項(xiàng)目實(shí)體的推送方法。針對上下文與用 戶興趣之間的關(guān)系，根據(jù)推送方法中各個(gè)實(shí)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(guān)聯(lián)關(guān)系，并分析用戶在某個(gè)特定上下文中的興趣;計(jì)算上下文 信息熵和上下文關(guān)鍵度值的概念，并計(jì)算上下文信息熵值以及上下文要素的關(guān)鍵度值，根 據(jù)這些上下文的關(guān)鍵度值來計(jì)算用戶興趣。基于上下文的結(jié)合協(xié)同過濾和關(guān)鍵詞過濾的進(jìn) 行合并推送。首先結(jié)合用戶對項(xiàng)目的記分和用戶對項(xiàng)目屬性的興趣兩個(gè)方面搜尋目標(biāo)用戶 的鄰居，并將上下文相似度匹配和上下文關(guān)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(dāng)前上下文信息以及用戶對項(xiàng)目屬性的興趣，采用基于 知識推送的方法生成推送結(jié)果;最后通過基于上下文的計(jì)算優(yōu)化方法對兩種推送方法產(chǎn)生 的結(jié)果進(jìn)行整合而形成最終結(jié)果。
[0014] 在上述所建立的推送方法的基礎(chǔ)上，本發(fā)明從結(jié)構(gòu)要素和實(shí)現(xiàn)過程的角度，建立 基于上下文的項(xiàng)目推送邏輯框架。推送框架由輸入、推送過程、輸出三個(gè)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(gè)層次。
[0015] 首先，推送實(shí)現(xiàn)的首要任務(wù)就是建立關(guān)于用戶、上下文和項(xiàng)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(yīng)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(guān)鍵前提;在推送生成部分，將提取的用戶興趣與和當(dāng)前上下文 相似的用戶歷史行為數(shù)據(jù)相結(jié)合，同時(shí)利用領(lǐng)域知識進(jìn)行語義匹配，進(jìn)而產(chǎn)生推送結(jié)果;最 后，將推送結(jié)果以排序推送、預(yù)測值或其它形式呈現(xiàn)給用戶，并根據(jù)用戶的反饋結(jié)果更新推 送方法中的用戶模型，即為推送的輸出階段。
[0016] 本發(fā)明所建立的推送架構(gòu)獲取用戶興趣，然后結(jié)合與當(dāng)前上下文相似的用戶行為 記錄，基于該領(lǐng)域推送知識的特點(diǎn)采用某種技術(shù)生成推送結(jié)果?；谕扑头椒ǎ捎蒙疃刃?念網(wǎng)絡(luò)來分析用戶在不同上下文中對項(xiàng)目屬性類型的興趣;然后考慮不同上下文對用戶興 趣產(chǎn)生影響的差異，計(jì)算各種上下文對用戶興趣產(chǎn)生影響的差異。
[0017] 基于實(shí)體概念間豐富的語義關(guān)系和邏輯計(jì)算功能，根據(jù)該模型能夠?qū)崿F(xiàn)對用戶興 趣的深層次計(jì)算。對己建立的推送方法中的用戶實(shí)體和上下文實(shí)體及其之間的關(guān)系進(jìn)行概 率上的擴(kuò)展，采用概率模型的思想建立基于實(shí)體的用戶興趣深度信念網(wǎng)絡(luò)模型，實(shí)現(xiàn)對用 戶興趣的計(jì)算，進(jìn)而獲取潛在的用戶興趣來過濾不相關(guān)的資源項(xiàng)目，并結(jié)合基于知識推送 的方法進(jìn)行推送，從而為用戶提供滿足其需求的結(jié)果。
[0018] 本發(fā)明針對上下文、用戶和項(xiàng)目資源之間的關(guān)系建立用戶興趣的深度信念網(wǎng)絡(luò)模 型。構(gòu)建用戶興趣深度信念網(wǎng)絡(luò)模型的步驟如下：
[0019] 步驟1:將用戶上下文和環(huán)境上下文插入深度信念網(wǎng)絡(luò)作為兩個(gè)不同的上下文根 節(jié)點(diǎn)，分別將對應(yīng)的用戶上下文和環(huán)境上下文本體的概念按照它們在實(shí)體中的結(jié)構(gòu)依次插 入深度信念網(wǎng)絡(luò)樹中；
[0020] 步驟2:根據(jù)上下文實(shí)體中的關(guān)系屬性，連接步驟1中的節(jié)點(diǎn)，使得上述節(jié)點(diǎn)之間存 在依賴關(guān)系；
[0021] 步驟3:將用戶興趣數(shù)據(jù)作為深度信念網(wǎng)絡(luò)中的葉子節(jié)點(diǎn)加入到深度信念網(wǎng)絡(luò)底 層中，并將這些代表的用戶對項(xiàng)目屬性興趣的葉子節(jié)點(diǎn)與項(xiàng)目實(shí)體中的項(xiàng)目屬性類相關(guān) 聯(lián)。
[0022] 根據(jù)上述網(wǎng)絡(luò)建立過程的描述，將該上下文用戶興趣深度信念網(wǎng)絡(luò)表示為：
[0023] 深度信任網(wǎng)絡(luò)=〈Nu，Eu，Pn>
[0024] 其中，Nu為變量集合，Eu為有向邊集合，PN為節(jié)點(diǎn)變量上的條件概率集合。
[0025] 基于實(shí)體的上下文用戶興趣深度信念網(wǎng)絡(luò)模型由用戶興趣深度信念網(wǎng)絡(luò)和基于 屬性的項(xiàng)目實(shí)體兩部分構(gòu)成。
[0026] 在頂層用戶興趣深度信念網(wǎng)絡(luò)結(jié)構(gòu)中，由上下文要素&、具體上下文實(shí)例Ckq，以及 用戶興趣p u三部分相應(yīng)的構(gòu)成了網(wǎng)絡(luò)的輸入、狀態(tài)和輸出結(jié)構(gòu)。即根節(jié)點(diǎn)為環(huán)境上下文和 用戶上下文實(shí)體中的相應(yīng)父概念，上下文實(shí)體中的各種上下文要素&及相應(yīng)的各種上下文 實(shí)例分別按照實(shí)體中的層次結(jié)構(gòu)相應(yīng)的構(gòu)成了該模型中的父節(jié)點(diǎn)，將實(shí)體中的用戶興趣作 為該網(wǎng)絡(luò)結(jié)構(gòu)中的葉子節(jié)點(diǎn)。
[0027] 在底層項(xiàng)目實(shí)體描述了項(xiàng)目的屬性關(guān)系概念及其實(shí)例，且這兩部分通過實(shí)體的語 義映射刻畫了用戶興趣與項(xiàng)目之間的聯(lián)系。將上下文實(shí)例作為深度信任網(wǎng)絡(luò)中的證據(jù)節(jié) 點(diǎn)，即C 1為Nu中的父節(jié)點(diǎn)，用戶對項(xiàng)目屬性的興趣則作為計(jì)算結(jié)果表示為葉子節(jié)點(diǎn)，則節(jié)點(diǎn) 之間的有向弧E u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(guān)系。
[0028] 本發(fā)明識別對用戶選擇行為或興趣產(chǎn)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(chǎn)生影響的重要程度的計(jì)算，進(jìn)一步分析基于這些重要上下文要素影響下 的用戶興趣。計(jì)算某一具體上下文實(shí)例c kq下，用戶選擇屬性類型為的項(xiàng)目的熵值，進(jìn)而 獲取用戶在該上下文實(shí)例下對某屬性類型的項(xiàng)目的選擇。
[0029] Ialjckq = fckq(aij)l〇gn/fckq(aij)
[0030] 其中，fckqUu)表示在上下文實(shí)例下，用戶U所選擇的所有項(xiàng)目中屬于屬性類型aiJ 的項(xiàng)目的概率。根據(jù)具體上下文實(shí)例下用戶對項(xiàng)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(shí)例下對所選擇項(xiàng)目的熵值，來表達(dá)該上下文要素所包含的各個(gè)實(shí)例對用 戶選擇結(jié)果的貢獻(xiàn)程度。對上下文信息熵的計(jì)算過程包含以下幾個(gè)步驟。
[0031] 步驟1獲取并計(jì)算用戶反饋信息。
[0032] 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(shí)例Ckq的影響下，用戶u在項(xiàng)目資源空間中對具有屬性特征為aij的項(xiàng)目評價(jià) 值的定義為：
[0033] fckq(aij) = count(ur = l |aij)/count(ur = l)
[0034]其中，Ur取1時(shí)表示用戶的積極反饋即狀態(tài)值為1的