基于多Markov鏈模型的多興趣資源推薦方法
【專利摘要】本發(fā)明涉及一種基于多Markov鏈模型的多興趣資源推薦方法，按照如下步驟實現(xiàn)：在多Markov鏈模型的學(xué)習(xí)階段，通過訓(xùn)練數(shù)據(jù)，獲取用戶特征關(guān)鍵字序列，并根據(jù)該用戶特征關(guān)鍵字序列生成類Markov鏈；對類Markov鏈進行聚類與合并，完成多Markov鏈模型的學(xué)習(xí)；在多Markov鏈模型的預(yù)測階段，通過測試數(shù)據(jù)，判定用戶類別，獲取該用戶類別對應(yīng)的用以描述用戶興趣特征的類Markov鏈，并預(yù)測用戶下一時刻的興趣關(guān)鍵字；在預(yù)測過程中，確定用戶多興趣特征向量，并為該用戶多興趣特征向量中每個多興趣特征關(guān)鍵字分配權(quán)值，進而建立多興趣用戶需求矩陣；根據(jù)所述多興趣用戶需求矩陣中興趣特征關(guān)鍵字及相應(yīng)的權(quán)值，通過匹配資源對用戶進行推薦。
【專利說明】
基于多Markov鏈模型的多興趣資源推薦方法
技術(shù)領(lǐng)域
[0001] 本發(fā)明涉及社交網(wǎng)絡(luò)信息分析技術(shù)領(lǐng)域，特別是一種基于多Markov鏈模型的多興 趣資源推薦方法。
【背景技術(shù)】
[0002] 隨著社交網(wǎng)絡(luò)的極速發(fā)展，全球社交網(wǎng)絡(luò)用戶數(shù)量增長到新的峰值。網(wǎng)絡(luò)社交生 活產(chǎn)生了巨大的社交信息數(shù)據(jù)，這些數(shù)據(jù)中蘊含著大量的用戶信息。通過這些信息可以挖 掘出用戶的偏好和興趣所在，以此對其進行資源推薦，一方面方便了用戶生活，另一方面也 可以提尚服務(wù)提供商的營銷效率。
[0003]多Markov模型基于各個用戶的興趣特征，將用戶分類，然后為每個類建立Markov 鏈來描述該類用戶的興趣特征，并作出興趣預(yù)測。相比其他預(yù)測模型，多Markov模型能夠較 為準確地描述用戶的興趣特征，并對用戶做出有效的興趣預(yù)測。
[0004] 資源推薦是基于對用戶的興趣預(yù)測結(jié)果，分析其與資源特征的匹配程度，然后向 用戶推薦資源的方法。

【發(fā)明內(nèi)容】

[0005] 本發(fā)明的目的在于提供一種基于多Markov鏈模型的多興趣資源推薦方法，以克服 現(xiàn)有技術(shù)中存在的缺陷。
[0006] 為實現(xiàn)上述目的，本發(fā)明的技術(shù)方案是：一種基于多Markov鏈模型的多興趣資源 推薦方法，按照如下步驟實現(xiàn)：
[0007] 步驟S1:在多Markov鏈模型的學(xué)習(xí)階段，通過訓(xùn)練數(shù)據(jù)，獲取用戶特征關(guān)鍵字序 列，并根據(jù)該用戶特征關(guān)鍵字序列生成類Markov鏈；
[0008] 步驟S2:對類Markov鏈進行聚類與合并，完成多Markov鏈模型的學(xué)習(xí)；
[0009] 步驟S3:在多Markov鏈模型的預(yù)測階段，通過測試數(shù)據(jù)，判定用戶類別；并通過所 述多Markov鏈模型，獲取該用戶類別對應(yīng)的用以描述用戶興趣特征的類Markov鏈，進而預(yù) 測用戶下一時刻的興趣關(guān)鍵字；
[0010] 步驟S4:在預(yù)測過程中，確定用戶多興趣特征向量，并為該用戶多興趣特征向量中 每個多興趣特征關(guān)鍵字分配權(quán)值，進而建立多興趣用戶需求矩陣；
[0011] 步驟S5:根據(jù)所述多興趣用戶需求矩陣中興趣特征關(guān)鍵字及相應(yīng)的權(quán)值，通過匹 配資源對用戶進行推薦。
[0012] 在本發(fā)明一實施例中，在所述步驟S1中，還包括如下步驟：
[0013] 步驟S11:從用戶的微博數(shù)據(jù)中獲取用戶在一預(yù)設(shè)時間段內(nèi)發(fā)表或轉(zhuǎn)發(fā)的微博信 息，按照帕累托原理獲取nu個訓(xùn)練數(shù)據(jù)以及!11 2個測試數(shù)據(jù)；
[0014] 步驟S12:獲取x個熱門微博類別，以及該預(yù)設(shè)時間段內(nèi)每個熱門微博類別中的熱 門微博；
[0015] 步驟S13:對所獲取的熱門微博進行預(yù)處理，包括中文分詞、詞頻統(tǒng)計以及去重，得 出Z個熱門關(guān)鍵詞作為基礎(chǔ)特征關(guān)鍵字；
[0016] 步驟S14:對所述m個訓(xùn)練數(shù)據(jù)以及所述肥個測試數(shù)據(jù)進行預(yù)處理，包括中文分詞 以及停用詞處理；
[0017] 步驟S15:按照該預(yù)設(shè)時間段的時間順序，記錄用戶發(fā)表或轉(zhuǎn)發(fā)的微博信息中t個 熱門關(guān)鍵字出現(xiàn)的序列，作為用戶特征關(guān)鍵字序列，進而生成類Markov鏈。
[0018] 在本發(fā)明一實施例中，所述多Markov鏈模型為一個四元組:0(，1(少(〇,0，其中， X為一離散隨機變量，值域為{X1，x2,...，xn}，每個元素對應(yīng)一個特征關(guān)鍵字，且為多Markov 鏈模型的一個狀態(tài);K表示多Markov鏈模型包含的用戶類別數(shù)目；C={ ci，c2,...，cK}表示用 戶的類別，其分布函數(shù)P(C)表示不同類別用戶的概率分布;MC={m C1，mc2, . . .，mcK}為類 Markov鏈集合，每一個元素 mck是描述類別為ck的用戶興趣特征的Markov鏈，也即類Markov 鏈，并通過轉(zhuǎn)移矩陣以及初始狀態(tài)分布進行表征。
[0019]在本發(fā)明一實施例中，所述類Markov鏈的轉(zhuǎn)移矩陣為：
[0021]初始狀態(tài)分布為：
[0022 ].馬=(A/丨）=(/Ua：2 .，".*，)，'
[0023]并通過Byaes估計計算所述轉(zhuǎn)移矩陣Ak和所述初始狀態(tài)概率Ak中的每一項：
[0026]其中，Sklj表示用戶特征關(guān)鍵字序列中，狀態(tài)對(Xl，&)出現(xiàn)的次數(shù);a klj為超級參 數(shù)，且
[0028] 常數(shù)0常取值為n。
[0029] 在本發(fā)明一實施例中，在所述步驟S3中，采用基于最小錯誤率的貝葉斷，即如果滿 足：
[0030] ，則用戶的類別為ck;
[0031 ] 通過如下方式預(yù)測用戶下一時刻的興趣關(guān)鍵字：
[0032] F(t) = w, ,//(r-l)x.4； +u; 2H(t-2)xA；+---+\v! hH(T-h)xA^
[0033] 其中，Ak為類Markov鏈mck的轉(zhuǎn)移矩陣，％是權(quán)值，滿足等式W1+W2+…+wh=l，向量H (t)表示用戶在t時刻的狀態(tài)，即如果此時用戶處于狀態(tài) Xl，則該向量H(t)的第i維為1，其他 各維為 0;向量 V(t) = [P(Xt = xl)，P(Xt = x2), ? ? ?，P(Xt = xn)]，每個 P(Xt = xi)表示 t 時刻， 系統(tǒng)處于狀態(tài)Xi的概率。
[0034] 在本發(fā)明一實施例中，在所述步驟S4中，將P = P((X1，X2，"_，X1) |C = ck)P(Ck)按降 序排序，取前s個P值對應(yīng)的類Markov鏈對用戶進行預(yù)測，得到用戶下一時刻可能感興趣的 關(guān)鍵字序列，且將關(guān)鍵字按照相應(yīng)的P值大小順序排序，形成用戶多興趣特征向量。
[0035]在本發(fā)明一實施例中，在所述步驟S4中，按照如下方式為多興趣特征關(guān)鍵字分配 權(quán)值胃V，并結(jié)合用戶多興趣特征向量，形成2*s的二維用戶需求矩陣，且當有m3個用戶時，形 成m 3*2*s的三維多興趣用戶需求矩陣：
[0037]其中，wft3滿足wpi+wp2+...+wps = l。
[0038]相較于現(xiàn)有技術(shù)，本發(fā)明具有以下有益效果:本發(fā)明所提出的一種基于多Markov 鏈模型的多興趣資源推薦方法，通過提取特征關(guān)鍵字序列，將多馬爾科夫鏈理論運用于微 博用戶的興趣預(yù)測，即通過用戶歷史發(fā)表微博中的關(guān)鍵字序列預(yù)測用戶下一時刻可能的興 趣關(guān)鍵字，并以此對用戶進行資源推薦，相比其他技術(shù)，具有相對較高的精確度。
【附圖說明】
[0039]圖1為本發(fā)明中基于多Markov鏈模型的多興趣資源推薦方法的流程圖。
[0040]圖2為本發(fā)明一實施例中基礎(chǔ)特征關(guān)鍵字序列。
[0041 ]圖3為本發(fā)明一實施例中一個用戶的關(guān)鍵字序列。
【具體實施方式】
[0042] 下面結(jié)合附圖，對本發(fā)明的技術(shù)方案進行具體說明。
[0043] 本發(fā)明提出一種基于多Markov鏈模型的多興趣資源推薦方法，具體按照如下方式 實現(xiàn)。
[0044] ①提取特征序列
[0045] 獲取微博若干個用戶在一段時間內(nèi)發(fā)表或轉(zhuǎn)發(fā)的微博信息，按照帕累托原理分為 nu個訓(xùn)練數(shù)據(jù)和m2個測試數(shù)據(jù)，獲取x個熱門微博類別，以及在相應(yīng)時間段內(nèi)每個熱門微博 類別中的熱門微博。對熱門微博進行預(yù)處理，包括分詞、詞頻統(tǒng)計和去重，得出z個熱門關(guān)鍵 詞作為微博的基礎(chǔ)特征關(guān)鍵字。在本實施例中，用戶的微博數(shù)據(jù)可以通過微博爬蟲或者購 買已有的網(wǎng)絡(luò)數(shù)據(jù)獲得。
[0046] 進一步的，在本實施例中，取20個熱門微博類別，分別為:娛樂，財經(jīng)，體育，文化， 時尚，星座，爆料，笑話，情感，科技，健康，動漫，影視，旅行，美食，萌寵，美圖，音樂，韓流，冏 人糗事。經(jīng)處理獲得如圖2所示的基礎(chǔ)特征關(guān)鍵字序列。
[0047] 進一步的，在本實施例中，以微博用戶為單位，對訓(xùn)練數(shù)據(jù)，測試數(shù)據(jù)進行預(yù)處理， 包括中文分詞、停用詞處理。再按照時間順序記錄每個用戶歷史發(fā)表微博中，t個熱門關(guān)鍵 字出現(xiàn)的序列，將此過程抽象為一個特殊的隨機過程一一齊次離散MARKOV鏈，用轉(zhuǎn)移矩陣 描述用戶的興趣特征，并基于此對用戶興趣進行預(yù)測。
[0048] 進一步的，在本實施例中，由于不同用戶的訓(xùn)練數(shù)據(jù)以及測試數(shù)據(jù)中對應(yīng)t個熱門 關(guān)鍵字的內(nèi)容不一定相同，得到的用戶關(guān)鍵字序列長短不一，如圖3為本實施例中其中一個 用戶的關(guān)鍵字序列。
[0049] 進一步的，在本實施例中，中文分詞的方法為:采用中文分詞系統(tǒng)，結(jié)合自定義用 戶詞典對微博星系進行分詞;停用詞處理的方法為:采用HashMap快速索引查表法對無用信 息進行過濾，從而降低微博信息的噪音。去重:考慮到不同類別可能包含相同的關(guān)鍵字，重 復(fù)數(shù)據(jù)刪除功能是必要的，以減少冗余的手動操作的過程。nu、m 2、X、Z以及t均為正整數(shù)。
[0050] ②建立多Markov鏈模型
[0051] 用戶發(fā)表的微博中，各類關(guān)鍵字出現(xiàn)的順序過程是一個受到文化背景，興趣愛好 等多種因素影響的復(fù)雜過程，這些因素的差異使得用戶發(fā)表的微博也呈現(xiàn)不同的個性化特 征，但某些用戶也可能會有相似的特點。通過對用戶分類，使得同一類別的用戶間具有相似 的個性特征，然后使用同一條Markov鏈來描述，這樣得到的多Markov鏈模型能夠更精確的 描述用戶的個性特征，并能做出更準確的預(yù)測。
[0052] 進一步的，在本實施例中，多Markov鏈模型可以表示為一個四元組:<X，K，P(C)，MC >。其中，X是一個離散隨機變量，值域為{X1，X2，. . .，Xn}，每個Xi對應(yīng)一個關(guān)鍵字，稱為模型 的一個狀態(tài)，{X1， X2, ...，xn}為用戶特征關(guān)鍵字序列;K表示模型包含的用戶類別數(shù)目；C = {C1，C2, . . .，CK}表示用戶的類別，其分布函數(shù)P(C)表示不同類別用戶的概率分布;MC = {mci，mc2, . . .，mcK}為類Markov鏈集合，每一個元素mck是描述類別為ck的用戶興趣特征的 Markov鏈，稱為類Markov鏈，轉(zhuǎn)移矩陣和初始狀態(tài)分布分別表示為
[0055]進一步的，在本實施例中，采用Byaes估計來計算轉(zhuǎn)移矩陣Ak和初始狀態(tài)概率Ak中 的每一項：

[0058]其中，Sklj表示用戶特征關(guān)鍵字序列中，狀態(tài)對(Xl，&)出現(xiàn)的次數(shù);a klj為超級參 數(shù)，在貝葉斯估計中代表學(xué)習(xí)的背景知識，采用Bayes假設(shè):假設(shè)在每一類用戶興趣特征關(guān) 鍵字序列中，所有狀態(tài)對(Xl，&)的出現(xiàn)次數(shù)都相同，則：
[0060]其中，常數(shù)0常取值為問題空間域的大小n。
[0061]進一步的，在本實施例中，多Markov鏈模型的學(xué)習(xí)過程需要完成兩個任務(wù):一是對 用戶特征序列進行聚類;二是為每個類別生成類Markov鏈。這里采用這樣的思想:先將每個 用戶看做一個獨立的類別，生成類Markov鏈。然后對這些Markov鏈進行聚類與合并，當聚類 結(jié)果達到標準后完成多Markov鏈模型的學(xué)習(xí)，也即通過計算聚類結(jié)果所確定的Bayes網(wǎng)絡(luò) 的后驗概率，并通過比較，后驗概率最大的聚類結(jié)果最優(yōu)。
[0062]進一步的，在本實施例中，多Markov鏈模型的預(yù)測過程分為兩個步驟：
[0063]首先判定用戶類別。判定規(guī)則使用基于最小錯誤率的貝葉斯判定規(guī)則，即如果
[0065]那么用戶的類別就為Ck。
[0066]然后使用該模型進行預(yù)測。確定了用戶的類別C1Jg，就可以用其類Markov鏈mck來 描述用戶的興趣特征，采用如下公式進行預(yù)測：
[0068] 其中，Ak為類Markov鏈mck的轉(zhuǎn)移矩陣，w?2.是權(quán)值，滿足等式wi+W2+"_+wh= 1。
[0069] 進一步的，在本實施例中，H(t)表示t時刻該用戶的特征關(guān)鍵字，也即向量H(t)表 示在時間點t時的狀態(tài)，即若此時用戶處于狀態(tài) Xl，則該向量的第i維是1，其他維都是0。向 量v(t): V(t) = [P(Xt = xi)，P(Xt = X2)，. . .，P(Xt = xn)]表示在時刻t時，系統(tǒng)中每一種狀態(tài) 出現(xiàn)的概率。在V( t)中概率值最大的那一維對應(yīng)的狀態(tài)，也即在該時刻用戶最可能的狀態(tài)。
[0070] ③構(gòu)造多興趣特征向量
[0071] 目前關(guān)于用戶分類和興趣推薦的研究中，都是將用戶分到一個類別當中，再向用 戶推薦相應(yīng)的資源。但現(xiàn)實生活中，用戶往往不單有一個興趣，而是會有多個興趣標簽。因 此需要考慮用戶的多個興趣類別的特征，對用戶進行多次分類，將多個分類結(jié)果作為用戶 的需求特征，以此為基礎(chǔ)來向用戶推薦資源將會更加合理。所以本發(fā)明構(gòu)造多興趣特征向 量來對用戶具有多個興趣類別的屬性進行描述。
[0072]進一步的，在本實施例中，構(gòu)造多興趣特征向量的過程可描述為:修改多Markov鏈 模型的預(yù)測過程，實現(xiàn)對用戶的多興趣預(yù)測。具體實現(xiàn):多Markov鏈模型建立好后，在預(yù)測 過程的判定用戶類別步驟中，將？ = ?((11，12，一，111)|〇=0〇?(〇1〇按降序排序，取前8個?值 對應(yīng)的類Markov鏈對用戶進行預(yù)測，得到用戶下一時刻可能感興趣的關(guān)鍵字序列，關(guān)鍵字 按照相應(yīng)的P值大小順序排序，形成用戶多興趣特征向量，S為大于1的正整數(shù)。
[0073]在得到的興趣類別中，用戶可能會有所側(cè)重，因此需要為多興趣特征分配權(quán)值 胃\，建立用戶需求特征。其中，
[0075] 14熟3滿足￥口1+￥口2+'"+￥口3 = 1。結(jié)合用戶多興趣特征向量，形成2*8的二維用戶需求 矩陣，有m3個用戶，即形成了 m3*2*s的三維多興趣用戶需求矩陣。
[0076]④資源推薦
[0077] 根據(jù)多興趣用戶需求矩陣中，興趣特征關(guān)鍵字及相應(yīng)的權(quán)值，匹配資源對用戶進 行推薦，也即根據(jù)預(yù)測結(jié)果，即用戶下一時刻可能感興趣的關(guān)鍵字，根據(jù)該關(guān)鍵字搜索資源 數(shù)據(jù)庫中的相關(guān)資源，將其推薦給用戶。多興趣資源推薦系統(tǒng)框架如圖1所示:使用用戶數(shù) 據(jù)建立多Markov鏈模型，對用戶興趣進行多次預(yù)測，根據(jù)得到的結(jié)果，建立用戶的需求特 征，然后整合資源，實現(xiàn)資源推薦。
[0078] 進一步的，在本實施例中，輸入一個用戶歷史發(fā)表的所有微博內(nèi)容，先提取該用戶 的關(guān)鍵字序列，對其進行分類，然后使用該用戶所屬類別的類Markov鏈對其進行預(yù)測，得到 該用戶下一時刻的興趣關(guān)鍵字，使用該關(guān)鍵字搜索資源數(shù)據(jù)庫，最后將得到的相關(guān)資源推 薦給該用戶。
[0079]以上是本發(fā)明的較佳實施例，凡依本發(fā)明技術(shù)方案所作的改變，所產(chǎn)生的功能作 用未超出本發(fā)明技術(shù)方案的范圍時，均屬于本發(fā)明的保護范圍。
【主權(quán)項】
1. 一種基于多Markov鏈模型的多興趣資源推薦方法，其特征在于，按照如下步驟實現(xiàn)： 步驟S1:在多Markov鏈模型的學(xué)習(xí)階段，通過訓(xùn)練數(shù)據(jù)，獲取用戶特征關(guān)鍵字序列，并 根據(jù)該用戶特征關(guān)鍵字序列生成類Markov鏈； 步驟S2:對類Markov鏈進行聚類與合并，完成多Markov鏈模型的學(xué)習(xí)； 步驟S3:在多Markov鏈模型的預(yù)測階段，通過測試數(shù)據(jù)，判定用戶類別；并通過所述多 Markov鏈模型，獲取該用戶類別對應(yīng)的用以描述用戶興趣特征的類Markov鏈，進而預(yù)測用 戶下一時刻的興趣關(guān)鍵字； 步驟S4:在預(yù)測過程中，確定用戶多興趣特征向量，并為該用戶多興趣特征向量中每個 多興趣特征關(guān)鍵字分配權(quán)值，進而建立多興趣用戶需求矩陣； 步驟S5:根據(jù)所述多興趣用戶需求矩陣中興趣特征關(guān)鍵字及相應(yīng)的權(quán)值，通過匹配資 源對用戶進行推薦。2. 根據(jù)權(quán)利要求1所述的基于多Markov鏈模型的多興趣資源推薦方法，其特征在于，在 所述步驟S1中，還包括如下步驟： 步驟S11:從用戶的微博數(shù)據(jù)中獲取用戶在一預(yù)設(shè)時間段內(nèi)發(fā)表或轉(zhuǎn)發(fā)的微博信息，按 照帕累托原理獲取m個訓(xùn)練數(shù)據(jù)以及!112個測試數(shù)據(jù)； 步驟S12:獲取x個熱門微博類別，以及該預(yù)設(shè)時間段內(nèi)每個熱門微博類別中的熱門微 博； 步驟S13:對所獲取的熱門微博進行預(yù)處理，包括中文分詞、詞頻統(tǒng)計以及去重，得出z 個熱門關(guān)鍵詞作為基礎(chǔ)特征關(guān)鍵字； 步驟S14:對所述m個訓(xùn)練數(shù)據(jù)以及所述肥個測試數(shù)據(jù)進行預(yù)處理，包括中文分詞以及 停用詞處理； 步驟S15:按照該預(yù)設(shè)時間段的時間順序，記錄用戶發(fā)表或轉(zhuǎn)發(fā)的微博信息中t個熱門 關(guān)鍵字出現(xiàn)的序列，作為用戶特征關(guān)鍵字序列，進而生成類Markov鏈。3. 根據(jù)權(quán)利要求2所述的基于多Markov鏈模型的多興趣資源推薦方法，其特征在于，所 述多Markov鏈模型為一個四元組:〈X，K，P(C)，MC>，其中，X為一離散隨機變量，值域為{ X1， x2, ...，Xn}，每個元素對應(yīng)一個特征關(guān)鍵字，且為多Markov鏈模型的一個狀態(tài);K表示多 Markov鏈模型包含的用戶類別數(shù)目；C={ci，c2, . . .，cK}表示用戶的類別，其分布函數(shù)P(C) 表示不同類別用戶的概率分布;MC={mci，mc2,. . .，mcK}為類Markov鏈集合，每一個元素 mck 是描述類別為ck的用戶興趣特征的Markov鏈，也即類Markov鏈，并通過轉(zhuǎn)移矩陣以及初始 狀態(tài)分布進行表征。4. 根據(jù)權(quán)利要求3所述的基于多Markov鏈模型的多興趣資源推薦方法，其特征在于，所 述類Markov鏈的轉(zhuǎn)移矩陣為：初始狀態(tài)分布為： 并通過Byaes估計計算所述轉(zhuǎn)移矩陣Ak和所述初始狀態(tài)概率Ak中的每一項：其中，Sklj表示用戶特征關(guān)鍵字序列中，狀態(tài)對(Xl，幻）出現(xiàn)的次數(shù);aklj為超級參數(shù)，且常數(shù)0取值為n。5. 根據(jù)權(quán)利要求3所述的基于多Markov鏈模型的多興趣資源推薦方法，其特征在于，在 所述步驟S3中，采用基于最小錯誤率的貝葉斷，即如果滿足：通過如卜萬式餓測用尸卜一時刻的興趣夫鍵芋： V{i) = wtJi{t-^xJk + wt^H：{t-2)x4 +??+w, hH{t-K)x4 其中，Ak為類Markov鏈mck的轉(zhuǎn)移矩陣，w!2.是權(quán)值，滿足等式wi+W2+"_ +wh = 1，向量H(t)表 示用戶在t時刻的狀態(tài)，即如果此時用戶處于狀態(tài)Xl，則該向量H(t)的第i維為1，其他各維 為0;向量乂(〇 = [?(父七=叉1)，？(父七=叉2)，...，卩(父七=叉11)]，每個？(父七=叉;〇表示1:時刻，系統(tǒng) 處于狀態(tài)Xi的概率。6. 根據(jù)權(quán)利要求5所述的基于多Markov鏈模型的多興趣資源推薦方法，其特征在于，在 所述步驟S4中，將P = P((X1，X2,…，X1) |〇 = 01〇?(〇1〇按降序排序，取前8個？值對應(yīng)的類 Markov鏈對用戶進行預(yù)測，得到用戶下一時刻可能感興趣的關(guān)鍵字序列，且將關(guān)鍵字按照 相應(yīng)的P值大小順序排序，形成用戶多興趣特征向量。7. 根據(jù)權(quán)利要求6所述的基于多Markov鏈模型的多興趣資源推薦方法，其特征在于，在 所述步驟S4中，按照如下方式為多興趣特征關(guān)鍵字分配權(quán)值并結(jié)合用戶多興趣特征向 量，形成2*s的二維用戶需求矩陣，且當有m 3個用戶時，形成m3*2*s的三維多興趣用戶需求矩 陣：其中，滿足WP1+WP2+…+Wps=l。
【文檔編號】G06F17/30GK106055661SQ201610388073
【公開日】2016年10月26日
【申請日】2016年6月2日
【發(fā)明人】鄭相涵, 賴太平, 于元隆
【申請人】福州大學(xué)