基于中粒度用戶分組的資源推薦方法及裝置制造方法及圖紙

本發明專利技術公開了一種基于中粒度用戶分組的資源推薦方法及裝置。所述基于中粒度用戶分組的資源推薦方法包括：采集N個用戶的在線或/和離線資源使用數據；根據每個所述資源使用數據及每個所述用戶的相關屬性獲得每個所述用戶的影響力；根據每個所述影響力，將所述N個用戶中的K個用戶分別設置為K個分組的標準用戶，并將所述N個用戶中的其余N?K個用戶設置為待分組用戶；根據每個所述資源使用數據，獲得每個所述待分組用戶與每個所述標準用戶之間的關注主題相似度；根據每個所述關注主題相似度對所述待分組用戶進行分組；向每個所述分組中的每個用戶推薦其所在分組中的標準用戶的推薦資源。采用本發明專利技術，能夠提高向用戶推薦資源的準確度和速度。

Resource recommendation method and device based on middle granularity user grouping

The invention discloses a resource recommendation method and a device based on a middle granularity user packet. The size of the resource recommendation method based on user grouping includes: acquisition of N users online and offline / or resource usage data; according to the relevant attributes of the user data and each use of each of the resources for each of the user's influence; according to each of the influence, the user N the K users are set to K to a standard user, and the user N in the rest of the N K user set for group users; according to each of the resource usage data, focus on the theme of each of the obtained similarity between users and groups each of the users according to the standard; each of the attention on the topic similarity grouping user grouping; the user recommended resources recommendation in the packet to each user for each of the group in the. The invention can improve the accuracy and speed of recommending resources to the user.

【技術實現步驟摘要】
基于中粒度用戶分組的資源推薦方法及裝置
本專利技術涉及計算機
，尤其涉及一種基于中粒度用戶分組的資源推薦方法及裝置。
技術介紹
隨著信息技術和互聯網的飛速發展，電子商務、在線教育學習、電子政務、及時通信、網絡新聞等等在線商務、學習、通信以及公共事務已經成為了我們日常生活的一部分。根據《2016年第38次中國互聯網絡發展狀況統計報告》顯示，中國網民有大約6億用戶使用網絡新聞以獲取信息，有大約4.5億用戶進行網絡購物，在新型網絡服務中，中國網上外賣和在線教育的用戶規模已經達到2億。根據WeAreSocial的最新報告，2016年，全球互聯網用戶數量相比去年增長了10％，擁有達到超過34億的用戶規模。社交媒體使用同樣增長了10％，而通過移動設備訪問社交媒體的人數增長了17％。巨大的用戶規模，伴隨而來的是如洪水般爆發的互聯網信息和資源，包括購物網站、在線社交網絡、視頻網站、網上新聞等等應用，我們已經進入一個信息過載的時代。在這樣一個時代，用戶遇到了前所未有的挑戰，即如何獲取適合自己的信息，爆炸式的資源和信息極大地降低了它們的利用率。從用戶的角度來看，信息過載問題使得他們無法有效地滿足自己的資源和信息需求；站在應用提供商的角度，如何從海量信息中選取出最適合的一部分給用戶成為困擾他們的問題。個性化推薦系統則是解決這一挑戰的重要利器。它通過挖掘分析用戶的屬性和興趣偏好信息，從而能高效地找到用戶感興趣的資源和信息，以實現個性化推薦。因此，個性化推薦系統受到研究者和企業的廣泛關注。推薦系統是解決新時代信息獲取和數據關聯問題的一個強有力的工具，它可以根據用戶的特征和需求，將用戶所感興趣的產品或信息主動推送給用戶。相比搜索引擎被動地搜索相關信息，推薦系統更加地主動和智能，能夠針對用戶挖掘獲得與之相符的價值信息。近些年，推薦系統已經成功運用到了電影、音樂和商品等領域的推薦上，并取得了實際的收益。例如，運用于電影推薦的NetFlix，運用于音樂推薦的豆瓣，以及運用于商品推薦的淘寶、京東和Amazon等。推薦系統所創造的價值吸引了越來越多的公司開發自己的推薦引擎，同時使得推薦系統成為了工業界和學術界的研究熱點。該項專利技術技術能夠使得用戶與海量數據信息進行更加合適的關聯。從用戶的角度看，他們能夠更加省時省力地發現有價值的信息；從數據信息生產者角度看，他們能夠將自己所生產的數據信息準確快速地送至消費群體，從而使得用戶與生產者雙方共贏。而在實際推薦系統運行過程中，如何對用戶進行分類一直是系統中的核心問題。如果粒度過細會使得算法復雜度過高，使分析變成不可能完成的任務；同時如果粒度太大，對資源推薦的后續工作幫助太小，所以把握好用戶特征的顆粒度大小非常重要。
技術實現思路
本專利技術提出一種基于中粒度用戶分組的資源推薦方法及裝置，提供一種采用了中粒度用戶分類技術的推薦方法，能夠提高向用戶推薦資源的準確度和速度。本專利技術提供的一種基于中粒度用戶分組的資源推薦方法，具體包括：采集N個用戶的資源使用數據；其中，所述資源使用數據包括在線使用數據和離線使用數據；N＞1；根據每個所述資源使用數據，獲得每個所述用戶的影響力；根據每個所述影響力，將所述N個用戶中的K個用戶分別設置為K個分組的標準用戶，并將所述N個用戶中的其余N-K個用戶設置為待分組用戶；其中，0＜K≤N；根據每個所述資源使用數據，獲得每個所述待分組用戶與每個所述標準用戶之間的關注主題相似度；將每個所述待分組用戶分別分入與其之間的所述關注主題相似度最高的標準用戶所對應的分組；向每個所述分組中的每個用戶推薦其所在分組中的標準用戶的推薦資源。進一步地，每個所述資源使用數據包括在線使用數據I1，I2，I3，…，In以及離線使用數據I'；其中，I1，I2，I3，…，In為從n個在線網絡中采集獲得的使用數據；則所述根據每個所述資源使用數據，獲得每個所述用戶的影響力，具體包括：將每個所述資源使用數據分別代入公式I＝I1*w1+I2*w2+I3*w3+…+In*wn+I'*w'，計算獲得相應的所示影響力I；其中，w1，w2，w3，…，wn，w'為各使用數據的權重。進一步地，所述根據每個所述資源使用數據，獲得每個所述待分組用戶與每個所述標準用戶之間的關注主題相似度，具體包括：根據每個所述資源使用數據，采用主題模型分析法計算獲得每個所述用戶的關注主題分布數據；分別將每個所述待分組用戶的所述關注主題分布數據與每個所述標準用戶的所述關注主題分布數據進行比較，計算獲得相應的所述關注主題相似度。進一步地，所述K個用戶為所述N個用戶中所述影響力排名前K的用戶。進一步地，所述資源使用數據中包括資源描述數據及用戶描述數據；其中，所述用戶描述數據中包括對應的用戶的關注主題數據。相應地，本專利技術還提供了一種基于中粒度用戶分組的資源推薦裝置，具體包括：資源使用數據獲得模塊，用于采集N個用戶的資源使用數據；其中，所述資源使用數據包括在線使用數據和離線使用數據；N＞1；用戶影響力獲得模塊，用于根據每個所述資源使用數據，獲得每個所述用戶的影響力；用戶身份設置模塊，用于根據每個所述影響力，將所述N個用戶中的K個用戶分別設置為K個分組的標準用戶，并將所述N個用戶中的其余N-K個用戶設置為待分組用戶；其中，0＜K≤N；關注主題相似度獲得模塊，用于根據每個所述資源使用數據，獲得每個所述待分組用戶與每個所述標準用戶之間的關注主題相似度；用戶分組模塊，用于將每個所述待分組用戶分別分入與其之間的所述關注主題相似度最高的標準用戶所對應的分組；以及，資源推薦模塊，用于向每個所述分組中的每個用戶推薦其所在分組中的標準用戶的推薦資源。進一步地，每個所述資源使用數據包括在線使用數據I1，I2，I3，…，In以及離線使用數據I'；其中，I1，I2，I3，…，In為從n個在線網絡中采集獲得的使用數據；則所述用戶影響力獲得模塊，具體包括：影響力計算獲得單元，用于將每個所述資源使用數據分別代入公式I＝I1*w1+I2*w2+I3*w3+…+In*wn+I'*w'，計算獲得相應的所示影響力I；其中，w1，w2，w3，…，wn，w'為各使用數據的權重。進一步地，所述關注主題相似度獲得模塊，具體包括：關注主題分布數據獲得單元，用于根據每個所述資源使用數據，采用主題模型分析法計算獲得每個所述用戶的關注主題分布數據；以及，主題相似度計算獲得單元，用于分別將每個所述待分組用戶的所述關注主題分布數據與每個所述標準用戶的所述關注主題分布數據進行比較，計算獲得相應的所述關注主題相似度。進一步地，所述K個用戶為所述N個用戶中所述影響力排名前K的用戶。進一步地，所述資源使用數據中包括資源描述數據及用戶描述數據；其中，所述用戶描述數據中包括對應的用戶的關注主題數據。實施本專利技術，具有如下有益效果：本專利技術提供的基于中粒度用戶分組的資源推薦方法及裝置，通過從網絡中獲取用戶在線或/和離線的資源使用數據，獲得用戶的影響力和用戶的關注主題，并根據用戶的影響力和用戶的關注主題對用戶進行分組，從而可以獲得粒度適中的用戶分組，使得推薦過程的運算數據量降低，但同時能夠保證推薦所依據的樣本數據量充足，為后續的推薦過程奠定基礎，提高向用戶推薦資源的準確度和速度。附圖說明圖1是本專利技術提供的基于中粒度用戶分組的資源本文檔來自技高網...

【技術保護點】
一種基于中粒度用戶分組的資源推薦方法，其特征在于，包括：采集N個用戶的資源使用數據；其中，所述資源使用數據包括在線使用數據和離線使用數據；N＞1；根據每個所述資源使用數據，獲得每個所述用戶的影響力；根據每個所述影響力，將所述N個用戶中的K個用戶分別設置為K個分組的標準用戶，并將所述N個用戶中的其余N?K個用戶設置為待分組用戶；其中，0＜K≤N；根據每個所述資源使用數據，獲得每個所述待分組用戶與每個所述標準用戶之間的關注主題相似度；將每個所述待分組用戶分別分入與其之間的所述關注主題相似度最高的標準用戶所對應的分組；向每個所述分組中的每個用戶推薦其所在分組中的標準用戶的推薦資源。

【技術特征摘要】
1.一種基于中粒度用戶分組的資源推薦方法，其特征在于，包括：采集N個用戶的資源使用數據；其中，所述資源使用數據包括在線使用數據和離線使用數據；N＞1；根據每個所述資源使用數據，獲得每個所述用戶的影響力；根據每個所述影響力，將所述N個用戶中的K個用戶分別設置為K個分組的標準用戶，并將所述N個用戶中的其余N-K個用戶設置為待分組用戶；其中，0＜K≤N；根據每個所述資源使用數據，獲得每個所述待分組用戶與每個所述標準用戶之間的關注主題相似度；將每個所述待分組用戶分別分入與其之間的所述關注主題相似度最高的標準用戶所對應的分組；向每個所述分組中的每個用戶推薦其所在分組中的標準用戶的推薦資源。2.如權利要求1所述的基于中粒度用戶分組的資源推薦方法，其特征在于，每個所述資源使用數據包括在線使用數據I1，I2，I3，…，In以及離線使用數據I'；其中，I1，I2，I3，…，In為從n個在線網絡中采集獲得的使用數據；則所述根據每個所述資源使用數據，獲得每個所述用戶的影響力，具體包括：將每個所述資源使用數據分別代入公式I＝I1*w1+I2*w2+I3*w3+…+In*wn+I'*w'，計算獲得相應的所示影響力I；其中，w1，w2，w3，…，wn，w'為各使用數據的權重。3.如權利要求1所述的基于中粒度用戶分組的資源推薦方法，其特征在于，所述根據每個所述資源使用數據，獲得每個所述待分組用戶與每個所述標準用戶之間的關注主題相似度，具體包括：根據每個所述資源使用數據，采用主題模型分析法計算獲得每個所述用戶的關注主題分布數據；分別將每個所述待分組用戶的所述關注主題分布數據與每個所述標準用戶的所述關注主題分布數據進行比較，計算獲得相應的所述關注主題相似度。4.如權利要求1至3中任一項所述的基于中粒度用戶分組的資源推薦方法，其特征在于，所述K個用戶為所述N個用戶中所述影響力排名前K的用戶。5.如權利要求1至3中任一項所述的基于中粒度用戶分組的資源推薦方法，其特征在于，所述資源使用數據中包括資源描述數據及用戶描述數據；其中，所述用戶描述數據中包括對應的用戶的關注主題數據。6.一種基于中粒度用戶分組的資源推薦裝置，其特征在于，包括：資源使用...

【專利技術屬性】
技術研發人員：王國軍，王峰，邢蕭飛，謝冬青，
申請(專利權)人：廣州大學，
類型：發明
國別省市：廣東,44