基于千人千面多纬度智能推荐算法集成系统及其方法与流程

1.本发明涉及智能推荐领域，具体为基于千人千面多纬度智能推荐算法集成系统及其方法。


背景技术：

[0002]“千人千面”很容易理解，即找到对的人，用对的形式送达对的信息，目前，互联网行业的快速发展，给我们带来了极大的便利，回顾整个互联网行业的发展历程，从pc时代到移动互联网时代，从移动互联网时代到iot(物联网)时代，现在又即将从iot时代迈入at(人工智能)时代，这些飞速发展的背后，其实是对数据利用的巨大变革，当下，移动互联网技术和智能手机的发展，使得采集用户数据的能力变得空前强大，无时无刻，无所不在，拥有这些数据后，全行业的个性化智能推荐能力变得更加容易实现，不论是淘宝、京东，还是今日头条，无疑是这个时代的最大受益者，不同于个人电脑，手机这类私人专属物品是与其他人很难共用的，从而手机的型号，以及在手机上的浏览、交易等行为数据，就具有了极高的分析价值，从电商平台的角度来讲，个性化智能推荐的本质是根据不同的人群，将最有可能成交的商品优先推荐给相应的消费者，最大限度的提高购买转化率，促进用户购买下单，当然，对于淘宝这类电商平台来说，个性化智能推荐也能充分利用有限的广告位资源，将流量的价值最大化，随着用户个人数据的不断丰富，智能推荐能力也在逐步升级，从基础的千人一面逐渐演化到千人千面，为了达到智能推荐的目的，人们一般使用智能推荐算法集成系统以发挥智能推荐效益，达到整体优化的目的。
[0003]
但是，传统的智能推荐算法集成系统存在以下缺点：
[0004]
(1)传统的智能推荐算法集成系统无法挖掘用户的潜在兴趣，分析特征有限，很难充分提取商品相关性，无法为新用户产生推荐，在用户行为较少时推荐不准确；
[0005]
(2)传统的智能推荐算法集成系统适合于用户量较小或者小于商品量的场景，如果用户量过大在计算用户间相似度上代价很大。时效性比较强，用户个性化不太明显的领域，当用户新行为产生后不一定导致结果的立刻变化。新用户入驻后产生少量行为后，不能立刻对他进行推荐。


技术实现要素：

[0006]
本发明的目的在于提供基于千人千面多纬度智能推荐算法集成系统及其方法，以解决上述背景技术中提出的传统的智能推荐算法集成系统无法挖掘用户的潜在兴趣，分析特征有限，很难充分提取商品相关性，无法为新用户产生推荐，在用户行为较少时推荐不准确；传统的智能推荐算法集成系统适合于用户量较小或者小于商品量的场景，如果用户量过大在计算用户间相似度上代价很大。时效性比较强，用户个性化不太明显的领域，当用户新行为产生后不一定导致结果的立刻变化。新用户入驻后产生少量行为后，不能立刻对他进行推荐的问题。
[0007]
为实现上述目的，本发明提供如下技术方案：基于千人千面多纬度智能推荐算法
集成系统，包括集成算法系统本体，所述集成算法系统本体包括内容推荐算法、协同过滤推荐算法、知识推荐算法、人口统计学推荐算法、人口建模推荐算法、集成控制模块、结果存储模块和结果输出模块，所述协同过滤推荐算法包括用户标识模块、物品标识模块、用户行为种类辨别模块、用户行为权重辨别模块、用户行为内容辨别模块、user-based cf算法模块和tem-based cf算法模块，所述内容推荐算法包括提取商品特征模块、特征计算模块、商品推荐模块、用户结果反馈模块和用户喜好更新模块，集成算法系统本体多次计算结果进行整理后输出并存储。
[0008]
作为本发明的一种优选技术方案，所述用户行为内容辨别模块包括点评分值辨别单元和评论文本辨别单元，用户行为内容辨别模块对用户行为的内容比如点评的分值，评论的文本内容等进行辨别。
[0009]
作为本发明的一种优选技术方案，所述用户行为权重辨别模块包括浏览时长辨别单元和购买频次辨别单元，用户行为权重辨别模块对用户行为的权重包括浏览时长，购买频次等进行辨别。
[0010]
作为本发明的一种优选技术方案，所述用户行为种类辨别模块包括浏览辨别单元、点赞辨别单元、收藏辨别单元、加入购物车辨别单元和下单辨别单元，用户行为种类辨别模块对用户行为的种类包括浏览，点赞，收藏，加入购物车，下单等进行辨别。
[0011]
作为本发明的一种优选技术方案，所述提取商品特征模块包括商品类目单元、商品属性单元、商品品牌单元、商品标签单元、商品标题单元、商品组合单元和商品评分单元，可以根据商品的一些特征比如类目，属性，品牌，标题，标签，商品组合，评分等因子进行提取。
[0012]
本发明基于千人千面多纬度智能推荐算法集成系统的使用方法，包括以下步骤：
[0013]
步骤一、设定算法参数：根据实际情况设定集成算法系统本体的算法参数；
[0014]
步骤二、启动算法：集成算法系统本体启动；
[0015]
步骤三、内容推荐计算：基于内容相关性构建商品模型推荐，利用内容本身的特征进行推荐。将商品相关的类目、品牌、商品属性、商品标题、商品标签等相似内容推荐给用户；
[0016]
步骤四、协同过滤计算：通过用户行为分析，不断获取用户互动信息，是用户的推荐列表不断过滤掉自己不感兴趣或者不匹配的商品，让结果不断提升用户的满意度；
[0017]
步骤五、人口建模计算：使用用户的基本信息，比如年龄、性别等，衡量用户的相似性，将与当前用户相似的其他用户所偏好的物品推荐给当前用户；
[0018]
步骤六、人口统计学计算：根据用户基本数据信息进行推荐；
[0019]
步骤七、知识推荐计算：例如房屋、汽车、金融服务甚至是昂贵的奢侈品，在这种情况下，推荐的过程中常常缺乏商品的评价，推荐过程是基于顾客的需求和商品描述之间的相似度，或是对特定用户的需求使用约束来进行的，它允许顾客明确地说出来他们想要什么，好像身边有个专属的顾问，对于买车、买房、金融理财产品他们能够根据用户的需求推荐合适的产品；
[0020]
步骤八、结果整理输出存储：集成算法系统本体多次计算结果进行整理后输出并存储。
[0021]
与现有技术相比，本发明的有益效果是：
[0022]
1、该集成算法系统本体通过协同过滤推荐、内容推荐、知识推荐、人口统计学推荐和人口建模推荐对用户兴趣进行综合计算，实现起来比较简单，不需要复杂的算法和计算，很快可以实现商品的相关性，推荐结果容易被用户感知，用户行为很快被计算出来，从而实现推荐，结果可解释，很容易找到可解释的相关特征，新的商品也可以马上被准确推荐；
[0023]
2、通过设置协同过滤推荐算法，满足用户个性化需求、丰富物品的推荐，用户一旦有了新的行为一定会导致推荐结果的变化，新用户行为发生变化将立刻向其推荐该物品相似的其他物品，提高推荐的时效性。
附图说明
[0024]
图1为本发明集成算法系统本体的结构示意图；
[0025]
图2为本发明协同过滤推荐算法的结构示意图；
[0026]
图3为本发明用户行为内容辨别模块的结构示意图；
[0027]
图4为本发明用户行为权重辨别模块的结构示意图；
[0028]
图5为本发明用户行为种类辨别模块的结构示意图；
[0029]
图6为本发明内容推荐算法的结构示意图；
[0030]
图7为本发明提取商品特征模块的结构示意图；
[0031]
图8为本发明的方法流程图。
[0032]
图中：1、集成算法系统本体；2、内容推荐算法；21、提取商品特征模块；211、商品类目单元；212、商品属性单元；213、商品品牌单元；214、商品标签单元；215、商品标题单元；216、商品组合单元；217、商品评分单元；22、特征计算模块；23、商品推荐模块；24、用户结果反馈模块；25、用户喜好更新模块；3、协同过滤推荐算法；31、用户标识模块；32、物品标识模块；33、用户行为种类辨别模块；331、浏览辨别单元；332、点赞辨别单元；333、收藏辨别单元；334、加入购物车辨别单元；335、下单辨别单元；34、用户行为权重辨别模块；341、浏览时长辨别单元；342、购买频次辨别单元；35、用户行为内容辨别模块；351、点评分值辨别单元；352、评论文本辨别单元；36、user-based cf算法模块；37、tem-based cf算法模块；4、知识推荐算法；5、人口统计学推荐算法；6、人口建模推荐算法；7、集成控制模块；8、结果存储模块；9、结果输出模块。
具体实施方式
[0033]
下面将结合本发明实施例，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0034]
请参阅图1-8，本发明提供了基于千人千面多纬度智能推荐算法集成系统，包括集成算法系统本体1，集成算法系统本体1包括内容推荐算法2、协同过滤推荐算法3、知识推荐算法4、人口统计学推荐算法5、人口建模推荐算法6、集成控制模块7、结果存储模块8和结果输出模块9，协同过滤推荐算法3包括用户标识模块31、物品标识模块32、用户行为种类辨别模块33、用户行为权重辨别模块34、用户行为内容辨别模块35、user-based cf算法模块36和tem-based cf算法模块37，内容推荐算法2包括提取商品特征模块21、特征计算模块22、
商品推荐模块23、用户结果反馈模块24和用户喜好更新模块25，集成算法系统本体1多次计算结果进行整理后输出并存储。
[0035]
用户行为内容辨别模块35包括点评分值辨别单元351和评论文本辨别单元352，用户行为内容辨别模块35对用户行为的内容比如点评的分值，评论的文本内容等进行辨别。
[0036]
用户行为权重辨别模块34包括浏览时长辨别单元341和购买频次辨别单元342，用户行为权重辨别模块34对用户行为的权重包括浏览时长，购买频次等进行辨别。
[0037]
用户行为种类辨别模块33包括浏览辨别单元331、点赞辨别单元332、收藏辨别单元333、加入购物车辨别单元334和下单辨别单元335，用户行为种类辨别模块33对用户行为的种类包括浏览，点赞，收藏，加入购物车，下单等进行辨别。
[0038]
提取商品特征模块21包括商品类目单元211、商品属性单元212、商品品牌单元213、商品标签单元214、商品标题单元215、商品组合单元216和商品评分单元217，可以根据商品的一些特征比如类目，属性，品牌，标题，标签，商品组合，评分等因子进行提取。
[0039]
本发明基于千人千面多纬度智能推荐算法集成系统的使用方法，包括以下步骤：
[0040]
步骤一、设定算法参数：根据实际情况设定集成算法系统本体1的算法参数；
[0041]
步骤二、启动算法：集成算法系统本体1启动；
[0042]
步骤三、内容推荐计算：基于内容相关性构建商品模型推荐，利用内容本身的特征进行推荐。将商品相关的类目、品牌、商品属性、商品标题、商品标签等相似内容推荐给用户；
[0043]
步骤四、协同过滤计算：通过用户行为分析，不断获取用户互动信息，是用户的推荐列表不断过滤掉自已不感兴趣或者不匹配的商品，让结果不断提升用户的满意度；
[0044]
步骤五、人口建模计算：使用用户的基本信息，比如年龄、性别等，衡量用户的相似性，将与当前用户相似的其他用户所偏好的物品推荐给当前用户；
[0045]
步骤六、人口统计学计算：根据用户基本数据信息进行推荐；
[0046]
步骤七、知识推荐计算：例如房屋、汽车、金融服务甚至是昂贵的奢侈品，在这种情况下，推荐的过程中常常缺乏商品的评价，推荐过程是基于顾客的需求和商品描述之间的相似度，或是对特定用户的需求使用约束来进行的，它允许顾客明确地说出来他们想要什么，好像身边有个专属的顾问，对于买车、买房、金融理财产品他们能够根据用户的需求推荐合适的产品；
[0047]
步骤八、结果整理输出存储：集成算法系统本体1多次计算结果进行整理后输出并存储。
[0048]
本发明在使用时：工作人员根据实际情况设定集成算法系统本体1的算法参数，工作人员启动集成算法系统本体1，内容推荐算法2基于内容相关性构建商品模型推荐，利用内容本身的特征进行推荐，将商品相关的类目、品牌、商品属性、商品标题、商品标签等相似内容推荐给用户，提取商品特征模块21根据商品的一些特征比如类目，属性，品牌，标题，标签，商品组合，评分等因子进行提取，特征计算模块22根据用户以前的喜欢的和不喜欢的商品的特征进行计算，得出用户喜欢的特征。用户的特征由相关关键字组成，可以通过tf-idf模型计算用户行为的关键字，从而得出用户的特征，商品推荐模块23根据用户喜欢的特征，去商品库进行选择，找出相关性最大的多个商品进行推荐，因为提取出了商品的特征，通过计算得出了用户喜欢的特征，可以通过余弦相似度计算出商品间的相识性给用户进行推
荐，简单介绍一下余弦相似度，通过计算两个向量的夹角余弦值来评估他们的相似度，因为用户的喜好是不断变化的，今天可能我关注衬衣，明天我又想看手机，所以用户结果反馈模块24和用户喜好更新模块25需要根据用户喜欢的变化更新用户的特征，协同过滤推荐算法3通过用户行为分析，不断获取用户互动信息，是用户的推荐列表不断过滤掉自己不感兴趣或者不匹配的商品，让结果不断提升用户的满意度，user-based cf算法模块36通过分析用户和其他用户的特征值，找出相近的特征用户，然后根据特征用户的喜好商品，从中找到一些商品推荐给该用户，以阅读为例，比如用户a一直看产品经理方面的书籍，这样系统可以找到和他有类似兴趣的用户，然后把这些用户喜欢看的书(同时这些书用户a没有看过的)推荐给用户a，简言之就是计算出两个用户的相似度，然后给a推荐用户b喜欢的东西，tem-based cf算法模块37计算商品间的相似度同样用到的是余弦相似度的计算方法，两个商品产生相似度是因为他们共同被很多用户喜欢，商品相似度越高，说明这两个商品被很多共同喜好的用户所喜欢，人口建模推荐算法6仅使用用户的基本信息，比如年龄、性别等，衡量用户的相似性，将与当前用户相似的其他用户所偏好的物品推荐给当前用户，人口统计学推荐算法5只需要用户基本数据信息就可以进行推荐，不涉及商品的历史偏好数据，没有冷启动的问题，但同时用户某些信息不好获取比如年龄这类隐私的数据；不依赖商品本身的数据，适合任何领域。因为如此对于用户分类比较粗糙，不适合精度要求高的领域，比如图书，电影和音乐，在初期的电商类平台可以做简单的推荐，知识推荐算法4通过自身知识存储，例如房屋、汽车、金融服务甚至是昂贵的奢侈品，在这种情况下，推荐的过程中常常缺乏商品的评价，推荐过程是基于顾客的需求和商品描述之间的相似度，或是对特定用户的需求使用约束来进行的，它允许顾客明确地说出来他们想要什么，好像身边有个专属的顾问，对于买车、买房、金融理财产品他们能够根据用户的需求推荐合适的产品，集成算法系统本体1多次计算结果进行整理后输出并存储。
[0049]
尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。