一种感知用户行为与兴趣的动态推荐系统

本发明涉及动态推荐系统，特别涉及一种感知用户行为与兴趣的动态推荐系统。

背景技术：

1、对于app来说，引起消费者的关注，是一件既关键又困难的事情，推荐系统已经成为解决这一问题的重要工具，就目前各大app的推荐系统来说，推荐机制并不完善，就短视频app而言，当你对某一个视频感兴趣后，后台就会给你推荐同类型的视频，这样很容易形成数据茧房，而在购物app内，当你买到一个物品，推荐系统会再给你推荐同类物品，如专利cn201711148721-基于聚类群组发现的推荐系统及方法、个性化推荐系统，通过协同过滤算法给用户推荐内容，但是协同过滤算法无法处理新项目，无法对新项目进行模型训练，并且协同过滤算法仅仅依赖用户评分，用户评分在用户的动态数据中只占少部分，因此，在构建动态推荐系统时，如何构建具有动态的学习能力的推荐系统，除了能够较为准确地预测用户未来行为给出推荐建议，为用户推荐更多的优质内容，是我们需要探究的方向。

技术实现思路

1、本发明提供一种感知用户行为与兴趣的动态推荐系统，用以解决的情况。

2、用户数据收集模块：用于通过数据收集平台收集用户的静态数据和动态数据；其中，

3、所述静态数据包括：注册数据，身份数据；

4、所述动态数据包括：浏览数据、评论数据、收藏数据；

5、用户数据整理模块：用于对所述静态数据和动态数据通过数据自检和数据处理，获得有效数据；

6、动态推荐模块：用于根据所述有效数据构建用户兴趣模型，并从中获取用户兴趣特征向量，根据所述用户兴趣向量，确定一次推荐类目项，并通过用户反馈，进行推荐类目项调整，确定二次推荐类目项，进行动态推荐模型训练，并生成动态推荐模型；其中，所述用户兴趣向量包括：用户短期兴趣向量，用户长期兴趣向量。

7、作为本发明的一种实施例：所述用户数据收集模块包括：

8、静态数据收集单元：用于通过数据收集平台的收集接口获取用户静态数据，预设用户数据库，将所述静态数据存储至用户数据库；

9、动态数据收集单元：用于通过交互行为日志，统计并记录用户的动态数据，并将所述动态数据存储至用户数据库。

10、作为本发明的一种实施例：所述用户数据整理模块包括：

11、数据自检单元：用于对所述用户数据库的静态数据和动态数据进行数据自检，确定用户数据库中的异常数据；其中，所述异常数据包括：缺失数据、重复数据、无效数据；

12、缺失数据处理单元：用于通过定位指针确定所述用户数据库中缺失数据的位置，并对缺失位置填写默认值，将户数据库的缺失数据进行补全；

13、重复数据处理单元：用于制定去重规则，当检测到所述用户数据库的数据超过预设的重复数量时，则删除重复的数据；

14、无效数据处理单元：用于检测数据格式，当检测到无效格式时，对所述无效数据进行删除；其中，

15、所述无效格式包括：img请求数据、css请求数据。

16、作为本发明的一种实施例：所述兴趣模型模块包括：

17、用户分类单元：用于从所述用户数据库中获取所述用户的静态数据和动态数据，并根据用户注册时间将所述用户分为短期用户的长期用户；

18、短期用户兴趣模型构建单元：用于获取所述短期用户半年内的动态数据和静态数据，并通过用户兴趣结构，提取用户短期兴趣向量，并通过预设的深度循环网络，训练并构建用户短期兴趣模型；其中，所述用户兴趣结构包括：数据时间层、兴趣偏好类目项层、用户兴趣偏好权重层；

19、长期用户兴趣模型构建单元：用于获取所述长期用户一年内的动态数据和静态数据，并通过用户兴趣结构，提取长期用户的长期兴趣向量，通过期望公式，并将之前的短期兴趣向量和所述长期兴趣向量进行融合，获得确定长期兴趣特征向量，并通过预设的深度循环网络，训练并构建用户长期兴趣模型。

20、作为本发明的一种实施例：所述短期用户兴趣模型构建单元还包括：用户兴趣结构子单元，其中，

21、短期数据时间层：用于确定所述用户最近半年内的动态数据时间，并生成短期时间表；

22、兴趣偏好类目项测层：用于对所述用户半年内的动态数据和静态数据进行数据分析，挖掘所述用户的动态兴趣变化规律，获得所述用户兴趣偏好的类目项；

23、用户兴趣偏好权重层：用于在预设的兴趣偏好权重模型中，根据所述用户兴趣偏好的类目项的访问频率，计算用户兴趣偏好的类目项的权重值。

24、作为本发明的一种实施例：所述动态推荐模块包括：

25、动态推荐模型训练单元：用于从预设的训练数据池中随机选取一个用户，根据用户注册的时间，将注册时间不足一年的用户，通过用户短期兴趣模型，获得用户短期兴趣特征向量，并在随机策略强化算法根据所述用户短期兴趣特征向量，生成随机策略分布，在所述随机策略分布中确定所述用户的一次推荐类目项；

26、推荐反馈训练单元：用于将所述一次推荐类目项推荐给所述用户，并收集用户反馈；

27、循环训练单元：用于根据所述用户反馈，确定用户的兴趣动态迁移量，并调节确定策略强化算法，生成确定策略分布，在所述确定策略分布中确定所述用户的二次推荐类目项；其中，所述策略分布包括：推荐类目项类型、推荐类目项数量、推荐类目项时间；

28、动态推荐模型构建单元：用于训练完所述训练数据池的所有数据，当所述一次推荐类目项与所述二次推荐类目项的相似度在预设的相似度范围内时，构建动态推荐模型。

29、作为本发明的一种实施例：所述动态推荐模型训练单元包括：

30、训练数据池子单元：用于预设训练用户，将所述训练用户分为短期用户集合长期用户集，提取所述短期用户集合长期用户集进行数据训练；

31、随机策略运算子单元：用于根据用户短期兴趣特征向量，在随机策略强化算法中，通过策略矩阵，建立用户-策略矩阵，确定策略分布，根据所述随机策略分布确定所述用户的一次推荐类目项。

32、作为本发明的一种实施例：所述动态推荐模型构建单元还包括：

33、一次推荐类目项子单元：用于确定用户的一次类目项类型、一次推荐类目项数量、一次推荐类目项时间；

34、二次推荐类目项子单元：用于确定用户的二次类目项类型、二次推荐类目项数量、二次推荐类目项时间；

35、推荐类目项对比子单元：用于通过余弦相似度公式计算所述一次推荐类目项和所述二次推荐类目项之间的相似度，并与预设的相似度进行对比，获得对比结果，当所有训练数据的对比结果都在预设的相似度范围内时，构建动态推荐模型。

36、作为本发明的一种实施例：所述动态推荐模型训练单元还包括：

37、兴趣迁移子单元：用于对注册时间满一年时用户进行统计并分组，通过用户长期兴趣模型，获得一次长期兴趣特征向量，将一次长期兴趣特征向量和短期兴趣特征向量进行训练融合迁移，获得训练兴趣迁移量，当所述训练兴趣迁移量在预设训练兴趣迁移量范围内时，则结束这组用户的模型训练。

38、作为本发明的一种实施例：所述动态推荐系统还包括：推荐反馈模块，用于将所述二次推荐类目项的内容推荐给对应的用户，检测所述用户对所述二次推荐类目项的点击数据和浏览数据，根据所述点击数据和浏览数据，确定所述动态推荐模型的反馈率。

39、本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书以及附图中所特别指出的结构来实现和获得。

40、下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。