[发明专利]数据推荐方法及系统

说明书

技术领域

本发明涉及一种数据推荐方法及系统。

背景技术

个性化推荐是根据用户的兴趣特点和购买行为，向用户推荐用户感兴趣的数据如信息和商品。随着网络商品规模的不断扩大，商品数量和种类也快速增长，由此顾客需要花费大量的浏览时间才能找到自己想买的商品。这种浏览大量无关的信息和产品过程无疑会使消费者淹没在信息过载问题中，导致消费者不断流失。

互联网技术的迅速发展使得大量的信息同时呈现在用户面前，传统的搜索只能呈现给所有的用户相同的排序结果，无法针对不同用户的兴趣爱好提供相应的服务。为了解决这个问题，个性化推荐系统应运而生。个性化推荐系统是建立在海量数据挖掘基础上的一种高级智能平台，以帮助电子商务网站为其顾客购物提供完全个性化的决策支持和信息服务。个性化推荐目前被认为是当前解决这个问题最有效的工具之一。

发明内容

本发明的目的在于提供一种数据推荐方法及系统，能够使推荐结果随着用户每天不同的历史行为发生变化，即用户的口味一旦发生变化推荐结果也会跟着变化，给用户带来良好的个性化体验，需要个性化推荐的各个领域如B2B、B2C的购物网站、音乐和视频的分享网站都可以采用本发明来进行个性化推荐。

为解决上述问题，本发明提供一种数据推荐方法，包括：

根据用户对数据的历史行为获取该用户的所有喜恶数据和该用户对所有喜恶数据的喜恶度；

根据预设维度获取每个预设维度下的每个喜恶数据的邻居数据；

根据预设方式分别获取每个喜恶数据与其邻居数据的相关度；

根据每个预设维度下所述用户对其每个喜恶数据的喜恶度和每个喜恶数据与其邻居数据的相关度获取每个预设维度下该用户对每个邻居数据的第一合并兴趣度；

合并所有维度下相同邻居数据的第一合并兴趣度得到所述用户对每个邻居数据的第二合并兴趣度；

将所有邻居数据的第二合并兴趣度由高至低排序，获取前N个所述第二合并兴趣度最高的邻居数据向所述用户推荐，其中，N为正整数。

进一步的，在上述方法中，所述喜恶数据包括显式喜恶数据和隐式喜恶数据。

进一步的，在上述方法中，所述喜恶度是属于(+1，-1)区间内的小数，所述喜恶度越接近+1代表所述用户越喜欢某一喜恶数据，所述喜恶度越接近-1代表所述用户越不喜欢某一喜恶数据。

进一步的，在上述方法中，所述相关度是属于(0，1)区间内的小数。

进一步的，在上述方法中，根据每个预设维度下所述用户对其每个喜恶数据的喜恶度和每个喜恶数据与其邻居数据的相关度获取每个预设维度下该用户对每个邻居数据的第一合并兴趣度的步骤包括：

根据每个预设维度下所述用户对每个喜恶数据的喜恶度和每个喜恶数据与其邻居数据的相关度获取每个预设维度下该用户对每个喜恶数据的邻居数据的兴趣度；

合并每个预设维度下相同邻居数据的兴趣度得到下该用户对每个邻居数据的第一合并兴趣度。

本发明提供另一种数据推荐方法，包括：

根据用户对数据的历史行为获取该用户的所有喜恶数据和该用户对所有喜恶数据的喜恶度；

根据预设维度获取每个预设维度下的每个喜恶数据的邻居数据；

根据预设方式分别获取每个喜恶数据与其邻居数据的相关度；

根据每个预设维度下所述用户对其每个喜恶数据的喜恶度和每个喜恶数据与其邻居数据的相关度获取每个预设维度下该用户对每个邻居数据的第一合并兴趣度；

将所有邻居数据的第一合并兴趣度由高至低排序，获取前M个所述第一合并兴趣度最高的邻居数据向所述用户推荐，其中，M为正整数。

根据本发明的另一面，本发明还提供一种数据推荐系统，包括：

用户历史行为模块，用于根据用户对数据的历史行为获取该用户的所有喜恶数据和该用户对所有喜恶数据的喜恶度；

邻居反馈模块，用于根据预设维度获取每个预设维度下的每个喜恶数据的邻居数据，根据预设方式分别获取每个喜恶数据与其邻居数据的相关度，根据每个预设维度下所述用户对其每个喜恶数据的喜恶度和每个喜恶数据与其邻居数据的相关度获取每个预设维度下该用户对每个邻居数据的第一合并兴趣度；

用户兴趣节点模块，用于存储各个预设维度下所述用户对其每个邻居数据的第一合并兴趣度。

个性化推荐模块，用于将所有邻居数据的第二合并兴趣度由高至低排序，获取前N个所述第二合并兴趣度最高的邻居数据向所述用户推荐，其中，N为正整数。