[发明专利]一种内容推荐方法及系统

说明书

技术领域

本发明涉及信息推荐领域，尤其涉及一种基于模拟人类生命活跃度的时间系数与隐性用户行为评分的内容推荐方法及系统。

背景技术

随着互联网的发展，在目前信息过载的时代，用户面对海量的信息，需要花费大量时间筛选出感兴趣的内容。推荐系统被认为是解决上述问题的最有效果的方法。推荐系统针对用户，为其提供个性化服务，即根据用户的需要或者偏好，为其推荐可能感兴趣的商品、视频、音乐、新闻等各种内容，为提高用户体验，提升用户忠诚度起到重要作用。以视频为例，目前几乎所有的大型的视频网站，如Hulu、Netflix 都在以不同形式提供个性化推荐系统。

基于用户的协同过滤算法是推荐系统中常用的一种算法，它通过用户对被关注内容打分的历史行为进行分析，挖掘出相似用户，并推荐相互感兴趣的内容。基于用户的协同过滤算法是建立在用户对被关注内容打分行为的基础之上的，然而在实际推荐系统中往往没有用户打分模块，并不能收集到用户对被关注内容的评价情况；而且即使有用户评分模块，大多数用户不愿过多花费时间给被关注内容评分，或者会给被关注内容一个不准确的评分。由此会造成难于收集到用户对被关注内容的评分，以及收集到不准确的评分。同时，用户的评分具有时效性，比如用户前段时间的喜好和最近的喜好不一样，若将用户不同时段对被关注内容的评分视为同等价值，将会造成计算的误差，降低了推荐结果准确性。另外，被关注内容受欢迎程度与其发布的时间、更新的频率、自身所属类别也是息息相关的，而现有技术中的推荐系统并未综合考虑上述因素，推荐结果不够准确。

因此，现有技术还有待于改进和发展。

发明内容

鉴于上述现有技术的不足，本发明的目的在于提供一种内容推荐方法及系统，旨在解决现有的推荐系统依赖用户评分、以及推荐结果不准确的问题。

本发明的技术方案如下：

一种内容推荐方法，其中，包括步骤：

A、通过交互程序脚本收集用户原始行为数据，对收集到的用户原始行为数据进行统计得到量化的用户量化行为数据；

B、通过模拟人类生命活跃度获得用户行为的时间系数；

C、根据用户行为的时间系数以及用户量化行为数据，对用户对被关注内容的喜爱程度进行评分，获取评分情况；

D、将评分情况输入到协同过滤算法，得到推荐结果，并向用户推送推荐结果。

所述的内容推荐方法，其中，所述步骤B具体包括：

B1、获取用户量化行为数据中的与被关注内容的指标相关的状态影响因子Factor1，0＜Factor1＜1；

B2、获取被关注内容的各项指标的时间影响因子Factor2，0＜Factor2＜1；

B3、计算出每一项指标的时间系数Coefficient，其中，Coefficient=Factor1*Factor2。

所述的内容推荐方法，其中，所述步骤B1中，所述步骤B1中，Factor1 是一个影响相应指标大小的各向因素的模型，表示用户量化指标的准确性；所述步骤B2中，Factor2=Xⁿ，X为自定义参数，n为用于表示用户最后一次行为距离当前时间的时间距离。

所述的内容推荐方法，其中，所述状态影响因子Factor1包括：点击因子Factor1 _clickNum、收藏因子Factor1_collect、完整度因子Factor1_complete。

所述的内容推荐方法，其中，所述：点击因子Factor1 _clickNum=（E_clickNum, W_clickNum）；

收藏因子Factor1_collect=f（T_collect，F_collect）；

完整度因子Factor1_complete =f（F_complete，T_complete）。

所述的内容推荐方法，其中，所述步骤C具体包括：

C1、对用户量化行为数据中被关注内容的每一项指标乘以时间系数得到用户时间行为数据；

C2、对用户时间行为数据进行归一化处理得到用户归一化行为数据，使得用户归一化行为数据统一到一个参考系下；

C3、对用户归一化行为数据中的被关注内容的各项指标分配一权重值，获取用户对被关注内容的评分情况。