[发明专利]获取推荐数据的方法和装置

说明书

本发明公开了一种获取推荐数据的方法和装置。其中，该方法包括：根据目标对象的操作数据从数据库中筛选得到待选数据集，其中，数据库中的每一条数据至少包括如下参数：数据标识和用户偏好；利用遗传算法对待选数据集的数据进行处理得到目标数据集；当目标数据集中的数据的适应度之和达到第一预设阈值时，根据目标数据集的数据确定目标对象的推荐数据。本发明解决了无法准确得到推荐数据的技术问题。

技术领域

本发明涉及数据分析领域，具体而言，涉及一种获取推荐数据的方法和装置。

背景技术

现在的大多数网站，例如视频网站、电商网站、金融网站等，都会有用户推荐的模块，用于向用户推荐用户可能感兴趣的数据内容。

目前，推荐算法大致有：基于内容、基于协同过滤、基于关联规则、基于效用、基于知识的推荐算法。基于内容的数据推荐方法的理论，理论依据主要来自于信息检索和信息过滤，所谓的基于内容的推荐方法就是根据用户过去的浏览记录来向用户推荐用户没有接触过的推荐项。基于协同过滤的推荐算法理论上可以推荐世界上的任何一种东西，包括图片、音乐等。协同过滤算法主要是通过对未评分项进行评分，从而得到预测数据。基于关联规则的推荐(Association Rule-based Recommendation)是以关联规则为基础，把已购商品作为规则头，规则体为推荐对象。关联规则挖掘可以发现不同商品在销售过程中的相关性，在零售业中已经得到了成功的应用。基于效用的推荐(Utility-basedRecommendation)是建立在对用户使用项目的效用情况上计算的，其核心问题是怎么样为每一个用户去创建一个效用函数，因此，用户资料模型很大程度上是由系统所采用的效用函数决定的。基于知识的推荐(Knowledge-based Recommendation)在某种程度是可以看成是一种推理(Inference)技术，它不是建立在用户需要和偏好基础上推荐的。基于知识的方法因它们所用的功能知识不同而有明显区别。效用知识(Functional Knowledge)是一种关于一个项目如何满足某一特定用户的知识，因此能解释需要和推荐的关系，所以用户资料可以是任何能支持推理的知识结构，它可以是用户已经规范化的查询，也可以是一个更详细的用户需要的表示。

但是，向用户推荐数据不是一个简单的工作，因为用户的兴趣是千奇百怪的，通常情况下，利用上述算法，计算机无法很准确地捕捉用户的兴趣点，只能通过用户的标签或者用户经常浏览的节目记录来进行整合数据，并向用户推荐数据。通过上述方法得到的推荐数据，是比较基础但又笨拙的方法，没有去深入挖掘用户的潜在兴趣，不能准确的得到目标用户的推荐数据。

针对上述无法准确得到推荐数据的问题，目前尚未提出有效的解决方案。

发明内容

本发明实施例提供了一种获取推荐数据的方法和装置，以至少解决无法准确得到推荐数据的技术问题。

根据本发明实施例的一个方面，提供了一种获取推荐数据的方法，包括：根据目标对象的操作数据从数据库中筛选得到待选数据集，其中，数据库中的每一条数据至少包括如下参数：数据标识和用户偏好；利用遗传算法对待选数据集的数据进行处理得到目标数据集；当目标数据集中的数据的适应度之和达到第一预设阈值时，根据目标数据集的数据确定目标对象的推荐数据。

进一步地，根据目标对象的操作数据从数据库中筛选得到待选数据集包括：通过数据库中的每一条数据的数据标识和用户偏好，计算得到数据库中的任意两条数据的数据关联度；根据目标对象的操作数据以及数据关联度生成待选数据集。

进一步地，通过如下第一公式计算得到数据库中的任意两条数据的数据关联度

其中，i,j为自然数，N(i)为喜欢节目i的用户数，N(j)为喜欢节目j的用户数。

进一步地，通过如下第二公式生成待选数据集P_ij：