[发明专利]一种资讯标签兴趣度的预估方法

权利要求书

1.一种资讯标签兴趣度的预估方法，其特征在于，该方法包括：

创建并维护含标签的候选资讯库；

根据用户人口学信息得到用户属性-资讯标签兴趣度向量；

获取预设时间段内多个用户的历史行为数据并进行预处理，输入深度学习模型进行训练得到已训练的深度学习模型；

获取当前用户的历史行为数据并进行预处理，使用已训练的深度学习模型计算得到当前用户的用户行为-资讯标签兴趣度向量；

根据当前用户的用户属性-资讯标签兴趣度向量和用户行为-资讯标签兴趣度向量计算得到用户-资讯标签兴趣度向量，最终确定用户最感兴趣的若干个资讯标签；

所述创建并维护含标签的候选资讯库的步骤包括：

从预设的资讯标签库中选择与资讯内容最匹配的一个或多个标签作为该资讯的标签，将添加标签后的资讯加入含标签的候选资讯库中；对候选资讯库中的每个资讯，根据资讯对应的资讯标签将每个资讯用一个m维的资讯向量表示，m为预设的资讯标签库中的标签总数；当该资讯含有标签T_j时，m维资讯向量的第j维取值为1，否则第j维取值为0；

定期对含标签的候选资讯库进行维护，添加新的资讯，移除失去时效性的资讯；

所述根据当前用户的用户属性-资讯标签兴趣度向量和用户行为-资讯标签兴趣度向量计算得到用户-资讯标签兴趣度向量，最终确定用户最感兴趣的若干个资讯标签，包括：

根据已计算出的当前用户的用户属性-资讯标签兴趣度向量和用户行为-资讯标签兴趣度向量，可计算出当前用户对资讯标签的m维兴趣度向量，计算公式如下：

V(用户，资讯标签)＝(1-w)*V(用户属性，资讯标签)+w*V(用户行为，资讯标签)

其中，V(用户，资讯标签)为当前用户对资讯标签的m维兴趣度向量；V(用户行为，资讯标签)为用户行为-资讯标签兴趣度向量；V(用户属性，资讯标签)为当前用户的用户属性-资讯标签兴趣度向量；w表示V(用户行为，资讯标签)在计算当前用户对资讯标签的兴趣度向量中所占的权重，w取值应满足始终在[0,1]范围内；

所述w的计算公式如下：

w＝tanh(a*当前用户在预设时间段T内浏览的资讯数量)

其中，tanh为双曲正切函数，a为大于0的常数。

2.如权利要求1所述的方法，其特征在于，所述用户人口学信息包括但不限于：可获取的性别、年龄和/或地域信息中的一种或多种对用户划分出若干群体的信息。

3.如权利要求1或2所述的方法，其特征在于，所述根据用户人口学信息得到用户属性-资讯标签兴趣度向量包括：

第i个群体G_i对第j个资讯标签T_j的用户属性-资讯标签兴趣度向量H_ij为：

H_ij的值介于[0，1]之间。

4.如权利要求1所述的方法，其特征在于，所述获取预设时间段内多个用户的历史行为数据并进行预处理，输入深度学习模型进行训练得到已训练的深度学习模型，包括：

获取预设时间段内多个用户的历史行为数据中浏览的每个资讯对应的资讯向量，并将资讯向量按浏览资讯的时间先后顺序输入递归神经网络模型中进行递归神经网络模型的训练，得到已训练的深度学习模型。

5.如权利要求1或4所述的方法，其特征在于，所述获取当前用户的历史行为数据并进行预处理，使用已训练的深度学习模型计算得到当前用户的用户行为-资讯标签兴趣度向量，包括：

获取当前用户的历史行为数据中浏览的每个资讯对应的资讯向量，按照时间先后顺序排列；

将当前用户的历史行为数据中的每个资讯对应的资讯向量按时间先后顺序依次输入到已训练的深度学习模型中，当历史行为数据中的每个资讯对应的资讯向量全部输入完毕后，此时已训练的深度学习模型得到的m维预测向量即为当前用户的用户行为-资讯标签兴趣度向量。