[发明专利]一种基于用户需求的稳态标签开发方法及系统

说明书

一种基于用户需求的稳态标签开发方法及系统，属于大数据处理技术领域。本发明方法包括步骤S01，建立样本标签库，样本标签库包含样本心理标签维度和样本心理标签语料库；步骤S02，获取需求项目的文本信息，并将其与心理标签语料库进行文本匹配，输出项目需求向量；步骤S03，获取用户使用项目的行为数据，根据项目需求向量和行为数据计算用户需求向量，建立稳态标签库，稳态标签库包含稳态心理标签维度和稳态心理标签语料库；每个样本心理标签维度/稳态心理标签维度具有与之对应的包含于样本心理标签语料库/稳态心理标签语料库内的心理标签语料。本发明解决了推荐系统新用户场景下的“冷启动”、标签更新速度快、跨领域迁移性差、数据稀疏等问题。

技术领域

本发明属于大数据处理技术领域，尤其涉及一种基于用户需求的稳态标签开发方法及系统。

背景技术

随着大数据时代的来临，网络中的信息量呈现指数式增长，推荐系统应用而生，其能主动地从大量信息中找到用户可能感兴趣的信息，得出用户的兴趣偏好，从而可以向用户推荐他们现在和将来可能会喜欢的项目。

目前推荐系统大都应用于电商类的购物网站及网络信息平台，作为相关商品及项目推荐。协同过滤是目前主流的推荐机制，主要是指根据用户对物品或者信息的偏好，发现物品、内容或用户本身的相关性，基于这些关联性进行推荐，其核心是收集用户偏好、找到相似的用户或物品、计算并推荐。其中，获取用户偏好，理解用户需求，对用户进行分类识别建模，是影响推荐系统质量和应用发展的关键。但，该推荐机制对历史数据质量具有一定依赖性，存在新用户场景下的“冷启动”的问题。“冷启动”问题包括数据稀疏性（sparsity）和新用户（the new user）问题。数据稀疏性主要是指由于系统或物品处于新上线状态，缺少用户的浏览、购买、评价等历史数据；新用户问题主要是指用户处于新登录状态，未对任务物品进行过评分，无法确定用户偏好及需求。并且，在推荐分析过程中，需要大量、重复多次浏览历史信息，数据量庞大，数据处理缓慢，推荐效率低。另外，以视频推荐为例，用户在实际查找视频过程中，由于每个人对视频要求的喜好不同，且同一用户在不同时期对视频要求的喜好不同。如果仅针对用户浏览历史信息进行推荐，推荐数据的准确度不高，无法满足用户需求。

国内外的众多研究曾在协同过滤技术中引入性格特征，从性格的维度上计算用户的相似性，相比于传统的协同过滤手段，能显著提升推荐的准确性。但是，性格的测量主要是通过问卷，以用户的主观反馈来进行，并不能从本质上挖掘用户的需求。

在推荐系统中普遍采用标签结合不同推荐机制来实现推荐过程。而现有推荐系统中的标签需要不停开发，在一段较长时间内不够稳定，使得采用这类标签的推荐系统推荐的信息不够确切，无法满足用户推荐选择需求，尤其无法从多方面全面分析用户心理过程而形成满足用户心理需求的推荐信息。

发明内容

本发明的目的是提供一种全面分析用户在使用过程中的心理过程的基于用户需求的稳态标签开发方法及系统。

根据上述目的，本发明提供一种基于用户需求的稳态标签开发方法，包括：

步骤S01，建立样本标签库，所述样本标签库包含样本心理标签维度和样本心理标签语料库；

步骤S02，获取需求项目的文本信息，并将其与样本心理标签语料库进行文本匹配，输出项目需求向量；

步骤S03，获取用户使用项目的行为数据，根据项目需求向量和行为数据计算用户需求向量，建立稳态标签库，所述稳态标签库包含稳态心理标签维度和稳态心理标签语料库；

其中，每个样本心理标签维度具有与之对应的包含于样本心理标签语料库内的心理标签语料；每个稳态心理标签维度具有与之对应的包含于稳态心理标签语料库内的心理标签语料。

作为本发明优选，步骤S01具体包括：

步骤S11,采集用户样本信息；