[发明专利]基于语意特征的优化推荐方法

说明书

本发明涉及用户兴趣点预测及相关项目推荐技术领域，尤其涉及一种基于语意特征的优化推荐方法。该方法包括以下步骤：步骤1，收集项目信息，将其添加到空白词典建立项目词典；步骤2，通过Word2vec模型提取项目语意特征，计算项目间的相似度；步骤3，根据项目间的相似度预测用户感兴趣的项目，应用Top‑N推荐算法得出推荐的项目列表。本发明使用Word2vec技术提取语意特征，并使用这些特征来计算项目之间的相似性，克服了传统推荐系统中项目内容语意特征被忽视的问题。本发明基于语意特征进行项目推荐，相比传统推荐算法，本方法推荐的准确性更高。

技术领域

本发明涉及用户兴趣点预测及相关项目推荐技术领域，尤其涉及一种基于语意特征的优化推荐方法。

背景技术

在用户兴趣点预测及相关项目推荐领域，常用的推荐算法有基于内容的过滤算法、协同过滤算法和混合推荐算法。

基于内容的过滤算法通过对推荐项目内容信息的分析，形成表示推荐项目内容的资源特征描述。同时，在与用户的交互过程中，主动记录用户的访问历史，并根据用户己访问资源的内容信息进行用户建模，从而形成用户基于内容的兴趣特征描述。最后，通过度量用户兴趣描述与用户未访问项目特征描述之间的相似性，选取与用户兴趣描述最相似的未访问项目作为用户的个性化推荐。斯坦福大学的Balabanovic等人在论文《An adaptiveWeb page recommendation service》中建立了针对网页推荐的智能代理LIRA，该推荐系统根据基于内容的搜索规则对互联网进行搜索，并将最符合搜索规则的多个页面推荐给用户，用户对获得的网页进行评价后，LIRA依据用户的评价反馈对基于内容的搜索规则进行更新，并将更新后的搜索规则用于后续的网页搜索服务中，实现对搜索服务的完善，通过这种反馈更新机制可以为用户提供较传统搜索引擎更具个性化的搜索内容。加州大学的Pazzani等人在论文《Syskill&webert:Identifying interesting web sites》中实现了基于内容的推荐系统Syskill&webert，该系统借助智能代理记录用户对已浏览网页的评分信息，并通过贝叶斯分类器学习用户的兴趣模型，该用户模型既可用于直接为用户推荐超链接，也可用于构造针对搜索引擎的查询语句，从而提供了多样的推荐形式。基于内容的过滤算法可以通过信息特征描述方法，对推荐对象的内容进行表示，从而挖掘文本内容的本质。但是，对于图片、视频和音乐等多媒体资源很难对其内容特征进行描述，导致基于内容的过滤算法无法工作。另外，基于内容的过滤算法完全依赖于用户的历史行为对用户兴趣进行建模，而无法发现用户潜在的兴趣和信息需求，并主动为用户提供具有一定联想性的个性化推荐，导致用户对推荐的信任度和满意度不高。