[发明专利]一种推荐对象的方法和系统

权利要求书

1.一种推荐对象的方法，所述方法包括：

获取对象数据集和用户行为数据集，其中，所述对象数据集包括每个对象与在该对象上产生行为的用户的序列信息，所述用户行为数据集包括每个用户与该用户在其上产生行为的对象的序列信息；

基于所述用户行为数据集将全部用户划分为活跃用户和非活跃用户，基于所述对象数据集将全部对象划分为活跃对象和非活跃对象；

对活跃对象进行聚类并且对非活跃对象进行聚类以形成多个对象类别；

对活跃用户进行聚类并且对非活跃用户进行聚类以形成多个用户类别；

对于每个目标用户，根据所述目标用户的行为数据、所述多个对象类别和所述目标用户所属的用户类别采用协同过滤方法执行召回以构建所述目标用户的候选集；以及

对所述候选集进行排序，基于排序结果向所述目标用户进行推荐。

2.根据权利要求1所述的方法，其中，所述对活跃对象进行聚类的步骤包括：

选用连续词袋模型方法基于所述活跃用户的用户行为数据集构建对象训练样本；

基于所述对象训练样本训练对象转向量模型以得到对象向量；以及

基于所述活跃对象的对象向量对所述活跃对象进行聚类。

3.根据权利要求1所述的方法，其中，所述对非活跃对象进行聚类的步骤包括：基于所述非活跃对象的基础特征对所述非活跃对象进行聚类。

4.根据权利要求1所述的方法，其中，所述对活跃用户进行聚类的步骤包括：

选用连续词袋模型方法基于所述活跃对象的对象数据集构建用户训练样本；

基于所述用户训练样本训练用户转向量模型以得到用户向量；以及

基于所述活跃用户的用户向量对所述活跃用户进行聚类。

5.根据权利要求1所述的方法，其中，所述对非活跃用户进行聚类的步骤包括：基于所述非活跃用户的基础特征对所述非活跃用户进行聚类。

6.根据权利要求1至5中的任意一项所述的方法，其中，所述聚类的方式采用K平均算法来实现。

7.根据权利要求1所述的方法，其中，所述对所述候选集进行排序的步骤包括：采用机器学习算法进行排序，

其中，所述活跃用户与所述活跃对象之间的匹配程度采用第一模型来计算；

所述活跃用户与所述非活跃对象之间的匹配程度采用第二模型来计算；

所述非活跃用户与所述活跃对象之间的匹配程度采用第三模型来计算；以及

所述非活跃用户与所述非活跃对象之间的匹配程度采用第四模型来计算。

8.一种推荐对象的系统，所述系统包括：

数据获取单元，获取对象数据集和用户行为数据集，其中，所述对象数据集包括每个对象与在该对象上产生行为的用户的序列信息，所述用户行为数据集包括每个用户与该用户在其上产生行为的对象的序列信息；

划分单元，基于所述用户行为数据集将全部用户划分为活跃用户和非活跃用户，基于所述对象数据集将全部对象划分为活跃对象和非活跃对象；

对象分类单元，对活跃对象进行聚类并且对非活跃对象进行聚类以形成多个对象类别；

用户分类单元，对活跃用户进行聚类并且对非活跃用户进行聚类以形成多个用户类别；

候选集生成单元，对于每个目标用户，根据所述目标用户的行为数据、所述多个对象类别和所述目标用户所属的用户类别采用协同过滤方法执行召回以构建所述目标用户的候选集；以及

推荐单元，对所述候选集进行排序，基于排序结果向所述目标用户进行推荐。

9.一种存储指令的计算机可读存储介质，其中，当所述指令被至少一个计算装置运行时，促使所述至少一个计算装置执行如权利要求1至5、7中的任一权利要求所述的推荐对象方法。

10.一种包括至少一个计算装置和至少一个存储指令的存储装置的系统，其中，所述指令在被所述至少一个计算装置运行时，促使所述至少一个计算装置执行如权利要求1至5、7中的任一权利要求所述的推荐对象方法。