[发明专利]一种基于预测值分析的新项目推荐方法

说明书

本发明一种基于预测值分析的新项目推荐方法，特点在于将用户划分为探索用户和惰性用户，包括以下步骤：通过分析用户U0评价项目的兴趣点信息，判断U0为探索用户或者惰性用户，获得用户新项目探索权重；根据项目‑属性信息，考虑项目具备属性的个数和共同具备某属性的项目的个数，获得基于项目属性信息的预测评分值；通过分析用户评价项目的兴趣点信息，结合预测评分值，得到最终的预测评分值，如果预测评分值超过设定阈值，则将该项目推荐给用户U0。本发明将用户划分为探索用户和惰性用户，提出基于预测值分析的新项目推荐方法，解决了基于物品的协同过滤在新项目推荐时难以找到合适潜在推荐用户的冷启动问题，提高了新项目的推荐效果。

技术领域

本发明属于信息推送、商品推送、互联网多媒体领域，具体的说是涉及一种基于预测值分析的新项目推荐方法。

背景技术

随着信息技术的发展，互联网大量服务的产生导致信息过载问题出现，用户难以从海量信息中准确获取自身需求。推荐系统成为重要的缓解方法之一，有效的推荐方案能够帮助用户快速地筛选出其感兴趣的服务。现实生活中存在着各种以群体形式展开的活动，传统的个性化推荐系统难以满足群体用户的需求，因此面向群组的推荐受到越来越多的关注。目前，大部分工作仅考虑静态的用户偏好，而没有考虑随时间变化的用户偏好，用户兴趣迁移会影响最终的推荐效果，使得用户对于推荐结果满意度下降。

如何更准确地将新的项目与新的信息准确推送给潜在用户成了推荐领域的关键问题。新的信息因为缺乏用户评分，在首次推送过程中无法准确推送给潜在用户。

ZL202010401624X公开了一种改进了协同过滤推荐算法的推荐系统，该系统首先收集用户的各类历史信息及当前点击操作作为输入模块输入到推荐算法中，然后推荐算法对数据信息进行分析计算生成推荐列表，最后将推荐列表发往客户端，从而向用户展示个性化的项目推荐列表，虽然此方法考虑到了用户的喜好、年龄、点击量等来为用户进行个性化推荐，但这种推荐系统推荐效果不佳，依然无法解决在新项目推荐时难以找到合适潜在推荐用户的冷启动的技术问题。

ZL2020112190445公开了一种内容项推荐方法、装置、设备及存储介质，该推荐方法中的目标内容项为被触发的时间最邻近当前时间的内容项，基于探索和利用策略从多个相关内容项中筛选推荐内容项，向用户推送推荐内容项，虽然该方法增加了用户感兴趣的相对冷门的内容项的曝光力度，但是其只考虑时间这一因素，除时间因素之外，地点、网络、设备等也是改变用户偏好的影响因素。

发明内容

为了解决上述问题，本发明提供了一种基于预测值分析的新项目推荐方法，该方法基于物品的协同过滤技术得到用户对项目的预测评分，创新性地将用户群体划分为探索用户和惰性用户，在原有预测评分上加入探索权重，最终得到更为合理的预测评分，能够提高新项目推送的精准度，保证用户对推送内容的满意程度的同时还可以给用户带来惊喜。

为了达到上述目的，本发明是通过以下技术方案实现的：

本发明是一种基于预测值分析的新项目推荐方法，包括如下步骤：

S1、通过分析用户U0评价项目的兴趣点信息，判断用户U0为探索用户或者惰性用户，获得用户新项目探索权重即基于用户评价项目的历史数据计算出用户的探索权重，具体包括如下步骤：

S11、定义sumnew表示用户U0评价新项目的次数，sumall表示用户U0评价项目的总次数，则用户U0的探索权重w₀计算公式为：

S12、w₀值越大，表示用户探索属性越高，说明U0更加偏爱新项目的推荐，对新发布的项目接受度更高，定义为探索用户；w₀值偏小时，说明用户U0对熟悉的项目更偏爱，而对新项目的接受度较低，定义为惰性用户；