技術(shù)特征：

1.一種基于標(biāo)簽的用戶協(xié)同過濾內(nèi)容推薦方法，其特征在于，包括：

獲取多個(gè)待推薦內(nèi)容的標(biāo)簽信息；

根據(jù)所述標(biāo)簽信息之間的相似度，對所述標(biāo)簽信息進(jìn)行聚類，得到多個(gè)標(biāo)簽簇；

根據(jù)所述標(biāo)簽信息、所述標(biāo)簽簇得到多個(gè)用戶的興趣向量；所述多個(gè)用戶包括目標(biāo)用戶；

根據(jù)各個(gè)所述用戶的興趣向量，以及各個(gè)所述用戶的第一瀏覽記錄得到各個(gè)所述用戶之間的相似度，并根據(jù)各個(gè)所述用戶之間的相似度，確定與所述目標(biāo)用戶相關(guān)的用戶；所述第一瀏覽記錄包括：所述用戶瀏覽過的內(nèi)容的集合，以及對所述集合中的內(nèi)容瀏覽的時(shí)間；

根據(jù)所述目標(biāo)用戶和與所述目標(biāo)用戶相關(guān)的用戶之間的相似度，以及與所述目標(biāo)用戶相關(guān)的用戶的第一瀏覽記錄，得到所述目標(biāo)用戶對應(yīng)的各個(gè)所述待推薦內(nèi)容的推薦度，并根據(jù)所述推薦度對所述目標(biāo)用戶進(jìn)行內(nèi)容推薦。

2.根據(jù)權(quán)利要求1所述的方法，其特征在于，根據(jù)所述標(biāo)簽信息之間的相似度，對所述標(biāo)簽信息進(jìn)行聚類，得到多個(gè)標(biāo)簽簇，包括：

a、將所有的標(biāo)簽信息分別作為一個(gè)標(biāo)簽簇；

b、計(jì)算所述標(biāo)簽簇兩兩之間的相似度，確定相似度最大的兩個(gè)標(biāo)簽簇，若所述相似度大于預(yù)設(shè)閾值，則將所述兩個(gè)標(biāo)簽簇進(jìn)行合并；

c、判斷合并后的標(biāo)簽簇的個(gè)數(shù)是否等于預(yù)設(shè)個(gè)數(shù)，若否，則重復(fù)所述b，直至標(biāo)簽簇的個(gè)數(shù)等于預(yù)設(shè)個(gè)數(shù)。

3.根據(jù)權(quán)利要求1或2所述的方法，其特征在于，根據(jù)所述標(biāo)簽信息之間的相似度，對所述標(biāo)簽信息進(jìn)行聚類，得到多個(gè)標(biāo)簽簇之后，還包括：

計(jì)算所述標(biāo)簽簇的中心和半徑，并根據(jù)所述標(biāo)簽簇的中心和半徑確定相交的標(biāo)簽簇；

將所述相交的標(biāo)簽簇中位于相交區(qū)域內(nèi)的標(biāo)簽信息，放入所述相交的標(biāo)簽簇中不包含所述標(biāo)簽信息的標(biāo)簽簇中。

4.根據(jù)權(quán)利要求1或2所述的方法，其特征在于，根據(jù)所述標(biāo)簽信息、所述標(biāo)簽簇得到多個(gè)用戶的興趣向量，包括：

分別將每個(gè)所述待推薦內(nèi)容的各個(gè)所述標(biāo)簽信息映射到所述標(biāo)簽簇中，得到每個(gè)所述待推薦內(nèi)容對應(yīng)的話題向量；

根據(jù)所述待推薦內(nèi)容對應(yīng)的話題向量以及與各個(gè)所述用戶的第二瀏覽記錄對應(yīng)的權(quán)重，得到各個(gè)所述用戶的興趣向量；所述第二瀏覽記錄包括所述用戶對所述待推薦內(nèi)容的瀏覽時(shí)長。

5.根據(jù)權(quán)利要求4所述的方法，其特征在于，分別將每個(gè)所述待推薦內(nèi)容的各個(gè)所述標(biāo)簽信息映射到所述標(biāo)簽簇中，得到每個(gè)所述待推薦內(nèi)容對應(yīng)的話題向量，包括：

確定所述待推薦內(nèi)容的各個(gè)所述標(biāo)簽信息歸屬的標(biāo)簽簇，將歸屬于第n個(gè)標(biāo)簽簇的標(biāo)簽信息的個(gè)數(shù)作為所述待推薦內(nèi)容對應(yīng)的話題向量的第n個(gè)元素；

其中，n的取值范圍為大于0，且n小于等于所述標(biāo)簽簇的個(gè)數(shù)。

6.根據(jù)權(quán)利要求4所述的方法，其特征在于，根據(jù)所述待推薦內(nèi)容對應(yīng)的話題向量以及與各個(gè)所述用戶的第二瀏覽記錄對應(yīng)的權(quán)重，得到各個(gè)所述用戶的興趣向量，包括：

將各個(gè)所述待推薦內(nèi)容對應(yīng)的話題向量的加權(quán)和作為所述用戶的興趣向量；

其中，所述話題向量對應(yīng)的權(quán)重為根據(jù)所述用戶對所述待推薦內(nèi)容的第二瀏覽記錄以及所述待推薦內(nèi)容的熱門度確定的。

7.根據(jù)權(quán)利要求1或2所述的方法，其特征在于，根據(jù)各個(gè)所述用戶的興趣向量，以及所述用戶的瀏覽記錄得到各個(gè)所述用戶之間的相似度，包括：

根據(jù)如下公式(1)確定各個(gè)所述用戶之間的相似度；

$Wuv=\mathrm{\β}\·\frac{\underset{i\∈N\left(u\right)\∪N\left(v\right)}{\Σ}\frac{1}{1+\mathrm{\α}|Tui-Tvi|}}{\sqrt{\left|N\left(u\right)\right|\∪\left|N\left(v\right)\right|}}+(1-\mathrm{\β})\·cos(\stackrel{\→}{u},\stackrel{\→}{v})---\left(1\right);$

其中，Wuv表示用戶u和用戶v的相似度，N(u)表示用戶u瀏覽過的內(nèi)容集合，N(v)表示用戶v瀏覽過的內(nèi)容集合，Tui表示用戶u瀏覽第i個(gè)內(nèi)容的時(shí)間點(diǎn)，Tvi表示用戶v瀏覽第i個(gè)內(nèi)容的時(shí)間點(diǎn)，|N(u)|和|N(v)|分別表示N(u)和N(v)包含的元素個(gè)數(shù)；表示用戶u的興趣向量和用戶v的興趣向量的相似度；β為權(quán)重因子；α為預(yù)設(shè)的時(shí)間因子。

8.根據(jù)權(quán)利要求1或2所述的方法，其特征在于，根據(jù)所述目標(biāo)用戶和與所述目標(biāo)用戶相關(guān)的用戶之間的相似度，以及與所述目標(biāo)用戶相關(guān)的用戶的第一瀏覽記錄，得到所述目標(biāo)用戶對應(yīng)的各個(gè)所述待推薦內(nèi)容的推薦度，包括：

根據(jù)如下公式(2)得到所述目標(biāo)用戶對應(yīng)的各個(gè)所述待推薦內(nèi)容的推薦度

$P(u,i)=\underset{v\∈S(u,k)}{\Σ}Wuv\·Rvi\·\frac{1}{1+\mathrm{\α}(To-Tvi)}---\left(2\right);$

其中，P(u,i)表示目標(biāo)用戶u對應(yīng)的第i個(gè)待推薦內(nèi)容的推薦度。S(u,k)表示和目標(biāo)用戶u相似度最大的k個(gè)用戶的集合，Wuv表示目標(biāo)用戶u和與目標(biāo)用戶相關(guān)的用戶v的相似度，Rvi表示用戶v對第i個(gè)待推薦內(nèi)容的興趣值，若用戶v瀏覽過第i個(gè)待推薦內(nèi)容，則Rvi為1；若用戶沒有瀏覽過第i個(gè)待推薦內(nèi)容，則Rvi為0；To表示當(dāng)前時(shí)間，Tvi表示用戶v對第i個(gè)待推薦內(nèi)容的瀏覽時(shí)間點(diǎn)；α為預(yù)設(shè)的時(shí)間因子。

9.一種基于標(biāo)簽的用戶協(xié)同過濾內(nèi)容推薦裝置，其特征在于，包括：

獲取模塊，用于獲取多個(gè)待推薦內(nèi)容的標(biāo)簽信息；

聚類模塊，用于根據(jù)所述標(biāo)簽信息之間的相似度，對所述標(biāo)簽信息進(jìn)行聚類，得到多個(gè)標(biāo)簽簇；

興趣向量計(jì)算模塊，用于根據(jù)所述標(biāo)簽信息、所述標(biāo)簽簇得到多個(gè)用戶的興趣向量；所述多個(gè)用戶包括目標(biāo)用戶；

相似度計(jì)算模塊，用于根據(jù)各個(gè)所述用戶的興趣向量，以及各個(gè)所述用戶的第一瀏覽記錄得到各個(gè)所述用戶之間的相似度，并根據(jù)各個(gè)所述用戶之間的相似度，確定與所述目標(biāo)用戶相關(guān)的用戶；所述第一瀏覽記錄包括：所述用戶瀏覽過的內(nèi)容的集合，以及對所述集合中的內(nèi)容瀏覽的時(shí)間；

推薦模塊，用于根據(jù)所述目標(biāo)用戶和與所述目標(biāo)用戶相關(guān)的用戶之間的相似度，以及與所述目標(biāo)用戶相關(guān)的用戶的第一瀏覽記錄，得到所述目標(biāo)用戶對應(yīng)的各個(gè)所述待推薦內(nèi)容的推薦度，并根據(jù)所述推薦度對所述目標(biāo)用戶進(jìn)行內(nèi)容推薦。

10.根據(jù)權(quán)利要求9所述的裝置，其特征在于，所述興趣向量計(jì)算模塊，包括：

話題向量計(jì)算單元，用于分別將每個(gè)所述待推薦內(nèi)容的各個(gè)所述標(biāo)簽信息映射到所述標(biāo)簽簇中，得到每個(gè)所述待推薦內(nèi)容對應(yīng)的話題向量；

興趣向量計(jì)算單元，用于根據(jù)所述待推薦內(nèi)容對應(yīng)的話題向量以及與各個(gè)所述用戶的第二瀏覽記錄對應(yīng)的權(quán)重，得到各個(gè)所述用戶的興趣向量；所述第二瀏覽記錄包括所述用戶對所述待推薦內(nèi)容的瀏覽時(shí)長。