一種基于用戶質(zhì)量模型的協(xié)同過濾標(biāo)簽推薦方法及系統(tǒng)的制作方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及WEB應(yīng)用技術(shù)領(lǐng)域，尤其涉及一種基于用戶質(zhì)量模型的協(xié)同過濾標(biāo)簽 推薦方法及系統(tǒng)。
【背景技術(shù)】
[0002] 隨著網(wǎng)絡(luò)技術(shù)的深入發(fā)展，標(biāo)簽已經(jīng)成為互聯(lián)網(wǎng)上的一種標(biāo)準(zhǔn)信息組織方式，在 自由分類法中得到了廣泛的應(yīng)用，自由分類法是一種用戶對信息自由存取的方法，這種方 法使得用戶能夠用自己的語音以"標(biāo)簽"的形式對信息特征進(jìn)行標(biāo)注。利用標(biāo)簽對本文、圖 片、視頻以及音頻資源進(jìn)行信息的分類、組織和檢索，實現(xiàn)信息的搜索和共享，是互聯(lián)網(wǎng)信 息環(huán)境中一種獨具特色的信息組織工具。在過去的近幾年，用戶建立、分享元數(shù)據(jù)的標(biāo)簽系 統(tǒng)已經(jīng)在internet上得到了探索和應(yīng)用，例如Flickrtll，Del·icio.us21，Connoteat以及 LibraryThingt等網(wǎng)站都被認(rèn)為是Web2.0技術(shù)應(yīng)用的實例，因為它們利用網(wǎng)絡(luò)來收集和整 理信息，這類系統(tǒng)提供了 "團(tuán)體驅(qū)動"和"有機"的方法來對網(wǎng)絡(luò)信息資源分類，便于信息的 發(fā)現(xiàn)、瀏覽、以及復(fù)用。
[0003] 傳統(tǒng)分類系統(tǒng)中的分類詞匯往往缺乏流行性和相關(guān)性，詞匯相對過時，并且專業(yè) 人士很難通過傳統(tǒng)分類詞匯搜索獲得相關(guān)信息和預(yù)期結(jié)果，且傳統(tǒng)分類結(jié)構(gòu)中使用的元數(shù) 據(jù)成本相對高昂，因為元數(shù)據(jù)的定義和分類需要耗費專業(yè)人士大量的時間和精力，而在標(biāo) 簽系統(tǒng)中，系統(tǒng)將繁瑣的元數(shù)據(jù)定義任務(wù)交給用戶來完成，標(biāo)簽定義是用戶對資源的團(tuán)體 行為，因此標(biāo)簽系統(tǒng)較之傳統(tǒng)的固定層次結(jié)構(gòu)分類系統(tǒng)對用戶來說緊密性更強、適應(yīng)性更 好，更符合當(dāng)前流行趨勢。標(biāo)簽分類通過標(biāo)簽使得搜尋的重點得到更好的顯示和突出，與一 般的關(guān)鍵詞不同的是，用關(guān)鍵詞進(jìn)行搜索時，只能搜索到內(nèi)容里包含關(guān)鍵詞的文章，但tag 包含了文中沒有的關(guān)鍵詞，使用tag來搜索，可以搜索到包含關(guān)鍵詞以外詞匯的文章，擴大 了搜索的寬度和廣度。
[0004] 雖然標(biāo)簽在實現(xiàn)信息資源的檢索和網(wǎng)頁導(dǎo)航時體現(xiàn)出卓越的優(yōu)勢，但標(biāo)簽的使用 要求人們必須預(yù)先定義標(biāo)簽，然而手工標(biāo)簽的定義過程往往費時繁瑣，為了將人們從費時 繁瑣的標(biāo)簽定義工作中解放出來，使自由分類能得到更廣泛應(yīng)用，標(biāo)簽推薦服務(wù)的推出迫 在眉睫，該服務(wù)實現(xiàn)的是給用戶推薦一些潛在的可能為用戶所感興趣的標(biāo)簽，讓用戶從中 選擇，從而使標(biāo)簽定義更為方便快捷。
[0005] 標(biāo)簽推薦是一個伴隨著網(wǎng)絡(luò)技術(shù)推廣應(yīng)用而出現(xiàn)的新興領(lǐng)域，但從整體上看存在 以下問題：
[0006] 1.標(biāo)簽陳舊問題。所推薦的標(biāo)簽來源于固定的標(biāo)簽體系，隨著時間的推移，數(shù)據(jù)量 的不斷增大，必需增加一些原有標(biāo)簽體系中所缺乏的，而又適用于新資源的標(biāo)簽，但固定的 標(biāo)簽體系并不能隨著時間的推移而演進(jìn)，勢必會造成推薦質(zhì)量的下降。
[0007] 2.冷啟動問題。用戶、標(biāo)簽、資源是標(biāo)簽推薦系統(tǒng)的三大要素，推薦時應(yīng)充分考慮 這三大要素在系統(tǒng)中的出現(xiàn)情況，但現(xiàn)有標(biāo)簽推薦系統(tǒng)大都只從現(xiàn)有的用戶模型和資源模 型來提取信息，卻忽略了系統(tǒng)在面對一個新用戶、新資源時應(yīng)該必須解決的數(shù)據(jù)挖掘問題。
[0008] 3.標(biāo)簽源的單一性。資源內(nèi)容、用戶歷史標(biāo)簽(也稱為用戶興趣標(biāo)簽）、資源歷史標(biāo) 簽是標(biāo)簽推薦的三種最主要的標(biāo)簽來源，而且每種標(biāo)簽源都有自身的優(yōu)缺點，現(xiàn)有的標(biāo)簽 推薦系統(tǒng)大都只專注于其中的某一種，沒有把多種標(biāo)簽源結(jié)合起來。
[0009] 因此，現(xiàn)有技術(shù)還有待于改進(jìn)和發(fā)展。

【發(fā)明內(nèi)容】

[0010] 鑒于現(xiàn)有技術(shù)的不足，本發(fā)明目的在于提供一種基于用戶質(zhì)量模型的協(xié)同過濾標(biāo) 簽推薦方法及系統(tǒng)，旨在解決現(xiàn)有技術(shù)中基于協(xié)同過濾推薦算法以及現(xiàn)有的大多數(shù)標(biāo)簽推 薦算法都存在著標(biāo)簽空間陳舊、冷啟動以及標(biāo)簽源過于單一等問題。
[0011] 本發(fā)明的技術(shù)方案如下：
[0012] -種基于用戶質(zhì)量模型的協(xié)同過濾標(biāo)簽推薦方法，其中，方法包括：
[0013] A、檢測到用戶輸入信息，獲取標(biāo)簽分類信息數(shù)據(jù)庫中的訓(xùn)練集，提取訓(xùn)練集中所 有標(biāo)簽構(gòu)成現(xiàn)有系統(tǒng)的標(biāo)簽體系，并根據(jù)資源和用戶在現(xiàn)有系統(tǒng)中出現(xiàn)的情況對標(biāo)簽體系 進(jìn)tx完善；
[0014] B、將系統(tǒng)中用戶的信息映射到二維矩陣構(gòu)建用戶模型，并以用戶-標(biāo)簽二維矩陣 形式進(jìn)行存儲；
[0015] C、獲取當(dāng)前用戶的模型向量，計算當(dāng)前用戶與系統(tǒng)中鄰居用戶的相似度；
[0016] D、計算系統(tǒng)中鄰居用戶的模型質(zhì)量；
[0017] E、根據(jù)系統(tǒng)中鄰居用戶的模型質(zhì)量，根據(jù)改進(jìn)的協(xié)同過濾推薦算法產(chǎn)生最佳推 薦；
[0018] F、將最佳推薦結(jié)果通過WEB服務(wù)器返回至用戶界面。
[0019] 所述的基于用戶質(zhì)量模型的協(xié)同過濾標(biāo)簽推薦方法，其中，所述步驟A具體包括：
[0020] A1、檢測到用戶輸入信息，獲取標(biāo)簽分類信息數(shù)據(jù)庫中的訓(xùn)練集，提取訓(xùn)練集中的 所有標(biāo)簽構(gòu)成現(xiàn)有系統(tǒng)S的標(biāo)簽體系C{tl，t2,. . .，tn};
[0021 ] A2、判斷資源Ri和用戶Ui在現(xiàn)有系統(tǒng)S中出現(xiàn)的情況；
[0022] A3、若UieSandRi鉉S或是ESandRi運S，若資源沒有在現(xiàn)有系統(tǒng)中出 現(xiàn)過，則提取資源心中的前X個權(quán)重最高的資源標(biāo)題關(guān)鍵字加入系統(tǒng)標(biāo)簽體系C中；
[0023] A4、若％gSandRiES，即資源在系統(tǒng)中出現(xiàn)過，用戶沒有出現(xiàn)過，則提取資 源Ri中的Y個使用頻率最高的標(biāo)簽和X個權(quán)重最高的資源標(biāo)題關(guān)鍵字加入系統(tǒng)標(biāo)簽體系C中；
[0024] andR^S，即用戶和資源都在系統(tǒng)中出現(xiàn)過，采用歷史標(biāo)簽信息。
[0025] 所述的基于用戶質(zhì)量模型的協(xié)同過濾標(biāo)簽推薦方法，其中，所述步驟B具體包括：
[0026] B1、將系統(tǒng)中K個用戶的信息映射到二維矩陣構(gòu)建用戶模型，并映射結(jié)果以用戶_ 標(biāo)簽特征矩陣進(jìn)行存儲；
[0027]B2、矩陣中每一行向量. . . ;W(Ti);W(Tn))代表一個用戶的用戶 模型，其中Ti表示第i個與用戶Uk相關(guān)的資源，w(Ti)表示標(biāo)簽Ti在向量VUk中的權(quán)重，
[0028]
[0029] 其中tfdUk)表示標(biāo)簽被用戶Uk使用的次數(shù)，N表示系統(tǒng)標(biāo)簽總數(shù)，NTj表示至 少使用過一次!\標(biāo)簽的用戶數(shù)。
[0030] 所述的基于用戶質(zhì)量模型的協(xié)同過濾標(biāo)簽推薦方法，其中，所述步驟C具體為:獲 取當(dāng)前用戶的模型向量，計算當(dāng)前用戶與系統(tǒng)中鄰居用戶的相似度sim(profu，profv)
[0031]
[0032]其中profu和profv分別為當(dāng)前用戶u和鄰居用戶v的用戶模型向量。
[0033]所述的基于用戶質(zhì)量模型的協(xié)同過濾標(biāo)簽推薦方法，其中，所述步驟D具體包括： 計算系統(tǒng)中鄰居用戶的模型質(zhì)量Qu(v)，
[0034]
[0035]
[0036] 丨lit k· I
[0037] 上述式子中，lu為用戶v的第i個標(biāo)簽L·為k1的用戶數(shù)規(guī)范化值，avgUsinUki iNu 為匕的用戶平均相似度，為匕的詞頻，《(1，1^)為1^的特異性值，鄰居用戶的模型質(zhì)量為 Νι 該鄰居用戶的平均標(biāo)簽質(zhì)量。
[0038] 所述的基于用戶質(zhì)量模型的協(xié)同過濾標(biāo)簽推薦方法，其中，所述步驟E中的改進(jìn)的 協(xié)同過濾推薦算法中的最佳推薦結(jié)果記為T(u，r)，計算公式為：
[0039]
[0040]
[0041] δ(ν，1，t): =lifδ(ν，1，t)EUXLXT，else0〇，
[0042] 上式中Nu為當(dāng)前用戶u的k個最相近的鄰居用戶，T(u，r)為算法的最佳推薦結(jié)果， sim(profu，profv)為當(dāng)前用戶u和鄰居用戶v之間的相似度，δ(ν，Γ，t)eUXRXT表示用戶v 對資源r存在標(biāo)簽定義關(guān)系。
[0043] 一種基于用戶質(zhì)量模型的協(xié)同過濾標(biāo)簽推薦系統(tǒng)，其中，系統(tǒng)包括：
[0044]標(biāo)簽體系完善模塊，用于檢測到用戶輸入信息，獲取標(biāo)簽分類信息數(shù)據(jù)庫中的訓(xùn) 練集，提取訓(xùn)練集中所有標(biāo)簽構(gòu)成現(xiàn)有系統(tǒng)的標(biāo)簽體系，并根據(jù)資源和用戶在現(xiàn)有系統(tǒng)中 出現(xiàn)的情況對標(biāo)簽體系進(jìn)行完善；
[0045]用戶模型構(gòu)建模塊，用于將系統(tǒng)中用戶的信息映射到二維矩陣構(gòu)建用戶模型，并 以用戶-標(biāo)簽二維矩陣形式進(jìn)行存儲；
[0046]相似度計算模塊，用于獲取當(dāng)前用戶的模型向量，計算當(dāng)前用戶與系統(tǒng)中鄰居用 戶的相似度；
[0047]模型質(zhì)量計算模塊，用于計算系統(tǒng)中鄰居用戶的模型質(zhì)量；
[0048]最佳推薦生成模塊，用于根據(jù)系統(tǒng)中鄰居用戶的模型質(zhì)量，根據(jù)改進(jìn)的協(xié)同過濾 推薦算法生成最佳推薦；
[0049]結(jié)果反饋模塊，用于將最佳推薦結(jié)果通過WEB服務(wù)器返回至用戶界面。
[0050]所述的基于用戶質(zhì)量模型的協(xié)同過濾標(biāo)簽推薦系統(tǒng)，其中，所述標(biāo)簽體系完善模 塊具體包括：
[0051]標(biāo)簽體系構(gòu)成單元，用于檢測到用戶輸入信息，獲取標(biāo)簽分類信息數(shù)據(jù)庫中的訓(xùn) 練集，提取訓(xùn)練集中的所有標(biāo)簽構(gòu)成現(xiàn)有系統(tǒng)S的標(biāo)簽體系C{tl，t2,. . .，tn};
[0052] 判斷單元，用于判斷資源Ri和用戶Ui在現(xiàn)有系統(tǒng)S中出現(xiàn)的情況；
[0053]第一處理單元，用于若UieSandRies或是UieSandRigS，若