一种基于大数据的智能推荐系统及方法

技术领域

本发明涉及大数据应用领域，特别涉及一种基于大数据的智能推荐系统及方法。

背景技术

当今大数据发展的一大关键难题就是如何高效高质量地从海量的数据信息中挖掘有价值的部分，解决信息过载问题的有效方法就是提供的推荐系统，截至目前推荐系统的研究已经得到了广泛的应用，也形成了许多有关的研究成果。以媒资信息内容推荐而言，大数据下的信息众多，用户接收信息时不同的人有不同的喜好，如果给每个人都推送一样的信息内容，难免会造成困扰，且根据职业、职务不同，所想了解到的内容不一样，现有的大数据根据爱好程度，进行针对性的推送，此举很大程度上构建了一个信息茧房，对于其他信息的推送采取封闭，不予推送或降低曝光频率，以损害用户的认知来获取流量，严重损害了用户认知信息的权利。

申请号201710527179.X的发明专利公开一种信息精准推送方法，其包括：获取运营者输入的信息，根据所获取的信息从关系节点资料库中获取与运营者输入的信息相关联的目标粉丝群组；获取运营者输入地加注了特征标签的线上活动内容，并推送给相应的目标粉丝群组；获取粉丝对所述推送的线上活动内容的行为链数据；根据所获取的行为链数据对加注了特征标签的线上活动内容、时间及粉丝进行关联并更新关联信息。本发明中根据所获取的粉丝的行为链数据，将与该行为链数据对应的粉丝与加注了特征标签的线上活动内容及时间等一一进行关联，针对不同线上活动内容/行为关联的用户或用户群体可推送不同的内容，以提高活动内容与粉丝之间匹配的精准度。同时还公开一种信息精准推送系统。

上述技术通过特征标签对接收的信息进行标记，依照特征标签对信息进行分类，然后根据粉丝的行为进行关联，由此推送不同的内容，将与粉丝匹配的内容进行推送，针对多条待推送的信息而言，其推送的顺序不同，每个用户的关注点不同，喜好偏向不同，在用户具备多个偏好特征时，如果按照相同的推送顺序，不利于用户对于信息的接收，现需要一种技术，能够解决用户在接收推送信息时，信息排序无章的问题。

发明内容

本发明提供了一种基于大数据的智能推荐系统及方法，能够解决用户接收信息时排序凌乱的问题。

一种基于大数据的智能推荐系统，包括：

信息获取模块：所述信息获取模块用于主动或被动获取目标源的开放信息，并根据信息内容对其进行分类标签；

算法推荐模块：所述算法推荐模块根据不同推荐应用场景划分为若干个对应的推荐策略供运营人员选择，所述运营人员根据需求每次选择对应的一个或多个推荐策略；

信息预览模块：根据运营人员选择后的类型，对即将获取到的信息进行排序，将所选择标签的信息内容前置，并将每条信息中的主要内容进行提炼，并依次排列展示；

信息推送模块：根据排列后的信息内容逐一将信息推送给用户。

本方案的基本原理及有益效果：本方案通过对每条待推送信息进行标签赋予，然后运营人员根据需求选择需要的推荐算法或算法组合，即推荐策略或多个推荐策略的组合，系统根据运营人员的选择将待推送信息进行排序，并将信息进行预览排列展示，然后根据排列的顺序对用户进行一一推送。

本方案通过运营人员选择的算法，使得待推送的信息按照运营人员的意愿进行排序，使得推送的信息精准性更高，也方便服务于各种各样的客户，提升了推荐的效率和效果。实现了定向化推送，在用户选择标签时（即算法推荐模型），信息预览模块实时对选择后的信息进行排序，并提供给运营人员查看，实现了信息的复看和检查，防止推送错误信息，高效精准地完成了信息的推送。

本方案没有对信息进行封锁，仅优先排序运营人员选择的标签的内容，实现的是效率的提升，同时满足了用户的求知要求和运营的推送目的，剩下的内容也会顺次推送，不会造成用户的读取负担，也有效地提升了用户的读取体验。

本方案中运营人员在修改算法推荐模型时，同步更新推送内容的排序和预览，解决了用户接收信息时排序凌乱的问题。

进一步，所述算法推荐模块包括 ：爱好标签推荐、个性化标签推荐、基于地理位置推荐、基于订阅类推荐、热门话题搜索推荐、内容分类推荐中的一种或多种。

有益效果：提供多元化的选择，运营人员的选择面更大，按标签分类的精度更准确。推送效果的精准度更高。推荐后用户的阅读体验越好。

进一步，所述信息预览模块每次所展示内容条数可设置。

有益效果：根据阅读效率及体验，运营人员可以自己选择信息预览的数量。

进一步，所述每条信息的主要内容以文字方式进行推送，针对图片信息推送，则通过图像识别技术对图形信息进行识别，分析出图像内容，并进行文字转换，然后进行推送，并将推送内容的格式进行图片标注。

有益效果：均以文字信息推送，方便排版展示。

进一步，运营人员可根据算法推荐模块类型选择任意数量的不同类型的算法推荐模块进行组合。

有益效果：复合地选择各类标签，更为精确地了解用户的需求。

进一步，还包括推送信息评估模块，所述推送信息评估模块对待推送信息进行标签占比评估，将待推送信息输入预设的卷积神经网络模型进行标签占比评估，所述卷积神经网络模型通过人工智能运算得出各待推送信息的标签占比，得出每条信息的各个标签的占比数据；并将每条信息依照标签值的占比详情进行排序，通过排序内容去匹配用户选择的组合完成的算法推荐模块，根据吻合程度进行推送排序。

有益效果：通过人工智能训练后的神经卷曲模型对待推送的信息进行标签赋予，得到每条信息的标签分类详情，更为精准地匹配用户需求。

进一步，还包括纠正模块，所述纠正模块用于评价推荐信息的准确度；所述纠正模块用于获取用户在接收到推荐信息后的反馈信息，所述反馈信息包括页面停留时间、是否点赞和是否评论。

有益效果：纠正模块用于在用户在接收到推荐信息后的反馈信息后对反馈信息进行分析，以评价推荐的准确性。

一种基于大数据的智能推荐方法，包括以下步骤：

S1：运营人员创建推荐策略；设置推荐策略名称，生成策略ID作为策略唯一标识，推荐所属内容分类等基础信息；

S2：设置内容比例、去重规则；推荐比例设置可以由系统智能匹配，同时支持用户自定义比例设置和调整，设置去重规则后可让同一推荐内容在一定时段内不被重复推荐；

S3：添加推荐资源；内容推荐资源库，资源库中可查询资源的内容信、分类、权重等信息；

S4：设置资源推荐权重、置顶；通过设置权重可以将资源优先推荐曝光，设置置顶会将资源固定显示在推荐列表顶部，同时支持设置置顶时效性；

S5：选择召回算法；针对各个推荐场景，选择不同的召回算法；

S6：设置召回数量；设置一个召回算法从资源库中获取待推荐资源的候选集数量；

S7：选择排序算法；根据推荐应用场景和召回算法的特点，选择适用的排序算法；

S8：推荐结果预览；通过前面对推荐策略的配置，获取用户预览实际推荐获得的资源内容，及时验证推荐效果；

S9：消息推荐结果分析；针对推荐策略，提供可按时间维度查询资源的曝光量、点击数、点击率等指标。

附图说明

图1为一种基于大数据的智能推荐方法的具体操作示意图；

图2为一种基于大数据的智能推荐系统的结构示意图；

图3为实施例二推荐效果判断的结构示意图。

具体实施方式

下面通过具体实施方式进一步详细说明：

实施例一如附图2所示，

一种基于大数据的智能推荐系统，包括：

信息获取模块：所述信息获取模块用于主动或被动获取目标源的开放信息，并根据信息内容对其进行分类标签；标签内容包括爱好标签、个性化标签、地理位置、基于订阅类、热门话题、内容分类等，采用搜索引擎对各大官媒网站进行待分享信息的进行搜寻获取，针对获取到的信息内容进行评估，还包括推送信息评估模块，所述推送信息评估模块对待推送信息进行标签占比评估，将待推送信息输入预设的卷积神经网络模型进行标签占比评估，所述卷积神经网络模型通过人工智能运算得出各待推送信息的标签占比，得出每条信息的各个标签的占比数据；并将每条信息依照标签值的占比详情进行排序，卷积神经网络模型通过大量样本集进行训练所得，还包括投票系统，针对每条待推送信息的标签类型发起全网投票，获得一手信息标签，将排名前五的标签作为该推送信息的实际标签，获取信息的主要内容，文字内容则智能提取关键词，图片信息或视频信息，则获取图像中的主要特征，并对其进行识别，转化成文字信息，并对其进行关键词提取，完成一条信息的关键词－－标签赋予。每条信息赋予五个标签。

网络获取30万条已完成关键词－－标签配对的数据，将1/3作为样本集，1/3作为训练集，1/3作为测试集，当正确率达到95%以上时，完成模型的建立。后续待发送的新消息通过该模型后便可生成与之匹配的五个标签，并显示出各标签的排序，通过和运营人员选择的标签进行匹配，然后将信息按照运营人员选择的标签进行排序。

算法推荐模块：所述算法推荐模块根据标签内容分为若干个对应的推荐类型供运营人员选择，运营人员自由算法灵活搭配组合，完成对应场景的推荐；所述算法推荐模块包括 ：爱好标签推荐、个性化标签推荐、基于地理位置推荐、基于订阅类推荐、热门话题搜索推荐、内容分类推荐中的一种或多种，本方案中选择5种进行组合。

信息预览模块：根据运营人员选择后的类型，对即将获取到的信息进行排序，将所选择标签的信息内容前置，并将每条信息中的主要内容进行提炼，并依次排列展示；信息预览模块为运营人员查看信息的终端设备，如操作平台上的分屏对此信息进行展示。

信息推送模块：根据排列后的信息内容逐一对用户进行信息的推送，用户终端接收此推荐信息，如用户手机或电脑。

所述信息预览模块每次所展示内容条数可设置，本方案中设置一次推送10条。

所述每条信息的主要内容以文字方式进行推送，针对图片信息推送，则通过图像识别技术对图形信息进行识别，分析出图像内容，并进行文字转换，然后进行推送，并将推送内容的格式进行图片标注。

运营人员可根据算法推荐模块类型选择任意数量的不同类型的算法推荐模块进行组合。

通过排序内容去匹配运营人员选择的组合完成的算法推荐模块，根据吻合程度进行推送排序。

与卷积神经网络模型输出的占比数据进行加权计算，获取各推送信息标签修正数据，并进行排序，然后根据运营人员的选择，对修正排序后的待推送信息进行排序并进行展示。

如附图1所示，还包括适用于上述系统的一种基于大数据的智能推荐方法， 包括以下步骤：

S1：运营人员创建推荐策略；设置推荐策略名称，生成策略ID作为策略唯一标识，推荐所属内容分类等基础信息。

S2：设置内容比例、去重规则；推荐比例设置可以由系统智能匹配，同时支持用户自定义比例设置和调整，设置去重规则后可让同一推荐内容在一定时段内不被重复推荐。

S3：添加推荐资源；内容推荐资源库，资源库中可查询资源的内容信、分类、权重等信息。

S4：设置资源推荐权重、置顶；通过设置权重可以将资源优先推荐曝光，设置置顶会将资源固定显示在推荐列表顶部，同时支持设置置顶时效性。

S5：选择召回算法；针对各个推荐场景，选择不同的召回算法，例如订阅类的推荐算法SVG、ContentBased、ALS等。

S6：设置召回数量；设置一个召回算法从资源库中获取待推荐资源的候选集数量。

S7：选择排序算法；根据推荐应用场景和召回算法的特点，选择例如FNN、DeepFM、GBDT+LR排序算法等。

S8：推荐结果预览；通过前面对推荐策略的配置，可以使用选择某“地区”的用户预览实际推荐获得的资源内容，及时验证推荐效果。

S9：消息推荐结果分析；针对推荐策略，提供可按时间维度查询资源的曝光量、点击数、点击率等指标数据。

实施例二

实施例二与实施例的不同之处在于还包括推荐检测模块，所述推荐检测模块用于获取用户的使用日志，并对日志内容进行分析，所述推荐检测模块至少获取用户在推荐内容的停留时间，所述推荐检测模块设置于用户终端，如用户的手机，实施例一中的推荐系统内置于用户的手机和运营人员的操作平台（如电脑）内，通过网络产生信息交互。推荐信息展示在素色背景板中，背景颜色单一可换，背景颜色有绿色，橙色，褐色等。用户手机的前置摄像头用于获取用户在接收到推荐信息后的图像，通过对图像信息进行分析（采用手机内置的处理器），框取用户的眼睛位置，并统计眼睛的视线移动方向，若眼睛由上至下缓慢移动，则认定用户在阅读；再分析日志，看推荐系统是否处于运行状态，以鉴别用户是否在读取推荐内容，若在运行状态，可初步认定在阅读推荐信息，但仍需要进一步验证，还包括声音获取模块，声音获取模块为手机的麦克风，用于获取用户在接收到推荐信息后的环境音，若环境中出现不属于推荐信息中的视频音或音频音（以推荐信息为文字信息为例），进一步判断用户是在听音乐或者看视频（通过媒体音中的连贯性，歌曲无其他杂音，视频的环境杂音多来进行区分），若为听音乐，且用户视线面对手机屏幕，则判断他在看推荐信息，若为看视频，则初步判断用户未在看推荐信息。通过图像信息中用户脸部的色彩进行分析，得出手机屏幕背景色，由于在看手机时，手机屏幕的光会打在用户的脸上，不同的背景色，呈现在用户脸上的效果不同，通过实验室内的大数据的模拟，能够完成对用户脸上因光反射产生的色彩不同，从而推断出手机屏幕的背景色，本方案中，推荐系统的背景色设置为单一色系，一定程度上避免了颜色过多产生的色斑交杂的情况，减少了评判难度，若分析所得的背景色与推荐系统的背景色相同，则可判断用户在读取推荐信息。通过匹配用户读取推荐信息的时长来确定用户对于推荐信息的认可度，通过推荐信息的文字量预估阅读时间，按照100字/分钟进行预估判断，若用户在预估值的0.5-3倍的时间内完成阅读，则将此次认定为有效推荐，强化此次推荐的策略，若用户所用时间在估值范围外，则认其为无效推荐，将无效推荐次数进行收集，在无效推荐次数达到阈值（设定100次），则研讨修改推荐策略及算法。

以上的仅是本发明的实施例，该发明不限于此实施案例涉及的领域，方案中公知的具体结构及特性等常识在此未作过多描述，所属领域普通技术人员知晓申请日或者优先权日之前发明所属技术领域所有的普通技术知识，能够获知该领域中所有的现有技术，并且具有应用该日期之前常规实验手段的能力，所属领域普通技术人员可以在本申请给出的启示下，结合自身能力完善并实施本方案，一些典型的公知结构或者公知方法不应当成为所属领域普通技术人员实施本申请的障碍。应当指出，对于本领域的技术人员来说，在不脱离本发明结构的前提下，还可以作出若干变形和改进，这些也应该视为本发明的保护范围，这些都不会影响本发明实施的效果和专利的实用性。本申请要求的保护范围应当以其权利要求的内容为准，说明书中的具体实施方式等记载可以用于解释权利要求的内容。