CN107133292A - 对象推荐方法及系统 - Google Patents

Abstract

本发明提供了一种对象推荐方法及系统，获取M个参照对象中各参照对象与目标对象m的相似度值，从这M个参照对象中筛选出K个参照对象，根据该K个参照对象中各参照对象与目标对象m的相似度值，以及，目标用户u对这K个参照对象打出的实际评分值，确定目标用户u对目标对象m的预测评分值，根据该预测评分值，确定是否将目标对象m推荐给目标用户u。本发明技术方案具有算法复杂度低，推荐准确性高的优点，而且无需海量的用户行为数据以及充分的用户信息来参与运算，面对个人信息不全、行为数据较少的用户，也能够提供准确的推荐结果。

Description

对象推荐方法及系统

技术领域

本发明涉及信息处理领域，更具体的说，涉及对象推荐方法及系统。

背景技术

互联网给用户带来了大量的信息，满足了用户在信息时代对信息的需求，但也使得用户在面对大量信息时无法从中获得自己真正需要的信息，反而降低了信息的使用效率，为了提高信息的使用效率，目前通常会采用信息推荐的方式来为用户主动推荐用户可能需要的信息，帮助用户快速发现感兴趣和高质量的信息，有效减少用户浏览到重复或者厌恶的信息带来的不利影响，提升用户体验。

目前常用的信息推荐算法有KNN(k-NearestNeighbor，K最近邻)推荐算法和基于投票统计的推荐算法(例如，《今日头条》信息平台的推荐算法)，但是，KNN推荐算法非常繁琐，尤其是k值的选取妥当与否严重影响着推荐结果的准确性，而基于投票统计的推荐算法，虽然看似简单，但却需要海量的用户行为数据以及充分的用户信息参与运算，才能获得准确的推荐结果。所以，对于个人信息不全、行为数据较少的用户来说，目前还没有一种简单高效的推荐方法能够为其提供准确的推荐结果。

所以，目前迫切需要一种能够为个人信息不全、行为数据较少的用户提供准确推荐结果的技术方案。

发明内容

有鉴于此，本发明提供了一种对象推荐方法及系统，以解决目前无法为个人信息不全、行为数据较少的用户提供准确推荐结果的技术问题。

为实现上述目的，本发明提供如下技术方案：

一种对象推荐方法，包括：

获取M个参照对象中各参照对象与目标对象m的相似度值，M≥1；

从所述M个参照对象中筛选出K个参照对象；所述K个参照对象中的任一个均具有目标用户u打出的实际评分值，并且与所述目标对象m的相似度值大于预设阈值；

根据所述K个参照对象中各参照对象与所述目标对象m的相似度值，以及，所述目标用户u对所述K个参照对象中各参照对象打出的实际评分值，确定所述目标用户u对所述目标对象m的预测评分值；

根据所述预测评分值，确定是否将所述目标对象m推荐给所述目标用户u。

优选的，所述获取M个参照对象中各参照对象与目标对象m的相似度值包括：

获取参照用户v对所述目标对象m打出的实际评分值r_vm，以及，所述参照用户v对参照对象n打出的实际评分值r_vn；所述参照对象n为所述M个参照对象中任一参照对象；

利用公式计算所述目标对象m的平均分

利用公式计算所述参照对象n的平均分

利用公式计算所述目标对象m与所述参照对象n的相似度值S_mn；

其中，P_mn是由至少一个参照用户组成的集合，N_P为所述P_mn中的参照用户的人数，所述参照用户为对目标对象m和参照对象n均评过分的用户，所述参照用户v为P_mn中任一参照用户。

优选的，所述根据所述K个参照对象中各参照对象与所述目标对象m的相似度值，以及，所述目标用户u对所述K个参照对象中各参照对象打出的实际评分值，确定所述目标用户u对所述目标对象m的预测评分值包括：

利用公式计算目标用户u对所述目标对象m的预测评分值

其中，S_mn为参照对象n与目标对象m的相似度值，r_un为所述目标用户u对所述参照对象n打出的实际评分值，N(u,m)为所述K个参照对象组成的集合，所述参照对象n为所述M个参照对象中任一参照对象。

优选的，所述方法还包括：

当所述预测评分值大于预设阈值时，获取所述目标对象m的属性信息；

根据所述属性信息确定所述目标用户u的用户群体信息。

优选的，所述根据所述预测评分值，确定是否将所述目标对象m推荐给所述目标用户u包括：

当所述预测评分值大于预设阈值时，确定将所述目标对象m推荐给所述目标用户u。

优选的，所述K个参照对象中任一个与所述目标对象m的相似度值均大于0。

一种对象推荐系统，包括：

相似度获取单元，用于获取M个参照对象中各参照对象与目标对象m的相似度值，M≥1；

参照选取单元，用于从所述M个参照对象中筛选出K个参照对象；所述K个参照对象中的任一个均具有目标用户u打出的实际评分值，并且与所述目标对象m的相似度值大于预设阈值；

目标预测单元，用于根据所述K个参照对象中各参照对象与所述目标对象m的相似度值，以及，所述目标用户u对所述K个参照对象中各参照对象打出的实际评分值，确定所述目标用户u对所述目标对象m的预测评分值；

推荐确定单元，用于根据所述预测评分值，确定是否将所述目标对象m推荐给所述目标用户u。

优选的，所述相似度获取单元包括：

评分获取单元，用于获取参照用户v对所述目标对象m打出的实际评分值r_vm，以及，所述参照用户v对参照对象n打出的实际评分值r_vn；所述参照对象n为所述M个参照对象中任一参照对象；

均值计算单元，用于利用公式计算所述目标对象m的平均分利用公式计算所述参照对象n的平均分

相似度计算单元，用于利用公式计算所述目标对象m与所述参照对象n的相似度值S_mn；

其中，P_mn是由至少一个参照用户组成的集合，N_P为所述P_mn中的参照用户的人数，所述参照用户为对目标对象m和参照对象n均评过分的用户，所述参照用户v为P_mn中任一参照用户。

优选的，所述目标预测单元包括：

预测计算单元，用于利用公式计算目标用户u对所述目标对象m的预测评分值

其中，S_mn为参照对象n与目标对象m的相似度值，r_un为所述目标用户u对所述参照对象n打出的实际评分值，N(u,m)为所述K个参照对象组成的集合，所述参照对象n为所述M个参照对象中任一参照对象。

优选的，所述系统还包括：

属性获取单元，用于当所述预测评分值大于预设阈值时，获取所述目标对象m的属性信息；

群体确定单元，用于根据所述属性信息确定所述目标用户u的用户群体信息。

从上述的技术方案可以看出，本发明提供的对象推荐方法及系统，获取M个参照对象中各参照对象与目标对象m的相似度值，M≥1；从所述M个参照对象中筛选出K个参照对象；所述K个参照对象中的任一个均具有目标用户u打出的实际评分值，并且与所述目标对象m的相似度值大于预设阈值；根据所述K个参照对象中各参照对象与所述目标对象m的相似度值，以及，所述目标用户u对所述K个参照对象中各参照对象打出的实际评分值，确定所述目标用户u对所述目标对象m的预测评分值；根据所述预测评分值，确定是否将所述目标对象m推荐给所述目标用户u。本发明技术方案具有算法复杂度低，推荐准确性高的优点，而且无需海量的用户行为数据以及充分的用户信息来参与运算，面对个人信息不全、行为数据较少的用户，也能够提供准确的推荐结果。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。

图1为本申请实施例提供的对象推荐方法的一种流程图；

图2为本申请实施例提供的对象推荐方法的另一种流程图；

图3为本申请实施例提供的对象推荐方法的又一种流程图；

图4为本申请实施例提供的对象推荐方法的再一种流程图；

图5为本申请实施例提供的对象推荐系统的一种结构示意图；

图6为本申请实施例提供的对象推荐系统的另一种结构示意图；

图7为本申请实施例提供的对象推荐系统的又一种结构示意图；

图8为本申请实施例提供的对象推荐系统的再一种结构示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

目前常用的信息推荐算法，通常是基于用户的个人信息及其大量的行为数据，来为该用户推荐适合的信息。而对于个人信息不全、行为数据较少的用户来说，目前还没有一种简单高效的推荐方法能够为其提供准确的推荐结果。因此，本发明实施例提供了相应的对象推荐方法及系统，能够为个人信息不全、行为数据较少的用户，提供准确的推荐结果。

请参阅图1，图1为本申请实施例提供的对象推荐方法的一种流程图。

如图1所示，所述方法包括：

S101：获取M个参照对象中各参照对象与目标对象m的相似度值，M≥1；

目标对象是指需要被确定是否推荐给目标用户的对象，参照对象是指与目标对象不同的对象。其中，对象可以是指电影、歌曲、书籍等任何可以推荐给用户的内容。

参照对象与目标对象的相似度值，是指参照对象与目标对象的相似程度的量化值。

S102：从所述M个参照对象中筛选出K个参照对象；

所述K个参照对象中的任一个均具有目标用户u打出的实际评分值，并且与所述目标对象m的相似度值大于预设阈值；

根据目标用户u对K个参照对象中各参照对象打出的实际评分值，能够表征目标用户u对K个参照对象中各参照对象的喜好程度，从而反映了目标用户的个人偏好，又由于K个参照对象中各参照对象与目标对象m的相似度值大于预设阈值，使得目标对象m与K个参照对象中各参照对象均具有较高的相似度，进而根据目标用户u对K个参照对象中各个参照对象的喜好程度，能够确定出目标用户u对目标对象m的喜好程度。

在一示例中，可以先从M个参照对象中筛选出具有目标用户u打出的实际评分值的各参照对象，再从筛选出的各参照对象中选取与目标对象m的相似度值大于预设阈值的K个参照对象。

其中，预设阈值可以直接人为设定，也可以根据K的值来设定。例如，若想要筛选出5个参照对象(即，K＝5),可以先将M个参照对象中具有目标用户u的实际评分值的各参照对象与目标对象m的相似度值进行大小排序，并按照从大到小的顺序，将排在第6位的相似度值作为预设阈值，藉此即可筛选出相似度值大于预设阈值的5个参照对象。

S103：根据所述K个参照对象中各参照对象与所述目标对象m的相似度值，以及，所述目标用户u对所述K个参照对象中各参照对象打出的实际评分值，确定所述目标用户u对所述目标对象m的预测评分值；

由于目标用户u对目标对象m并未打过分，所以，目标对象m并不具有目标用户u打出的实际评分值，也就无法反映出目标用户u对目标对象m的喜好程度，进而无法确定出目标对象m是否适合于推荐给目标用户u。所以，本发明通过确定目标用户u对所述目标对象m的预测评分值，来表征目标用户u对目标对象m的喜好程度，从而确定出目标对象m是否适合于推荐给目标用户u，该预测评分值即为目标用户u对目标对象m的喜好程度的量化值。

S104：根据所述预测评分值，确定是否将所述目标对象m推荐给所述目标用户u。

预测评分值越大，表明目标用户u对目标对象m的喜好程度越高，则应确定将所述目标对象m推荐给所述目标用户u；预测评分值越小，表明目标用户u对目标对象m的喜好程度越低，则应确定将所述目标对象m不推荐给所述目标用户u。

在一示例中，当所述预测评分值大于预设阈值时，确定将所述目标对象m推荐给所述目标用户u；当所述预测评分值不大于所述预设阈值时，确定将所述目标对象m不推荐给所述目标用户u。其中，预设阈值可根据具体情况进行设定，在此不做限定。

在另一示例中，当确定将目标对象m推荐给目标用户u时，将目标对象m推荐给目标用户u；当确定将目标对象m不推荐给目标用户u时，不执行所述将目标对象m推荐给目标用户u的步骤。

本实施例提供的对象推荐方法，根据参照对象与目标对象的相似度值，以及，所述目标用户对参照对象打出的实际评分值，确定目标用户对目标对象的预测评分值，并根据所述预测评分值，确定是否将所述目标对象推荐给所述目标用户。本实施例方法具有算法复杂度低，推荐准确性高的优点，而且无需海量的用户行为数据以及充分的用户信息来参与运算，面对个人信息不全、行为数据较少的用户，也能够提供准确的推荐结果。

在实际应用中，为了获取参照对象与目标对象的相似度值，本发明还提供了以下实施例。

请参阅图2，图2为本申请实施例提供的对象推荐方法的另一种流程图。

如图2所示，所述方法包括：

S201：获取参照用户v对所述目标对象m打出的实际评分值r_vm，以及，所述参照用户v对参照对象n打出的实际评分值r_vn；

所述参照对象n为所述M个参照对象中任一参照对象。

参照用户是指对目标对象与参照对象均打过分用户，由于同一参照用户的喜好通常是不会轻易改变的，也不会因为对象不同而有所不同，所以，以同一参照用户为基准，根据同一参照用户对目标对象和参照对象分别打出的实际评分值，来分析目标对象与参照对象的相似度，能够最大程度的保证分析结果的准确性。

S202：计算所述目标对象m的平均分；

具体地，利用公式计算所述目标对象m的平均分目标对象m的平均分实际上就是对所有参照用户为目标对象m打出的实际评分值的平均值。

S203：计算所述参照对象n的平均分；

具体地，利用公式计算所述参照对象n的平均分参照对象n的平均分实际上就是对所有参照用户为参照对象n打出的实际评分值的平均值。

S204：计算所述目标对象m与所述参照对象n的相似度值S_mn；

具体地，利用公式计算所述目标对象m与所述参照对象n的相似度值S_mn。

其中，P_mn是由至少一个参照用户组成的集合，N_P为所述P_mn中的参照用户的人数，所述参照用户为对目标对象m和参照对象n均评过分的用户，所述参照用户v为P_mn中任一参照用户。

利用公式计算得到的相似度值S_mn的取值范围为[-1,1]，其中，[-1,0)为负相关，0为不相关，(0,1]为正相关。

当计算得到的相似度值S_mn∈[-1,0]时，表示目标对象m与参照对象n之间不具有相似度；当计算得到的相似度值S_mn∈(0,1]时，表明目标对象m与所述参照对象n具有一定相似度，并且，S_mn值越大，表明目标对象m与所述参照对象n的相似度越高。

S205：从所述M个参照对象中筛选出K个参照对象；

所述K个参照对象中的任一个均具有目标用户u打出的实际评分值，并且与所述目标对象m的相似度值大于预设阈值；

在一示例中，由于相似度值S_mn∈[-1,0]时，表示目标对象m与参照对象n之间不具有相似度，此时，目标用户u对参照对象n的实际评分值对于确定目标用户u对目标对象的预测评分值，并不具有参照价值。

所以，在该示例中，要求所述K个参照对象中任一个与所述目标对象m的相似度值均大于0，能够保证所选取的K个参照对象对于确定目标用户u对目标对象的预测评分值来说具有较高的参照价值。

S206：根据所述K个参照对象中各参照对象与所述目标对象m的相似度值，以及，所述目标用户u对所述K个参照对象中各参照对象打出的实际评分值，确定所述目标用户u对所述目标对象m的预测评分值；

S207：根据所述预测评分值，确定是否将所述目标对象m推荐给所述目标用户u。

本实施例中，步骤S206-S207与前述实施例中步骤S103-S104相类似，在此不再赘述。

本实施例提供的对象推荐方法，根据参照用户对参照对象与目标对象分别打出的实际评分值，计算目标对象与参照对象的相似度值，并根据参照对象与目标对象的相似度值，以及，所述目标用户对参照对象打出的实际评分值，确定目标用户对目标对象的预测评分值，再根据所述预测评分值，确定是否将所述目标对象推荐给所述目标用户。本实施例方法根据参照用户对参照对象与目标对象分别打出的实际评分值来计算目标对象与参照对象的相似度值，能够保证相似度值的客观性与准确性，进而保证推荐结果的准确性。

在实际应用中，为了根据参照对象与目标对象的相似度值，以及，目标用户对参照对象打出的实际评分值，确定目标用户对目标对象的预测评分值，本发明还提供了以下实施例。

请参阅图3，图3为本申请实施例提供的对象推荐方法的又一种流程图。

本实施例中，步骤S301-S302与前述实施例中步骤S101-S102相类似，在此不再赘述。

如图3所示，所述方法还包括：

S303：计算目标用户u对所述目标对象m的预测评分值；

具体地，利用公式计算目标用户u对所述目标对象m的预测评分值

其中，S_mn为参照对象n与目标对象m的相似度值，r_un为所述目标用户u对所述参照对象n打出的实际评分值，N(u,m)为所述K个参照对象组成的集合，所述参照对象n为所述M个参照对象中任一参照对象。

本发明根据所述K个参照对象中各参照对象与所述目标对象m的相似度值，以及，所述目标用户u对所述K个参照对象中各参照对象打出的实际评分值，利用公式便可计算得到所述目标用户u对所述目标对象m的预测评分值。

在一示例中，所述相似度值S_mn可以采用前述实施例中的步骤S201-S204计算得到，也可以采用其他计算方式得到。

S304：根据所述预测评分值，确定是否将所述目标对象m推荐给所述目标用户u。

其中，步骤S304与前述实施例中步骤S104相类似，在此不再赘述。

本实施例提供的对象推荐方法，根据参照对象与目标对象的相似度值，以及，所述目标用户对参照对象打出的实际评分值，利用具体公式计算目标用户对目标对象的预测评分值，并根据所述预测评分值，确定是否将所述目标对象推荐给所述目标用户。本实施例方法，提供了一种准确计算目标用户对目标对象的预测评分值的算法公式，保证了预测评分值的准确性，进一步保证了推荐结果的准确性。

在实际应用中，当预测评分值表明该目标对象适于推荐给目标用户时，还可以据此进一步完善目标用户的相关信息，因此，本发明还提供了以下实施例。

请参阅图4，图4为本申请实施例提供的对象推荐方法的再一种流程图。

本实施例中，步骤S401-S404与前述实施例中步骤S101-S104相类似，在此不再赘述。

如图4所示，所述方法还包括：

S405：当所述预测评分值大于预设阈值时，获取所述目标对象m的属性信息；

当预测评分值大于预设阈值时，表明目标用户u对目标对象m的喜好程度较高，而目标对象m的属性信息，从一定程度上能够反映目标用户u的偏好信息。

在一示例中，目标对象m的属性信息包括适宜的用户年龄段、适宜的用户性别，适宜的用户职业、对象类型和对象标签中的一种或多种，当然也可以包括其他属性信息。

例如，当目标对象m为视频节目时，其属性信息包括：适宜的用户年龄段为30-40岁，适宜的用户性别为男，对象类型为电影，对象标签包括“战争”、“激情”和“热血”等。

又例如，当目标对象m为音频节目时，其属性信息包括：适宜的用户年龄段为0-1岁，适宜的用户性别为不限，对象类型为音乐，对象标签包括“早教”、“启蒙”和“婴幼儿”等。

S406：根据所述属性信息确定所述目标用户u的用户群体信息。

根据目标对象m的属性信息能够确定目标用户u的用户群体信息。例如，在上述示例中，根据适宜的用户年龄段为30-40岁，适宜的用户性别为男，对象类型为电影，对象标签“战争”、“激情”和“热血”等这些属性信息，能够表明目标用户u处于30-40岁的年龄段，性别为男，并且喜欢战争、激情和热血题材的电影，由此可以确定出目标用户u属于30-40岁的群体、男性群体以及喜爱战争题材电影的兴趣群体。

又例如，根据适宜的用户年龄段为0-1岁，适宜的用户性别为不限，对象类型为音乐，对象标签包括“早教”、“启蒙”和“婴幼儿”等这些属性信息，能够表明目标用户u处于0-1岁的年龄段，属于适合于早教题材的婴幼儿，由此可以确定出目标用户u属于0-1岁适于推荐早教内容的婴幼儿群体。

在一示例中，在根据所述预测评分值，确定是否将所述目标对象m推荐给所述目标用户u时，还可以根据已确定的目标用户u用户群体信息，进一步确定是否将所述目标对象m推荐给所述目标用户u。

具体地，当预测评分值大于预设阈值，但目标对象m的属性信息与目标用户u的用户群体信息不匹配时，确定将所述目标对象m不推荐给所述目标用户u，从而进一步保证推荐结果的准确性。

例如，当预测评分值大于预设阈值，目标对象m的属性信息表明该目标对象m适于年龄段在4-6岁的人群，但是，目标用户u的用户群体信息为20-30岁的群体时，确定将所述目标对象m不推荐给所述目标用户u。

在另一示例中，当预测评分值大于预设阈值，但目标对象m的属性信息与目标用户u的用户群体信息不匹配时，还可以调低所述预测评分值，使所述预测评分值不大于预设阈值，从而保证了预测评分值的合理性。

本实施例提供的对象推荐方法，当所述预测评分值大于预设阈值时，获取所述目标对象的属性信息，根据所述属性信息确定所述目标用户的用户群体信息，从而进一步完善目标用户的相关信息，为以后的推荐过程提供必要的用户信息支持。

对应于对象推荐方法，本发明实施例还提供了相应的对象推荐系统。

请参阅图5，图5为本申请实施例的对象推荐系统的一种结构示意图。

本实施例对象推荐系统，用于实施前述实施例的对象推荐方法，如图5所示，所述系统包括：

相似度获取单元U101，用于获取M个参照对象中各参照对象与目标对象m的相似度值，M≥1；

目标对象是指需要被确定是否推荐给目标用户的对象，参照对象是指与目标对象不同的对象。其中，对象可以是指电影、歌曲、书籍等任何可以推荐给用户的内容。

参照对象与目标对象的相似度值，是指参照对象与目标对象的相似程度的量化值。

参照选取单元U102，用于从所述M个参照对象中筛选出K个参照对象；所述K个参照对象中的任一个均具有目标用户u打出的实际评分值，并且与所述目标对象m的相似度值大于预设阈值；

根据目标用户u对K个参照对象中各参照对象打出的实际评分值，能够表征目标用户u对K个参照对象中各参照对象的喜好程度，从而反映了目标用户的个人偏好，又由于K个参照对象中各参照对象与目标对象m的相似度值大于预设阈值，使得目标对象m与K个参照对象中各参照对象均具有较高的相似度，进而根据目标用户u对K个参照对象中各个参照对象的喜好程度，能够确定出目标用户u对目标对象m的喜好程度

目标预测单元U103，用于根据所述K个参照对象中各参照对象与所述目标对象m的相似度值，以及，所述目标用户u对所述K个参照对象中各参照对象打出的实际评分值，确定所述目标用户u对所述目标对象m的预测评分值；

由于目标用户u对目标对象m并未打过分，所以，目标对象m并不具有目标用户u打出的实际评分值，也就无法反映出目标用户u对目标对象m的喜好程度，进而无法确定出目标对象m是否适合于推荐给目标用户u。所以，本发明通过确定目标用户u对所述目标对象m的预测评分值，来表征目标用户u对目标对象m的喜好程度，从而确定出目标对象m是否适合于推荐给目标用户u，该预测评分值即为目标用户u对目标对象m的喜好程度的量化值。

推荐确定单元U104，用于根据所述预测评分值，确定是否将所述目标对象m推荐给所述目标用户u。

预测评分值越大，表明目标用户u对目标对象m的喜好程度越高，则确定将所述目标对象m推荐给所述目标用户u；预测评分值越小，表明目标用户u对目标对象m的喜好程度越低，则确定将所述目标对象m不推荐给所述目标用户u。

在一示例中，当所述预测评分值大于预设阈值时，推荐确定单元U104确定将所述目标对象m推荐给所述目标用户u；当所述预测评分值不大于所述预设阈值时，推荐确定单元U104确定将所述目标对象m不推荐给所述目标用户u。其中，预设阈值可根据具体情况进行设定，在此不做限定。

在另一示例中，当确定将所述目标对象m推荐给所述目标用户u时，推荐确定单元U104将所述目标对象m推荐给所述目标用户u；当确定将所述目标对象m不推荐给所述目标用户u时，推荐确定单元U104不执行将所述目标对象m推荐给所述目标用户u的步骤。

本实施例提供的对象推荐系统，根据参照对象与目标对象的相似度值，以及，所述目标用户对参照对象打出的实际评分值，确定目标用户对目标对象的预测评分值，并根据所述预测评分值，确定是否将所述目标对象推荐给所述目标用户。本实施例方法具有算法复杂度低，推荐准确性高的优点，而且无需海量的用户行为数据以及充分的用户信息来参与运算，面对个人信息不全、行为数据较少的用户，也能够提供准确的推荐结果。

在实际应用中，为了获取参照对象与目标对象的相似度值，本发明还提供了以下实施例。

请参阅图6，图6为本申请实施例的对象推荐系统的另一种结构示意图。

本实施例的对象推荐系统，用于实施前述实施例的对象推荐方法，如图6所示，该对象推荐系统包括相似度获取单元U101、参照选取单元U102、目标预测单元U103和推荐确定单元U104，其中，所述相似度获取单元U101包括：

评分获取单元U1011，用于获取参照用户v对所述目标对象m打出的实际评分值r_vm，以及，所述参照用户v对参照对象n打出的实际评分值r_vn；所述参照对象n为所述M个参照对象中任一参照对象；

参照用户是指对目标对象与参照对象均打过分用户，由于同一参照用户的喜好通常是不会轻易改变的，也不会因为对象不同而有所不同，所以，以同一参照用户为基准，根据同一参照用户对目标对象和参照对象分别打出的实际评分值，来分析目标对象与参照对象的相似度，能够最大程度的保证分析结果的准确性。

均值计算单元U1012，用于利用公式计算所述目标对象m的平均分利用公式计算所述参照对象n的平均分

目标对象m的平均分实际上就是对所有参照用户为目标对象m打出的实际评分值的平均值；参照对象n的平均分实际上就是对所有参照用户为参照对象n打出的实际评分值的平均值。

相似度计算单元U1013，用于利用公式计算所述目标对象m与所述参照对象n的相似度值S_mn；

其中，P_mn是由至少一个参照用户组成的集合，N_P为所述P_mn中的参照用户的人数，所述参照用户为对目标对象m和参照对象n均评过分的用户，所述参照用户v为P_mn中任一参照用户。

利用公式计算得到的相似度值S_mn的取值范围为[-1,1]，其中，[-1,0)为负相关，0为不相关，(0,1]为正相关。

当计算得到的相似度值S_mn∈[-1,0]时，表示目标对象m与参照对象n之间不具有相似度；当计算得到的相似度值S_mn∈(0,1]时，表明目标对象m与所述参照对象n具有一定相似度，并且，S_mn值越大，表明目标对象m与所述参照对象n的相似度越高。

在一示例中，由于相似度值S_mn∈[-1,0]时，表示目标对象m与参照对象n之间不具有相似度，此时，目标用户u对参照对象n的实际评分值对于确定目标用户u对目标对象的预测评分值，并不具有参照价值。

所以，在该示例中，要求所述K个参照对象中任一个与所述目标对象m的相似度值均大于0，能够保证所选取的K个参照对象对于确定目标用户u对目标对象的预测评分值来说具有较高的参照价值。

本实施例提供的对象推荐系统，根据参照用户对参照对象与目标对象分别打出的实际评分值，计算目标对象与参照对象的相似度值，并根据参照对象与目标对象的相似度值，以及，所述目标用户对参照对象打出的实际评分值，确定目标用户对目标对象的预测评分值，再根据所述预测评分值，确定是否将所述目标对象推荐给所述目标用户。本实施例方法根据参照用户对参照对象与目标对象分别打出的实际评分值来计算目标对象与参照对象的相似度值，能够保证相似度值的客观性与准确性，进而保证推荐结果的准确性。

在实际应用中，为了根据参照对象与目标对象的相似度值，以及，目标用户对参照对象打出的实际评分值，确定目标用户对目标对象的预测评分值，本发明还提供了以下实施例。

请参阅图7，图7为本申请实施例的对象推荐系统的又一种结构示意图。

本实施例的对象推荐系统，用于实施前述实施例的对象推荐方法，如图7所示，该对象推荐系统包括相似度获取单元U101、参照选取单元U102、目标预测单元U103和推荐确定单元U104，其中，所述目标预测单元U103包括：

预测计算单元U1031，用于利用公式计算目标用户u对所述目标对象m的预测评分值

其中，S_mn为参照对象n与目标对象m的相似度值，r_un为所述目标用户u对所述参照对象n打出的实际评分值，N(u,m)为所述K个参照对象组成的集合，所述参照对象n为所述M个参照对象中任一参照对象。

本发明根据所述K个参照对象中各参照对象与所述目标对象m的相似度值，以及，所述目标用户u对所述K个参照对象中各参照对象打出的实际评分值，利用公式便可计算得到所述目标用户u对所述目标对象m的预测评分值。

在一示例中，所述相似度值S_mn可以采用前述实施例中相似度获取单元U101中的评分获取单元U1011、均值计算单元U1012和相似度计算单元U1013计算得到，也可以采用其他方式得到。

本实施例提供的对象推荐系统，根据参照对象与目标对象的相似度值，以及，所述目标用户对参照对象打出的实际评分值，利用具体公式计算目标用户对目标对象的预测评分值，并根据所述预测评分值，确定是否将所述目标对象推荐给所述目标用户。本实施例方法，提供了一种准确计算目标用户对目标对象的预测评分值的算法公式，保证了预测评分值的准确性，进一步保证了推荐结果的准确性。

在实际应用中，当预测评分值表明该目标对象适于推荐给目标用户时，还可以据此进一步完善目标用户的相关信息，因此，本发明还提供了以下实施例。

请参阅图8，图8为本申请实施例的对象推荐系统的再一种结构示意图。

本实施例的对象推荐系统，用于实施前述实施例的对象推荐方法，如图8所示，该对象推荐系统除了包括相似度获取单元U101、参照选取单元U102、目标预测单元U103和推荐确定单元U104之外，还包括：

属性获取单元U105，用于当所述预测评分值大于预设阈值时，获取所述目标对象m的属性信息；

当预测评分值大于预设阈值时，表明目标用户u对目标对象m的喜好程度较高，而目标对象m的属性信息，从一定程度上能够反映目标用户u的偏好信息。

在一示例中，目标对象m的属性信息包括适宜的用户年龄段、适宜的用户性别，适宜的用户职业、对象类型和对象标签中的一种或多种，当然也可以包括其他属性信息。

群体确定单元U106，用于根据所述属性信息确定所述目标用户u的用户群体信息。

根据目标对象m的属性信息能够确定目标用户u的用户群体信息。

在一示例中，推荐确定单元U104在根据所述预测评分值，确定是否将所述目标对象m推荐给所述目标用户u时，还可以根据群体确定单元U106已确定的目标用户u用户群体信息，进一步确定是否将所述目标对象m推荐给所述目标用户u。

具体地，当预测评分值大于预设阈值，但目标对象m的属性信息与目标用户u的用户群体信息不匹配时，确定将所述目标对象m不推荐给所述目标用户u，从而进一步保证推荐结果的准确性。

在另一示例中，当预测评分值大于预设阈值，但目标对象m的属性信息与目标用户u的用户群体信息不匹配时，还可以调低所述预测评分值，使所述预测评分值不大于预设阈值，从而保证了预测评分值的合理性。

本实施例提供的对象推荐系统，当所述预测评分值大于预设阈值时，获取所述目标对象的属性信息，根据所述属性信息确定所述目标用户的用户群体信息，从而进一步完善目标用户的相关信息，为以后的推荐过程提供必要的用户信息支持。

本发明提供的对象推荐方法及系统，根据参照对象与目标对象的相似度值，以及，所述目标用户对参照对象打出的实际评分值，确定目标用户对目标对象的预测评分值，并根据所述预测评分值，确定是否将所述目标对象推荐给所述目标用户。本实施例方法具有算法复杂度低，推荐准确性高的优点，而且无需海量的用户行为数据以及充分的用户信息来参与运算，面对个人信息不全、行为数据较少的用户，也能够提供准确的推荐结果。

并且，本发明的技术方案中，当所述预测评分值大于预设阈值时，获取所述目标对象的属性信息，根据所述属性信息确定所述目标用户的用户群体信息，从而进一步完善用户的个人信息，为以后的推荐过程提供必要的用户信息支持。

最后，还需要说明的是，在本文中，诸如第一和第一等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到本申请可借助软件加必需的硬件平台的方式来实现，当然也可以全部通过硬件来实施，但很多情况下前者是更佳的实施方式。基于这样的理解，本申请的技术方案对背景技术做出贡献的全部或者部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例或者实施例的某些部分所述的方法。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想；同时，对于本领域的一般技术人员，依据本申请的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本申请的限制。

Claims (10)

1.一种对象推荐方法，其特征在于，包括：

获取M个参照对象中各参照对象与目标对象m的相似度值，M≥1；

从所述M个参照对象中筛选出K个参照对象；所述K个参照对象中的任一个均具有目标用户u打出的实际评分值，并且与所述目标对象m的相似度值大于预设阈值；

根据所述K个参照对象中各参照对象与所述目标对象m的相似度值，以及，所述目标用户u对所述K个参照对象中各参照对象打出的实际评分值，确定所述目标用户u对所述目标对象m的预测评分值；

根据所述预测评分值，确定是否将所述目标对象m推荐给所述目标用户u。

2.如权利要求1所述的方法，其特征在于，所述获取M个参照对象中各参照对象与目标对象m的相似度值包括：

获取参照用户v对所述目标对象m打出的实际评分值r_vm，以及，所述参照用户v对参照对象n打出的实际评分值r_vn；所述参照对象n为所述M个参照对象中任一参照对象；

利用公式计算所述目标对象m的平均分

利用公式计算所述参照对象n的平均分

利用公式计算所述目标对象m与所述参照对象n的相似度值S_mn；

其中，P_mn是由至少一个参照用户组成的集合，N_P为所述P_mn中的参照用户的人数，所述参照用户为对目标对象m和参照对象n均评过分的用户，所述参照用户v为P_mn中任一参照用户。

3.如权利要求1所述的方法，其特征在于，所述根据所述K个参照对象中各参照对象与所述目标对象m的相似度值，以及，所述目标用户u对所述K个参照对象中各参照对象打出的实际评分值，确定所述目标用户u对所述目标对象m的预测评分值包括：

利用公式计算目标用户u对所述目标对象m的预测评分值

其中，S_mn为参照对象n与目标对象m的相似度值，r_un为所述目标用户u对所述参照对象n打出的实际评分值，N(u,m)为所述K个参照对象组成的集合，所述参照对象n为所述M个参照对象中任一参照对象。

4.如权利要求1所述的方法，其特征在于，还包括：

当所述预测评分值大于预设阈值时，获取所述目标对象m的属性信息；

根据所述属性信息确定所述目标用户u的用户群体信息。

5.如权利要求1所述的方法，其特征在于，所述根据所述预测评分值，确定是否将所述目标对象m推荐给所述目标用户u包括：

当所述预测评分值大于预设阈值时，确定将所述目标对象m推荐给所述目标用户u。

6.如权利要求2所述的方法，其特征在于，所述K个参照对象中任一个与所述目标对象m的相似度值均大于0。

7.一种对象推荐系统，其特征在于，包括：

相似度获取单元，用于获取M个参照对象中各参照对象与目标对象m的相似度值，M≥1；

参照选取单元，用于从所述M个参照对象中筛选出K个参照对象；所述K个参照对象中的任一个均具有目标用户u打出的实际评分值，并且与所述目标对象m的相似度值大于预设阈值；

目标预测单元，用于根据所述K个参照对象中各参照对象与所述目标对象m的相似度值，以及，所述目标用户u对所述K个参照对象中各参照对象打出的实际评分值，确定所述目标用户u对所述目标对象m的预测评分值；

推荐确定单元，用于根据所述预测评分值，确定是否将所述目标对象m推荐给所述目标用户u。

8.如权利要求7所述的系统，其特征在于，所述相似度获取单元包括：

评分获取单元，用于获取参照用户v对所述目标对象m打出的实际评分值r_vm，以及，所述参照用户v对参照对象n打出的实际评分值r_vn；所述参照对象n为所述M个参照对象中任一参照对象；

均值计算单元，用于利用公式计算所述目标对象m的平均分利用公式计算所述参照对象n的平均分

相似度计算单元，用于利用公式计算所述目标对象m与所述参照对象n的相似度值S_mn；

其中，P_mn是由至少一个参照用户组成的集合，N_P为所述P_mn中的参照用户的人数，所述参照用户为对目标对象m和参照对象n均评过分的用户，所述参照用户v为P_mn中任一参照用户。

9.如权利要求7所述的系统，其特征在于，所述目标预测单元包括：

预测计算单元，用于利用公式计算目标用户u对所述目标对象m的预测评分值

其中，S_mn为参照对象n与目标对象m的相似度值，r_un为所述目标用户u对所述参照对象n打出的实际评分值，N(u,m)为所述K个参照对象组成的集合，所述参照对象n为所述M个参照对象中任一参照对象。

10.如权利要求7所述的系统，其特征在于，还包括：

属性获取单元，用于当所述预测评分值大于预设阈值时，获取所述目标对象m的属性信息；

群体确定单元，用于根据所述属性信息确定所述目标用户u的用户群体信息。