CN103455485A - 自动更新用户兴趣模型方法及装置 - Google Patents

Abstract

本发明涉及一种自动更新用户兴趣模型方法及装置，其中，该方法具体包括步骤：根据当前的用户兴趣模型过滤推送消息并显示给用户；获取用户浏览推送消息后的反馈数据，分析反馈数据后自动更新用户兴趣模型。本发明提供的自动更新用户兴趣模型方法及装置，通过用户兴趣模型过滤掉非用户兴趣的消息，并根据用户的反馈自动地更新用户兴趣模型，从而为用户提供更好的个性化服务，提高搜索效率。

Description

自动更新用户兴趣模型方法及装置

技术领域

本发明涉及计算机技术领域，具体是一种自动更新用户兴趣模型方法及其装置。

背景技术

目前，人们常常利用搜索引擎输入关键字后搜索信息的方式来获取网络信息。但是，这种基于关键字查询的方式命中率低，且其难以满足不同目的、不同背景和不同时期的查询请求，无法自动调整以迎合每个用户的浏览兴趣以及为用户实时地自动推荐页面，从而不能迅速地为用户提供其所需要的服务。另一方面，随着推送信息的诞生，用户经常会收到不需要的垃圾推送消息，这种不区分用户兴趣的消息推送严重干扰了用户的生活，导致提供推送服务的商家也无法达到其使用推广服务的目的。

个性化服务技术能够有效地解决上述问题，其核心是匹配用户的需求，因此如何解决用户兴趣模型的建立和更新技术成为了个性化服务的关键。

发明内容

本发明的主要目的是提供一种自动更新用户兴趣模型方法及装置，以为用户提供符合其兴趣的个性化服务。

本发明提出一种自动更新用户兴趣模型方法，包括：

根据当前的用户兴趣模型过滤推送消息并显示给用户；

获取用户浏览推送消息后的反馈数据，分析所述反馈数据后自动更新用户兴趣模型。

优选地，所述根据当前的用户兴趣模型过滤推送消息并显示给用户的步骤之前还包括：

接收用户输入的兴趣关键词和各个所述兴趣关键词的权重；

利用向量空间模型法将用户兴趣表示为向量，建立用户初始兴趣模型。

优选地，所述用户的反馈包括正反馈和负反馈，当用户反馈对推送消息有兴趣时为所述正反馈，当用户反馈对推送消息没有兴趣时为所述负反馈。

优选地，所述分析反馈数据后自动更新用户兴趣模型的步骤具体包括：

当用户的反馈为所述正反馈时，采用公式

更新用户兴趣模型；

当用户的反馈为所述负反馈时，采用公式更新用户兴趣模型；

其中，

为新的用户兴趣向量，

为旧的用户兴趣向量，为反馈文档的向量表示，α为旧的用户兴趣向量权重，β为正反馈权重，γ为负反馈权重，且α+β＝1，α+γ＝1。

优选地，所述分析用户的反馈后自动更新用户兴趣模型的步骤之后还包括：

当用户离线时，利用获取到的所有反馈，利用预设的公式更新所述用户兴趣模型。

本发明还提出一种用于自动更新用户兴趣模型的装置，包括：

过滤模块，用于根据当前的用户兴趣模型过滤推送消息并显示给用户；

更新模块，用于接受用户浏览推送消息后的反馈，根据用户的反馈自动更新用户兴趣模型。

优选地，所述装置还包括：

输入模块，用于接收用户输入的兴趣关键词和各个所述兴趣关键词的权重；

构建模块，用于利用向量空间模型法将用户兴趣表示为向量，建立用户初始兴趣模型。

优选地，所述用户的反馈包括正反馈和负反馈，当用户反馈对推送消息有兴趣时为所述正反馈，当用户反馈对推送消息没有兴趣时为所述负反馈。

优选地，所述更新模块具体用于：

当用户的反馈为所述正反馈时，采用公式

更新用户兴趣模型；

当用户的反馈为所述负反馈时，采用公式

更新用户兴趣模型；

其中，

为新的用户兴趣向量，为旧的用户兴趣向量，为反馈文档的向量表示，α为旧的用户兴趣向量权重，β为正反馈权重，γ为负反馈权重，且α+β＝1，α+γ＝1。

优选地，所述装置还包括离线更新模块，用于：

当用户离线时，利用获取到的所有反馈，利用预设的公式更新所述用户兴趣模型。

本发明提供的自动更新用户兴趣模型方法及装置，通过用户兴趣模型过滤掉非用户兴趣的消息，并根据用户的反馈自动地更新用户兴趣模型，从而为用户提供更好的个性化服务，提高搜索效率。

附图说明

图1为本发明提供的自动更新用户兴趣模型一实施例的流程示意图；

图2为本发明提供的自动更新用户兴趣模型另一实施例的流程示意图；

图3为本发明提供的用于自动更新用户兴趣模型的装置一实施例的结构示意图；

图4为本发明提供的用于自动更新用户兴趣模型的装置另一实施例中的结构示意图；

图5为本发明提供的用于自动更新用户兴趣模型的装置又一实施例中的结构示意图。

本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

本发明提出的自动更新用户模型方法及装置的应用范围包括推送消息过滤，各种电子商务网站的商品推荐、论坛服务推荐以及RSS订阅内容过滤等个性化服务中。采用预设的公式追踪用户兴趣的漂移，提出了一种自适应更新用户兴趣模型的方法，从而能够向用户更好地提供个性化服务，最大程度地满足用户的需求。在本发明提出的实施例中，以推送消息过滤为例做进一步的说明，本领域技术人员可以知悉，在其他类似的个性化服务中的实现方式与此类似，在此不再赘述。

请参照图1，图1为本发明实施例提供的自动更新用户兴趣模型方法的流程示意图，如图1所示，本实施例中该方法具体包括以下步骤：

S10：根据当前的用户兴趣模型过滤推送消息并显示给用户；

根据当前的用户兴趣模型，系统对推送消息进行过滤，同时将与当前用户兴趣无关的推送消息另行存储，以方便用户以后查看。完成过滤后，系统将经过滤后的推送消息显示给用户。在其他的实施例中，系统还可以将与当前用户兴趣无关的推送消息删除，以节约系统存储空间。

S20：获取用户浏览推送消息后的反馈数据，分析反馈数据后自动更新用户兴趣模型；

在本实施例中，系统在向用户显示推送消息的同时提示用户选择是否对该条推送消息感兴趣，例如，向用户弹出问题“是否对该推送消息感兴趣”并接受用户的选择，或者于推送消息的结尾处向用户提示问题并接受用户的选择，根据用户的反馈数据自动更新用户兴趣模型。

进一步地，用户的反馈消息区分为正反馈和负反馈，当用户反馈对推送消息有兴趣时为正反馈，当用户反馈对推送消息没有兴趣时为负反馈，以区分正反馈和负反馈对用户兴趣模型进行更有针对性地更新。在其他的实施例中，系统还可以统计用户已读的推送消息的关键字，根据统计到的关键字分析用户的兴趣，并根据获取到的数据自动更新用户兴趣模型。在根据用户的反馈数据对用户兴趣模型进行更新后，当有新的推送消息进入系统时，能够追踪用户的兴趣，过滤掉部分推送信息，从而为用户提供更为个性化的服务。

更为具体的，在本实施例中，当用户阅读某条推送消息并反馈对该推送消息的评价，当对该条消息感兴趣时，则为单次正反馈，根据Rocchio单次正反馈算法公式

更新用户兴趣模型；当用户对该条消息不感兴趣时，则为单次负反馈，根据Rocchio单次负反馈算法公式

更新用户兴趣模型。其中，

为新的用户兴趣向量，

为旧的用户兴趣向量，

为反馈文档的向量表示，α为旧的用户兴趣向量权重，β为正反馈权重，γ为负反馈权重，且α+β＝1，α+γ＝1。

在完成对用户兴趣模型的更新之后，判断用户是否已经退出系统，如果是，则在线更新结束，否则继续进行用户兴趣模型的更新。

请参照图2，图2为本发明另一实施例提出的自动更新用户兴趣模型方法的流程示意图，如图2所示，在步骤S10之前还包括：

步骤S30：接受用户输入的兴趣关键词和各个兴趣关键词的权重；

当用户首次登录时，此时用户兴趣模型还未建立，并且由于没有访问记录，需要由用户输入其兴趣关键词和各个兴趣关键词的权重，系统接受用户输入的信息以便于系统建立初始化的用户兴趣模型。在其他的实施例中，用户在首次登录系统时还可以进行注册，在注册时首先输入基本信息（包括用户名、密码等个人信息），以使用户与对应的用户兴趣模型关联，使得在同一个系统中建立多个用户兴趣模型。

步骤S40：利用向量控件模型法将用户兴趣表示为向量，建立用户初始兴趣模型；

更为具体的，利用兴趣关键词矢量表示用户兴趣模型，即将用户兴趣表示为兴趣关键词组成的集合{word₁,word₂，...,word_n}，其中word_j(j=1,2，...,n)表示用户的兴趣项j。每一兴趣项word_j根据用户兴趣的高低赋予一定的权值ω_j,且

则可将用户兴趣模型表示为1个二元组集合，Profile={word₁，ω₁)，(word₂，ω₂)，...，(word_n，ω_n)}，即初始用户兴趣模型向量。初始用户兴趣模型建立后，根据后续用户读取推送信息的反馈，对用户兴趣模型进行更新，以使其更适合用户的个性化需求。

在前述实施例的基础上，另一实施例中，分析用户的反馈后自动更新用户兴趣模型的步骤之后还包括：

当用户离线时，利用获取到的所有反馈，区分正反馈和负反馈后利用公式 $\stackrel{\‾}{Q_{\mathrm{new}}}=\mathrm{\α}\stackrel{\‾}{Q_{\mathrm{old}}}+\mathrm{\β}\frac{1}{R}{\mathrm{\Σ}}_{d\∈R_{\mathrm{el}}}\stackrel{\‾}{d}-\mathrm{\γ}\frac{1}{N-R}{\mathrm{\Σ}}_{{d\∉R}_{\mathrm{el}}}\stackrel{\‾}{d}$ 更新所述用户兴趣模型；

当用户退出系统后，本系统还根据获取到的多次反馈数据，利用Rocchio算法，离线更新用户兴趣模型，具体步骤包括：

收集用户在线时的所有反馈信息；

从收集到的所有反馈信息中区分出正反馈信息和负反馈信息；

根据 $\stackrel{\‾}{Q_{\mathrm{new}}}=\mathrm{\α}\stackrel{\‾}{Q_{\mathrm{old}}}+\mathrm{\β}\frac{1}{R}{\mathrm{\Σ}}_{d\∈R_{\mathrm{el}}}\stackrel{\‾}{d}-\mathrm{\γ}\frac{1}{N-R}{\mathrm{\Σ}}_{{d\∉R}_{\mathrm{el}}}\stackrel{\‾}{d},$ 更新对应的用户兴趣模型。

通过离线时使用的多次反馈算法，可以纠正在线使用单次反馈时出现的偏差，提高整个系统的稳定性，使用户兴趣模型更为贴近用户的兴趣。

本发明提供的自动更新用户兴趣模型方法，通过用户兴趣模型过滤掉非用户兴趣的消息，并根据用户的反馈自动地更新用户兴趣模型，从而为用户提供更好的个性化服务，提高搜索效率。

请参照图3，本发明又一实施例还提出一种用于自动更新用户兴趣模型的装置，如图3所示，该装置具体包括：

过滤模块100，用于根据当前的用户兴趣模型过滤推送消息并显示给用户；

更新模块200，用于接受用户浏览推送消息后的反馈，根据用户的反馈自动更新用户兴趣模型。

根据当前的用户兴趣模型，过滤模块100对推送消息进行过滤，同时将与当前用户兴趣无关的推送消息另行存储，以方便用户以后查看。完成过滤后，过滤模块100将经过滤后的推送消息显示给用户。在其他的实施例中，过滤模块100还可以将与当前用户兴趣无关的推送消息删除，以节约系统存储空间。

在本实施例中，更新模块200在向用户显示推送消息的同时提示用户选择是否对该条推送消息感兴趣，例如，更新模块200向用户弹出问题“是否对该推送消息感兴趣”并接受用户的选择，或者于推送消息的结尾处向用户提示问题并接受用户的选择，根据用户的反馈数据自动更新用户兴趣模型。进一步地，用户的反馈消息区分为正反馈和负反馈，当用户反馈对推送消息有兴趣时为正反馈，当用户反馈对推送消息没有兴趣时为负反馈，以区分正反馈和负反馈对用户兴趣模型进行更有针对性地更新。在其他的实施例中，更新模块200还可以统计用户已读的推送消息的关键字，根据统计到的关键字分析用户的兴趣，并根据获取到的数据自动更新用户兴趣模型。在更新模块200根据用户的反馈数据对用户兴趣模型进行更新后，当有新的推送消息进入系统时，能够追踪用户的兴趣，过滤掉部分推送信息，从而为用户提供更为个性化的服务。

更为具体的，在本实施例中，当用户阅读某条推送消息并反馈对该推送消息的评价，当对该条消息感兴趣时，则为单次正反馈，根据Rocchio单次正反馈算法公式

更新用户兴趣模型；当用户对该条消息不感兴趣时，则为单次负反馈，根据Rocchio单次负反馈算法公式

更新用户兴趣模型。其中，为新的用户兴趣向量，

为旧的用户兴趣向量，

为反馈文档的向量表示，α为旧的用户兴趣向量权重，β为正反馈权重，γ为负反馈权重，且α+β＝1，α+γ＝1。

在完成对用户兴趣模型的更新之后，判断用户是否已经退出系统，如果是，则在线更新结束，否则继续进行用户兴趣模型的更新。

请参照图4，图4为本发明又一实施例提出的用于自动更新用户兴趣模型的装置的结构示意图，如图4所示，该装置还包括：

输入模块300，用于接受用户输入的兴趣关键词和各个兴趣关键词的权重；

构建模块400，用于利用向量空间模型法将用户兴趣表示为向量，建立用户兴趣模型。

当用户首次登录时，此时用户兴趣模型还未建立，并且由于没有访问记录，需要由用户输入其兴趣关键词和各个兴趣关键词的权重，构建模块400接受用户输入的信息以便于系统建立初始化的用户兴趣模型。在其他的实施例中，用户在首次登录系统时还可以进行注册，在注册时首先输入基本信息（包括用户名、密码等个人信息），以使用户与对应的用户兴趣模型关联，使得在同一个系统中建立多个用户兴趣模型。

更为具体的，构建模块400利用兴趣关键词矢量表示用户兴趣模型，即将用户兴趣表示为兴趣关键词组成的集合{word₁,word₂,…,word_n}，其中word_j(j=1,2，...,n)表示用户的兴趣项j。每一兴趣项word_j根据用户兴趣的高低赋予一定的权值ω_j,且

则可将用户兴趣模型表示为1个二元组集合，Profile={(word₁，ω₁)，(word₂，ω₂)，...，(word_n，ω_n)}，即初始用户兴趣模型向量。初始用户兴趣模型建立后，根据后续用户读取推送信息的反馈，对用户兴趣模型进行更新，以使其更适合用户的个性化需求。

在前述实施例的基础上，参照图5，在另一实施例中，用于自动更新用户兴趣模型的装置还包括离线更新模块500，用于当用户离线时，利用获取到的所有反馈，区分正反馈和负反馈后利用公式 $\stackrel{\‾}{Q_{\mathrm{new}}}=\mathrm{\α}\stackrel{\‾}{Q_{\mathrm{old}}}+\mathrm{\β}\frac{1}{R}{\mathrm{\Σ}}_{d\∈R_{\mathrm{el}}}\stackrel{\‾}{d}-\mathrm{\γ}\frac{1}{N-R}{\mathrm{\Σ}}_{{d\∉R}_{\mathrm{el}}}\stackrel{\‾}{d}$ 更新所述用户兴趣模型；

当用户退出系统后，本装置还根据获取到的多次反馈数据，离线更新用户兴趣模型，离线更新模块500更新用户兴趣模型的具体步骤包括：

收集用户在线时的所有反馈信息；

从收集到的所有反馈信息中区分出正反馈信息和负反馈信息；

根据 $\stackrel{\‾}{Q_{\mathrm{new}}}=\mathrm{\α}\stackrel{\‾}{Q_{\mathrm{old}}}+\mathrm{\β}\frac{1}{R}{\mathrm{\Σ}}_{d\∈R_{\mathrm{el}}}\stackrel{\‾}{d}-\mathrm{\γ}\frac{1}{N-R}{\mathrm{\Σ}}_{{d\∉R}_{\mathrm{el}}}\stackrel{\‾}{d},$ 更新对应的用户兴趣模型。

通过离线时使用的多次反馈算法，可以纠正在线使用单次反馈时出现的偏差，提高整个系统的稳定性，使用户兴趣模型更为贴近用户的兴趣。

本发明提供的用于自动更新用户兴趣模型的装置，通过用户兴趣模型过滤掉非用户兴趣的消息，并根据用户的反馈自动地更新用户兴趣模型，从而为用户提供更好的个性化服务，提高搜索效率。

以上仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种自动更新用户兴趣模型方法，其特征在于，包括：

根据当前的用户兴趣模型过滤推送消息并显示给用户；

获取用户浏览推送消息后的反馈数据，分析所述反馈数据后自动更新用户兴趣模型。

2.根据权利要求1所述的方法，其特征在于，所述根据当前的用户兴趣模型过滤推送消息并显示给用户的步骤之前还包括：

接收用户输入的兴趣关键词和各个所述兴趣关键词的权重；

利用向量空间模型法将用户兴趣表示为向量，建立用户初始兴趣模型。

3.根据权利要求1所述的方法，其特征在于，所述用户的反馈包括正反馈和负反馈，当用户反馈对推送消息有兴趣时为所述正反馈，当用户反馈对推送消息没有兴趣时为所述负反馈。

4.根据权利要求1所述的方法，其特征在于，所述分析反馈数据后自动更新用户兴趣模型的步骤具体包括：

当用户的反馈为所述正反馈时，采用公式

更新用户兴趣模型；

当用户的反馈为所述负反馈时，采用公式

更新用户兴趣模型；

其中，

为新的用户兴趣向量，为旧的用户兴趣向量，

为反馈文档的向量表示，α为旧的用户兴趣向量权重，β为正反馈权重，γ为负反馈权重，且α+β＝1，α+γ＝1。

5.根据权利要求1至4任一项所述的方法，其特征在于，所述分析用户的反馈数据后自动更新用户兴趣模型的步骤之后还包括：

当用户离线时，利用获取到的所有反馈，利用预设的公式更新所述用户兴趣模型。

6.一种用于自动更新用户兴趣模型的装置，其特征在于，包括：

过滤模块，用于根据当前的用户兴趣模型过滤推送消息并显示给用户；

更新模块，用于接受用户浏览推送消息后的反馈，根据用户的反馈自动更新用户兴趣模型。

7.根据权利要求6所述的装置，其特征在于，所述装置还包括：

输入模块，用于接收用户输入的兴趣关键词和各个所述兴趣关键词的权重；

构建模块，用于利用向量空间模型法将用户兴趣表示为向量，建立用户初始兴趣模型。

8.根据权利要求6所述的装置，其特征在于，所述用户的反馈包括正反馈和负反馈，当用户反馈对推送消息有兴趣时为所述正反馈，当用户反馈对推送消息没有兴趣时为所述负反馈。

9.根据权利要求6所述的装置，其特征在于，所述更新模块具体用于：

当用户的反馈为所述正反馈时，采用公式

更新用户兴趣模型；

当用户的反馈为所述负反馈时，采用公式更新用户兴趣模型；

其中，

为新的用户兴趣向量，

为旧的用户兴趣向量，

为反馈文档的向量表示，α为旧的用户兴趣向量权重，β为正反馈权重，γ为负反馈权重，且α+β＝1，α+γ＝1。

10.根据权利要求6至9任一项所述的装置，其特征在于，所述装置还包括离线更新模块，用于：

当用户离线时，利用获取到的所有反馈，利用预设的公式更新所述用户兴趣模型。

Images