個性化推薦方法和裝置制造方法及圖紙

本發明專利技術提出了一種個性化推薦方法，該方法包括：獲取用戶信息，判斷獲取的所述用戶信息是否完整，若是，則根據所述用戶信息建立多個模型；從所述多個模型中確定與所述用戶信息匹配的模型，根據確定的與所述用戶信息匹配的模型，獲取用戶對應的標簽信息，根據所述標簽信息進行推薦。通過系統自動獲取用戶信息，進行信息匹配，提高了效率，同時根據用戶信息建立多個模型，選出最匹配的模型，提高了預測的準確率，根據用戶對應的標簽信息進行推薦，每個用戶都有自己獨特的標簽，這樣可以為每個用戶進行個性化推薦，提高了推薦的準確率。此外，還提出了一種個性化推薦裝置。

【技術實現步驟摘要】

本專利技術涉及計算機處理領域，特別是涉及一種個性化推薦方法和裝置。
技術介紹
隨著互聯網的發展，人們的生活越來越多的與互聯網緊密聯系在了一起。在這個快節奏的時代，用戶希望能夠通過互聯網快速的找到自己需要的產品，但是海量的產品數據每天不斷地在互聯網中產生，這導致互聯網用戶很難快速的找到自己需要的或者感興趣的信息。為了讓用戶快速的找到自己感興趣的產品，傳統的方式是通過問卷的形式讓用戶回答問題，進而為用戶進行產品的推薦。但是傳統的通過問卷回答問題往往需要用戶回答很多問題，而且很多時候問題針對性不強。這樣不但浪費了用戶的時間，而且無法準確的預測用戶的行為。
技術實現思路
基于此，為了解決上述耗時且推薦準確率不高的問題，提出了一種個性化推薦方法和裝置。一種個性化推薦方法，所述方法包括：獲取用戶信息；判斷獲取的所述用戶信息是否完整；若是，則根據所述用戶信息建立多個模型；從所述多個模型中確定與所述用戶信息匹配的模型；根據確定的與所述用戶信息匹配的模型，獲取用戶對應的標簽信息；根據所述標簽信息進行推薦。在其中一個實施例中，在所述判斷獲取的所述用戶信息是否完整的步驟之后還包括：若獲取的用戶信息不完整，則獲取與缺少的信息對應的問題，加入到問卷中，通過所述問卷采集所述缺少的信息，當信息補充完整后，則進入根據所述用戶信息建立多個模型的步驟。在其中一個實施例中，所述方法還包括:計算所述問卷中問題的選項對模型r>的影響度，生成相應的報告。在其中一個實施例中，所述從所述多個模型中確定與所述用戶信息匹配的模型的步驟包括：計算各個模型對應的預測準確率，將預測準確率最高的模型作為與所述用戶信息匹配的模型。在其中一個實施例中，所述根據所述標簽信息進行推薦的步驟包括：根據所述標簽信息采用不同的推薦方式進行推薦，獲取用戶對不同推薦方式的點擊率，將點擊率最高的推薦方式作為最終的推薦方式。一種個性化推薦裝置，所述裝置包括：獲取模塊，用于獲取用戶信息；判斷模塊，用于判斷獲取的所述用戶信息是否完整；建立模塊，用于若獲取的用戶信息完整，則根據所述用戶信息建立多個模型；確定模塊，用于從所述多個模型中確定與所述用戶信息匹配的模型；標簽獲取模塊，用于根據確定的與所述用戶信息匹配的模型，獲取用戶對應的標簽信息；推薦模塊，用于根據所述標簽信息進行推薦。在其中一個實施例中，所述裝置包括：補充模塊，用于若獲取的用戶信息不完整，則獲取與缺少的信息對應的問題，加入到問卷中，通過所述問卷采集所述缺少的信息，當信息補充完整后，則通知建立模塊根據所述用戶信息建立多個模型。在其中一個實施例中，所述裝置還包括:計算模塊，用于計算所述問卷中問題的選項對模型的影響度，生成相應的報告。在其中一個實施例中，所述確定模塊還用于計算各個模型對應的預測準確率，將預測準確率最高的模型作為與所述用戶信息匹配的模型。在其中一個實施例中，所述推薦模塊還用于根據所述標簽信息采用不同的推薦方式進行推薦，獲取用戶對不同推薦方式的點擊率，將點擊率最高的推薦方式作為最終的推薦方式。上述個性化推薦方法和裝置，通過獲取用戶信息，判斷獲取的用戶信息是否完整，若完整，則根據該用戶信息建立多個模型，從多個模型中選出與用戶信息匹配的模型，根據該匹配的模型，獲取用戶對應的標簽信息，進而根據標簽信息進行推薦。通過自動獲取用戶信息，進行自動的信息匹配，提高了效率，同時根據用戶信息建立多個模型，選出匹配的模型，提高了預測的準確率，根據用戶對應的標簽信息進行推薦，每個用戶都有自己獨特的標簽，這樣可以為每個用戶進行個性化推薦，提高了推薦的準確率。附圖說明圖1為一個實施例中個性化推薦方法的流程圖；圖2為一個實施例中進行信息補全的方法的流程圖；圖3為一個實施例中個性化推薦裝置的結構框圖；圖4為另一個實施例中個性化推薦裝置的結構框圖。具體實施方式為了使本專利技術的目的、技術方案及優點更加清楚明白，以下結合附圖及實施例，對本專利技術進行進一步詳細說明。應當理解，此處所描述的具體實施例僅僅用以解釋本專利技術，并不用于限定本專利技術。如圖1所示，在一個實施例中，提出了一種個性化推薦方法包括以下步驟：步驟102，獲取用戶信息。具體的，可以讓用戶通過手機驗證碼或者微信等授權登錄的方式進行登錄，便于獲取用戶的相關信息，當檢測到用戶的登錄信息后，根據用戶的登錄信息獲取對應的用戶信息。其中，用戶信息包括靜態信息和動態信息。靜態信息是指用戶的固有屬性，包括年齡、性別、籍貫、職業、收入等。動態信息是指用戶的行為屬性，比如，近一個月是否瀏覽過相關的網址，搜索過相關的關鍵詞，是否曾經購買過相關的產品等。步驟104，判斷獲取的用戶信息是否完整，若是，則進入步驟106，若否，則進入步驟105。具體的，獲取到用戶的靜態信息和動態信息后，根據當前的項目需求判斷獲取的用戶信息是否完整，如果獲取的用戶信息完整，那么進入根據用戶信息建立多個模型的步驟，若獲取的用戶信息不完整，則進行信息補全，當信息補充完整后，再進入根據用戶信息建立多個模型的步驟。步驟105，進行信息補全。在本實施例中，若獲取的用戶信息不完整，則進行信息補全，待補充完整后進入步驟106。具體的，可以通過獲取預設的與缺少的信息對應的問題，加入到問卷中，通過用戶回答相關的問題來采集對應缺少的信息，進而完善用戶信息，等到用戶信息補充完整后，再進入根據用戶信息建立多個模型的步驟。步驟106，根據用戶信息建立多個模型。具體的，獲取用戶信息后，在不同的場景下，采用不同的模型進行建模，以便從建立的多個模型中確定與用戶信息匹配的模型。比如，可以采用隨機森林、協同過濾、決策樹、隨機游走等方式建模。具體的，如果是二分類的問題，那么就可以分別采用決策樹和隨機森林來進行建模，最后根據預測的準確率，AUC(AreaUnderrocCurve，曲線下面積)等來判斷哪個模型的效果更好，其中，AUC是一種用來度量分類模型好壞的一個標準。步驟108，從多個模型中確定與用戶信息匹配的模型。具體的，根據用戶信息建立多個模型，從多個模型中確定與用戶信息匹配的模型。從多個模型中確定匹配模型，可以通過分別計算各個模型的預測準確率，進而將預測準確率最高的模型作為匹配模型。預測準確率的計算是根據已有樣本進行的預測。步驟110，根據確定的與用戶信息匹配的模型，獲取用戶對應的標簽信息。具體的，根據確定的與用戶信息匹本文檔來自技高網...

【技術保護點】
一種個性化推薦方法，所述方法包括以下步驟：獲取用戶信息；判斷獲取的所述用戶信息是否完整；若是，則根據所述用戶信息建立多個模型；從所述多個模型中確定與所述用戶信息匹配的模型；根據確定的與所述用戶信息匹配的模型，獲取用戶對應的標簽信息；根據所述標簽信息進行推薦。

【技術特征摘要】
1.一種個性化推薦方法，所述方法包括以下步驟：
獲取用戶信息；
判斷獲取的所述用戶信息是否完整；
若是，則根據所述用戶信息建立多個模型；
從所述多個模型中確定與所述用戶信息匹配的模型；
根據確定的與所述用戶信息匹配的模型，獲取用戶對應的標簽信息；
根據所述標簽信息進行推薦。
2.根據權利要求1所述的方法，其特征在于，在所述判斷獲取的所述用戶
信息是否完整的步驟之后還包括：
若獲取的用戶信息不完整，則獲取與缺少的信息對應的問題，加入到問卷
中，通過所述問卷采集所述缺少的信息，當信息補充完整后，則進入根據所述
用戶信息建立多個模型的步驟。
3.根據權利要求2所述的方法，其特征在于，所述方法還包括:計算所述
問卷中問題的選項對模型的影響度，生成相應的報告。
4.根據權利要求1所述的方法，其特征在于，所述從所述多個模型中確定
與所述用戶信息匹配的模型的步驟包括：
計算各個模型對應的預測準確率，將預測準確率最高的模型作為與所述用
戶信息匹配的模型。
5.根據權利要求1所述的方法，其特征在于，所述根據所述標簽信息進行
推薦的步驟包括：
根據所述標簽信息采用不同的推薦方式進行推薦，獲取用戶對不同推薦方
式的點擊率，將點擊率最高的推薦方式作為最終的推薦方式。
6.一種個性化推薦...

【專利技術屬性】
技術研發人員：盧東東，汪超慧，肖京，汪偉，王建明，
申請(專利權)人：平安科技深圳有限公司，
類型：發明
國別省市：廣東;44