申请/专利权人：创新先进技术有限公司

申请日：2017-03-21

公开（公告）日：2021-04-27

公开（公告）号：CN107103033B

主分类号：G06F16/435(20190101)

分类号：G06F16/435(20190101);G06F16/635(20190101)

优先权：

专利状态码：有效-授权

法律状态：2021.04.27#授权;2017.09.22#实质审查的生效;2017.08.29#公开

摘要：本申请提供一种冷启动用户的偏好预测方法，包括：获取N个参考系统中，所述冷启动用户在M个偏好类别的评分；N为大于1的自然数，M为自然数；所述参考系统为除本系统之外冷启动用户使用的其他系统；根据某个偏好类别在N个参考系统的评分，得到所述冷启动用户在所述偏好类别的预测分值。本申请的技术方案能够在无需冷启动用户操作的前提下，从冷启动用户使用过的参考系统总结出用户的偏好，在节省冷启动用户时间精力的同时，增加了偏好预测的准确度。

主权项：1.一种冷启动用户的偏好预测方法，其特征在于，包括：从N个参考系统的每一参考系统中，获取所述冷启动用户在M个偏好类别的评分；N为大于1的自然数，M为自然数；所述参考系统为具有分析所述冷启动用户偏好的历史记录的其他系统，所述偏好类别基于所述冷启动用户在对应参考系统中的历史记录确定；根据某个偏好类别在N个参考系统的评分，得到所述冷启动用户在所述偏好类别的预测分值；所述根据某个偏好类别在N个参考系统的评分，得到所述冷启动用户在所述偏好类别的预测分值，包括：根据某个偏好类别在N个参考系统的评分和参考系统与所述偏好类别的相关程度，得到所述冷启动用户在所述偏好类别的预测分值；与所述偏好类别相关程度更高的参考系统，对所述预测分值具有更大的影响。

全文数据：冷启动用户的偏好预测方法和装置技术领域[0001]本申请涉及数据处理技术领域，尤其涉及一种冷启动用户的偏好预测方法和装置。背景技术[0002]随着信息技术的广泛应用，越来越多的企业向用户提供各种在线服务系统。在线服务系统的优势在于可以对用户的行为进行追踪和存储，从用户的历史记录中挖掘分析用户的偏好，以便为每个用户提供更有针对性服务。在线服务系统的显示界面、推送内容、到业务流程等等，都可以按用户的偏好自动调整，从而更加匹配用户的需求。[0003]对用户偏好的挖掘和分析，以用户的历史记录为基础。没有历史记录、或者无法从极少的历史记录分析出偏好的用户称为冷启动用户。例如，对刚刚上线的系统、APP应用，所有的用户都是冷启动用户；再如，对已经运行一段时间的系统，新注册的用户是冷启动用户。[0004]现有技术中，对冷启动用户通常采用调查的方式来获取冷启动用户的偏好，即由冷启动用户填写并提交系统给出的调查表，从冷启动用户的填写结果中总结冷启动用户的偏好。如用户刚开始使用某个电影网站时，系统会推送一些电影让用户选择是否喜爱;或者用户刚进入某音乐网站时，系统会让用户选择所喜欢的音乐类型等等。这种方式需要占用冷启动用户的时间和精力，而且得到的信息非常有限，往往很难反应冷启动用户真正的兴趣和偏好。发明内容[0005]有鉴于此，本申请提供一种冷启动用户的偏好预测方法，包括：[0006]获取N个参考系统中，所述冷启动用户在M个偏好类别的评分;N为大于1的自然数，M为自然数;所述参考系统为具有分析所述冷启动用户偏好的历史记录的其他系统；[0007]根据某个偏好类别在N个参考系统的评分，得到所述冷启动用户在所述偏好类别的预测分值。[0008]本申请提供的一种冷启动用户的偏好预测方法，应用在具有分析所述冷启动用户偏好的历史记录的系统中，包括：[0009]接收冷启动系统获取冷启动用户偏好分类评分的请求，所述请求中包括冷启动用户的个人信息;所述冷启动系统为缺少分析所述冷启动用户偏好的历史记录的系统；[0010]根据冷启动用户的个人信息生成所述冷启动用户在M个偏好类别的评分，将M个评分返回给冷启动系统，供冷启动根据某个偏好类别在本系统和其他参考系统的评分，得到所述冷启动用户在所述偏好类别的预测分值;M为自然数。[0011]本申请还提供了一种冷启动用户的偏好预测装置，包括：[0012]类别评分获取单元，用于获取N个参考系统中，所述冷启动用户在M个偏好类别的评分;N为大于1的自然数，M为自然数;所述参考系统为具有分析所述冷启动用户偏好的历史记录的其他系统；[0013]预测分值计算单元，用于根据某个偏好类别在N个参考系统的评分，得到所述冷启动用户在所述偏好类别的预测分值。[0014]本申请提供的一种冷启动用户的偏好预测装置，应用在具有分析所述冷启动用户偏好的历史记录的系统中，包括：[0015]评分请求接收单元，用于接收冷启动系统获取冷启动用户偏好分类评分的请求，所述请求中包括冷启动用户的个人信息;所述冷启动系统为缺少分析所述冷启动用户偏好的历史记录的系统；[0016]评分请求响应单元，用于根据冷启动用户的个人信息生成所述冷启动用户在M个偏好类别的评分，将M个评分返回给冷启动系统，供冷启动根据某个偏好类别在本系统和其他参考系统的评分，得到所述冷启动用户在所述偏好类别的预测分值;M为自然数。[0017]由以上技术方案可见，本申请的实施例中，从至少两个冷启动用户使用的参考系统中，得到冷启动用户各个偏好类别的评分，再将某个偏好类别在每个参考系统的评分综合为该冷启动用户在该偏好类别的预测分值，从而能够在无需冷启动用户操作的前提下，从冷启动用户使用过的参考系统总结出用户的偏好，在节省冷启动用户时间精力的同时，增加了偏好预测的准确度。附图说明[0018]图1是本申请实施例中一种应用在冷启动系统中，冷启动用户的偏好预测方法的流程图；[0019]图2是本申请实施例中一种应用在参考系统中，冷启动用户的偏好预测方法的流程图；[0020]图3是本申请应用不例中偏好预测流程的不意图；[0021]图4是运行本申请实施例的设备的一种硬件结构图；[0022]图5是本申请实施例中一种应用在冷启动系统中，冷启动用户的偏好预测装置的逻辑结构图；[0023]图6是本申请实施例中一种应用在参考系统中，冷启动用户的偏好预测装置的逻辑结构图。具体实施方式[0024]随着在线服务和应用的多元化，越来越多的用户选择参与到多个服务系统中。当一个用户在一个已运行系统中成为新用户时，该用户对更多其他已运行的系统则常常已经是老用户了。对一个刚上线不久的系统，所有的用户都是冷启动用户，但这些用户在其他已经平稳运行的系统中，也往往是拥有丰富历史记录的老用户了。用户的偏好是稳定的，不会随着所使用系统的不同而不同，因此，某个系统的冷启动用户的偏好，通常已经反映在该用户已经使用过一段时间的其他系统中（对这些其他系统，该用户已不再是冷启动用户）。事实上，这些丰富的跨系统历史数据是冷启动情况下学习用户偏好的宝贵资源，可以借用冷启动用户在其他系统中的历史记录，总结该冷启动用户的偏好，然后用来预测该冷启动用户在本系统中的偏好。[0025]例如，淘宝用户很可能也是新浪微博或虾米音乐的用户。用户刚开始使用虾米音乐时，他在虾米音乐的系统中尚无历史记录，但他很可能已经在别淘宝或新浪微博中留下了丰富的行为历史。假如该用户在新浪微博上经常转发或评论某歌星的微博，则可以预测该用户是该歌星的忠实粉丝，所以便可在虾米音乐上将该歌星的音乐推荐给该用户，即使该用户是虾米音乐的冷启动用户。[0026]本申请的实施例提出一种新的冷启动用户的偏好预测方法，将用户的偏好分为M个偏好类别，从冷启动用户已经使用的至少两个参考系统中计算得到该冷启动用户在每个偏好类别的评分，再将一个偏好类别的所有评分综合得出该用户作为本系统的冷启动用户在该偏好类别的预测分值，从而无需冷启动用户填写调查问卷即可更为准确的定位该冷启动用户的偏好，减少了对冷启动用户的打扰，以解决现有技术中存在的问题。[0027]本申请的实施例可以运行在任何具有计算和存储能力的设备上，如手机、平板电脑、PCPersonalComputer，个人电脑）、笔记本、服务器等设备;还可以由运行在两个或两个以上设备的逻辑节点来实现本申请实施例中的各项功能。[0028]本申请的实施例中，某个用户在一个系统中尚未有足够的历史记录，能够使本系统分析出该用户的偏好，该用户对本系统而言是冷启动用户，而本系统可以是刚上线、上线不久或已平稳运行很久的系统，不做限定。本申请实施例中将上述本系统称为冷启动系统，将除本系统外、该用户使用的有足够历史记录可以用来分析该用户偏好的N个其他系统作为参考系统，利用该用户在N个参考系统中的历史记录，来预测该用户在使用本系统时的偏好。[0029]冷启动用户的偏好预测方法应用在冷启动系统上的流程如图1所示，应用在参考系统上的流程如图2所示。[0030]在冷启动系统上，步骤110，获取NN为大于1的自然数个参考系统中，所述冷启动用户在MM为自然数个偏好类别的评分。[0031]本申请实施例中，可以对所有的冷启动用户都采用相同的N个参考系统，也可以对不同的冷启动用户采用不同的N个参考系统，不做限定。例如，可以利用冷启动用户的注册信息查找该用户使用过的N个系统，并将其作为参考系统。[0032]可以根据冷启动系统的业务需求来决定划分多少个偏好类别，以及怎样划分偏好类别。可以采用相同的算法由各个参考系统的历史记录来计算各自的M个偏好类别的评分，也可以按照各个参考系统的业务特点，采用不同的算法来计算各自的M个偏好类别的评分。本申请的实施例均不作限定。[0033]另外，划分偏好类别的方式、计算M个偏好类别评分的算法都可以参照现有技术中在本系统中利用历史记录挖掘用户偏好的分析方法实现。例如，可以基于冷启动用户属于某个偏好类别的行为记录的统计数据来给出该偏好类别评分如音乐偏好类别可以根据用户在某个固定时间段内播放曲目的总数来给出评分）；再如，可以采用现有的协同过滤、矩阵分解等算法来计算M个偏好类别的评分。[0034]在第一种实现方式中，冷启动系统可以从某个参考系统获得该冷启动用户的历史记录，自行根据该冷启动用户的历史记录来计算对该参考系统的M个偏好类别的评分。在第二种实现方式中，可以由某个参考系统以该冷启动用户在本系统的历史记录为依据，计算得出该冷启动用户对该参考系统的M个偏好类别的评分，并将M个评分传递给冷启动系统。在第三种实现方式中，可以对不同的参考系统分别采用上述两种实现方式，通过上述两种实现方式的结合来分别获得不同参考系统中冷启动用户在M个偏好类别的评分。[0035]具体而言，在上述第二种或第三种实现方式中，在某个参考系统上，步骤210，接收冷启动系统获取冷启动用户偏好分类评分的请求，所述请求中包括冷启动用户的个人信息。[0036]冷启动系统可以采用冷启动用户的个人信息向参考系统请求所述用户的偏好分类评分。可以根据实际应用场景的来将冷启动用户的哪个或哪些信息来作为个人信息。例如，现有技术中用户可以采用自己的社交账号、或在一些大型网站的注册账户登录很多在线服务系统，这种应用场景中，冷启动系统可以将用户的登录账号作为冷启动用户的个人信息。再如，冷启动系统可以将用户的证件号码、终端设备识别码、可穿戴设备标识、手机号码等能够代表用户身份的信息来作为冷启动用户的个人信息。[0037]在上述参考系统上，步骤220,根据冷启动用户的个人信息生成该冷启动用户在M个偏好类别的评分，将M个评分返回给冷启动系统，供冷启动根据某个偏好类别在本系统和其他参考系统的评分，得到该冷启动用户在该偏好类别的预测分值。[0038]参考系统可以根据冷启动用户的个人信息获取该用户的历史记录，对历史记录进行数据清洗和过滤后，采用预定的偏好分类算法得到该用户在M个偏好类别的评分，并将M个评分返回给冷启动系统。具体的数据清洗和过滤方法、偏好分类算法均可采用现有技术实现，不再赘述。[0039]在冷启动系统上，步骤120，根据某个偏好类别在N个参考系统的评分，得到该冷启动用户在该偏好类别的预测分值。[0040]在得到N个参考系统中冷启动用户在M个偏好类别的评分后，对每个偏好类别，共有分别对应于N个参考系统的N个评分。以这N个评分为基础，可以采用一定的算法得到冷启动用户在单个偏好类别的预测分值。[0041]不同的偏好类别可以采用相同的算法来由N个评分计算预测分值，也可以采用不同的算法。在一种应用场景中，不同参考系统的业务特点不同，因此不同系统的历史记录对冷启动用户不同的偏好类别的贡献也不同。在这种应用场景中，可以根据某个偏好类别在N个参考系统的评分和每个参考系统与该偏好类别的相关程度，来得到冷启动用户在该偏好类别的预测分值;换言之，在采用的算法中反映各个参考系统与该偏好类别的相关程度，与该偏好类别相关程度更高的参考系统，对预测分值具有更大的影响。[0042]本申请的实施例对综合N个不同参考系统中某个偏好类别的评分，来得到该偏好类别的预测分值的具体算法不做限定。在一个例子中，可以对某个偏好类别在N个参考系统的评分进行线性加权，来得到冷启动用户在该偏好类别的预测分值，如式1:[0043][0044]式1中，EPt为第t个偏好类别的预测分值，t为从1到M的自然数;Pi,t为第i个参考系统中第t个偏好类别的评分；co1t为在计算EPt时P1,t的权重。[0045]在这个例子中，不同的偏好类别，可以采用不同的权重组合来计算预测分值。换言之，在计算单个偏好类别的预测分值时，N个参考系统的评分在线性加权时采用的N个权重，可以因偏好类别的不同而不同。对与偏好类别相关程度高的参考系统，可以采用较大的权重来计算该偏好类别的预测分值;例如，对偏好类别“电影”，对于两个参考系统分别是电影购票类网站和体育新闻类网站的情形，可以赋予电影购票类网站较大的权重，而赋予体育新闻类网站较小的权重。[0046]在计算出冷启动用户的M个偏好类别的预测分值后，根据这些预测分值即可得知冷启动用户在不同偏好类别间的兴趣所在。这样，冷启动系统可以根据冷启动用户的兴趣为该用户定制个性化的显示界面、推送内容、和或业务流程等等，为冷启动用户提供更加有针对性的服务。[0047]为了便于进行M个偏好类别之间的对比，可以对每个参考系统的M个偏好类别的评分进行归一化处理（由冷启动系统进行或者由参考系统进行）；可以对由N个参考系统对同一偏好类别的评分得出该偏好类别预测分值的算法进行归一化处理如对线性加权算法，可以令在计算某个偏好类别的预测分值时，N个参考系统的评分采用的N个权重的和为1，即式1中；还可以同时采用上述两个归一化处理，这样不同偏好类别的预测分值的取值范围将在〇和1之间，可以通过简单的大小对比，得知冷启动用户对哪个偏好类别更加感兴趣。[0048]可见，本申请的实施例中，将用户的偏好分为M个偏好类别，从至少两个冷启动用户使用的参考系统中，得到冷启动用户M个偏好类别的评分，再将一个偏好类别的所有评分综合得出该冷启动用户在该偏好类别的预测分值，从而无需对冷启动用户进行调查，即可更为精准的得出冷启动用户的偏好，减少了对冷启动用户的打扰，在节省冷启动用户时间精力的同时，提高了偏好预测的准确度。[0049]在本申请的一个应用示例中，用户在一个服务平台（冷启动系统上注册后成为新用户冷启动用户）。冷启动系统采用该冷启动用户注册时提供的个人信息如社交账号、手机号码、证件号码等），向其他服务平台查询该用户的偏好分类评分。设有N个其他服务平台有该用户足够用来分析其偏好的历史记录，这N个其他服务平台成为参考系统1、参考系统2,直到参考系统N。[0050]请参见图3,假设偏好分类共有M类，每个参考系统提取该冷启动用户在本服务平台的历史记录，对历史记录数据进行清洗和过滤（即去除无效和噪音数据，可参照现有技术实现后，运行各自的偏好分类算法，在对算法结果进行归一化处理后，得出该冷启动用户在M个偏好分类的评分这M个评分的总和为1，并将M个评分提供给冷启动系统。[0051]冷启动系统得到N*M个评分后，将每个偏好分类的M个评分，输入该偏好分类的线性加权公式，得到该偏好类别的预测分值。每个偏好类别的线性加权公式均采用归一化处理，即对应于N个参考系统的N个权重之和为1。每个偏好的类别的线性加权公式中，根据参考系统与该偏好类别的相关程度来设置该参考系统的评分所对应的权重，相关程度越高，权重越大。[0052]在冷启动系统得到该冷启动用户在M个偏好分类的预测分值后，可以根据该冷启动用户最感兴趣的若干个偏好分类，来针对该冷启动用户运行冷启动系统的业务规则。[0053]与上述流程实现对应，本申请的实施例还提供了一种应用在冷启动系统中的冷启动用户的偏好预测装置，和一种应用在参考系统中的冷启动用户的偏好预测装置。这两种装置均可以通过软件实现，也可以通过硬件或者软硬件结合的方式实现。以软件实现为例，作为逻辑意义上的装置，是通过所在设备的CPUCentralProcessUnit，中央处理器将对应的计算机程序指令读取到内存中运行形成的。从硬件层面而言，除了图4所示的CPU、内存以及非易失性存储器之外，冷启动用户的偏好预测装置所在的设备通常还包括用于进行无线信号收发的芯片等其他硬件，和或用于实现网络通信功能的板卡等其他硬件。[0054]图5所示为本申请实施例提供的一种冷启动用户的偏好预测装置，包括类别评分获取单元和预测分值计算单元，其中：类别评分获取单元用于获取N个参考系统中，所述冷启动用户在M个偏好类别的评分;N为大于1的自然数，M为自然数;所述参考系统为具有分析所述冷启动用户偏好的历史记录的其他系统;预测分值计算单元用于根据某个偏好类别在N个参考系统的评分，得到所述冷启动用户在所述偏好类别的预测分值。[0055]可选的，所述每个参考系统的M个偏好类别的评分为归一化处理后的分值。[0056]—个例子中，所述预测分值计算单元具体用于:对某个偏好类别在N个参考系统的评分进行线性加权，得到所述冷启动用户在所述偏好类别的预测分值。[0057]上述例子中，所述N个参考系统的评分在线性加权时采用的N个权重的和为1。[0058]上述例子中，所述N个参考系统的评分在线性加权时采用的N个权重，因偏好类别的不同而不同。[0059]可选的，所述预测分值计算单元具体用于:根据某个偏好类别在N个参考系统的评分和参考系统与所述偏好类别的相关程度，得到所述冷启动用户在所述偏好类别的预测分值;与所述偏好类别相关程度更高的参考系统，对所述预测分值具有更大的影响。[0060]可选的，所述类别评分获取单元具体用于:采用所述冷启动用户的个人信息向参考系统请求所述冷启动用户的偏好分类评分，接收N个参考系统返回的本系统对所述冷启动用户在M个偏好类别的评分。[0061]图6所示为本申请实施例提供的一种冷启动用户的偏好预测装置，应用在具有分析所述冷启动用户偏好的历史记录的系统中，包括评分请求接收单元和评分请求响应单元，其中：评分请求接收单元用于接收冷启动系统获取冷启动用户偏好分类评分的请求，所述请求中包括冷启动用户的个人信息;所述冷启动系统为缺少分析所述冷启动用户偏好的历史记录的系统;评分请求响应单元用于根据冷启动用户的个人信息生成所述冷启动用户在M个偏好类别的评分，将M个评分返回给冷启动系统，供冷启动根据某个偏好类别在本系统和其他参考系统的评分，得到所述冷启动用户在所述偏好类别的预测分值;M为自然数。[0062]可选的，所述M个偏好类别的评分为归一化处理后的分值。[0063]可选的，所述评分请求响应单元具体用于:根据冷启动用户的个人信息获取所述冷启动用户的历史记录，对历史记录进行数据清洗和过滤后，采用预定的偏好分类算法得到所述冷启动用户在M个偏好类别的评分，将M个评分返回给冷启动系统。[0064]以上所述仅为本申请的较佳实施例而已，并不用以限制本申请，凡在本申请的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本申请保护的范围之内。[0065]在一个典型的配置中，计算设备包括一个或多个处理器CPU、输入输出接口、网络接口和内存。[0066]内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器RAM和或非易失性内存等形式，如只读存储器ROM或闪存flashRAM。内存是计算机可读介质的示例。[0067]计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存PRAM、静态随机存取存储器SRAM、动态随机存取存储器DRAM、其他类型的随机存取存储器RAM、只读存储器ΦΟΜ、电可擦除可编程只读存储器EEPROM、快闪记忆体或其他内存技术、只读光盘只读存储器CD-ROM、数字多功能光盘DVD或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体transitorymedia，如调制的数据信号和载波。[0068]还需要说明的是，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、商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、商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、商品或者设备中还存在另外的相同要素。[0069]本领域技术人员应明白，本申请的实施例可提供为方法、系统或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质（包括但不限于磁盘存储器、CD-ROM、光学存储器等）上实施的计算机程序产品的形式。

权利要求：1.一种冷启动用户的偏好预测方法，在其特征在于，包括：获取N个参考系统中，所述冷启动用户在M个偏好类别的评分;N为大于1的自然数，M为自然数;所述参考系统为具有分析所述冷启动用户偏好的历史记录的其他系统；根据某个偏好类别在N个参考系统的评分，得到所述冷启动用户在所述偏好类别的预测分值。2.根据权利要求1所述的方法，其特征在于，所述每个参考系统的M个偏好类别的评分为归一化处理后的分值。3.根据权利要求1所述的方法，其特征在于，所述根据某个偏好类别在N个参考的评分，得到所述冷启动用户在所述偏好类别的预测分值，包括:对某个偏好类别在N个参考系统的评分进行线性加权，得到所述冷启动用户在所述偏好类别的预测分值。4.根据权利要求3所述的方法，其特征在于，所述N个参考系统的评分在线性加权时采用的N个权重的和为1。5.根据权利要求3所述的方法，其特征在于，所述N个参考系统的评分在线性加权时采用的N个权重，因偏好类别的不同而不同。6.根据权利要求1或3所述的方法，其特征在于，所述根据某个偏好类别在N个参考系统的评分，得到所述冷启动用户在所述偏好类别的预测分值，包括:根据某个偏好类别在N个参考系统的评分和参考系统与所述偏好类别的相关程度，得到所述冷启动用户在所述偏好类别的预测分值;与所述偏好类别相关程度更高的参考系统，对所述预测分值具有更大的影响。7.根据权利要求1所述的方法，其特征在于，所述获取N个参考系统中，所述冷启动用户在M个偏好类别的评分，包括:采用所述冷启动用户的个人信息向参考系统请求所述冷启动用户的偏好分类评分，接收N个参考系统返回的本系统对所述冷启动用户在M个偏好类别的评分。8.—种冷启动用户的偏好预测方法，应用在具有分析所述冷启动用户偏好的历史记录的系统中，在其特征在于，包括：接收冷启动系统获取冷启动用户偏好分类评分的请求，所述请求中包括冷启动用户的个人信息;所述冷启动系统为缺少分析所述冷启动用户偏好的历史记录的系统；根据冷启动用户的个人信息生成所述冷启动用户在M个偏好类别的评分，将M个评分返回给冷启动系统，供冷启动根据某个偏好类别在本系统和其他参考系统的评分，得到所述冷启动用户在所述偏好类别的预测分值;M为自然数。9.根据权利要求8所述的方法，其特征在于，所述M个偏好类别的评分为归一化处理后的分值。10.根据权利要求8所述的方法，其特征在于，所述根据冷启动用户的个人信息生成所述冷启动用户在M个偏好类别的评分，包括:根据冷启动用户的个人信息获取所述冷启动用户的历史记录，对历史记录进行数据清洗和过滤后，采用预定的偏好分类算法得到所述冷启动用户在M个偏好类别的评分。11.一种冷启动用户的偏好预测装置，其特征在于，包括：类别评分获取单元，用于获取N个参考系统中，所述冷启动用户在M个偏好类别的评分；N为大于1的自然数，M为自然数;所述参考系统为具有分析所述冷启动用户偏好的历史记录的其他系统；预测分值计算单元，用于根据某个偏好类别在N个参考系统的评分，得到所述冷启动用户在所述偏好类别的预测分值。12.根据权利要求11所述的装置，其特征在于，所述每个参考系统的M个偏好类别的评分为归一化处理后的分值。13.根据权利要求11所述的装置，其特征在于，所述预测分值计算单元具体用于:对某个偏好类别在N个参考系统的评分进行线性加权，得到所述冷启动用户在所述偏好类别的预测分值。14.根据权利要求13所述的装置，其特征在于，所述N个参考系统的评分在线性加权时采用的N个权重的和为1。15.根据权利要求13所述的装置，其特征在于，所述N个参考系统的评分在线性加权时采用的N个权重，因偏好类别的不同而不同。16.根据权利要求11或13所述的装置，其特征在于，所述预测分值计算单元具体用于：根据某个偏好类别在N个参考系统的评分和参考系统与所述偏好类别的相关程度，得到所述冷启动用户在所述偏好类别的预测分值;与所述偏好类别相关程度更高的参考系统，对所述预测分值具有更大的影响。17.根据权利要求11所述的装置，其特征在于，所述类别评分获取单元具体用于:采用所述冷启动用户的个人信息向参考系统请求所述冷启动用户的偏好分类评分，接收N个参考系统返回的本系统对所述冷启动用户在M个偏好类别的评分。18.—种冷启动用户的偏好预测装置，应用在具有分析所述冷启动用户偏好的历史记录的系统中，在其特征在于，包括：评分请求接收单元，用于接收冷启动系统获取冷启动用户偏好分类评分的请求，所述请求中包括冷启动用户的个人信息;所述冷启动系统为缺少分析所述冷启动用户偏好的历史记录的系统；评分请求响应单元，用于根据冷启动用户的个人信息生成所述冷启动用户在M个偏好类别的评分，将M个评分返回给冷启动系统，供冷启动根据某个偏好类别在本系统和其他参考系统的评分，得到所述冷启动用户在所述偏好类别的预测分值;M为自然数。19.根据权利要求18所述的装置，其特征在于，所述M个偏好类别的评分为归一化处理后的分值。20.根据权利要求18所述的装置，其特征在于，所述评分请求响应单元具体用于:根据冷启动用户的个人信息获取所述冷启动用户的历史记录，对历史记录进行数据清洗和过滤后，采用预定的偏好分类算法得到所述冷启动用户在M个偏好类别的评分，将M个评分返回给冷启动系统。

百度查询： 创新先进技术有限公司 冷启动用户的偏好预测方法和装置

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD