專(zhuān)利名稱(chēng)：一種信息推薦方法和設(shè)備的制作方法
技術(shù)領(lǐng)域：
本發(fā)明涉及互聯(lián)網(wǎng)領(lǐng)域的信息推薦技木，尤其涉及ー種信息推薦方法和設(shè)備。
背景技術(shù)：
互聯(lián)網(wǎng)技術(shù)的高速發(fā)展，極大地改變了人們的工作生活，通過(guò)互聯(lián)網(wǎng)瀏覽網(wǎng)頁(yè)、看新聞、看電影以及聽(tīng)音樂(lè)等已經(jīng)成為許多人工作生活中不可缺少的一部分，而為了讓用戶(hù)更快捷地找到自己感興趣的新聞、電影或音樂(lè)，信息推薦技術(shù)正逐漸隨著互聯(lián)網(wǎng)的高速發(fā)展而興起?，F(xiàn)有技術(shù)中，存在ー種將MinHash用于用戶(hù)聚類(lèi)以實(shí)現(xiàn)新聞推薦的信息推薦技術(shù)，稱(chēng)為 MinHash 推薦技術(shù)。其中，MinHash(Minwise IndependentPermutation Hashing) 是ー種符合交換獨(dú)立條件的哈希技木，用于估算兩個(gè)集合之間的相似度。MinHash推薦技術(shù)的原理為如果用V表示元素的全集，那么隨機(jī)哈希函數(shù)就可以表示成f:VヰR，R是實(shí)數(shù)集。如果敘和)Cb是全集中任意兩個(gè)不同的元素，那么哈希函數(shù)必須滿(mǎn)足兩個(gè)條件， f(Xa) ^ f(Xb)和P(f (Xa) < f(Xb)) = 0. 5，其中，Ρ(·)表示概率。這兩個(gè)條件的意思是， 任意兩個(gè)不同的元素的哈希值不能相等，并且任意ー個(gè)元素的哈希值小于另ー個(gè)元素的哈希值的概率是0. 5，即不同元素的哈希值的大小關(guān)系必須是隨機(jī)的。在這樣的哈希函數(shù)的基礎(chǔ)上，如果A是全集V上的子集，MinHash中子集A的哈希值被定義為h(f’A)= min ...................................................[1]
XeA那么對(duì)于同樣的哈希函數(shù)，集合A和B的哈希值相同的概率是PiKf, A) = Kf, B)) =...........................................[2]式( 右邊表示集合A和集合B的相似度，即集合A和B的哈希值相同的概率等于集合A和B的相似度。若將用戶(hù)表示成ー個(gè)元素集合，MinHash推薦的過(guò)程為首先用MinHash將用戶(hù)聚為若干個(gè)類(lèi)，此處設(shè)用戶(hù)U屬于類(lèi)別C，用戶(hù)u與類(lèi)別C的相似度表示為sim(u，c)；然后對(duì)于這個(gè)類(lèi)里面的每個(gè)元素Ci，計(jì)算這個(gè)元素在類(lèi)里面出現(xiàn)的次數(shù)COUNT (Ci)，井根據(jù)該次數(shù)和相似度來(lái)確定元素ci推薦給用戶(hù)的分?jǐn)?shù)sim(u，c)^COUNT(Ci)。對(duì)于類(lèi)別c的所有元素，都生成這樣ー個(gè)推薦分?jǐn)?shù)，然后根據(jù)分?jǐn)?shù)排序，將分值高且用戶(hù)自身不包含的元素推薦給用戶(hù)。在一個(gè)用戶(hù)可以屬于多個(gè)類(lèi)別的情況下，處理也是類(lèi)似的，即首先對(duì)每個(gè)類(lèi)別做如上所述的處理，然后把類(lèi)別里面的所有元素合在一起，并對(duì)相同元素的分?jǐn)?shù)累加，最終得到一個(gè)長(zhǎng)的推薦列表，排序之后推薦給用戶(hù)。通常，衡量ー種信息推薦技術(shù)的推薦效果可以考慮兩個(gè)方面的因素，ー個(gè)是使用該信息推薦技術(shù)向信息推薦時(shí)，推薦結(jié)果被用戶(hù)接受的概率，即信息推薦的精確度；另ー個(gè)方面是使用該信息推薦技術(shù)向信息推薦時(shí)，能夠得到推薦的用戶(hù)占所有用戶(hù)的比例，即信息推薦的覆蓋率。由MinHash推薦技術(shù)的特點(diǎn)可以得出=MinHash推薦技術(shù)中，聚類(lèi)的精確度與信息推薦的精確度是成正比的，而聚類(lèi)的召回率(對(duì)應(yīng)信息推薦中的覆蓋率)與信息推薦的覆蓋率是成正比的，因此為了提高信息推薦的推薦效果，可以通過(guò)提高聚類(lèi)的精確度或召回率來(lái)實(shí)現(xiàn)。現(xiàn)有技術(shù)中，為了提高M(jìn)inHash推薦技術(shù)中聚類(lèi)的精確度，可以取ρ個(gè)不同的哈希函數(shù)，要求同一個(gè)類(lèi)里面的集合的哈希值都要相等。但是這樣做的缺點(diǎn)是導(dǎo)致聚類(lèi)的召回率快速降低。為了提高召回率，可以取q組不同的哈希函數(shù)，每組都有ρ個(gè)不同的哈希函數(shù)，對(duì)于每個(gè)集合A，根據(jù)每組哈希函數(shù)生成ー個(gè)速寫(xiě)(sketch)，該速寫(xiě)由ρ個(gè)哈希值構(gòu)成，具體形式可以多祥，比如哈希值之間可以用逗號(hào)或“」’號(hào)隔開(kāi)。對(duì)于每ー個(gè)集合A，得到q個(gè)速寫(xiě)。給定兩個(gè)集合，只要有ー個(gè)速寫(xiě)是ー樣的，就把這兩個(gè)集合聚在一起。這樣增加了聚在一起的概率，能有效地提高聚類(lèi)的召回率；但也同時(shí)降低了類(lèi)間相似度，也就降低了聚類(lèi)的精確度?，F(xiàn)有信息推薦技術(shù)難以對(duì)聚類(lèi)的精確度和召回率進(jìn)行權(quán)衡，即無(wú)法兼顧聚類(lèi)的精確度和召回率。

發(fā)明內(nèi)容
本發(fā)明提供ー種信息推薦方法和設(shè)備，用以兼顧聚類(lèi)的精確度和召回率，進(jìn)而改善推薦效果，為此，本發(fā)明實(shí)施例采用如下技術(shù)方案ー種信息推薦方法，應(yīng)用于互聯(lián)網(wǎng)應(yīng)用系統(tǒng)，所述應(yīng)用系統(tǒng)中設(shè)置有多個(gè)精確度不同的聚類(lèi)模型，該方法包括所述應(yīng)用系統(tǒng)按照聚類(lèi)模型精確度遞減的順序，依次使用相應(yīng)聚類(lèi)模型對(duì)用戶(hù)所對(duì)應(yīng)的用戶(hù)元素集合進(jìn)行聚類(lèi)處理，以確定用戶(hù)元素集合所屬的類(lèi)別，直到聚類(lèi)召回率滿(mǎn)足設(shè)定要求時(shí)停止聚類(lèi)處理；所述應(yīng)用系統(tǒng)根據(jù)聚類(lèi)結(jié)果對(duì)所述用戶(hù)元素集合對(duì)應(yīng)的用戶(hù)進(jìn)行信息推薦。優(yōu)選地，所述根據(jù)聚類(lèi)結(jié)果對(duì)所述用戶(hù)元素集合對(duì)應(yīng)的用戶(hù)進(jìn)行信息推薦，具體為根據(jù)所述用戶(hù)元素集合，對(duì)所述用戶(hù)元素集合所屬類(lèi)別中的元素進(jìn)行推薦排序， 并根據(jù)推薦排序結(jié)果，選擇不屬于該用戶(hù)元素集合的元素推薦給所述用戶(hù)元素集合對(duì)應(yīng)的用戶(hù)。優(yōu)選地，所述按照聚類(lèi)模型精確度遞減的順序，依次使用相應(yīng)聚類(lèi)模型對(duì)用戶(hù)所對(duì)應(yīng)的用戶(hù)元素集合進(jìn)行聚類(lèi)處理，直到聚類(lèi)召回率滿(mǎn)足設(shè)定要求時(shí)停止聚類(lèi)處理，具體為使用精度最高的聚類(lèi)模型對(duì)所有用戶(hù)的用戶(hù)元素集合進(jìn)行聚類(lèi)處理，若有用戶(hù)元素集合未被聚類(lèi)，則使用精度次之的聚類(lèi)模型對(duì)未被聚類(lèi)的用戶(hù)元素集合進(jìn)行聚類(lèi)處理， 以此類(lèi)推，直到聚類(lèi)召回率滿(mǎn)足設(shè)定要求時(shí)停止聚類(lèi)處理。優(yōu)選地，所述按照聚類(lèi)模型精確度遞減的順序，依次使用相應(yīng)聚類(lèi)模型對(duì)用戶(hù)所對(duì)應(yīng)的用戶(hù)元素集合進(jìn)行聚類(lèi)處理，直到聚類(lèi)召回率滿(mǎn)足設(shè)定要求時(shí)停止聚類(lèi)處理，具體
6為使用精度最高的聚類(lèi)模型對(duì)所有用戶(hù)的用戶(hù)元素集合進(jìn)行聚類(lèi)處理，若有用戶(hù)元素集合未被聚類(lèi)，則使用精度次之的聚類(lèi)模型對(duì)所有用戶(hù)的用戶(hù)元素集合進(jìn)行聚類(lèi)處理， 以此類(lèi)推，直到聚類(lèi)召回率滿(mǎn)足設(shè)定要求時(shí)停止聚類(lèi)處理。優(yōu)選地，所述根據(jù)聚類(lèi)結(jié)果對(duì)所述用戶(hù)元素集合對(duì)應(yīng)的用戶(hù)進(jìn)行信息推薦，具體為根據(jù)所述用戶(hù)元素集合，分別在不同聚類(lèi)模型下的聚類(lèi)結(jié)果中，對(duì)所述用戶(hù)元素集合所屬類(lèi)別中的元素按推薦分?jǐn)?shù)從高到低的順序進(jìn)行推薦排序；根據(jù)聚類(lèi)模型的精確度從高到低的順序，優(yōu)先將精確度高的聚類(lèi)模型下的推薦結(jié)果推薦給所述用戶(hù)元素集合對(duì)應(yīng)的用戶(hù)；其中，同一聚類(lèi)模型下的推薦結(jié)果按推薦分?jǐn)?shù)從高到低的順序依次推薦，不同聚類(lèi)模型下的相同推薦結(jié)果以精確度高的聚類(lèi)模型下的推薦排序結(jié)果進(jìn)行推薦，推薦給用戶(hù)的元素中不包括屬于該用戶(hù)元素集合的元素。優(yōu)選地，所述根據(jù)聚類(lèi)結(jié)果對(duì)所述用戶(hù)元素集合對(duì)應(yīng)的用戶(hù)進(jìn)行信息推薦，具體為根據(jù)所述用戶(hù)元素集合，對(duì)各聚類(lèi)模型下所述用戶(hù)元素集合所屬類(lèi)別中的元素的推薦分?jǐn)?shù)進(jìn)行加權(quán)，并將加權(quán)后的推薦分?jǐn)?shù)按從高到低的順序進(jìn)行推薦排序，其中，精確度高的聚類(lèi)模型下所述用戶(hù)元素集合所屬類(lèi)別中的元素的推薦分?jǐn)?shù)加權(quán)權(quán)重高于精確度低的聚類(lèi)模型下所述用戶(hù)元素集合所屬類(lèi)別中的元素的推薦分?jǐn)?shù)的加權(quán)權(quán)重；根據(jù)推薦排序結(jié)果，將各聚類(lèi)模型下所述用戶(hù)元素集合所屬類(lèi)別中的元素推薦給所述用戶(hù)元素集合所對(duì)應(yīng)的用戶(hù)，其中，推薦給用戶(hù)的元素中不包括屬于該用戶(hù)元素集合的元素。優(yōu)選地，所述多個(gè)精確度不同的聚類(lèi)模型為多個(gè)具有相同哈希函數(shù)組數(shù)量、但每個(gè)哈希函數(shù)組中的哈希函數(shù)數(shù)量不同的MinHash聚類(lèi)模型，所述多個(gè)MinHash聚類(lèi)模型的精度，按照哈希函數(shù)組中的哈希函數(shù)數(shù)量遞減的順序遞減；或者所述多個(gè)精確度不同的聚類(lèi)模型為多個(gè)具有不同哈希函數(shù)組數(shù)量、但每個(gè)哈希函數(shù)組中的哈希函數(shù)數(shù)量相同的MinHash聚類(lèi)模型，所述多個(gè)MinHash聚類(lèi)模型的精度，按照哈希函數(shù)組數(shù)量遞增的順序遞減。本發(fā)明實(shí)施例還提供一種信息推薦設(shè)備，應(yīng)用于互聯(lián)網(wǎng)應(yīng)用系統(tǒng)，包括存儲(chǔ)模塊，用于存儲(chǔ)多個(gè)精確度不同的聚類(lèi)模型；聚類(lèi)模塊，用于按照存儲(chǔ)模塊中存儲(chǔ)的聚類(lèi)模型精確度遞減的順序，依次使用相應(yīng)聚類(lèi)模型對(duì)用戶(hù)所對(duì)應(yīng)的用戶(hù)元素集合進(jìn)行聚類(lèi)處理，以確定用戶(hù)元素集合所屬的類(lèi)別，直到聚類(lèi)召回率滿(mǎn)足設(shè)定要求時(shí)停止聚類(lèi)處理；推薦模塊，用于根據(jù)聚類(lèi)結(jié)果對(duì)所述用戶(hù)元素集合對(duì)應(yīng)的用戶(hù)進(jìn)行信息推薦。優(yōu)選地，所述推薦模塊具體用干，根據(jù)所述用戶(hù)元素集合，對(duì)所述用戶(hù)元素集合所屬類(lèi)別中的元素進(jìn)行推薦排序， 并根據(jù)推薦排序結(jié)果，選擇不屬于該用戶(hù)元素集合的元素推薦給所述用戶(hù)元素集合對(duì)應(yīng)的用戶(hù)。優(yōu)選地，所述聚類(lèi)模塊具體用干，使用精度最高的聚類(lèi)模型對(duì)所有用戶(hù)的用戶(hù)元素集合進(jìn)行聚類(lèi)處理，若有用戶(hù)元素集合未被聚類(lèi)，則使用精度次之的聚類(lèi)模型對(duì)未被聚類(lèi)的用戶(hù)元素集合進(jìn)行聚類(lèi)處理， 以此類(lèi)推，直到聚類(lèi)召回率滿(mǎn)足設(shè)定要求時(shí)停止聚類(lèi)處理。優(yōu)選地，所述聚類(lèi)模塊具體用干，使用精度最高的聚類(lèi)模型對(duì)所有用戶(hù)的用戶(hù)元素集合進(jìn)行聚類(lèi)處理，若有用戶(hù)元素集合未被聚類(lèi)，則使用精度次之的聚類(lèi)模型對(duì)所有用戶(hù)的用戶(hù)元素集合進(jìn)行聚類(lèi)處理， 以此類(lèi)推，直到聚類(lèi)召回率滿(mǎn)足設(shè)定要求時(shí)停止聚類(lèi)處理。優(yōu)選地，所述推薦模塊具體用干，根據(jù)所述用戶(hù)元素集合，分別在不同聚類(lèi)模型下的聚類(lèi)結(jié)果中，對(duì)所述用戶(hù)元素集合所屬類(lèi)別中的元素按推薦分?jǐn)?shù)從高到低的順序進(jìn)行推薦排序；根據(jù)聚類(lèi)模型的精確度從高到低的順序，優(yōu)先將精確度高的聚類(lèi)模型下的推薦結(jié)果推薦給所述用戶(hù)元素集合對(duì)應(yīng)的用戶(hù)；其中，同一聚類(lèi)模型下的推薦結(jié)果按推薦分?jǐn)?shù)從高到低的順序依次推薦，不同聚類(lèi)模型下的相同推薦結(jié)果以精確度高的聚類(lèi)模型下的推薦排序結(jié)果進(jìn)行推薦，推薦給用戶(hù)的元素中不包括屬于該用戶(hù)元素集合的元素。優(yōu)選地，所述推薦模塊具體用干，根據(jù)所述用戶(hù)元素集合，對(duì)各聚類(lèi)模型下所述用戶(hù)元素集合所屬類(lèi)別中的元素的推薦分?jǐn)?shù)進(jìn)行加權(quán)，并將加權(quán)后的推薦分?jǐn)?shù)按從高到低的順序進(jìn)行推薦排序，其中，精確度高的聚類(lèi)模型下所述用戶(hù)元素集合所屬類(lèi)別中的元素的推薦分?jǐn)?shù)加權(quán)權(quán)重高于精確度低的聚類(lèi)模型下所述用戶(hù)元素集合所屬類(lèi)別中的元素的推薦分?jǐn)?shù)的加權(quán)權(quán)重；根據(jù)推薦排序結(jié)果，將各聚類(lèi)模型下所述用戶(hù)元素集合所屬類(lèi)別中的元素推薦給所述用戶(hù)元素集合所對(duì)應(yīng)的用戶(hù)，其中，推薦給用戶(hù)的元素中不包括屬于該用戶(hù)元素集合的元素。優(yōu)選地，所述存儲(chǔ)模塊具體用于，存儲(chǔ)多個(gè)具有相同哈希函數(shù)組數(shù)量、但每個(gè)哈希函數(shù)組中的哈希函數(shù)數(shù)量不同的MinHash聚類(lèi)模型；所述聚類(lèi)模塊具體用干，按照哈希函數(shù)組中的哈希函數(shù)數(shù)量遞減的順序依次使用相應(yīng)聚類(lèi)模型對(duì)用戶(hù)所對(duì)應(yīng)的用戶(hù)元素集合進(jìn)行聚類(lèi)處理，以確定用戶(hù)元素集合所屬的類(lèi)別，直到聚類(lèi)召回率滿(mǎn)足設(shè)定要求時(shí)停止聚類(lèi)處理；或，所述儲(chǔ)存模塊具體用于，存儲(chǔ)多個(gè)具有不同哈希函數(shù)組數(shù)量、但每個(gè)哈希函數(shù)組中的哈希函數(shù)數(shù)量相同的MinHash聚類(lèi)模型；所述聚類(lèi)模塊具體用干，按照哈希函數(shù)組數(shù)量遞增的順序依次使用相應(yīng)聚類(lèi)模型對(duì)用戶(hù)所對(duì)應(yīng)的用戶(hù)元素集合進(jìn)行聚類(lèi)處理，以確定用戶(hù)元素集合所屬的類(lèi)別，直到聚類(lèi)召回率滿(mǎn)足設(shè)定要求時(shí)停止聚類(lèi)處理。與現(xiàn)有技術(shù)相比，本發(fā)明實(shí)施例具有以下優(yōu)點(diǎn)通過(guò)建立不同參數(shù)的聚類(lèi)模型，并根據(jù)所述聚類(lèi)模型精確度從高到低的順序依次使用所述聚類(lèi)模型對(duì)用戶(hù)進(jìn)行聚類(lèi)。一方面，相似度較高的用戶(hù)在精確度高的聚類(lèi)模型下保證了聚類(lèi)精確度；另ー方面，相似度較低的用戶(hù)在精確度較低的聚類(lèi)模型下被聚類(lèi)的可能性増大，即在增大聚類(lèi)召回率的同吋，保證了聚類(lèi)精確度，提高了信息推薦效果。


圖1為本發(fā)明一個(gè)實(shí)施例提供的信息推薦方法的流程示意圖2為本發(fā)明另ー實(shí)施例提供的信息推薦方法的流程示意圖；圖3為本發(fā)明再一實(shí)施例提供的信息推薦方法的流程示意圖；圖4為本發(fā)明實(shí)施例提供的信息推薦設(shè)備的結(jié)構(gòu)示意圖。
具體實(shí)施例方式本發(fā)明實(shí)施例提供的信息推薦方案中，通過(guò)建立多個(gè)參數(shù)不同的聚類(lèi)模型，使用該多個(gè)聚類(lèi)模型對(duì)用戶(hù)進(jìn)行聚類(lèi)，在増大聚類(lèi)召回率的同吋，保證了精確度，從而改善了信息推薦的推薦效果。在本發(fā)明實(shí)施例提供的技術(shù)方案中，每個(gè)用戶(hù)對(duì)應(yīng)于ー個(gè)包含有用于描述對(duì)象屬性的元素的用戶(hù)元素集合。例如，在音樂(lè)類(lèi)應(yīng)用系統(tǒng)中，每個(gè)系統(tǒng)用戶(hù)都對(duì)應(yīng)有用戶(hù)元素集合，集合中的元素可包括音樂(lè)名稱(chēng)或類(lèi)型等音樂(lè)對(duì)象的屬性信息，可以是該用戶(hù)在一段時(shí)間內(nèi)訪問(wèn)過(guò)的歌曲的名稱(chēng)。例如，如果要對(duì)某一特定時(shí)間段內(nèi)，使用用戶(hù)所訪問(wèn)過(guò)的歌曲名稱(chēng)的集合來(lái)表示該用戶(hù)對(duì)應(yīng)的用戶(hù)元素集合，則在該時(shí)間段內(nèi)甲、乙、丙、丁四個(gè)用戶(hù)的用戶(hù)元素集合分別表示為甲={A，B，C，D}，乙={A，B，C，E}，丙={A，C，E，F(xiàn)}，丁= {G}。如果甲、乙、丙三個(gè)用戶(hù)被聚到ー個(gè)類(lèi)中，則按現(xiàn)有推薦技術(shù)的方法分別對(duì)A至F六首歌按推薦分?jǐn)?shù)從高到低進(jìn)行排序(推薦分?jǐn)?shù)相同的歌隨機(jī)排序)，如排序結(jié)果為A、C、B、E、D、F，則在向甲進(jìn)行音樂(lè)推薦時(shí)，優(yōu)先級(jí)最高的為E，其次為F(對(duì)于用戶(hù)A訪問(wèn)過(guò)的歌曲則不進(jìn)行推薦)，同理，向乙進(jìn)行音樂(lè)推薦吋，優(yōu)先級(jí)最高的為D，其次為F，向丙進(jìn)行音樂(lè)推薦吋，優(yōu)先級(jí)最高的為B，其次為D。丁未被聚到任何ー個(gè)類(lèi)中，即沒(méi)有找到與丁聽(tīng)音樂(lè)相似度高的用戶(hù)，丁將無(wú)法得到推薦?！獋€(gè)聚類(lèi)模型的聚類(lèi)精確度越高，使用該聚類(lèi)模型對(duì)用戶(hù)進(jìn)行聚類(lèi)后，一個(gè)類(lèi)中的用戶(hù)之間相似度越高(在本發(fā)明實(shí)施例中可以表示喜歡的音樂(lè)類(lèi)型相似度越高)，根據(jù)該聚類(lèi)結(jié)果進(jìn)行音樂(lè)推薦吋，推薦的音樂(lè)被用戶(hù)所接受的概率就越大，因此聚類(lèi)精確度越高，信息推薦的精確度也越高。另ー方面，一個(gè)聚類(lèi)模型的聚類(lèi)召回率越高，使用該聚類(lèi)模型對(duì)用戶(hù)進(jìn)行聚類(lèi)后，能被聚到類(lèi)中的概率就増大，即用戶(hù)中能被聚類(lèi)的用戶(hù)的比例也就増大了，根據(jù)該聚類(lèi)結(jié)果進(jìn)行音樂(lè)推薦吋，能得到推薦的用戶(hù)的比例也就越大，即音樂(lè)推薦的覆蓋率就越大。本發(fā)明實(shí)施例通過(guò)建立多個(gè)精確度不同的聚類(lèi)模型，在進(jìn)行聚類(lèi)時(shí)使用該多個(gè)聚類(lèi)模型對(duì)用戶(hù)進(jìn)行聚類(lèi)處理，從而在増大聚類(lèi)的召回率的同吋，保證聚類(lèi)的精確度，進(jìn)而改善信息推薦的效果。下面將結(jié)合本發(fā)明的實(shí)施例中的附圖，對(duì)本發(fā)明的實(shí)施例中的技術(shù)方案進(jìn)行清楚、完整地描述，顯然，下面所描述的實(shí)施例僅僅是本發(fā)明一部分實(shí)施例，而不是全部的實(shí)施例。基于本發(fā)明中的實(shí)施例，本領(lǐng)域普通技術(shù)人員在沒(méi)有做出創(chuàng)造性勞動(dòng)前提下所獲得的所有其他實(shí)施例，都屬于本發(fā)明的實(shí)施例保護(hù)的范圍。如圖1所示，為本發(fā)明實(shí)施例提供的ー種信息推薦方法的流程示意圖，該方法應(yīng)用于設(shè)置有多個(gè)精確度不同的聚類(lèi)模型的應(yīng)用系統(tǒng)中，該方法包括以下步驟步驟101、應(yīng)用系統(tǒng)按照聚類(lèi)模型精確度遞減的順序，依次使用相應(yīng)聚類(lèi)模型對(duì)用戶(hù)所對(duì)應(yīng)的用戶(hù)元素集合進(jìn)行聚類(lèi)處理，直到聚類(lèi)召回率滿(mǎn)足設(shè)定要求時(shí)停止聚類(lèi)處理。
步驟102、應(yīng)用系統(tǒng)根據(jù)聚類(lèi)結(jié)果對(duì)用戶(hù)元素集合對(duì)應(yīng)的用戶(hù)進(jìn)行信息推薦。步驟102具體可以是根據(jù)所述用戶(hù)元素集合，對(duì)所述用戶(hù)元素集合所屬類(lèi)別中的元素進(jìn)行推薦排序，并根據(jù)推薦排序結(jié)果，選擇不屬于該用戶(hù)元素集合的元素推薦給所述用戶(hù)元素集合對(duì)應(yīng)的用戶(hù)。本發(fā)明實(shí)施例通過(guò)建立多個(gè)精確度不同的聚類(lèi)模型，在進(jìn)行聚類(lèi)時(shí)使用該多個(gè)聚類(lèi)模型對(duì)用戶(hù)進(jìn)行聚類(lèi)處理，從而在増大聚類(lèi)的召回率的同吋，保證聚類(lèi)的精確度，進(jìn)而改善信息推薦的效果。根據(jù)MinHash聚類(lèi)的特性可知，MinHash聚類(lèi)模型(表示為P_q)的精確度可以通過(guò)參數(shù)P和q的來(lái)調(diào)節(jié)，其中P為每個(gè)哈希函數(shù)組中哈希函數(shù)的數(shù)量，q為哈希函數(shù)組的數(shù)量。本發(fā)明實(shí)施例中，在對(duì)用戶(hù)進(jìn)行聚類(lèi)之前，可先通過(guò)選擇不同的P和q值建立多個(gè)精確度不同的MinHash聚類(lèi)模型。具體的，可以采用以下方式建立多個(gè)精確度不同的MinHash 聚類(lèi)模型方式一保持q值不變，通過(guò)改變?chǔ)阎祦?lái)改變聚類(lèi)模型的精確度，以建立精確度不同的聚類(lèi)模型。如固定q= 10，分別建立聚類(lèi)模型1_10、2_10、3_10和4_10。當(dāng)q值不變吋，聚類(lèi)模型的精確度隨著P值的增大而増大，即聚類(lèi)模型1_10、2_10、3_10和4_10的精確度是遞增的；方式ニ 保持ρ值不變，通過(guò)改變q值來(lái)改變聚類(lèi)模型的精確度，以建立精確度不同的聚類(lèi)模型。如固定り=4，分別建立聚類(lèi)模型4_8、4_9、4_10和4_11。當(dāng)ρ值不變吋， 聚類(lèi)模型的精確度隨著q值的增大而減小，即聚類(lèi)模型4_8、4_9、4_10和4_11的精確度是遞減的；方式三同時(shí)調(diào)節(jié)ρ值和q值來(lái)改變聚類(lèi)模型的精確度，以建立精確度不同的聚類(lèi)模型。如分別建立聚類(lèi)模型4_8、3_9、6_10和5_7。這樣建立起來(lái)的多個(gè)MinHash聚類(lèi)模型，其精確度并不能象上述方式一和方式ニ一祥，比較直觀的確定出來(lái)，但可以通過(guò)實(shí)驗(yàn)等方式確定出各聚類(lèi)模型的精確度大小關(guān)系。基于上述建立起來(lái)的多個(gè)精確度不同的MinHash聚類(lèi)模型，本發(fā)明的一個(gè)實(shí)施例提供的信息推薦流程可如圖2所示。在互聯(lián)網(wǎng)應(yīng)用中，用戶(hù)聚類(lèi)以及信息推薦的處理通常由相應(yīng)的互聯(lián)網(wǎng)應(yīng)用系統(tǒng)進(jìn)行，當(dāng)需要對(duì)用戶(hù)進(jìn)行聚類(lèi)，井根據(jù)聚類(lèi)結(jié)果為用戶(hù)進(jìn)行信息推薦時(shí)，該流程可包括步驟201、互聯(lián)網(wǎng)應(yīng)用系統(tǒng)按照MinHash聚類(lèi)模型精確度遞減的順序，依次使用相應(yīng)聚類(lèi)模型對(duì)未被聚類(lèi)的用戶(hù)元素集合進(jìn)行聚類(lèi)處理，直到聚類(lèi)召回率滿(mǎn)足要求時(shí)停止聚類(lèi)處理。具體的，首先使用精確度最高的聚類(lèi)模型對(duì)待聚類(lèi)的所有用戶(hù)元素集合進(jìn)行聚類(lèi)處理，由于精確度較高，因此有可能有部分用戶(hù)元素集合未被聚類(lèi)，即這些用戶(hù)元素集合未聚類(lèi)到任何類(lèi)別中，也就是在當(dāng)前聚類(lèi)模型下未被覆蓋到，針對(duì)這些用戶(hù)元素集合，可使用精確度次之的MinHash聚類(lèi)模型進(jìn)行聚類(lèi)處理，以此類(lèi)推，直到聚類(lèi)召回率滿(mǎn)足預(yù)設(shè)的要求時(shí)停止聚類(lèi)處理。使用某種精確度的MinHash聚類(lèi)模型所實(shí)現(xiàn)的聚類(lèi)過(guò)程，可采用現(xiàn)有方式實(shí)現(xiàn)，在此不贅述。對(duì)于采用上述方式一所建立的多個(gè)MinHash聚類(lèi)模型，如p_q值分別為1_10、 2_10、3_10和4_10的多個(gè)MinHash聚類(lèi)模型，可首先使用精確度最高的聚類(lèi)模型4_10對(duì)用戶(hù)元素集合進(jìn)行聚類(lèi)，并判斷聚類(lèi)召回率是否滿(mǎn)足要求，若滿(mǎn)足，則聚類(lèi)結(jié)束；否則，使用聚類(lèi)模型3_10對(duì)聚類(lèi)模型4_10未被確定出所屬的類(lèi)別的用戶(hù)元素集合(即未和任何ー個(gè)其他用戶(hù)元素集合聚到ー個(gè)類(lèi)中的用戶(hù)元素集合)進(jìn)行聚類(lèi)，并再次判斷聚類(lèi)召回率是否滿(mǎn)足條件，以此類(lèi)推，直到聚類(lèi)召回率滿(mǎn)足條件為止。其中，聚類(lèi)召回率滿(mǎn)足的條件可以根據(jù)實(shí)際情況預(yù)先設(shè)定，如可預(yù)先設(shè)定聚類(lèi)召回率達(dá)到70%以上吋，停止聚類(lèi)。同理，對(duì)于采用上述方式ニ或上述方式三所建立的多個(gè)MinHash聚類(lèi)模型，可按照上述方式對(duì)用戶(hù)元素集合進(jìn)行聚類(lèi)處理。步驟202、互聯(lián)網(wǎng)應(yīng)用系統(tǒng)根據(jù)聚類(lèi)結(jié)果對(duì)用戶(hù)進(jìn)行信息推薦處理。具體的，由步驟201中的聚類(lèi)方式的特性可知，同一用戶(hù)元素集合至多在一個(gè)聚類(lèi)模型下被覆蓋。在對(duì)用戶(hù)進(jìn)行信息推薦時(shí)，可采用現(xiàn)有信息推薦方式實(shí)現(xiàn)。例如，根據(jù)每ー個(gè)聚類(lèi)模型下的聚類(lèi)結(jié)果，針對(duì)每個(gè)被聚類(lèi)的用戶(hù)元素集合，計(jì)算出其所屬類(lèi)別中的各元素對(duì)于該用戶(hù)元素集合的推薦分?jǐn)?shù)，并按照推薦分?jǐn)?shù)遞減的順序?qū)⑺性剡M(jìn)行排序，其中推薦分?jǐn)?shù)越高，則表明用戶(hù)接受相應(yīng)元素的可能性越大。在向該用戶(hù)元素集合所對(duì)應(yīng)的用戶(hù)進(jìn)行推薦時(shí)，可將其中該用戶(hù)元素集合中不包含的元素按照排序推薦給該用戶(hù)。當(dāng)然，該步驟中的信息推薦處理方式也可采用其他信息推薦方式實(shí)現(xiàn)，本發(fā)明實(shí)施例對(duì)此不做要求。通過(guò)以上描述可以看出，通過(guò)建立多個(gè)不同參數(shù)的聚類(lèi)模型，井根據(jù)聚類(lèi)模型精確度從高到低的順序依次使用相應(yīng)聚類(lèi)模型對(duì)用戶(hù)進(jìn)行聚類(lèi)，一方面，相似度較高的用戶(hù)元素集合在精確度高的聚類(lèi)模型下保證了聚類(lèi)精確度；另一方面，相似度較低的用戶(hù)元素集合在精確度較低的聚類(lèi)模型下被聚類(lèi)的可能性増大，即在增大聚類(lèi)召回率的同吋，保證了聚類(lèi)精確度，提高了信息推薦效果。本發(fā)明的另ー實(shí)施例提供的信息推薦流程可如圖3所示。當(dāng)需要對(duì)用戶(hù)進(jìn)行聚類(lèi)，井根據(jù)聚類(lèi)結(jié)果為用戶(hù)進(jìn)行信息推薦時(shí)，該流程可包括步驟301、互聯(lián)網(wǎng)應(yīng)用系統(tǒng)按照MinHash聚類(lèi)模型精確度遞減的順序，依次使用相應(yīng)聚類(lèi)模型對(duì)所有用戶(hù)元素集合進(jìn)行聚類(lèi)處理，直到聚類(lèi)召回率滿(mǎn)足要求時(shí)停止聚類(lèi)處理。具體的，首先使用精確度最高的MinHash聚類(lèi)模型對(duì)所有待聚類(lèi)的用戶(hù)元素集合進(jìn)行聚類(lèi)，并判斷聚類(lèi)召回率是否滿(mǎn)足要求，若滿(mǎn)足，則聚類(lèi)結(jié)束；否則，使用精確度次之的 MinHash聚類(lèi)模型對(duì)所有待聚類(lèi)用戶(hù)元素集合進(jìn)行聚類(lèi)，并判斷聚類(lèi)召回率是否滿(mǎn)足條件， 以此類(lèi)推，直到聚類(lèi)召回率滿(mǎn)足條件。對(duì)于采用上述方式一所建立的多個(gè)MinHash聚類(lèi)模型，如p_q值分別為1_10、 2_10、3_10和4_10的多個(gè)MinHash聚類(lèi)模型，可首先使用精確度最高的聚類(lèi)模型4_10對(duì)所有待聚類(lèi)的用戶(hù)元素集合進(jìn)行聚類(lèi)，并判斷聚類(lèi)召回率是否滿(mǎn)足要求，若滿(mǎn)足，則聚類(lèi)結(jié)束；否則，使用聚類(lèi)模型3_10對(duì)所有待聚類(lèi)的用戶(hù)元素集合進(jìn)行聚類(lèi)，并再次判斷聚類(lèi)召回率是否滿(mǎn)足條件，以此類(lèi)推，直到聚類(lèi)召回率滿(mǎn)足條件為止。其中，聚類(lèi)召回率滿(mǎn)足的條件可以根據(jù)實(shí)際情況預(yù)先設(shè)定，如可預(yù)先設(shè)定聚類(lèi)召回率達(dá)到70%以上吋，停止聚類(lèi)。同理，對(duì)于采用上述方式ニ或上述方式三所建立的多個(gè)MinHash聚類(lèi)模型，可按照上述方式對(duì)用戶(hù)元素集合進(jìn)行聚類(lèi)處理。步驟302、互聯(lián)網(wǎng)應(yīng)用系統(tǒng)根據(jù)聚類(lèi)結(jié)果對(duì)用戶(hù)進(jìn)行信息推薦處理。具體的，由步驟301中聚類(lèi)方式的特性可知，同一用戶(hù)元素集合可能在多個(gè)聚類(lèi)模型下被覆蓋，即在多個(gè)聚類(lèi)模型下都能被聚類(lèi)(即確定出其所屬的類(lèi)別)，如在聚類(lèi)模型4_8下，用戶(hù)甲和乙被聚到ー個(gè)類(lèi)中；在聚類(lèi)模型4_9下，用戶(hù)甲、乙、丙和丁被聚到ー個(gè)類(lèi)中。根據(jù)聚類(lèi)結(jié)果對(duì)用戶(hù)進(jìn)行信息推薦時(shí)，對(duì)于各個(gè)聚類(lèi)模型下所得到的聚類(lèi)結(jié)果，針對(duì)每個(gè)被聚類(lèi)的用戶(hù)元素集合，可計(jì)算出該用戶(hù)元素集合所屬類(lèi)別中的各元素對(duì)于該用戶(hù)元素集合的推薦分?jǐn)?shù)，并按照推薦分?jǐn)?shù)遞減的順序進(jìn)行排序。如果ー個(gè)用戶(hù)元素集合在不同的聚類(lèi)模型下都能被聚類(lèi)，則對(duì)應(yīng)該用戶(hù)元素集合會(huì)有多個(gè)聚類(lèi)模型下的推薦結(jié)果，在對(duì)該用戶(hù)元素集合對(duì)應(yīng)的用戶(hù)進(jìn)行推薦時(shí)，可優(yōu)先推薦精確度高的聚類(lèi)模型下的推薦結(jié)果， 不同聚類(lèi)模型下的相同推薦結(jié)果以精確度高的聚類(lèi)模型下的推薦排序結(jié)果進(jìn)行推薦；或， 將該用戶(hù)元素集合在不同聚類(lèi)模型下所屬類(lèi)別中的各元素的推薦分?jǐn)?shù)以不同的加權(quán)權(quán)重進(jìn)行加權(quán)，并按加權(quán)后的推薦分?jǐn)?shù)進(jìn)行推薦排序，根據(jù)推薦排序結(jié)果對(duì)該用戶(hù)進(jìn)行推薦，其中，精確度高的聚類(lèi)模型下該用戶(hù)元素集合所屬類(lèi)別中的元素的推薦分?jǐn)?shù)加權(quán)權(quán)重高于精確度低的聚類(lèi)模型下該用戶(hù)元素集合所屬類(lèi)別中的元素的推薦分?jǐn)?shù)的加權(quán)權(quán)重，權(quán)重的調(diào)整可以通過(guò)實(shí)驗(yàn)的指導(dǎo)來(lái)調(diào)整，推薦給用戶(hù)的元素中可不包括該用戶(hù)元素集合所包含的元素。例如，甲在聚類(lèi)模型4_8下，推薦結(jié)果為A和B，且A的推薦分?jǐn)?shù)為6，B的推薦分?jǐn)?shù)為2 ；甲在聚類(lèi)模型4_9下推薦結(jié)果為A、B、C和D，且A的推薦分?jǐn)?shù)為7，B的推薦分?jǐn)?shù)為2， C的推薦分?jǐn)?shù)為6，D的推薦分?jǐn)?shù)為4，則在向甲進(jìn)行推薦時(shí)，可以采取以下方式進(jìn)行推薦方式一、優(yōu)先推薦精確度高的聚類(lèi)模型下的推薦結(jié)果，同一聚類(lèi)模型下的推薦結(jié)果按推薦分?jǐn)?shù)從高到低的順序依次推薦，不同聚類(lèi)模型下的相同推薦結(jié)果以精確度高的聚類(lèi)模型下的推薦排序結(jié)果進(jìn)行推薦。即在向甲進(jìn)行推薦時(shí)，將A、B、C和D依次推薦給甲。方式ニ、將各個(gè)聚類(lèi)模型下的推薦結(jié)果的推薦分?jǐn)?shù)以不同的加權(quán)權(quán)重進(jìn)行加權(quán)， 并按加權(quán)后的推薦分?jǐn)?shù)進(jìn)行推薦排序，根據(jù)推薦排序結(jié)果對(duì)該用戶(hù)進(jìn)行推薦。如，甲在聚類(lèi)模型4_8下的推薦結(jié)果的加權(quán)權(quán)重設(shè)為0. 6，在聚類(lèi)模型4_9下的推薦結(jié)果的加權(quán)權(quán)重設(shè)為
0.4，則在向甲進(jìn)行推薦時(shí)，A加權(quán)后推薦分?jǐn)?shù)為6.4(6*0.6+7*0.4)，B為2，C為2. 4，D為
1.6，將A、C、B和D依次推薦給甲。通過(guò)以上描述可以看出，將精確度不同聚類(lèi)模型下的推薦結(jié)果整合在一起，在保證了聚類(lèi)精確度和召回率的同吋，使信息推薦的選擇更多，進(jìn)ー步提高了信息推薦的效果。基于相同的技術(shù)構(gòu)思，本發(fā)明實(shí)施例還提供了ー種應(yīng)用于上述流程的信息推薦設(shè)備，該設(shè)備可配置在服務(wù)器端，即配置在網(wǎng)絡(luò)側(cè)的互聯(lián)網(wǎng)應(yīng)用系統(tǒng)中。如圖4所示，為本發(fā)明實(shí)施例提供的信息推薦設(shè)備的結(jié)構(gòu)示意圖，該信息推薦設(shè)備用于設(shè)置有多個(gè)精確度不同的聚類(lèi)模型的信息推薦系統(tǒng)中，可包括存儲(chǔ)模塊41，用于存儲(chǔ)多個(gè)精確度不同的聚類(lèi)模型；具體的，存儲(chǔ)模塊41用于，存儲(chǔ)多個(gè)具有相同哈希函數(shù)組數(shù)量、但每個(gè)哈希函數(shù)組中的哈希函數(shù)數(shù)量不同的MinHash聚類(lèi)模型；或，存儲(chǔ)多個(gè)具有不同哈希函數(shù)組數(shù)量、但每個(gè)哈希函數(shù)組中的哈希函數(shù)數(shù)量相同的 MinHash聚類(lèi)模型。聚類(lèi)模塊42，用于按照存儲(chǔ)模塊41中存儲(chǔ)的聚類(lèi)模型精確度遞減的順序，依次使用相應(yīng)的聚類(lèi)模型對(duì)用戶(hù)元素集合進(jìn)行聚類(lèi)處理，以確定用戶(hù)所屬的類(lèi)別，直到聚類(lèi)召回率滿(mǎn)足要求時(shí)停止聚類(lèi)處理；具體的，聚類(lèi)模塊42用干，使用精確度最高的聚類(lèi)模型對(duì)所有待聚類(lèi)用戶(hù)元素集合進(jìn)行聚類(lèi)處理，并在聚類(lèi)召回率未滿(mǎn)足要求吋，使用精確度次之的聚類(lèi)模型對(duì)當(dāng)前聚類(lèi)模型下未被覆蓋到的用戶(hù)元素集合進(jìn)行聚類(lèi)處理，以此類(lèi)推，直到聚類(lèi)召回率滿(mǎn)足要求時(shí)停止聚類(lèi)處理；或，使用精確度最高的聚類(lèi)模型對(duì)所有待聚類(lèi)的用戶(hù)元素集合進(jìn)行次聚類(lèi)處理，并在聚類(lèi)召回率未滿(mǎn)足要求吋，使用精確度次之的聚類(lèi)模型對(duì)所有待聚類(lèi)的用戶(hù)元素集合進(jìn)行聚類(lèi)處理，以此類(lèi)推，直到聚類(lèi)召回率滿(mǎn)足要求時(shí)停止聚類(lèi)處理。推薦模塊43，用于根據(jù)聚類(lèi)結(jié)果對(duì)所述用戶(hù)元素集合對(duì)應(yīng)的用戶(hù)進(jìn)行信息推薦； 即根據(jù)所述用戶(hù)元素集合，對(duì)所述用戶(hù)元素集合所屬類(lèi)別中的元素進(jìn)行推薦排序，并根據(jù)推薦排序結(jié)果，選擇不屬于該用戶(hù)元素集合的元素推薦給所述用戶(hù)元素集合對(duì)應(yīng)的用戶(hù)；具體的，推薦模塊43用干，根據(jù)聚類(lèi)模塊42的聚類(lèi)結(jié)果，針對(duì)每個(gè)被聚類(lèi)的用戶(hù)元素集合，計(jì)算出各聚類(lèi)模型下用戶(hù)所屬類(lèi)別中各元素對(duì)于該用戶(hù)元素集合的推薦分?jǐn)?shù)， 并按照推薦分?jǐn)?shù)遞減的順序?qū)⑺性剡M(jìn)行排序，并將其中該用戶(hù)元素集合中不包含的元素按照排序依次推薦給該用戶(hù)元素集合對(duì)應(yīng)的用戶(hù)；其中，當(dāng)某用戶(hù)元素集合在不同的聚類(lèi)模型下都能被聚類(lèi)時(shí)，優(yōu)先推薦精確度高的聚類(lèi)模型下的推薦結(jié)果，不同聚類(lèi)模型下的相同推薦結(jié)果以精確度高的聚類(lèi)模型下的推薦排序結(jié)果進(jìn)行推薦；或，將該用戶(hù)元素集合在不同聚類(lèi)模型下所屬類(lèi)別中的各元素的推薦分?jǐn)?shù)以不同的加權(quán)權(quán)重進(jìn)行加權(quán)，并按加權(quán)后的推薦分?jǐn)?shù)進(jìn)行推薦排序，根據(jù)推薦排序結(jié)果對(duì)該用戶(hù)進(jìn)行推薦，其中，精確度高的聚類(lèi)模型下該用戶(hù)元素集合所屬類(lèi)別中的元素的推薦分?jǐn)?shù)加權(quán)權(quán)重高于精確度低的聚類(lèi)模型下該用戶(hù)元素集合所屬類(lèi)別中的元素的推薦分?jǐn)?shù)的加權(quán)權(quán)重。通過(guò)以上描述可以看出，通過(guò)建立多個(gè)不同參數(shù)的聚類(lèi)模型，井根據(jù)聚類(lèi)模型精確度從高到低的順序依次使用相應(yīng)聚類(lèi)模型對(duì)用戶(hù)進(jìn)行聚類(lèi)，一方面，相似度較高的用戶(hù)元素集合在精確度高的聚類(lèi)模型下保證了聚類(lèi)精確度；另ー方面，相似度較低的用戶(hù)元素集合在精確度較低的聚類(lèi)模型下被聚類(lèi)的可能性増大，即在增大聚類(lèi)召回率的同吋，保證了聚類(lèi)精確度，提高了信息推薦效果。本發(fā)明實(shí)施例中的信息推薦并不限定于音樂(lè)推薦，新聞、電影推薦等也可以使用本發(fā)明實(shí)施例提供的信息推薦方法，而信息推薦過(guò)程中采用的聚類(lèi)方法也并不限于 MinHash聚類(lèi)方法，其他具有精確度和召回率平衡性的聚類(lèi)方法均可以用于本發(fā)明實(shí)施例提供的信息推薦方案中。通過(guò)以上的實(shí)施方式的描述，本領(lǐng)域的技術(shù)人員可以清楚地了解到本發(fā)明可借助軟件加必需的通用硬件平臺(tái)的方式來(lái)實(shí)現(xiàn)，當(dāng)然也可以通過(guò)硬件，但很多情況下前者是更佳的實(shí)施方式?；谶@樣的理解，本發(fā)明的技術(shù)方案本質(zhì)上或者說(shuō)對(duì)現(xiàn)有技術(shù)做出貢獻(xiàn)的部分可以以軟件產(chǎn)品的形式體現(xiàn)出來(lái)，該計(jì)算機(jī)軟件產(chǎn)品存儲(chǔ)在ー個(gè)存儲(chǔ)介質(zhì)中，包括若干指令用以使得一臺(tái)計(jì)算機(jī)設(shè)備(可以是個(gè)人計(jì)算機(jī)，服務(wù)器，或者網(wǎng)絡(luò)設(shè)備等)執(zhí)行本發(fā)明各個(gè)實(shí)施例所述的方法。本領(lǐng)域技術(shù)人員可以理解附圖只是ー個(gè)優(yōu)選實(shí)施例的示意圖，附圖中的模塊或流程并不一定是實(shí)施本發(fā)明所必須的。本領(lǐng)域技術(shù)人員可以理解實(shí)施例中的裝置中的模塊可以按照實(shí)施例描述進(jìn)行分布于實(shí)施例的裝置中，也可以進(jìn)行相應(yīng)變化位于不同于本實(shí)施例的ー個(gè)或多個(gè)裝置中。上述實(shí)施例的模塊可以合并為ー個(gè)模塊，也可以進(jìn)ー步拆分成多個(gè)子模塊。
上述本發(fā)明實(shí)施例序號(hào)僅僅為了描述，不代表實(shí)施例的優(yōu)劣。以上公開(kāi)的僅為本發(fā)明的幾個(gè)具體實(shí)施例，但是，本發(fā)明并非局限于此，任何本領(lǐng)域的技術(shù)人員能思之的變化都應(yīng)落入本發(fā)明的保護(hù)范圍。
權(quán)利要求
1.ー種信息推薦方法，應(yīng)用于互聯(lián)網(wǎng)應(yīng)用系統(tǒng)，其特征在干，所述應(yīng)用系統(tǒng)中設(shè)置有多個(gè)精確度不同的聚類(lèi)模型，該方法包括所述應(yīng)用系統(tǒng)按照聚類(lèi)模型精確度遞減的順序，依次使用相應(yīng)聚類(lèi)模型對(duì)用戶(hù)所對(duì)應(yīng)的用戶(hù)元素集合進(jìn)行聚類(lèi)處理，直到聚類(lèi)召回率滿(mǎn)足設(shè)定要求時(shí)停止聚類(lèi)處理；所述應(yīng)用系統(tǒng)根據(jù)聚類(lèi)結(jié)果對(duì)所述用戶(hù)元素集合對(duì)應(yīng)的用戶(hù)進(jìn)行信息推薦。
2.如權(quán)利要求1所述的方法，其特征在干，所述根據(jù)聚類(lèi)結(jié)果對(duì)所述用戶(hù)元素集合對(duì)應(yīng)的用戶(hù)進(jìn)行信息推薦，具體為根據(jù)所述用戶(hù)元素集合，對(duì)所述用戶(hù)元素集合所屬類(lèi)別中的元素進(jìn)行推薦排序，井根據(jù)推薦排序結(jié)果，選擇不屬于該用戶(hù)元素集合的元素推薦給所述用戶(hù)元素集合對(duì)應(yīng)的用戶(hù)。
3.如權(quán)利要求1所述的方法，其特征在干，所述按照聚類(lèi)模型精確度遞減的順序，依次使用相應(yīng)聚類(lèi)模型對(duì)用戶(hù)所對(duì)應(yīng)的用戶(hù)元素集合進(jìn)行聚類(lèi)處理，直到聚類(lèi)召回率滿(mǎn)足設(shè)定要求時(shí)停止聚類(lèi)處理，具體為使用精度最高的聚類(lèi)模型對(duì)所有用戶(hù)的用戶(hù)元素集合進(jìn)行聚類(lèi)處理，若有用戶(hù)元素集合未被聚類(lèi)，則使用精度次之的聚類(lèi)模型對(duì)未被聚類(lèi)的用戶(hù)元素集合進(jìn)行聚類(lèi)處理，以此類(lèi)推，直到聚類(lèi)召回率滿(mǎn)足設(shè)定要求時(shí)停止聚類(lèi)處理。
4.如權(quán)利要求1所述的方法，其特征在干，所述按照聚類(lèi)模型精確度遞減的順序，依次使用相應(yīng)聚類(lèi)模型對(duì)用戶(hù)所對(duì)應(yīng)的用戶(hù)元素集合進(jìn)行聚類(lèi)處理，直到聚類(lèi)召回率滿(mǎn)足設(shè)定要求時(shí)停止聚類(lèi)處理，具體為使用精度最高的聚類(lèi)模型對(duì)所有用戶(hù)的用戶(hù)元素集合進(jìn)行聚類(lèi)處理，若有用戶(hù)元素集合未被聚類(lèi)，則使用精度次之的聚類(lèi)模型對(duì)所有用戶(hù)的用戶(hù)元素集合進(jìn)行聚類(lèi)處理，以此類(lèi)推，直到聚類(lèi)召回率滿(mǎn)足設(shè)定要求時(shí)停止聚類(lèi)處理。
5.如權(quán)利要求4所述的方法，其特征在干，所述根據(jù)聚類(lèi)結(jié)果對(duì)所述用戶(hù)元素集合對(duì)應(yīng)的用戶(hù)進(jìn)行信息推薦，具體為根據(jù)所述用戶(hù)元素集合，分別在不同聚類(lèi)模型下的聚類(lèi)結(jié)果中，對(duì)所述用戶(hù)元素集合所屬類(lèi)別中的元素按推薦分?jǐn)?shù)從高到低的順序進(jìn)行推薦排序；根據(jù)聚類(lèi)模型的精確度從高到低的順序，優(yōu)先將精確度高的聚類(lèi)模型下的推薦結(jié)果推薦給所述用戶(hù)元素集合對(duì)應(yīng)的用戶(hù)；其中，同一聚類(lèi)模型下的推薦結(jié)果按推薦分?jǐn)?shù)從高到低的順序依次推薦，不同聚類(lèi)模型下的相同推薦結(jié)果以精確度高的聚類(lèi)模型下的推薦排序結(jié)果進(jìn)行推薦，推薦給用戶(hù)的元素中不包括屬于該用戶(hù)元素集合的元素。
6.如權(quán)利要求4所述的方法，其特征在干，所述根據(jù)聚類(lèi)結(jié)果對(duì)所述用戶(hù)元素集合對(duì)應(yīng)的用戶(hù)進(jìn)行信息推薦，具體為根據(jù)所述用戶(hù)元素集合，對(duì)各聚類(lèi)模型下所述用戶(hù)元素集合所屬類(lèi)別中的元素的推薦分?jǐn)?shù)進(jìn)行加權(quán)，并將加權(quán)后的推薦分?jǐn)?shù)按從高到低的順序進(jìn)行推薦排序，其中，精確度高的聚類(lèi)模型下所述用戶(hù)元素集合所屬類(lèi)別中的元素的推薦分?jǐn)?shù)加權(quán)權(quán)重高于精確度低的聚類(lèi)模型下所述用戶(hù)元素集合所屬類(lèi)別中的元素的推薦分?jǐn)?shù)的加權(quán)權(quán)重；根據(jù)推薦排序結(jié)果，將各聚類(lèi)模型下所述用戶(hù)元素集合所屬類(lèi)別中的元素推薦給所述用戶(hù)元素集合所對(duì)應(yīng)的用戶(hù)，其中，推薦給用戶(hù)的元素中不包括屬于該用戶(hù)元素集合的元
7.如權(quán)利要求1至6任一項(xiàng)所述的方法，其特征在干，所述多個(gè)精確度不同的聚類(lèi)模型為多個(gè)具有相同哈希函數(shù)組數(shù)量、但每個(gè)哈希函數(shù)組中的哈希函數(shù)數(shù)量不同的MinHash聚類(lèi)模型，所述多個(gè)MinHash聚類(lèi)模型的精度，按照哈希函數(shù)組中的哈希函數(shù)數(shù)量遞減的順序遞減；或者所述多個(gè)精確度不同的聚類(lèi)模型為多個(gè)具有不同哈希函數(shù)組數(shù)量、但每個(gè)哈希函數(shù)組中的哈希函數(shù)數(shù)量相同的MinHash聚類(lèi)模型，所述多個(gè)MinHash聚類(lèi)模型的精度，按照哈希函數(shù)組數(shù)量遞增的順序遞減。
8.一種信息推薦設(shè)備，應(yīng)用于互聯(lián)網(wǎng)應(yīng)用系統(tǒng)，其特征在干，包括存儲(chǔ)模塊，用于存儲(chǔ)多個(gè)精確度不同的聚類(lèi)模型；聚類(lèi)模塊，用于按照存儲(chǔ)模塊中存儲(chǔ)的聚類(lèi)模型精確度遞減的順序，依次使用相應(yīng)聚類(lèi)模型對(duì)用戶(hù)所對(duì)應(yīng)的用戶(hù)元素集合進(jìn)行聚類(lèi)處理，以確定用戶(hù)元素集合所屬的類(lèi)別，直到聚類(lèi)召回率滿(mǎn)足設(shè)定要求時(shí)停止聚類(lèi)處理；推薦模塊，用于根據(jù)聚類(lèi)結(jié)果對(duì)所述用戶(hù)元素集合對(duì)應(yīng)的用戶(hù)進(jìn)行信息推薦。
9.如權(quán)利要求8所述的設(shè)備，其特征在干，所述推薦模塊具體用干，根據(jù)所述用戶(hù)元素集合，對(duì)所述用戶(hù)元素集合所屬類(lèi)別中的元素進(jìn)行推薦排序，并根據(jù)推薦排序結(jié)果，選擇不屬于該用戶(hù)元素集合的元素推薦給所述用戶(hù)元素集合對(duì)應(yīng)的用戶(hù)。
10.如權(quán)利要求8所述的設(shè)備，其特征在干，所述聚類(lèi)模塊具體用干，使用精度最高的聚類(lèi)模型對(duì)所有用戶(hù)的用戶(hù)元素集合進(jìn)行聚類(lèi)處理，若有用戶(hù)元素集合未被聚類(lèi)，則使用精度次之的聚類(lèi)模型對(duì)未被聚類(lèi)的用戶(hù)元素集合進(jìn)行聚類(lèi)處理，以此類(lèi)推，直到聚類(lèi)召回率滿(mǎn)足設(shè)定要求時(shí)停止聚類(lèi)處理。
11.如權(quán)利要求8所述的設(shè)備，其特征在干，所述聚類(lèi)模塊具體用干，使用精度最高的聚類(lèi)模型對(duì)所有用戶(hù)的用戶(hù)元素集合進(jìn)行聚類(lèi)處理，若有用戶(hù)元素集合未被聚類(lèi)，則使用精度次之的聚類(lèi)模型對(duì)所有用戶(hù)的用戶(hù)元素集合進(jìn)行聚類(lèi)處理，以此類(lèi)推，直到聚類(lèi)召回率滿(mǎn)足設(shè)定要求時(shí)停止聚類(lèi)處理。
12.如權(quán)利要求11所述的設(shè)備，其特征在干，所述推薦模塊具體用干，根據(jù)所述用戶(hù)元素集合，分別在不同聚類(lèi)模型下的聚類(lèi)結(jié)果中，對(duì)所述用戶(hù)元素集合所屬類(lèi)別中的元素按推薦分?jǐn)?shù)從高到低的順序進(jìn)行推薦排序；根據(jù)聚類(lèi)模型的精確度從高到低的順序，優(yōu)先將精確度高的聚類(lèi)模型下的推薦結(jié)果推薦給所述用戶(hù)元素集合對(duì)應(yīng)的用戶(hù)；其中，同一聚類(lèi)模型下的推薦結(jié)果按推薦分?jǐn)?shù)從高到低的順序依次推薦，不同聚類(lèi)模型下的相同推薦結(jié)果以精確度高的聚類(lèi)模型下的推薦排序結(jié)果進(jìn)行推薦，推薦給用戶(hù)的元素中不包括屬于該用戶(hù)元素集合的元素。
13.如權(quán)利要求11所述的設(shè)備，其特征在干，所述推薦模塊具體用干，根據(jù)所述用戶(hù)元素集合，對(duì)各聚類(lèi)模型下所述用戶(hù)元素集合所屬類(lèi)別中的元素的推薦分?jǐn)?shù)進(jìn)行加權(quán)，并將加權(quán)后的推薦分?jǐn)?shù)按從高到低的順序進(jìn)行推薦排序，其中，精確度高的聚類(lèi)模型下所述用戶(hù)元素集合所屬類(lèi)別中的元素的推薦分?jǐn)?shù)加權(quán)權(quán)重高于精確度低的聚類(lèi)模型下所述用戶(hù)元素集合所屬類(lèi)別中的元素的推薦分?jǐn)?shù)的加權(quán)權(quán)重；根據(jù)推薦排序結(jié)果，將各聚類(lèi)模型下所述用戶(hù)元素集合所屬類(lèi)別中的元素推薦給所述用戶(hù)元素集合所對(duì)應(yīng)的用戶(hù)，其中，推薦給用戶(hù)的元素中不包括屬于該用戶(hù)元素集合的元ο
14.如權(quán)利要求8-13任一項(xiàng)所述的設(shè)備，其特征在干，所述存儲(chǔ)模塊具體用于，存儲(chǔ)多個(gè)具有相同哈希函數(shù)組數(shù)量、但每個(gè)哈希函數(shù)組中的哈希函數(shù)數(shù)量不同的MinHash聚類(lèi)模型；所述聚類(lèi)模塊具體用干，按照哈希函數(shù)組中的哈希函數(shù)數(shù)量遞減的順序依次使用相應(yīng)聚類(lèi)模型對(duì)用戶(hù)所對(duì)應(yīng)的用戶(hù)元素集合進(jìn)行聚類(lèi)處理，以確定用戶(hù)元素集合所屬的類(lèi)別， 直到聚類(lèi)召回率滿(mǎn)足設(shè)定要求時(shí)停止聚類(lèi)處理；或，所述儲(chǔ)存模塊具體用于，存儲(chǔ)多個(gè)具有不同哈希函數(shù)組數(shù)量、但每個(gè)哈希函數(shù)組中的哈希函數(shù)數(shù)量相同的MinHash聚類(lèi)模型；所述聚類(lèi)模塊具體用干，按照哈希函數(shù)組數(shù)量遞增的順序依次使用相應(yīng)聚類(lèi)模型對(duì)用戶(hù)所對(duì)應(yīng)的用戶(hù)元素集合進(jìn)行聚類(lèi)處理，以確定用戶(hù)元素集合所屬的類(lèi)別，直到聚類(lèi)召回率滿(mǎn)足設(shè)定要求時(shí)停止聚類(lèi)處理。
全文摘要
本發(fā)明實(shí)施例公開(kāi)了一種信息推薦方法和設(shè)備，應(yīng)用于設(shè)置有多個(gè)精確度不同的聚類(lèi)模型的互聯(lián)網(wǎng)應(yīng)用系統(tǒng)，該方法包括所述應(yīng)用系統(tǒng)按照聚類(lèi)模型精確度遞減的順序，依次使用相應(yīng)聚類(lèi)模型對(duì)用戶(hù)所對(duì)應(yīng)的用戶(hù)元素集合進(jìn)行聚類(lèi)處理，以確定用戶(hù)元素集合所屬的類(lèi)別，直到聚類(lèi)召回率滿(mǎn)足設(shè)定要求時(shí)停止聚類(lèi)處理；所述應(yīng)用系統(tǒng)根據(jù)聚類(lèi)結(jié)果對(duì)所述用戶(hù)元素集合對(duì)應(yīng)的用戶(hù)進(jìn)行信息推薦。本發(fā)明實(shí)施例中，在增大聚類(lèi)召回率的同時(shí)，保證了聚類(lèi)精確度，提高了信息推薦效果。
文檔編號(hào)G06F17/30GK102591873SQ20111000563
公開(kāi)日2012年7月18日 申請(qǐng)日期2011年1月12日 優(yōu)先權(quán)日2011年1月12日
發(fā)明者崔巖, 肖戰(zhàn)勇 申請(qǐng)人:騰訊科技(深圳)有限公司