一种基于二部图的科学文章推荐算法

摘要

本发明公开一种基于二部图的科学文章推荐算法，方法包括步骤：新用户首次进入软件时，判断用户是否通过注册进行登录；若用户通过注册进行登录，则填写个人信息并优先判断用户是否填写个人喜好，先根据其个人喜好进行针对性推送，其次可以根据填写的个人信息，比如性别、年龄、职业、所在地等等信息进行选择性推送，若用户不注册通过游客的身份进行登录，则按当前综合的大数据给用户进行推送，本发明不仅可以通过二部图算法根据用户勾选的个人喜好，进而对用户之前还没有收集的所有对象按降序生成一个排名，并将最顶部的L个对象推荐给该用户，还可以对游客登录的用户，根据用户点击次数和观看时长重新计算用户喜好，按照用户喜好推送。

说明书

技术领域

本发明涉及个性化智能推荐技术领域，尤其涉及一种基于二部图的科学文章推荐算法。

背景技术

呈指数增长的因特网和万维网使人们面临着信息超载，太多的数据以至于用户不能从中找出那些与他们最相关的信息。个性化推荐算法是当前能够有效过滤信息超载的方法，它能够根据用户的喜好为用户推荐感兴趣的信息。二部图网络推荐是近几年个性化推荐研究的热点。在二部图网络中，包含了两类节点，分别用X和Y两个集合表示，只有不同集合中的两个节点允许连接。许多系统都可以很自然地用二部图网络进行建模，例如性别关系二部图网络、新陈代谢化学物质和化学反应二部图网络等等。由于在社会、经济和信息系统中的特定意义，有两类二部图网络很重要。一类是所谓的合作网络，一般地定义为:网络活动者通过普通的合作行为相连接。例如，科学家通过合著一篇科学论文连接到一起等等。另一类称为“意见网络”，用户集合中的每一个节点都与对象集合中的对象相关联。

二部图算法需要用户提供个人喜好，并据此推算用户之前还没有收集的所有对象按降序生成一个排名，并将最顶部的L个对象推荐给该用户，但是用户若未提供个人喜好，则无法利用二部图算法推算，针对上述问题，提出了一种基于二部图的科学文章推荐算法，用以解决上述所提出的问题。

发明内容

基于背景技术存在的技术问题，本发明提出了一种基于二部图的科学文章推荐算法。

本发明提出的一种基于二部图的科学文章推荐算法，包括以下步骤：

(1)新用户首次进入软件时，判断用户是否通过注册进行登录；

(2)若用户通过注册进行登录，则填写个人信息并优先判断用户是否填写个人喜好，先根据其个人喜好进行针对性推送，其次可以根据填写的个人信息，比如性别、年龄、职业、所在地等等信息进行选择性推送，若用户不注册通过游客的身份进行登录，则按当前综合的大数据给用户进行推送；

(3)在用户长期登录之后，可根据用户的点击次数和浏览时长进行综合计算得出用户的喜好，并进行针对性的推送；

(4)利用二部图推荐算法对用户之前还没有收集的所有对象按算出喜好的关联度生成一个降序的排名，并根据此排名将位于最顶部的X个对象依次推荐给该用户；

(5)综合所有用户的喜好再次生成一个综合性的降序排名，并根据此排名将位于最顶部的Y个对象依次推荐给新用户。

进一步的，步骤(4)和(5)中的X和Y为推荐列表的长度。

进一步的，用户观看的时间乘以用户观看的次数得到结果，可以依据此结果计算用户的喜好程度。

进一步的，用户的观看次数占比大于用户的观看时间。

本发明的有益效果是：不仅可以通过二部图算法根据用户勾选的个人喜好，进而对用户之前还没有收集的所有对象按降序生成一个排名，并将最顶部的L个对象推荐给该用户，还可以对游客登录的用户，根据用户点击次数和观看时长重新计算用户喜好，按照用户喜好推送。

附图说明

图1是本发明实施例的一种基于二部图的科学文章推荐算法的框图。

具体实施方式

下面结合具体实施例对本发明作进一步解说。

实施例一

如图1所示，一种基于二部图的科学文章推荐算法，包括步骤：

(1)新用户首次进入软件时，判断用户是否通过注册进行登录；

(2)若用户通过注册进行登录，则填写个人信息并优先判断用户是否填写个人喜好，先根据其个人喜好进行针对性推送，其次可以根据填写的个人信息，比如性别、年龄、职业、所在地等等信息进行选择性推送，若用户不注册通过游客的身份进行登录，则按当前综合的大数据给用户进行推送；

(3)在用户长期登录之后，可根据用户的点击次数和浏览时长进行综合计算得出用户的喜好，并进行针对性的推送；

(4)利用二部图推荐算法对用户之前还没有收集的所有对象按算出喜好的关联度生成一个降序的排名，并根据此排名将位于最顶部的X个对象依次推荐给该用户；

(5)综合所有用户的喜好再次生成一个综合性的降序排名，并根据此排名将位于最顶部的Y个对象依次推荐给新用户。

假设U代表用户、P代表登录次数，则个体用户可表示为UP；

假设N代表点击次数、T代表浏览时长，则浏览总时长可表示为NT；

假设O代表浏览对象，则选择两个推送对象可分别表示为ON

1、判断用户的性质：

当P＝1、N＝0时，判断其为新用户；

当P>1、N＝0时，仍判断其为新用户；

当P>1、N>0时，判断其为常用用户。

2、常用用户的推送顺序：

当N

当N

当N

当N

本发明中，步骤(4)和(5)中的X和Y为推荐列表的长度。

本发明中，用户观看的时间乘以用户观看的次数得到结果，可以依据此结果计算用户的喜好程度。

本发明中，用户的观看次数占比大于用户的观看时间。

以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。