本發(fā)明涉及推薦，具體涉及一種文學作品智能化推薦系統(tǒng)及方法。

背景技術(shù)：

1、隨著信息技術(shù)的進步，圖書館、在線閱讀平臺和電子書提供商能夠存儲和管理大量的文學作品和用戶數(shù)據(jù)。這些數(shù)據(jù)為閱讀推薦系統(tǒng)提供基礎(chǔ)。

2、但傳統(tǒng)的文學作品閱讀推薦方法往往依賴于專家或書評人的主觀評價，這種評價方式可能會受到個人喜好、偏見或?qū)I(yè)背景的影響，導致推薦的文學作品并不一定符合讀者的興趣和需求；同時缺乏足夠的用戶數(shù)據(jù)和行為數(shù)據(jù)來支撐精確的推薦，由于數(shù)據(jù)量有限，系統(tǒng)可能無法準確捕捉用戶的閱讀偏好和興趣變化，導致推薦的文學作品不夠準確，從而降低了用戶體驗和閱讀推薦的效果，因此，提出一種文學作品智能化推薦系統(tǒng)及方法，解決上述技術(shù)問題。

技術(shù)實現(xiàn)思路

1、本發(fā)明的目的在于提供一種文學作品智能化推薦系統(tǒng)及方法，解決以下技術(shù)問題：

2、如何提供一種能夠更加準確地向用戶推薦符合用戶需求的文學作品推薦系統(tǒng)。

3、本發(fā)明的目的可以通過以下技術(shù)方案實現(xiàn)：

4、一種文學作品智能化推薦系統(tǒng)，包括：

5、用戶信息采集模塊，用于采集目標用戶的個人信息；

6、同類信息采集模塊，用于根據(jù)所述目標用戶的個人信息建立目標用戶的同類用戶集合，用于匯集服務器中與所述目標用戶的個人信息相關(guān)的其他用戶；

7、第一推薦模塊，用于獲取所述同類用戶集合中其他用戶的閱讀特征信息，生成第一推薦閱讀作品，并將所述第一推薦閱讀作品推薦至所述目標用戶；

8、長期閱讀興趣采集模塊，用于采集所述目標用戶的長期行為信息，并根據(jù)所述長期行為信息獲取所述目標用戶的長期閱讀作品特征；

9、第二推薦模塊，用于根據(jù)所述長期閱讀作品特征調(diào)整所述第一推薦閱讀作品，生成第二推薦閱讀作品，并將所述第二推薦閱讀作品推薦至所述目標用戶；

10、短期閱讀興趣采集模塊，用于采集所述目標用戶的短期行為信息，并根據(jù)所述短期行為信息獲取所述目標用戶的短期閱讀作品特征；

11、第三推薦模塊，用于根據(jù)所述短期閱讀作品特征調(diào)整所述第二推薦閱讀作品，生成第三推薦閱讀作品，并將所述第三推薦閱讀作品推薦至所述目標用戶。

12、優(yōu)選的，獲取所述同類用戶集合中其他用戶的閱讀特征信息，生成第一推薦閱讀作品的過程包括：

13、收集所述同類用戶集合中各個同類用戶的同類用戶閱讀數(shù)據(jù)；

14、從各個所述同類用戶閱讀數(shù)據(jù)中提取關(guān)鍵特征作為同類用戶閱讀特征；

15、將所述同類用戶集合中所有同類用戶的閱讀特征進行聚合，形成所述同類用戶集合的整體閱讀特征；

16、將所述同類用戶集合的整體閱讀特征作為輸入，基于協(xié)同過濾的推薦算法為所述目標用戶生成第一推薦閱讀作品；

17、其中，所述整體閱讀特征中的各個閱讀特征根據(jù)目標用戶與閱讀特征對應的同類用戶的相似度進行排序，所述排序結(jié)果對應第一推薦閱讀作品的排序結(jié)果。

18、優(yōu)選的，根據(jù)所述長期閱讀作品特征調(diào)整所述第一推薦閱讀作品，生成第二推薦閱讀作品的過程包括：

19、根據(jù)預設的長期時間區(qū)間獲取所述目標用戶的長期行為數(shù)據(jù)，根據(jù)所述長期行為數(shù)據(jù)獲取所述目標用戶的長期閱讀作品特征；

20、根據(jù)所述長期閱讀作品特征計算長期閱讀作品特征與第一推薦閱讀作品的各個作品的第一匹配程度；

21、根據(jù)所述第一匹配程度調(diào)整所述第一推薦閱讀作品中各個作品的排序生成第二推薦閱讀作品。

22、優(yōu)選的，根據(jù)所述第一匹配程度調(diào)整所述第一推薦閱讀作品中各個作品的排序生成第二推薦閱讀作品的過程包括：

23、通過公式：

24、計算所述第一推薦閱讀作品中各個作品的排序權(quán)重系數(shù)；

25、其中，；

26、根據(jù)所述排序權(quán)重系數(shù)的排序調(diào)整所述第一推薦閱讀作品中各個作品的排序生成第二推薦閱讀作品；

27、其中，為第一推薦閱讀作品中第m個作品的排序權(quán)重系數(shù)；為第m個作品對應的同類用戶與目標用戶的相似度；為預設初始相似值；為長期閱讀作品特征與第一推薦閱讀作品中第m個作品的第一匹配度；為預設初始第一匹配值；n為長期閱讀作品特征參數(shù)的項數(shù)；i∈[1，n]；為第i個長期閱讀作品特征參數(shù)的權(quán)重系數(shù)；為第i個長期閱讀作品特征參數(shù)的應用系數(shù)；和為預設權(quán)重系數(shù)且。

28、優(yōu)選的，根據(jù)所述短期閱讀作品特征調(diào)整所述第二推薦閱讀作品，生成第三推薦閱讀作品的過程包括：

29、根據(jù)預設的短期時間區(qū)間獲取所述目標用戶的短期行為數(shù)據(jù)，根據(jù)所述短期行為數(shù)據(jù)獲取所述目標用戶的短期閱讀作品特征；

30、根據(jù)所述短期閱讀作品特征計算短期閱讀作品特征與第二推薦閱讀作品的各個作品的第二匹配程度；

31、根據(jù)所述第二匹配程度調(diào)整所述第二推薦閱讀作品中各個作品的排序生成第三推薦閱讀作品。

32、優(yōu)選的，根據(jù)所述第二匹配程度調(diào)整所述第二推薦閱讀作品中各個作品的排序生成第三推薦閱讀作品的過程包括：

33、通過公式：

34、計算所述第二推薦閱讀作品中各個作品的排序權(quán)重系數(shù)；

35、根據(jù)所述排序權(quán)重系數(shù)的排序調(diào)整所述第二推薦閱讀作品中各個作品的排序生成第三推薦閱讀作品；

36、其中，為第二推薦閱讀作品中第m個作品的排序權(quán)重系數(shù)；為預設初始排列值；為短期閱讀作品特征與第二推薦閱讀作品中第m個作品的第二匹配度；為預設初始第二匹配值；為預設的長期時間區(qū)間中短期時間區(qū)間的總段數(shù)；為所述目標用戶當前的短期時間區(qū)間與長期時間區(qū)間中各個歷史短期時間區(qū)間對應的閱讀興趣特征變化次數(shù)；和為預設權(quán)重系數(shù)且。

37、優(yōu)選的，獲得所述目標用戶當前的短期時間區(qū)間與長期時間區(qū)間中各個歷史短期時間區(qū)間對應的閱讀興趣特征變化次數(shù)的過程包括：

38、將所述長期時間區(qū)間劃分為多個與當前短期時間區(qū)間長度相同的歷史短期時間區(qū)間；

39、計算所述目標用戶在各個短期時間區(qū)間內(nèi)的閱讀興趣特征；

40、將當前短期時間區(qū)間的閱讀興趣特征與各個歷史短期時間區(qū)間對應的閱讀興趣特征進行比對，獲取當前短期時間區(qū)間的閱讀興趣特征與各個歷史短期時間區(qū)間對應的閱讀興趣特征存在變化的次數(shù)。

41、一種文學作品智能化推薦方法，包括：

42、采集目標用戶的個人信息，根據(jù)所述目標用戶的個人信息建立目標用戶的同類用戶集合，匯集服務器中與所述目標用戶的個人信息相關(guān)的其他用戶；

43、獲取所述同類用戶集合中其他用戶的閱讀特征信息，生成第一推薦閱讀作品，并將所述第一推薦閱讀作品推薦至所述目標用戶；

44、采集所述目標用戶的長期行為信息，并根據(jù)所述長期行為信息獲取所述目標用戶的長期閱讀作品特征；

45、根據(jù)所述長期閱讀作品特征調(diào)整所述第一推薦閱讀作品，生成第二推薦閱讀作品，并將所述第二推薦閱讀作品推薦至所述目標用戶；

46、采集所述目標用戶的短期行為信息，并根據(jù)所述短期行為信息獲取所述目標用戶的短期閱讀作品特征；

47、根據(jù)所述短期閱讀作品特征調(diào)整所述第二推薦閱讀作品，生成第三推薦閱讀作品，并將所述第三推薦閱讀作品推薦至所述目標用戶。

48、本發(fā)明的有益效果：

49、該文學作品智能化推薦系統(tǒng)及方法，通過各個模塊之間的數(shù)據(jù)流動和交互，形成了一個完整的推薦流程，用戶信息采集模塊是其他模塊的基礎(chǔ)，同類信息采集模塊和長期閱讀興趣采集模塊提供了用戶興趣的兩個重要維度（相似性和穩(wěn)定性），而短期閱讀興趣采集模塊則提供了即時的興趣變化信息，第一推薦模塊基于相似用戶進行初步推薦，第二推薦模塊和第三推薦模塊則根據(jù)用戶的長期和短期興趣進行逐步優(yōu)化和調(diào)整，最終為用戶提供更加準確的閱讀推薦；整個流程形成了一個閉環(huán)，通過不斷的學習和優(yōu)化，提高了推薦的準確性和用戶滿意度。