(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111624397.8 (22)申请日 2021.12.28 (71)申请人 灯塔财经信息有限公司 地址 430000 湖北省武汉市东西湖区台商 投资区高桥产业园台 中大道特1号 (72)发明人 郭艳丹　 (74)专利代理 机构 武汉天领众智专利代理事务 所(普通合伙) 42300 专利代理师 蕭光佑 (51)Int.Cl. G06F 16/9535(2019.01) G06K 9/62(2022.01) G06Q 40/04(2012.01) (54)发明名称 基于用户协同过滤和聚合统计相结合的个 性化推荐方法 (57)摘要 本发明公开了基于用户协同过滤和聚合统 计相结合的个性化推荐 方法， 其推荐方法分别由 数据预处理模块、 用户相似性计算模块和基于 significant聚合统计的二次排序模块组成， 其 通过数据预处理模块对原始的用户自选股和持 仓股数据进行处理和权重预计算， 得到处理后干 净的用户股票数据集 以及用户稀疏向量并存储 入库； 本发明涉及数据信息处理技术领域。 该基 于用户协同过滤和聚合统计相结合的个性化推 荐方法， 其个性化item推荐的过程中完全不需要 人工提取复杂特征与人工标注数据， 提前的预计 算处理加快了推荐的性能， 用户的行为数据可以 近实时反映到推荐结果中， 可以动态推荐和用户 当前兴趣最相似的用户群体所感兴趣的item， 完 全满足工程应用。 权利要求书2页 说明书7页 附图1页 CN 114443949 A 2022.05.06 CN 114443949 A 1.基于用户协同过滤和聚合统计相结合的个性化推荐方法， 其特征在于： 其推荐系统 包括数据预处理模块、 用户相似性计算模块和基于 significant聚合统计的二次排序模块， 所述推荐方法具体包括以下步骤： S1、 原始的用户自选股和持仓股数据经过数据预处理模块后， 得到干净的用户股票数 据集以及对应的用户稀疏向量。 S2、 根据输入的用户以及用户向量， 利用用户相似性计算模块中的余弦相似距离公式 计算用户的相似度， 并找到 头部的相似用户； S3、 根据步骤S2等到的topk相似用户， 通过基于significant聚合统计的二次排序模块 进行二次排序， 并将item排序结果的topM返回。 2.根据权利要求1所述的基于用户协同过滤和聚合统计相结合的个性化推荐方法， 其 特征在于： 所述步骤S1中数据预 处理模块对原始的用户自选股和持仓股数据处理的方法具 体包括以下步骤： a1、 用户自选股和持仓股数据以及后续 新的特征维度得分加权公式如下： 其中 公式1中， ussjk表示用户j对股票k的兴趣得分； scorei表示在ussjk计算时， 第i个特征的 得分， 具体scorei的值由业 务逻辑决定； wi表示第i个特 征的加权 权重； a2、 预计算归一 化特征向量， 由向量 余弦计算公式可知， 公式2可知， 余弦距离计算， 预计算归一 化用户向量， 预计算公式为： 3.根据权利要求2所述的基于用户协同过滤和聚合统计相结合的个性化推荐方法， 其 特征在于： 所述 步骤a1中wi表示用于对各个特 征得分进行加权 。 4.根据权利要求2所述的基于用户协同过滤和聚合统计相结合的个性化推荐方法， 其 特征在于： 所述步骤S2中根据输入的用户id， 找到对应的用户预计算向量并根据向量余弦 计算公式计算 获得用户相似性得分， 获取t opK的相似性用户， 在此过程中， 通过基于 常见数 据库的检索能力提高速度， 由于没有对用户持仓自选的稀疏股票向量做降为处理， 所以拥 有对结果的可控性与解释性。 5.根据权利要求4所述的基于用户协同过滤和聚合统计相结合的个性化推荐方法， 其 特征在于： 所述常见 数据库为elasticsearc h或milvus中的一种。 6.根据权利要求1所述的基于用户协同过滤和聚合统计相结合的个性化推荐方法， 其 特征在于： 所述 步骤S3中二次排序的方法具体包括以下步骤： b1、 对于topK的用户执行significant聚合， 再对topK的用户的选购股票进行统计， 然 后将各个统计结果除以整体的全局统计的结果， 作为每 个统计股票的得分， 公式如下： 其中， cardpre(stockl)表示stockl在前段数据集中的出现次数； cardtotal(stockl)表示权　利　要　求　书 1/2 页 2 CN 114443949 A 2stockl在后端数据集中的出现次数； cardtotal表示所有股票的总次数； cardpre_total表示前置 数据集中的股票总次数； b2、 计算推荐的股票得分， 具体 计算公式如下： recScorei＝cos<ui,u*>·uss.signifi 其中， cos<ui,u*>表示与用户i最相似的topk个用户的相似度 向量维度为1 ×K； uss为 topK个用户对应的用户向量， 维度为K ×N， N表示item的总 数量； signifi表示用户i的显著 关键词聚集统计结果， 维度为1 ×N； 其中‘.’乘表示向量对应元素相乘； recScorei表示用户 i的推荐股票得分， b3、 按照业 务要求， 取头 部M个股票即可。 7.根据权利要求6所述的基于用户协同过滤和聚合统计相结合的个性化推荐方法， 其 特征在于： 所述 步骤b1中sign ificant聚合用于展示特定群 体不同寻常的词汇。 8.一种计算机可读存储介质， 其特征在于： 所述计算机可读存储介质存储有机器可运 行指令， 所述计算机可运行指令在被处理器调用和运行时， 所述计算机可运行指令促使所 述处理器运行 所述权利要求1 ‑7任一项所述的方法。权　利　要　求　书 2/2 页 3 CN 114443949 A 3