CN111814054A - 一种海量信息数据的推荐方法及推荐装置 - Google Patents

Abstract

本发明公开了一种海量信息数据的推荐方法，根据应用服务单元的内容属性信息和推荐引擎的属性信息提供服务适应单元，所述服务适应单元在所述应用服务单元与所述推荐引擎之间建立联系；所述服务适应单元接收所述应用服务单元的提供的推荐请求；所述服务适应单元将推荐请求提供到所述推荐引擎；所述推荐引擎将推荐信息提供到所述服务适应单元，所述服务适应单元将所述推荐信息提供到所述应用服务单元；本发明采用将直接推荐内容的应用服务单元与生成推荐信息的推荐引擎分离，拓展增加需要新的内容时依旧利用原有的推荐引擎，不需要重新开发拓展推荐引擎，降低推荐装置拓展的难度以及工作量。

Description

一种海量信息数据的推荐方法及推荐装置

技术领域

本发明涉及一种数据推荐方法，更具体地说，它涉及一种对于多分类的海量信息数据的推荐方法。

背景技术

随着大数据时代的来临，如何帮助用户从大量信息中迅速获得对自己有用的信息成为众多商家的重要任务，个性化推荐系统应运而生。个性化推荐系统以海量数据挖掘为基础，引导用户发现自己的信息需求，现已广泛应用于很多领域。

目前为止的推荐装置包含适用于一个推荐内容的推荐引擎，对于基于海量信息数据的平台具有多个分类的推荐内容，需要根据推荐内容的属性建立对应的推荐引擎，不能通过一个推荐引擎实现所有分类的推荐内容的推荐；由于基于海量信息数据的平台依然会随着时间增加数据容量以及新的数据，必然会导致推荐内容的属性的增加，这就需要建立新的对应的推荐引擎，这样就导致推荐装置的拓展难度较大，接近于重新开发推荐装置。

发明内容

本发明提供一种拓展时不需要重新建立推荐引擎的海量信息数据的推荐方法，解决相关技术中推荐装置拓展难度较大的技术问题。

根据本发明的一个方面，提供了一种海量信息数据的推荐方法，包括以下步骤：

根据应用服务单元的内容属性信息和推荐引擎的属性信息提供服务适应单元，所述服务适应单元在所述应用服务单元与所述推荐引擎之间建立联系；

所述服务适应单元接收所述应用服务单元的提供的推荐请求；

所述服务适应单元将推荐请求提供到所述推荐引擎；

所述推荐引擎将推荐信息提供到所述服务适应单元，所述服务适应单元将所述推荐信息提供到所述应用服务单元；所述应用服务单元通过交互界面向用户提供与所述推荐信息关联的内容；

所述应用服务单元的内容属性信息是应用服务单元提供服务的内容的属性；

所述推荐引擎的属性信息是推荐引擎的推荐算法。

通过采用上述技术方案，本发明提供了一种根据应用服务单元提供服务适应单元，由服务适应单元将应用服务单元联系到推荐引擎，由服务适应单元配合应用服务单元启动对应的推荐引擎得到推荐信息，并发送到服务适应单元的推荐方法，增加新的内容的应用服务单元时不需要增加推荐引擎，只需要生成一个联系固有的推荐引擎的服务适应单元。

充分利用推荐引擎的通用性，只需要增加对应新的内容的应用服务单元，降低推荐装置拓展的难度以及拓展的工作量。

进一步地，所述服务适应单元与推荐引擎之间建立联系是服务适应单元联系推荐引擎的应用程序设计接口。

作为本发明的另一个方面，提供了一种海量信息数据的推荐装置，包括：

大数据服务平台，包括多个应用服务单元以及与其一一对应的服务适应单元；

推荐服务平台，包括多个推荐引擎；

数据库平台，存储所述推荐引擎需要调用的数据；

多个应用服务单元分别提供或销售内容，每个应用服务单元分别至少提供或销售一个以上的具有一定属性的内容；

所述服务适应单元将对应的应用服务单元与至少一个以上的所述推荐引擎联系，所述服务适应单元基于所述应用服务单元的请求启动所述推荐引擎，推荐引擎调用数据库平台的数据并处理得到推荐信息，所述服务适应单元将所述推荐引擎得到的所述推荐信息提供给对应的所述应用服务单元。

通过采用上述技术方案，本发明提供了一种根据应用服务单元提供服务适应单元，由服务适应单元将应用服务单元联系到推荐引擎，由服务适应单元配合应用服务单元启动对应的推荐引擎得到推荐信息，并发送到服务适应单元的推荐装置，这样一种装置能够基于新的内容拓展新的应用服务单元，并且不需要拓展对应的推荐引擎，拓展难度低，工作量小。

进一步地，所述多个推荐引擎包括以下至少一种推荐引擎：

基于协同过滤算法的协同过滤引擎、基于图模型的概率引擎和基于关联规则的规则引擎。

进一步地，所述服务适应单元包括属性管理部和联系部，所述属性管理部用于设定内容属性信息、推荐属性信息、推荐引擎信息、推荐引擎启动所需参数信息以及推荐引擎启动所需的表格信息；

属性管理部提供可变更所述内容属性信息、推荐属性信息、推荐引擎信息、推荐引擎启动所需参数信息以及推荐引擎启动所需的表格信息的交互界面，用户通过交互界面更改属性管理部的所述内容属性信息、推荐属性信息、推荐引擎信息、推荐引擎启动所需参数信息以及推荐引擎启动所需的表格信息；

联系部调用属性管理部的信息，并和所述服务适应单元对应的应用服务单元共同启动推荐引擎。

进一步地，所述联系部联系其所在的所述服务适应单元对应的应用服务单元和推荐引擎，联系部是与推荐引擎的应用程序设计接口联系，联系部还具有在推荐引擎和应用服务单元之间传输数据的功能。

进一步地，多个应用服务单元分别提供的内容包括专利内容、专家内容、成果内容和政策内容；

多个应用服务单元分别联系基于协同过滤算法的协同过滤引擎和/或基于关联规则的规则引擎。

进一步地，所述基于协同过滤算法的协同过滤引擎的推荐方法包括：

提取用户的特征向量和特征-物品相关矩阵；

对特征-物品相关矩阵进行处理，删除特征-物品相关矩阵中不属于应用服务单元提供的内容的物品，得到处理后的特征-物品相关矩阵；

基于用户的特征向量和处理后的特征-物品相关矩阵得到推荐信息。

进一步地，一个应用服务单元提供专利内容，其联系两个推荐引擎，所述两个推荐引擎均是基于协同过滤算法的协同过滤引擎；

一个所述推荐引擎删除特征-物品相关矩阵中不属于专利内容的物品，得到处理后的特征-专利相关矩阵；基于用户的特征向量和处理后的特征-专利相关矩阵得到专利推荐信息；

另一个所述推荐引擎删除特征-物品相关矩阵中不属于专家内容的物品，得到处理后的特征-专家相关矩阵；基于用户的特征向量和处理后的特征-专家相关矩阵得到专家推荐信息；

以所述专利推荐信息中的专利项的发明人名称作为第一筛选项，以所述专家推荐信息的专家项的专家名称作为第二筛选项，在所述专利推荐信息筛选出存在第一筛选项与任意一个第二筛选项相同的专利项集合作为最终推荐信息，所述应用服务单元基于所述最终推荐信息提供专利内容。

进一步地，所述大数据服务平台增加应用服务单元的方法包括：

增加应用服务单元，根据所述应用服务单元的内容属性信息和推荐引擎的属性信息提供服务适应单元；

并将所述服务适应单元与至少一个的所述推荐引擎联系。

本发明的有益效果在于：本发明采用将直接推荐内容的应用服务单元与生成推荐信息的推荐引擎分离，拓展增加需要新的内容时依旧利用原有的推荐引擎，不需要重新开发拓展推荐引擎，降低推荐装置拓展的难度以及工作量。

附图说明

图1是本发明实施例的海量信息数据的推荐装置的结构示意图；

图2是本发明实施例的海量信息数据的推荐装置增加新的应用服务单元的示意图；

图3是本发明实施例的服务适应单元的结构示意图；

图4是本发明实施例的数据集示意图；

图5是本发明实施例的二分图模型的示意图；

图6是本发明实施例的海量信息数据的推荐方法的流程图；

图7是本发明实施例的基于协同过滤算法的协同过滤引擎的推荐方法的流程图。

具体实施方式

现在将参考示例实施方式讨论本文描述的主题。应该理解，讨论这些实施方式只是为了使得本领域技术人员能够更好地理解从而实现本文描述的主题，并非是对权利要求书中所阐述的保护范围、适用性或者示例的限制。可以在不脱离本说明书内容的保护范围的情况下，对所讨论的元素的功能和排列进行改变。各个示例可以根据需要，省略、替代或者添加各种过程或组件。例如，所描述的方法可以按照与所描述的顺序不同的顺序来执行，以及各个步骤可以被添加、省略或者组合。另外，相对一些示例所描述的特征在其它例子中也可以进行组合。

如图1所示，一种海量信息数据的推荐装置包括大数据服务平台、推荐服务平台和数据库平台，

大数据服务平台包括应用服务单元210、220、230、240以及与其一一对应的服务适应单元310、320、330、340；

推荐服务平台包括多个推荐引擎410、420、430；

数据库平台存储推荐引擎410、420、430需要调用的数据。

应用服务单元210、220、230、240分别提供或销售内容，每个应用服务单元210、220、230、240分别至少提供或销售一个以上的具有一定属性的内容；；

由于应用服务单元210、220、230、240的内容属性不同，所以推荐引擎也不同，因此推荐装置联系大数据服务平台与推荐服务平台，为大数据服务平台提供推荐信息，推荐装置在推荐服务平台与应用服务单元210、220、230、240之间一次性建立若干个联系部分，以支持应用服务单元210、220、230、240的内容服务，将联系部分与推荐服务平台脱离；

也即推荐装置提供了推荐引擎与应用服务单元联系的服务适应单元。

即使为了增加新的内容服务而增加新的应用服务单元，也不需要对推荐服务平台的架构进行变更，不需要增加新的推荐引擎，只需要增加对应于新的应用服务单元的服务适应单元。

如图2所示，增加了应用服务单元250，只需要增加对应于应用服务单元250的服务适应单元350，并将其与至少一个的推荐引擎410、420、430联系即可。

推荐引擎410、420、430以多种推荐算法为基础实现，可选但不限于：基于协同过滤算法的协同过滤引擎、基于图模型的概率引擎、基于关联规则的规则引擎。推荐引擎410、420、430的推荐基于数据库平台的数据；

协同过滤引擎采用基于用户的协同过滤算法(user-based collaboratIvefiltering)，也即UserCF算法，协作过滤引擎以用户A的喜好和倾向为基础，识别出喜好、倾向上相似的相似用户。协作过滤引擎推荐相似用户选择的物品中用户A还未选择的物品，根据交叉推荐或分类用户A的喜好或生活形态来选择相关物品。

前述的选择可以是购买、评分、浏览等各种具体化的方式。

物品可以是数据、信息、商品等各种具体化的方式。

概率引擎采用基于图模型的推荐算法，概率引擎从数据库平台读取二分图模型，利用随机游走的personalRank算法来为用户推荐物品：

假定要给用户u进行个性化推荐，可以从用户u对应的节点u_u开始在用户物品二分图上进行随机游走，游走到任何一个节点的时候，以α的概率决定是继续游走还是停止游走并从u_u节点重新游走，如果继续游走，那么从当前节点指向的节点按照均匀分布随机选择一个节点作为游走下次经过的节点。

这样重复之后，每个物品节点被访问的概率收敛到一个数，最终的推荐列表中物品的权重就是物品节点的访问概率，推荐TopN个物品。

二分图模型是基于用户行为数据建立的，将用户行为数据表示为一系列的二元组，每一个二元组(u，i)代表用户u对物品i产生过行为，将这个数据集表示为一个二分图模型；

假设有如图4所示的数据集，只考虑用户喜不喜欢该物品而不考虑用户对物品的喜欢程度，其中用户user＝[A，B，C]，物品item＝[a，b，c，d]，将数据及表示为如图5所示的二分图模型，用G(V，E)来表示，其中V为用户user和物品item组成的顶点集即[A，B，C，a，b，c，d]，而E则代表每一个二元组(u，i)之间对应的边e(u，i)。

规则引擎采用基于关联规则的推荐算法，规则引擎获取用户历史访问、评分或购买记录等，然后根据物品之间的关联规则向用户推荐物品。

物品之间的关联规则存储在数据库平台，直接调用即可；

应用服务单元210、220、230、240提供或销售的内容包括用户技术内容、专家指导内容、成果转化内容、政府政策的信息内容、音乐内容、视频内容、形象内容、电影内容、图书内容、应用、游戏内容、新闻内容、广告内容、地域基础内容。

服务适应单元310、320、330、340分别对应应用服务单元210、220、230、240，服务适应单元310、320、330、340为对应的应用服务单元210、220、230、240提供推荐信息。服务适应单元310、320、330、340将对应的应用服务单元210、220、230、240和推荐引擎联系。如果拓展了应用服务单元，依照拓展的应用服务单元增加对应的服务适应单元，该服务适应单元可以是由大数据服务平台生成。

服务适应单元310、320、330、340在对应的应用服务单元210、220、230、240的内容属性信息基础上选择推荐引擎。

服务适应单元310、320、330、340将应用服务单元210、220、230、240分别与至少一个以上的推荐引擎410、420、430联系。

例如，如果应用服务单元210想从推荐引擎410获得推荐信息，服务器汇总部310从推荐引擎410获得推荐信息，为应用服务单元210提供推荐信息。

如果应用服务单元220想从推荐引擎410、420获得推荐信息，服务器汇总部320将从推荐引擎410、420获得推荐信息，并提供给应用服务单元220，在应用服务单元220与推荐引擎410、420之间联系。

如果应用服务单元230想从推荐引擎410、420、430获得推荐信息，服务器汇总部330将从推荐引擎410、420、430获得推荐信息，并提供给应用服务单元230，在应用服务单元230与推荐引擎410、420、430之间联系。

如果应用服务单元240想从推荐引擎410、420、430获得推荐信息，服务器汇总部340将从推荐引擎410、420、430获得推荐信息，并提供给应用服务单元240，在应用服务单元240与推荐引擎410、420、430之间联系。

数据库平台存储推荐引擎410、420、430需要调用的数据。例如用户信息、情况信息、记录信息。用户信息可以包含用户个人信息、用户倾向信息等；

情况信息可以包含时间日期、气象和位置信息；

记录信息可以包含内容使用记录、浏览记录、搜索记录等各种记录信息。

本发明这样一个装置能够根据对于内容的需要拓展或删除应用服务单元，增加对应的服务适应单元联系到推荐服务平台的推荐引擎410、420、430上即可，不需要更改推荐引擎410、420、430，能够较为简单的拓展，对于时刻变化的海量信息数据能够适应的改变内容。

参考图3，服务适应单元310、320、330、340至少应包括属性管理部301和联系部302，属性管理部301用于设定内容属性信息、推荐属性信息、推荐引擎信息、推荐引擎启动所需参数信息以及推荐引擎启动所需的各种表格信息。内容属性信息作为应用服务单元提供服务的内容的属性，可以包含电影、音乐、图书等内容的种类作为内容的属性。可根据该内容属性信息选择最佳的推荐引擎。

推荐属性信息包括为向应用服务单元推荐的各种推荐条件，例如推荐周期、学习周期等。

推荐引擎信息是在应用服务单元配置的推荐引擎信息。

属性管理部301提供可变更上述信息的交互界面，用户可访问交互界面更改属性管理部301的各种信息。

联系部302调用属性管理部301的信息，并和相应的应用服务单元共同启动推荐引擎。

联系部302联系对应的应用服务单元和推荐引擎，联系部302是与推荐引擎的应用程序设计接口联系，联系部302还具有在推荐引擎和应用服务单元之间传输数据的功能。

应用服务单元210、220、230、240的一定属性的内容中的属性可选的有多种，根据具体的应用领域可以适应性的进行选择，在本实施例中提供了两种可选的方式：

实施例一

应用于企业技术服务领域，大数据服务平台作为提供用户技术、专家指导、成果转化和政府政策的信息提供和服务平台；

应用服务单元210提供专利内容，应用服务单元220提供专家内容，应用服务单元230提供成果内容，应用服务单元240提供政策内容；

例如根据应用服务单元210的专利内容的属性(内容的种类)，根据专利内容的属性选择基于协同过滤算法的协同过滤引擎和/或基于关联规则的规则引擎。

这样一个推荐装置能够为企业用户提供专利内容、专家内容、成果内容和政策内容的推荐，辅助企业用户更好的发展。

对于应用服务单元的拓展，拓展的应用服务单元250提供研发人员内容。进而增加对于研发人员内容的推荐。

如图7所示，基于协同过滤算法的协同过滤引擎的推荐方法包括：

提取用户的特征向量和特征-物品相关矩阵；

对特征-物品相关矩阵进行处理，删除特征-物品相关矩阵中不属于应用服务单元提供的内容的物品，得到处理后的特征-物品相关矩阵；

例如对于应用服务单元210，删除特征-物品相关矩阵中不属于专利内容的物品。

对于应用服务单元220，删除特征-物品相关矩阵中不属于专家内容的物品。

对于应用服务单元230，删除特征-物品相关矩阵中不属于成果内容的物品。

对于应用服务单元240，删除特征-物品相关矩阵中不属于政策内容的物品。

基于用户的特征向量和处理后的特征-物品相关矩阵得到推荐信息；

推荐信息应该是一个排序后的物品列表(以专利为例包含若干个专利项)，进一步的可通过过滤和/或排名得到最终的推荐信息。

例如应用服务单元210提供专利内容，其联系推荐引擎410、420，推荐引擎410和推荐引擎420均是基于协同过滤算法的协同过滤引擎；

推荐引擎410删除特征-物品相关矩阵中不属于专利内容的物品，得到处理后的特征-专利相关矩阵；基于用户的特征向量和处理后的特征-专利相关矩阵得到专利推荐信息；

推荐引擎420删除特征-物品相关矩阵中不属于专家内容的物品，得到处理后的特征-专家相关矩阵；基于用户的特征向量和处理后的特征-专家相关矩阵得到专家推荐信息；

以专利推荐信息中的专利项的发明人名称作为第一筛选项，以专家推荐信息的专家项的专家名称作为第二筛选项，在推荐引擎410的专利推荐信息筛选出存在第一筛选项与任意一个第二筛选项相同的专利项集合作为最终推荐信息。

筛选的过程可以是在应用服务单元210中进行。

基于上述的推荐装置及方法能够为用户提供更为准确的总量较少的专利内容。

应用服务单元提供的内容不仅限于上述的一种，也可以是应用服务单元210提供专利内容，应用服务单元220提供专家内容，应用服务单元230提供成果内容和专利内容，应用服务单元240提供政策内容；以及其他应用服务单元提供的内容选择均可。

实施例二

应用于商业技术领域，大数据服务平台作为提供商品、广告、影像、音乐的信息提供和服务平台；

应用服务单元210提供商品内容，应用服务单元220提供广告内容，应用服务单元230提供影像内容，应用服务单元240提供音乐内容；

或者应用服务单元210提供商品内容，应用服务单元220提供广告内容，应用服务单元230提供影像内容和音乐内容，应用服务单元240提供音乐内容；

例如根据应用服务单元220的专利内容的属性(内容的种类)，根据专利内容的属性选择基于协同过滤算法的协同过滤引擎和/或基于图模型的概率引擎。

这样一个推荐装置能够为企业用户提供商品、广告、影像、音乐内容的推荐，为用户的购物提供良好的体验。

对于应用服务单元的拓展，拓展的应用服务单元250提供新闻内容。进而增加对于新闻内容的推荐。

如图6所示，一种海量信息数据的推荐方法，包括以下步骤：

S100，根据应用服务单元的内容属性信息和推荐引擎的属性信息提供服务适应单元，服务适应单元在应用服务单元与推荐引擎之间建立联系；

S200，服务适应单元接收应用服务单元的提供的推荐请求；

S300，服务适应单元将推荐请求提供到推荐引擎；

S400，推荐引擎将推荐信息提供到服务适应单元，服务适应单元将推荐信息提供到应用服务单元；

应用服务单元通过交互界面向用户提供与推荐信息关联的内容，例如推荐信息中的专利，应用服务单元提供关联的专利内容(包含文本等)，推荐信息中的音乐，应用服务单元提供关联的音乐内容(包含文本等)，上述关联的内容可以是从数据库平台读取。

服务适应单元与推荐引擎之间建立联系是服务适应单元联系推荐引擎的应用程序设计接口。

服务适应单元将推荐信息提供到应用服务单元是基于应用服务单元的相关信息，应用服务单元的相关信息包括应用服务单元相关的项目文件信息、情况信息和使用细目信息至少可以包含一个。也即基于应用服务单元的相关信息与应用服务单元建立联系。

所述应用服务单元的内容属性信息是应用服务单元提供服务的内容的属性，可以包含电影、音乐、图书等内容的种类作为内容的属性。可根据该内容属性信息选择最佳的推荐引擎。

所述推荐引擎的属性信息也即推荐引擎的推荐算法，可选但不限于：基于协同过滤算法的协同过滤引擎、基于图模型的概率引擎、基于关联规则的规则引擎。

S100中的服务适应单元的提供方式在本实施例中具体提供以下两种：

多个服务适应单元可以是预存在大数据服务平台上，采用调用的方式进行提供。

二、服务适应单元是由大数据服务平台依照现有的生成方法根据应用服务单元的内容属性信息和推荐引擎的属性信息生成的。

Claims (10)

1.一种海量信息数据的推荐方法，其特征在于，包括以下步骤：

根据应用服务单元的内容属性信息和推荐引擎的属性信息提供服务适应单元，所述服务适应单元在所述应用服务单元与所述推荐引擎之间建立联系；

所述服务适应单元接收所述应用服务单元的提供的推荐请求；

所述服务适应单元将推荐请求提供到所述推荐引擎；

所述推荐引擎将推荐信息提供到所述服务适应单元，所述服务适应单元将所述推荐信息提供到所述应用服务单元；所述应用服务单元通过交互界面向用户提供与所述推荐信息关联的内容；

所述应用服务单元的内容属性信息是应用服务单元提供服务的内容的属性；

所述推荐引擎的属性信息是推荐引擎的推荐算法。

2.根据权利要求1所述的一种海量信息数据的推荐方法，其特征在于，所述服务适应单元与推荐引擎之间建立联系是服务适应单元联系推荐引擎的应用程序设计接口。

3.根据权利要求所述的一种海量信息数据的推荐装置，其特征在于，包括：

大数据服务平台，包括多个应用服务单元以及与其一一对应的服务适应单元；

推荐服务平台，包括多个推荐引擎；

数据库平台，存储所述推荐引擎需要调用的数据；

多个应用服务单元分别提供或销售内容，每个应用服务单元分别至少提供或销售一个以上的具有一定属性的内容；

所述服务适应单元将对应的应用服务单元与至少一个以上的所述推荐引擎联系，所述服务适应单元基于所述应用服务单元的请求启动所述推荐引擎，推荐引擎调用数据库平台的数据并处理得到推荐信息，所述服务适应单元将所述推荐引擎得到的所述推荐信息提供给对应的所述应用服务单元。

4.根据权利要求3所述的一种海量信息数据的推荐装置，其特征在于，所述多个推荐引擎包括以下至少一种推荐引擎：

基于协同过滤算法的协同过滤引擎、基于图模型的概率引擎和基于关联规则的规则引擎。

5.根据权利要求3或4所述的一种海量信息数据的推荐装置，其特征在于，所述服务适应单元包括属性管理部和联系部，所述属性管理部用于设定内容属性信息、推荐属性信息、推荐引擎信息、推荐引擎启动所需参数信息以及推荐引擎启动所需的表格信息；

属性管理部提供可变更所述内容属性信息、推荐属性信息、推荐引擎信息、推荐引擎启动所需参数信息以及推荐引擎启动所需的表格信息的交互界面，用户通过交互界面更改属性管理部的所述内容属性信息、推荐属性信息、推荐引擎信息、推荐引擎启动所需参数信息以及推荐引擎启动所需的表格信息；

联系部调用属性管理部的信息，并和所述服务适应单元对应的应用服务单元共同启动推荐引擎。

6.根据权利要求5所述的一种海量信息数据的推荐装置，其特征在于，所述联系部联系其所在的所述服务适应单元对应的应用服务单元和推荐引擎，联系部是与推荐引擎的应用程序设计接口联系，联系部还具有在推荐引擎和应用服务单元之间传输数据的功能。

7.根据权利要求3所述的一种海量信息数据的推荐装置，其特征在于，多个应用服务单元分别提供的内容包括专利内容、专家内容、成果内容和政策内容；

多个应用服务单元分别联系基于协同过滤算法的协同过滤引擎和/或基于关联规则的规则引擎。

8.根据权利要求3或7所述的一种海量信息数据的推荐装置，其特征在于，所述基于协同过滤算法的协同过滤引擎的推荐方法包括：

提取用户的特征向量和特征-物品相关矩阵；

对特征-物品相关矩阵进行处理，删除特征-物品相关矩阵中不属于应用服务单元提供的内容的物品，得到处理后的特征-物品相关矩阵；

基于用户的特征向量和处理后的特征-物品相关矩阵得到推荐信息。

9.根据权利要求8所述的一种海量信息数据的推荐装置，其特征在于，一个应用服务单元提供专利内容，其联系两个推荐引擎，所述两个推荐引擎均是基于协同过滤算法的协同过滤引擎；

一个所述推荐引擎删除特征-物品相关矩阵中不属于专利内容的物品，得到处理后的特征-专利相关矩阵；基于用户的特征向量和处理后的特征-专利相关矩阵得到专利推荐信息；

另一个所述推荐引擎删除特征-物品相关矩阵中不属于专家内容的物品，得到处理后的特征-专家相关矩阵；基于用户的特征向量和处理后的特征-专家相关矩阵得到专家推荐信息；

以所述专利推荐信息中的专利项的发明人名称作为第一筛选项，以所述专家推荐信息的专家项的专家名称作为第二筛选项，在所述专利推荐信息筛选出存在第一筛选项与任意一个第二筛选项相同的专利项集合作为最终推荐信息，所述应用服务单元基于所述最终推荐信息提供专利内容。

10.根据权利要求3所述的一种海量信息数据的推荐装置，其特征在于，所述大数据服务平台增加应用服务单元的方法包括：

增加应用服务单元，根据所述应用服务单元的内容属性信息和推荐引擎的属性信息提供服务适应单元；

并将所述服务适应单元与至少一个的所述推荐引擎联系。

Images