CN102682045A - 基于动态语言模型的推荐方法与推荐系统 - Google Patents

Abstract

一种基于动态语言模型推荐方法及推荐系统。基于动态语言模型的推荐系统包括一语言模型建构模块、一语言模型调适模块、一语句数据选粹模块及一语句数据推荐模块。语言模型建构模块用以建构语言模型。语言模型调适模块可动态整合不同的语言模型，以建构动态语言模型。语句数据选粹模块依据关键词，自数据库中搜寻以得到数笔推荐语句数据。语句数据推荐模块分析这些推荐语句数据与动态语言模型的岐异度，重新排序推荐语句数据，以提供一推荐列表。

Description

基于动态语言模型的推荐方法与推荐系统

技术领域

本发明涉及一种利用动态语言模型(Dynamic Language Model)分析搜寻所得的推荐信息的结果，作为推荐信息排序依据的推荐系统。

背景技术

个人化推荐系统已经被广泛地运用到各种行销模式，通过个人化推荐系统与使用者进行互动，取得使用者的个人行为模式加以分析学习，进而提供符合使用者需求的信息，以作为使用者决策的指标。目前，推荐系统主要是分析使用者过去的行为模式，建立基于关键词汇或关键语意的个人描述文件(user profile)，搜寻可能符合使用者偏好的信息。

然而，在传统的搜寻过程中，并未考虑其推荐的信息是否属于使用者熟悉的语言风格，造成推荐的信息往往无法符合使用者的需求。

发明内容

本发明是有关于一种基于动态语言模型重新分析推荐数据所得的结果，作为排序依据的推荐系统，其可以依据使用者的阅读历程建构动态语言模型，藉以分析使用者偏好及使用者熟悉的语言风格，提供符合使用者需求的个人化推荐服务。

根据本发明的第一方面，提出一基于动态语言模型的推荐方法。基于动态语言模型的推荐方法包括以下步骤。提供一笔或多笔语句数据，该一笔或多笔语句数据包括多个词汇。分析这些词汇于该一笔或多笔语句数据的多笔词汇出现机率。分析这些词汇之间的多笔词汇接续机率。依据这些词汇出现机率及这些词汇接续机率，建构一笔或多笔语言模型。整合该一笔或多笔语言模型，建构一动态语言模型。提供一关键词，依据该关键词，搜寻多笔推荐语句数据。针对这些推荐语句数据，分析每笔推荐语句数据与该动态语言模型在词汇出现机率与词汇接续机率的差异程度，个别计算出一歧异度，以求得多笔岐异度。依据这些岐异度，排序这些推荐语句数据，以提供一推荐列表。

根据本发明的第二方面，提出一种基于动态语言模型的推荐系统。基于动态语言模型的推荐系统包括一语言模型建构模块、一语言模型调适模块、一语句数据选粹模块及一语句数据推荐模块。语言模型建构模块用以依据一笔或多笔语句数据包含的多个词汇，分析出这些词汇于该一笔或多笔语句数据的多笔词汇出现机率及这些词汇之间的多笔词汇接续机率，并依据这些词汇出现机率及这些词汇接续机率，建构一笔或多笔语言模型。语言模型调适模块包括一调适单元，根据该一笔或多笔语言模型，以建构一动态语言模型。语句数据选粹模块用以依据该一个或多个关键词，自一包含一笔或多笔语句数据的数据库中搜寻多笔推荐语句数据。语句数据推荐模块用以针对这些推荐语句数据，分析每笔推荐语句数据与该动态语言模型在词汇出现机率与词汇接续机率的差异程度，个别计算出一歧异度，以求得多笔岐异度，并依据这些岐异度，排序这些推荐语句数据，以提供一推荐列表。

为了对本发明的上述及其他方面更了解，下文特举实施例，并结合附图详细说明如下。

附图说明

图1绘示本实施例的基于动态语言模型的推荐系统的方块图。

图2绘示本实施例的基于动态语言模型的推荐方法的流程图。

附图符号说明

1000：基于动态语言模型的推荐系统

100：语言模型建构模块

110：语句数据提供单元

120：分析单元

130：建构单元

200：语言模型调适模块

220：调适单元

300：语句数据选粹模块

310：搜寻线索提供单元

320：数据库

330：搜寻单元

400：语句数据推荐模块

410：比对单元

420：排序单元

500：语料库

K：关键词

L：推荐列表

M：调适语言模型

M_d、M_d’：动态语言模型

S100～S104、S200～S202、S300～S304：流程步骤

具体实施方式

请参照图1，其绘示本实施例基于动态语言模型的推荐系统1000的方块图。基于动态语言模型的推荐系统1000包括一语言模型建构模块100、一语言模型调适模块200、一语句数据选粹模块300及一语句数据推荐模块400。语言模型建构模块100用以建构一初始语言模型(Initial Language Model)或调适语言模型(Adaptive language Model)M。语言模型调适模块200用以整合初始语言模型与调适语言模型M或根据调适语言模型M，建构一个动态语言模型M_d，或是整合之前建构的动态语言模型M_d’与调适语言模型M，建构调适后的动态语言模型M_d。语句数据选粹模块300利用关键词K进行初步筛选。语句数据推荐模块400则利用个人化动态语言模型M_d进行推荐，以提供使用者一推荐列表L。

语言模型建构模块100包括一语句数据提供单元110、一分析单元120及一建构单元130。语句数据提供单元110用以提供或输入各种数据例如是一键盘、一滑鼠、连接数据库的一连接线或一接收天线等。分析单元120用以进行各种数据分析程序，建构单元130则用以进行各种数据模型的建构程序。分析单元120及建构单元130例如是微处理芯片、固件电路、储存数组程序码的储存媒体。

语言模型调适模块200包括一调适单元220。调适单元220用以进行各种数据模型的调适程序。调适单元220例如是微处理芯片、固件电路、储存数组程序码的储存媒体。

语句数据选粹模块300包括一搜寻线索提供单元310、一数据库320及一搜寻单元330。搜寻线索提供单元310用以提供各种搜寻线索例如是一键盘、一滑鼠、连接数据库的一连接线或一接收天线等。数据库320用以储存各种数据，例如是一硬盘、一存储器或一光盘片。搜寻单元330用以进行各种数据搜寻程序，例如是微处理芯片、固件电路、储存数组程序码的储存媒体。

语句数据推荐模块400包括一比对单元410及一排序单元420。比对单元410用以进行各种数据比对程序，排序单元420用以进行各种数据排序程序。比对单元410及排序单元420例如是微处理芯片、固件电路、储存数组程序码的储存媒体。

请参照图2，其绘示本实施例的基于动态语言模型M_d的建构方法与基于动态语言模型M_d重新排序推荐数据的推荐方法的流程图。以下是结合图1的基于动态语言模型的推荐系统1000说明基于动态语言模型M_d的建构方法与基于动态语言模型M_d重新排序推荐数据的推荐方法，然而本发明所属技术领域的技术人员均可了解本实施例的基于动态语言模型M_d的建构方法与基于动态语言模型M_d重新排序推荐数据的推荐方法并不局限于图1的基于动态语言模型的推荐系统1000，且图1的基于动态语言模型的推荐系统1000也不局限应用于图2的流程步骤。

在步骤S100～S104中，是通过语言模型建构模块100实施调适语言模型M的建构方法。在步骤S100中首先判断是否建构语言模型，若需建构语言模型，则进入步骤S101，否则进入步骤S300，判断是否进行推荐。在步骤S101中，语句数据提供单元110提供一笔或多笔语句数据。语句数据包括数个词汇。在此步骤的一实施例中，语句数据提供单元110可以依据使用者的阅读历程提供一使用者曾经阅读的一已阅读书籍，例如是「Old Man andSea(老人与海)」、「Popeye the Sailor Man(大力水手)」及「Harry Potter(哈利波特)」。语句数据提供单元110依据这些已阅读书籍的内容，撷取语句数据。语句数据可以是每本书籍的全部文字，或者是部份文字。语句数据提供单元110提供这些书籍的方式可以通过使用者自行输入，或者由网络上的个人书籍订购信息来获得，或者由图书馆的个人书籍借阅数据来获得。

在另一实施例中，语句数据提供单元110也可以依据使用者的订购历程提供一使用者曾经订购的一已订购商品，例如是「computer(电脑)」、「bicycle(自行车)」、「blue tooth ear phone(蓝牙耳机)」、「DVD player(DVD播放器)」及「LCD TV(液晶电视)」。语句数据提供单元110依据这些已订购商品的简介，撷取语句数据。语句数据可以是每份简介的全部文字，或者是部份文字。语句数据提供单元110提供这些订购历程的方式可以通过使用者自行输入，或者由网络上的个人商品订购信息来获得，或者由商家的会员数据来获得。

在一实施例中，除了根据使用者提供的初始语句数据建立初始语言模型，语句数据提供单元110也可以利用使用者的背景数据，自语料库500撷取与背景数据相关的语句数据以建构初始语言模型。例如语句数据提供单元110获得使用者的求学背景后，可根据求学背景提供相关的语句数据。

举例来说，语句数据提供单元110通过上述方法撷取到以下第一语句数据「no，he was being stupid.Potter was not such an unusual name.He was surethere were lots of people called Potter who had a son called Harry」。这段语句数据中，词汇的总数为27。

在步骤S102中，分析单元120分析这些词汇于语句数据的数笔词汇出现机率。举例来说，上述词汇「was」的出现次数为3，所以词汇「was」于上述语句数据的词汇出现机率为3/27；上述词汇「he」的出现次数为2，所以词汇「he」于上述语句数据的词汇出现机率为2/27。

前述词汇出现机率可以利用下式(1)为例作说明：

$P\left(w_i\right)=\frac{\mathrm{count}\left(w_i\right)}{N}...\left(1\right)$

其中，P(w_i)为词汇w_i的词汇出现机率，count(w_i)为词汇w_i的出现次数，N为字汇的总数。

在步骤S103中，分析单元120分析这些词汇之间的数笔词汇接续机率。举例来说，词汇「was」的出现次数为3，词汇的组合「was being」的出现次数为1，所以词汇「being」接续于第一词汇「was」之后的词汇接续机率为1/3。

词汇的组合「was being stupid」的出现次数为1，所以词汇「stupid」接续于的词汇的组合「was being」的词汇接续机率为1。

前述词汇接续机率可以利用下式(2)为例作说明：

$P\left(w_i\right|w_{i-(n-1)},...,w_{i-1})=\frac{\mathrm{count}(w_{i-(n-1)},...,w_{i-1},w_i)}{\mathrm{count}(w_{i-(n-1)},...,w_{i-1})}...\left(2\right)$

其中，P(w_i|w_i-(n-1)，...，w_i-1)为词汇w_i接续于词汇组合w_i-(n-1)，...，w_i-1的词汇接续机率，count(w_i-(n-1)，...，w_i-1，w_i)为词汇组合w_i-(n-1)，...w_i-1，w_i的出现次数，count(w_i-(n-1)，...，w_i-1)为词汇组合w_i-(n-1)，...，w_i-1的出现次数。

在步骤S104中，建构单元130依据这些词汇出现机率及这些词汇接续机率，建构调适语言模型M。在此步骤中，建构单元130可以对词汇出现机率及词汇接续机率进行适当地演算，以获得适合的指标数值。例如，可以对词汇出现机率及词汇接续机率进行对数运算、指数运算或除法运算。

在步骤S200～S202中，则利用语言模型调适模块200实施语言模型调适方法以建构动态语言模型M_d。在步骤S200，判断是否需进行动态语言模型M_d的调适。若需进行动态语言模型M_d的调适，则进入步骤S201；若不需进行动态语言模型M_d的调适，则结束动态语言模型的建构流程。

在步骤S201中，调适单元220根据一语言模型调适方法将语言模型建构模块100提供的初始语言模型与调适语言模型M，整合初始语言模型与调适语言模型M或根据调适语言模型M，依步骤S202判断是否进行回朔，若是则调适语言模型M与之前建构的动态语言模型M_d’进行整合，建构新的动态语言模型M_d。举例来说，词汇不存在于之前建构的动态语言模型M_d’时，调适单元210可以直接将调适语言模型M中的词汇出现机率加入之前建构的动态语言模型M_d’，并建构新的动态语言模型M_d。当词汇已存在于之前建构的动态语言模型M_d’时(例如是前述的「was」)，则调适单元220可以利用下式(3)进行线性组合。

Pr_t+1＝αPr_t+βP_A.........................................(3)

其中Pr_t为之前建构的动态语言模型M_d’的指标数值，P_A为欲新增调适语言模型M的指标数值，Pr_t+1为调适后的新的动态语言模型M_d的指标数值，α及β均为介于0到1之间的小数。

在步骤S300～S304中，是通过语句数据选粹模块300及语句数据推荐模块400实施动态语言模型M_d的推荐方法。在步骤S300，判断是否欲进行推荐。若欲进行推荐，则进入步骤S301；若不进入推荐，则结束推荐流程。

在步骤S301中，搜寻数据提供单元310提供关键词K。关键词K例如是一书籍的书名。

在步骤S302中，搜寻单元330依据此关键词K，自数据库320中搜寻数笔推荐语句数据。在此步骤中，例如是将数据库320内中，书名与此关键词K相关的书籍表列出来。而这些书籍的内容则为这些推荐语句数据。

在步骤S303中，比对单元410分析这些推荐语句数据与动态语言模型M_d的数笔岐异度。一推荐语句与动态语言模型M_d的歧异度愈低，表示此笔推荐语句数据与动态语言模型M_d采用高度相似的词汇出现频率及词汇接续组合频率，因此可以判定此书籍与使用者过去的阅读语句的语言风格类似。举例来说，每笔推荐语句数据包括数个词汇与词汇接续组合。通过动态语言模型M_d，可以计算出每笔推荐语句数据的歧异度。歧异度越小者，表示此书籍与动态语言模型M_d的相似度较高。歧异度越大者，表示此书籍与动态语言模型M_d的相似度较低。歧异度数值可以对词汇出现机率及词汇接续机率进行适当地演算，以获得适合的指标数值。例如，可以对词汇出现机率及词汇接续机率进行对数运算、指数运算或除法运算。

在步骤S304中，排序单元420则依据这些岐异度，重新排序这些推荐语句数据，以提供使用者推荐列表L。

上述实施例以书籍的推荐为例作说明。依据使用者的阅读历程建构出动态语言模型M_d后，动态语言模型M_d则可以代表使用者的阅读偏好与熟悉的语言风格。例如使用者可能偏好于文言文的书籍或者浅显易懂的书籍。使用者提供的关键词K为书名时，可以初选出数本相关于此书名的书籍。再通过与动态语言模型M_d的比对后，可以精准地筛选出符合使用者阅读偏好与熟悉语言风格的书籍。

在一实施例中，使用者提供的关键词K可以是一单字或一片语，这些推荐语句数据可以是单字或片语的示范例句或词义解释。使用者提供关键词K，可以初选出相关的示范例句或词义解释。再通过动态语言模型M_d的比对后，可以精准地筛选出符合使用者阅读偏好与熟悉语言风格的示范例句或词义解释。

综上所述，虽然本发明已以实施例揭示如上，然其并非用以限定本发明。本发明所属技术领域的技术人员，在不脱离本发明的精神和范围的前提下，可作各种的更动与润饰。因此，本发明的保护范围是以本发明的权利要求为准。

Claims (17)

1.一种基于动态语言模型的推荐方法，包括：

提供一笔或多笔语句数据，该一笔或多笔语句数据包括多个词汇；

分析这些词汇于该一笔或多笔语句数据的多笔词汇出现机率；

分析这些词汇之间的多笔词汇接续机率；

依据这些词汇出现机率及这些词汇接续机率，建构一笔或多笔语言模型；

整合该一笔或多笔语言模型，建构一动态语言模型；

提供一关键词，依据该关键词，搜寻多笔推荐语句数据；

针对这些推荐语句数据，分析每笔推荐语句数据与该动态语言模型在词汇出现机率与词汇接续机率的差异程度，个别计算出一歧异度，以求得多笔岐异度；以及

依据这些岐异度，排序这些推荐语句数据，以提供一推荐列表。

2.如权利要求1所述的基于动态语言模型的推荐方法，其中该关键词为一书籍的书名，这些推荐语句数据为该书籍的内容。

3.如权利要求1所述的基于动态语言模型的推荐方法，其中该关键词为一单字或一片语，这些推荐语句数据为该单字或该片语的示范例句或词义解释。

4.如权利要求1所述的基于动态语言模型的推荐方法，其中提供该一笔或多笔语句数据的步骤包括：

提供一使用者曾经阅读的一已阅读书籍；以及

依据该已阅读书籍的内容，撷取该一笔或多笔语句数据。

5.如权利要求1所述的基于动态语言模型的推荐方法，其中该一笔或多笔语言模型包括至少一初始语言模型或一笔或多笔调适语言模型。

6.如权利要求5所述的基于动态语言模型的推荐方法，其中提供该一笔或多笔语句数据的步骤包括：

提供一使用者的背景数据；以及

依据该使用者的背景数据，提供该一笔或多笔语句数据，以建构该初始语言模型。

7.如权利要求5所述的基于动态语言模型的推荐方法，其中在建构该动态语言模型的步骤中，还整合该一笔或多笔调适语言模型与之前建构的该动态语言模型，以更新该动态语言模型。

8.一种基于动态语言模型的推荐系统，包括：

一语言模型建构模块，用以依据一笔或多笔语句数据包含的多个词汇，分析出这些词汇于该一笔或多笔语句数据的多笔词汇出现机率及这些词汇之间的多笔词汇接续机率，并依据这些词汇出现机率及这些词汇接续机率，建构一笔或多笔语言模型；

一语言模型调适模块，包括一调适单元，根据该一笔或多笔语言模型，以建构一动态语言模型；

一语句数据选粹模块，用以依据该一个或多个关键词，自一包含一笔或多笔语句数据的数据库中搜寻多笔推荐语句数据；以及

一语句数据推荐模块，用以针对这些推荐语句数据，分析每笔推荐语句数据与该动态语言模型在词汇出现机率与词汇接续机率的差异程度，个别计算出一歧异度，以求得多笔岐异度，并依据这些岐异度，排序这些推荐语句数据，以提供一推荐列表。

9.如权利要求8所述的基于动态语言模型推荐系统，其中该语言模型建构模块，进一步包括：

一语句数据提供单元，用以提供一笔或多笔语句数据，该语句数据包括多个词汇；

一分析单元，用以分析这些词汇于该语句数据的多笔词汇出现机率，并分析这些词汇之间的多笔词汇接续机率；及

一建构单元，依据这些词汇出现机率及这些词汇接续机率，建构该一笔或多笔语言模型。

10.如权利要求8所述的基于动态语言模型推荐系统，其中该语句数据选粹模块，进一步包括：

一搜寻线索提供单元，用以提供一个或多个关键词；

一数据库，包含一笔或多笔语句数据；及

一搜寻单元，依据该一个或多个关键词，自该数据库中搜寻多笔推荐语句数据。

11.如权利要求8所述的基于动态语言模型推荐系统，其中该语句数据推荐模块，进一步包括：

一比对单元，针对这些推荐语句数据，分析每笔推荐语句数据与该动态语言模型在词汇出现机率与词汇接续机率的差异程度，个别计算出一歧异度，以求得多笔岐异度；及

一排序单元，依据这些岐异度，排序这些推荐语句数据，以提供一推荐列表。

12.如权利要求8所述的基于动态语言模型推荐系统，其中该关键词为一书籍的书名，各该推荐语句数据为该书籍的内容。

13.如权利要求8所述的基于动态语言模型推荐系统，其中该关键词为一单字或一片语，各该推荐语句数据为该单字或该片语的示范例句或词义解释。

14.如权利要求9所述的基于动态语言模型推荐系统，其中该语句数据提供单元提供一使用者曾经阅读的一已阅读书籍，并依据该已阅读书籍的内容，撷取该语句数据。

15.如权利要求8所述的基于动态语言模型推荐系统，其中该一笔或多笔语言模型包括至少一初始语言模型或一笔或多笔调适语言模型。

16.如权利要求9所述的基于动态语言模型推荐系统，其中该语句数据提供单元提供一使用者的背景数据，并依据该使用者的背景数据，提供该语句数据，建构该初始语言模型。

17.如权利要求8所述的基于动态语言模型推荐系统，其中该调适单元更整合该一笔或多笔调适语言模型与之前建构的该动态语言模型，以更新该动态语言模型。

Images