描述用戶使用傾向)，從而生產(chǎn)出一批新的推薦策略，達到優(yōu)化目的。
[0087]在其他進一步的實施方案中，還包括根據(jù)用戶的選擇確定推薦策略，更新所述第二數(shù)字資源的動機向量，重新計算用戶動機向量，根據(jù)每件數(shù)字資源的動機向量和所述用戶動機向量推薦數(shù)字資源。此過程中，根據(jù)用戶的選擇進一步更新對未標定的數(shù)字資源進行標簽推薦和計算動機向量，如果當用戶下載某個資源時，視為“確認”操作，表示用戶視該資源為當前動機下的典型資源，并通過計算當前動機向量Q1和點擊次數(shù)N1得到該資源的備選動機向量01:
[0088]01 = Q1/N1
[0089]當多個用戶下載同一資源時，該資源就會存儲多個備選動機向量[Q1，Q2，...，Qn]；
[0090]然后，將有備選動機向量的資源作為新的推薦策略，其標簽A為備選標簽累加后的均值，即:
[0091]A = (01+02+...+0n)/n
[0092]然后從步驟S3重新執(zhí)行。
[0093]實施例2
[0094]本實施例提供一種基于用戶使用動機的資源推薦方法，流程如圖2所示，過程如下:
[0095]S11、設置若干個動機標簽組，每個標簽組內(nèi)包含若干個動機標簽，例如:動機標簽組“出國留學”包含動機標簽[考試，托福，雅思，GMAT, GRE, SAT]。動機標簽組構成一個向量空間，由動機標簽及其權重構成的向量稱為“動機向量”，用于表示動機傾向，例如:
[0096][0.5 考試，0.5 托福，0.5 雅思，0.5GMAT, 0.5GRE, 0.5SAT]
[0097]S12、為一部分典型資源標注動機標簽，并把同一個動機標簽組下的已標注的資源作為“推薦策略”；
[0098]S13、通過計算推薦策略和未標注資源的文本相似度為未標注資源推薦動機標簽，具體步驟如下:
[0099]用向量空間模型(VSM)計算出推薦策略和未標注資源的文本相似度，把文本相似度和推薦策略的動機向量的乘積作為推薦標簽，推薦給待標注資源，例如:
[0100]在動機標簽組11([衍，丨2^3，…，tn])時，使用推薦策略A1 ([tl，t2，t3])和B1 (待標注資源)，通過VSM計算出相似度為0.5，則為B1推薦標簽R1 [0.5tl, 0.5t2, 0.5t3]。
[0101]若相似度小于0.1，則視為無效，丟棄結果。
[0102]同一動機標簽組下的不同推薦策略的推薦結果累加后取均值，公式為:
[0103]R = (R1+R2+...+Rn)/η
[0104]例如:
[0105]若同樣在Τ1中，除了 Α1還匹配了 Α2。Α2 ([t2，t4，t5])和Β1的相似度為0.4，則為B1推薦標簽R2 [0.4t2, 0.4t4, 0.4t5]。則B1的最終推薦結果等于:R = (R1+R2) /2
[0106]結果為[0.25tl, 0.45t2, 0.25t3, 0.2t4, 0.2t5]。
[0107]而不同動機標簽組的計算結果相互隔離，若使用不同動機標簽組推薦標簽時，不同推薦策略中即使有同名標簽也不合并。
[0108]S14、取推薦策略的動機向量的均值作為該動機標簽組的動機向量P，計算公式:
[0109]P = (P1+P2+…+Ρη)/η
[0110]動機標簽組在系統(tǒng)中表示為“動機類型”；
[0111]S15、用戶使用系統(tǒng)時，首先會選擇動機類型，在使用過程中系統(tǒng)會不斷的收集用戶的使用軌跡中的動機向量，并據(jù)此推薦資源，具體步驟如下:
[0112]用戶進入系統(tǒng)時，系統(tǒng)會要求用戶選擇動機類型Τ。
[0113]使用過程中，系統(tǒng)會收集用戶使用軌跡中的動機向量，形成用戶動機向量Q和訪問資源次數(shù)N;
[0114]用戶動機向量Q的初始值等于所選動機類型T的動機向量P，即Q = P，而N的初始值為0，即N = 0，且每一次檢索操作都會重置這兩個值；
[0115]當用戶點擊一篇資源，該資源的動機向量R1就會加入到用戶動機向量Q中，同時N 自增 1，即 Q = Q+Rl，N = N+1 ；
[0116]系統(tǒng)通過計算用戶動機向量Q和所有資源的動機向量R的余弦值L，按L遞減排序，推薦資源。
[0117]S16、分析用戶行為，用戶的特定操作將被視為對推薦結果的“確認”，系統(tǒng)根據(jù)確認操作生成新的推薦策略，從而優(yōu)化下一次的標簽推薦的結果，具體步驟如下:
[0118]當用戶下載某個資源時，視為“確認”操作，表示用戶視該資源為當前動機下的典型資源，并通過計算當前動機向量Q1和點擊次數(shù)N1得到該資源的備選動機向量01:
[0119]01 = Q1/N1
[0120]當多個用戶下載同一資源時，該資源就會存儲多個備選動機向量[Q1，Q2，...，Qn]；
[0121]將有備選動機向量的資源作為新的推薦策略，其標簽A為備選標簽累加后的均值，即:
[0122]A = (01+02+...+0n)/n
[0123]之后，從步驟(3)重新開始。
[0124]通過備選的推薦策略，為未標注的數(shù)字資源重新進行動機標簽和動機向量的標定，使其根據(jù)用戶的選擇進行了更新。
[0125]本實施例中的基于用戶使用動機的資源推薦方法，包括:設置若干個動機標簽組，每個標簽組內(nèi)包含若干個動機標簽，動機標簽組構成一個向量空間，由動機標簽及其權重構成的向量稱為“動機向量”，用于表示動機傾向；為一部分典型資源標注動機標簽，并把同一個動機標簽組下的已標注的資源作為“推薦策略”;通過計算推薦策略和未標注資源的文本相似度為未標注資源推薦動機標簽；取推薦策略的動機向量的均值作為該動機標簽組的動機向量，動機標簽組在系統(tǒng)中表示為“動機類型”；用戶使用系統(tǒng)時，首先會選擇動機類型，在使用過程中系統(tǒng)會不斷的收集用戶的使用軌跡中的動機向量，并據(jù)此推薦資源；用戶的特定操作將被視為對推薦結果的“確認”；系統(tǒng)根據(jù)確認操作生成新的推薦策略，從而優(yōu)化下一次的標簽推薦的結果。本發(fā)明通過將用戶的使用動機標簽化，能夠為未經(jīng)標注的資源推薦動機標簽，并且通過用戶行為分析不斷的優(yōu)化推薦策略，使其對資源的動向描述更加準確，從而達到優(yōu)化資源推薦的目的。
[0126]實施例3
[0127]本實施例提供一種數(shù)字資源推薦裝置，結構框圖如圖3所示，包括:
[0128]動機標簽設置單元01，設置一個或多個動機標簽；
[0129]預標注單元02，為第一數(shù)字資源標注所述動機標簽，獲得每篇數(shù)字資源的動機向量;
[0130]標注單元03，根據(jù)所述第一數(shù)字資源及其動機向量為第二數(shù)字資源推薦動機標簽，確定所述第二數(shù)字資源的動機向量；
[0131]用戶動機向量計算單元04，根據(jù)用戶瀏覽的數(shù)字資源的動機向量確定用戶動機向量，所述部分或全部數(shù)字資源屬于所述第一數(shù)字資源或第二數(shù)字資源；
[0132]推薦單元05，根據(jù)每件數(shù)字資源的動機向量和所述用戶動機向量推薦數(shù)字資源。
[0133]其中，標注單元包括:
[0134]策略選擇單元，從所述第一數(shù)字資源的動機標簽中選擇一個或多個動機標簽作為推薦策略；
[0135]相似度計算單元，計算該推薦策略和所述第二數(shù)字資源的文本相似度；
[0136]標注子單元，將所述推薦策略和多數(shù)文本相似度的乘積作為該推薦策略對應的動機向量。