一種產(chǎn)品信息過(guò)濾推薦方法和裝置制造方法
【專(zhuān)利摘要】本發(fā)明提出了一種產(chǎn)品信息過(guò)濾推薦方法和裝置，該方法包括步驟：預(yù)先獲取用戶(hù)對(duì)產(chǎn)品的多種評(píng)價(jià)數(shù)據(jù)；根據(jù)評(píng)價(jià)數(shù)據(jù)，訓(xùn)練推薦模型；輸入用戶(hù)的多種評(píng)價(jià)數(shù)據(jù)，應(yīng)用訓(xùn)練后的推薦模型計(jì)算用戶(hù)對(duì)產(chǎn)品的評(píng)分預(yù)測(cè)值，將評(píng)分預(yù)測(cè)值滿(mǎn)足預(yù)設(shè)要求的產(chǎn)品添加到推薦列表。本發(fā)明還提供一種產(chǎn)品信息過(guò)濾推薦裝置，包括數(shù)據(jù)庫(kù)、模型訓(xùn)練模塊和模型應(yīng)用模塊；數(shù)據(jù)庫(kù)，用于預(yù)先獲取用戶(hù)對(duì)產(chǎn)品的多種評(píng)價(jià)數(shù)據(jù)；模型訓(xùn)練模塊，用于根據(jù)評(píng)價(jià)數(shù)據(jù)，訓(xùn)練推薦模型；模型應(yīng)用模塊，用于輸入當(dāng)前用戶(hù)的多種評(píng)價(jià)數(shù)據(jù)，應(yīng)用訓(xùn)練后的推薦模型計(jì)算用戶(hù)對(duì)產(chǎn)品的評(píng)分預(yù)測(cè)值，將評(píng)分預(yù)測(cè)值滿(mǎn)足預(yù)設(shè)要求的產(chǎn)品添加到推薦列表。該方法和裝置，能夠提高產(chǎn)品信息過(guò)濾推薦的準(zhǔn)確度。
【專(zhuān)利說(shuō)明】一種產(chǎn)品信息過(guò)濾推薦方法和裝置

【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及網(wǎng)絡(luò)信息【技術(shù)領(lǐng)域】，尤其是涉及一種產(chǎn)品信息過(guò)濾推薦方法和裝置。

【背景技術(shù)】
[0002] 隨著互聯(lián)網(wǎng)技術(shù)的不斷發(fā)展，越來(lái)越多的產(chǎn)品信息通過(guò)網(wǎng)絡(luò)這一媒體進(jìn)行傳播， 大量產(chǎn)品信息存在于網(wǎng)絡(luò)當(dāng)中。當(dāng)用戶(hù)面臨大量的物品，難以找到或選擇適合自己的物品 時(shí)，推薦技術(shù)根據(jù)大量的歷史數(shù)據(jù)和當(dāng)前實(shí)時(shí)數(shù)據(jù)分析計(jì)算用戶(hù)偏好，預(yù)測(cè)用戶(hù)對(duì)物品的 喜好程度，從而幫助用戶(hù)找到適合的物品。例如，圖書(shū)推薦系統(tǒng)可以幫助用戶(hù)選擇合適的書(shū) 來(lái)閱讀，而在線電影租賃網(wǎng)站可以推薦合適的電影提高用戶(hù)滿(mǎn)意度。推薦模型的數(shù)據(jù)來(lái)源 是用戶(hù)和物品的相關(guān)屬性和用戶(hù)對(duì)物品的行為數(shù)據(jù)，比如用戶(hù)的人口統(tǒng)計(jì)學(xué)屬性、用戶(hù)的 答題數(shù)據(jù)、用戶(hù)對(duì)物品的評(píng)分、用戶(hù)對(duì)物品的收藏、用戶(hù)對(duì)物品的轉(zhuǎn)發(fā)、用戶(hù)購(gòu)買(mǎi)記錄等數(shù) 據(jù)。
[0003] 其中，現(xiàn)有技術(shù)中，一種應(yīng)用較為廣泛的推薦技術(shù)，是協(xié)同過(guò)濾推薦。協(xié)同過(guò)濾推 薦，也就是給定某用戶(hù)，將和該用戶(hù)具有相似偏好的用戶(hù)群喜好的物品推薦給他。兩個(gè)用戶(hù) 之間的偏好相似度是基于他們對(duì)物品的評(píng)分記錄。協(xié)同過(guò)濾推薦的算法中的一種是基于模 型的算法。而基于模型的算法是假設(shè)數(shù)據(jù)符合某種特定的模型，然后用歷史數(shù)據(jù)對(duì)模型進(jìn) 行訓(xùn)練，訓(xùn)練結(jié)果再用于推薦?；谀Ｐ偷耐扑]算法中最著名的"矩陣因子化"算法。該算 法將用戶(hù)對(duì)物品的評(píng)分?jǐn)?shù)據(jù)投射到一個(gè)共同的有限維實(shí)數(shù)空間，在該空間中將每個(gè)用戶(hù)和 每個(gè)物品分別對(duì)應(yīng)到一個(gè)向量?；谶@些向量，可以計(jì)算用戶(hù)的推薦。
[0004] 傳統(tǒng)的協(xié)同過(guò)濾算法，只考慮用戶(hù)對(duì)物品的評(píng)分?jǐn)?shù)據(jù)，由于評(píng)分?jǐn)?shù)據(jù)僅能從一個(gè) 角度反應(yīng)用戶(hù)的意向，但是不能夠全面反應(yīng)，較為片面，因此，通過(guò)傳統(tǒng)的協(xié)同過(guò)濾算法推 薦的產(chǎn)品信息往往具有較大的局限性。


【發(fā)明內(nèi)容】

[0005] 本發(fā)明提出了一種產(chǎn)品信息過(guò)濾推薦方法和裝置，以解決上述問(wèn)題。
[0006] 為了達(dá)到上述目的，本發(fā)明的技術(shù)方案是這樣實(shí)現(xiàn)的：
[0007] 本發(fā)明提供一種產(chǎn)品信息過(guò)濾推薦方法，包括步驟：
[0008] 步驟A，預(yù)先獲取用戶(hù)對(duì)產(chǎn)品的多種評(píng)價(jià)數(shù)據(jù)；
[0009] 步驟B，根據(jù)多種所述評(píng)價(jià)數(shù)據(jù)，訓(xùn)練推薦模型；
[0010] 步驟C，輸入當(dāng)前用戶(hù)的多種評(píng)價(jià)數(shù)據(jù)，應(yīng)用訓(xùn)練后的推薦模型計(jì)算用戶(hù)對(duì)產(chǎn)品的 評(píng)分預(yù)測(cè)值，將評(píng)分預(yù)測(cè)值滿(mǎn)足預(yù)設(shè)要求的產(chǎn)品添加到推薦列表。
[0011] 其中，所述評(píng)價(jià)數(shù)據(jù)，包括評(píng)分?jǐn)?shù)據(jù)、收藏?cái)?shù)據(jù)、轉(zhuǎn)發(fā)數(shù)據(jù)和反饋數(shù)據(jù)；
[0012] 所述評(píng)分?jǐn)?shù)據(jù)包括用戶(hù)代號(hào)、項(xiàng)代號(hào)、評(píng)分值、評(píng)分時(shí)間；
[0013] 所述收藏?cái)?shù)據(jù)包括用戶(hù)代號(hào)、項(xiàng)代號(hào)、收藏時(shí)間；
[0014] 所述轉(zhuǎn)發(fā)數(shù)據(jù)包括用戶(hù)代號(hào)、項(xiàng)代號(hào)、轉(zhuǎn)發(fā)時(shí)間；
[0015] 所述反饋數(shù)據(jù)包括用戶(hù)代號(hào)、題號(hào)、用戶(hù)選擇的答案項(xiàng)代號(hào)、答題時(shí)間。
[0016] 其中，所述步驟B包括步驟：
[0017] 步驟B1，進(jìn)行推薦模型設(shè)定，設(shè)定的推薦模型如下：
[0018]

【權(quán)利要求】
1. 一種產(chǎn)品信息過(guò)濾推薦方法，其特征在于，包括步驟： 步驟A，預(yù)先獲取用戶(hù)對(duì)產(chǎn)品的多種評(píng)價(jià)數(shù)據(jù)； 步驟B，根據(jù)多種所述評(píng)價(jià)數(shù)據(jù)，訓(xùn)練推薦模型； 步驟C，輸入當(dāng)前用戶(hù)的多種評(píng)價(jià)數(shù)據(jù)，應(yīng)用訓(xùn)練后的推薦模型計(jì)算用戶(hù)對(duì)產(chǎn)品的評(píng)分 預(yù)測(cè)值，將評(píng)分預(yù)測(cè)值滿(mǎn)足預(yù)設(shè)要求的產(chǎn)品添加到推薦列表。
2. 根據(jù)權(quán)利要求1所述的產(chǎn)品信息過(guò)濾推薦方法，其特征在于，所述評(píng)價(jià)數(shù)據(jù)，包括評(píng) 分?jǐn)?shù)據(jù)、收藏?cái)?shù)據(jù)、轉(zhuǎn)發(fā)數(shù)據(jù)和反饋數(shù)據(jù)； 所述評(píng)分?jǐn)?shù)據(jù)包括用戶(hù)代號(hào)、項(xiàng)代號(hào)、評(píng)分值、評(píng)分時(shí)間； 所述收藏?cái)?shù)據(jù)包括用戶(hù)代號(hào)、項(xiàng)代號(hào)、收藏時(shí)間； 所述轉(zhuǎn)發(fā)數(shù)據(jù)包括用戶(hù)代號(hào)、項(xiàng)代號(hào)、轉(zhuǎn)發(fā)時(shí)間； 所述反饋數(shù)據(jù)包括用戶(hù)代號(hào)、題號(hào)、用戶(hù)選擇的答案項(xiàng)代號(hào)、答題時(shí)間。
3. 根據(jù)權(quán)利要求2所述的產(chǎn)品信息過(guò)濾推薦方法，其特征在于，所述步驟B包括步驟： 步驟B1，進(jìn)行推薦模型設(shè)定，設(shè)定的推薦模型如下：
其中，U為當(dāng)前用戶(hù)，i為當(dāng)前項(xiàng)，在為用戶(hù)U對(duì)項(xiàng)i的預(yù)測(cè)評(píng)分，早為全部評(píng)分的平均 值，bu為用戶(hù)U的基準(zhǔn)評(píng)分偏移，bi為項(xiàng)i的基準(zhǔn)評(píng)分偏移，q，X，yW，y?，S均為項(xiàng)i的因 子向量，R(u)為用戶(hù)u已經(jīng)評(píng)分的項(xiàng)集合，rw為用戶(hù)u對(duì)項(xiàng)i的實(shí)際評(píng)分，弓為預(yù)計(jì)算的項(xiàng) i的基準(zhǔn)評(píng)分偏移，為預(yù)計(jì)算的用戶(hù)U的基準(zhǔn)評(píng)分偏移，5^,.為預(yù)計(jì)算的基準(zhǔn)評(píng)分預(yù)測(cè)，nW (u)、N?(u)為隱性評(píng)分，（1)代表收藏，（2)代表轉(zhuǎn)發(fā)，A(u)為用戶(hù)反饋問(wèn)題數(shù)據(jù)的代號(hào)集 合； 步驟B2,根據(jù)多種所述評(píng)價(jià)數(shù)據(jù)，計(jì)算出所述推薦模型中的未知參數(shù)。
4. 根據(jù)權(quán)利要求3所述的產(chǎn)品信息過(guò)濾推薦方法，其特征在于，所述B2包括步驟： 輸入歷史評(píng)分?jǐn)?shù)據(jù)集合s^。,一巧因子的秩f(wàn) ; 對(duì)每個(gè)項(xiàng)i，計(jì)算Qi，Xi ; 設(shè)定循環(huán)次數(shù)為 20,參數(shù)? << 0. 002, 1 << 0. 04, I2 << 25, I3 << 10 ;
計(jì)算總平均：
預(yù)計(jì)算基準(zhǔn)評(píng)分預(yù)測(cè)：
初始化模型參數(shù)； 計(jì)算和項(xiàng)i無(wú)關(guān)的部分：
若i R(u)，則是,11車(chē)卸々/ A，e山I在立' 為Xi梯度步累加信息，/皿Cw g; 對(duì)如bu，bi進(jìn)行梯度步：
若j R(u)則對(duì)Xj.進(jìn)行梯度步：
若j nW (U)則對(duì)收藏?cái)?shù)據(jù)yW進(jìn)行梯度步：
若j N? (U)則對(duì)轉(zhuǎn)發(fā)數(shù)據(jù)y?進(jìn)行梯度步：
若j A(u)則對(duì)答題數(shù)據(jù)S進(jìn)行梯度步：




返回參數(shù)"F點(diǎn)是，與，卸，X，/>，y2)，--，公的值。
5. 根據(jù)權(quán)利要求1所述的產(chǎn)品信息過(guò)濾推薦方法，其特征在于，所述步驟B中訓(xùn)練推薦 模型為按照預(yù)設(shè)頻率在預(yù)設(shè)時(shí)間段進(jìn)行訓(xùn)練。
6. 根據(jù)權(quán)利要求4所述的產(chǎn)品信息過(guò)濾推薦方法，其特征在于，所述步驟C包括步驟： 實(shí)時(shí)計(jì)算用戶(hù)U對(duì)項(xiàng)i的評(píng)分預(yù)測(cè)值心?，輸入用戶(hù)U，項(xiàng)i，根據(jù) 聲….《^ b" bi Qi Pu 輸出u對(duì)項(xiàng)i的評(píng)分預(yù)測(cè)值元 計(jì)算項(xiàng)之間的相似性，輸入項(xiàng)il和項(xiàng)i2,根據(jù)
輸出項(xiàng)il和項(xiàng)i2的相似性； 計(jì)算用戶(hù)i和用戶(hù)j之間的相似性，輸入用戶(hù)Ui和用戶(hù)U2,根據(jù)
輸出用戶(hù)Ui和用戶(hù)U2的相似性。
7. 根據(jù)權(quán)利要求6所述的產(chǎn)品信息過(guò)濾推薦方法，其特征在于，所述步驟C還包括步 驟： 給定用戶(hù)，計(jì)算該用戶(hù)和所有其他用戶(hù)的相似性，選出相似性為正數(shù)，且排名最靠前的 前第一預(yù)設(shè)數(shù)值個(gè)添加到相似的用戶(hù)列表； 給定項(xiàng)，計(jì)算該項(xiàng)和所有其他項(xiàng)的相似性，選出相似性為正數(shù)，且排名最靠前的前第二 預(yù)設(shè)數(shù)值個(gè)添加到相似的項(xiàng)列表； 給定用戶(hù)U，計(jì)算該用戶(hù)對(duì)所有項(xiàng)的評(píng)分預(yù)測(cè)，選出評(píng)分大于早bu的前第H預(yù)設(shè)數(shù)值個(gè) 添加到項(xiàng)推薦列表。
8. 根據(jù)權(quán)利要求7所述的產(chǎn)品信息過(guò)濾推薦方法，其特征在于，所述步驟C之后還包括 步驟： 用戶(hù)U登錄后，當(dāng)監(jiān)測(cè)到該用戶(hù)有評(píng)分、收藏、轉(zhuǎn)發(fā)行為時(shí)，則更新當(dāng)前用戶(hù)的各種評(píng) 價(jià)數(shù)據(jù)，并更新該用戶(hù)的項(xiàng)推薦列表和用戶(hù)推薦列表。
9. 一種產(chǎn)品信息過(guò)濾推薦裝置，其特征在于，包括數(shù)據(jù)庫(kù)、模型訓(xùn)練模塊和模型應(yīng)用模 塊； 所述數(shù)據(jù)庫(kù)，用于預(yù)先獲取用戶(hù)對(duì)產(chǎn)品的多種評(píng)價(jià)數(shù)據(jù)； 所述模型訓(xùn)練模塊，用于根據(jù)多種所述評(píng)價(jià)數(shù)據(jù)，訓(xùn)練推薦模型； 所述模型應(yīng)用模塊，用于輸入當(dāng)前用戶(hù)的多種評(píng)價(jià)數(shù)據(jù)，應(yīng)用訓(xùn)練后的推薦模型計(jì)算 用戶(hù)對(duì)產(chǎn)品的評(píng)分預(yù)測(cè)值，將評(píng)分預(yù)測(cè)值滿(mǎn)足預(yù)設(shè)要求的產(chǎn)品添加到推薦列表。
10. 根據(jù)權(quán)利要求8所述的產(chǎn)品信息過(guò)濾推薦裝置，其特征在于，所述子模型訓(xùn)練模 塊，用于： 進(jìn)行推薦模型設(shè)定，設(shè)定的推薦模型如下：

其中，U為當(dāng)前用戶(hù)，i為當(dāng)前項(xiàng)，；；,為用戶(hù)u對(duì)項(xiàng)i的預(yù)測(cè)評(píng)分，為全部評(píng)分的平均 值，bu為用戶(hù)U的基準(zhǔn)評(píng)分偏移，bi為項(xiàng)i的基準(zhǔn)評(píng)分偏移，q，X，yW，y?，S均為項(xiàng)i的因 子向量，R(u)為用戶(hù)u已經(jīng)評(píng)分的項(xiàng)集合，rw為用戶(hù)u對(duì)項(xiàng)i的實(shí)際評(píng)分，&為預(yù)計(jì)算的項(xiàng) i的基準(zhǔn)評(píng)分偏移，4為預(yù)計(jì)算的用戶(hù)U的基準(zhǔn)評(píng)分偏移，gw為預(yù)計(jì)算的基準(zhǔn)評(píng)分預(yù)測(cè)，N<" (u)、N?(u)為隱性評(píng)分，（1)代表收藏，（2)代表轉(zhuǎn)發(fā)，A(u)為用戶(hù)反饋問(wèn)題數(shù)據(jù)的代號(hào)集 合； 根據(jù)多種所述評(píng)價(jià)數(shù)據(jù)，計(jì)算出所述推薦模型中的未知參數(shù)。
【文檔編號(hào)】G06F17/30GK104424247SQ201310380269
【公開(kāi)日】2015年3月18日 申請(qǐng)日期:2013年8月28日 優(yōu)先權(quán)日:2013年8月28日
【發(fā)明者】康友三 申請(qǐng)人:北京鬧米科技有限公司