本發(fā)明涉及數(shù)據(jù)挖掘及推薦領(lǐng)域，特別是涉及一種基于二分圖的服務(wù)推薦方法及裝置。

背景技術(shù)：

互聯(lián)網(wǎng)的出現(xiàn)和普及，使得互聯(lián)網(wǎng)中的信息大幅度增長，這也給使用者在獲得真正有用的信息時帶來了很大的難度，造成了信息超載的現(xiàn)象。為了解決信息超載問題，現(xiàn)有技術(shù)提出了服務(wù)推薦方法，其基本處理思想為：采集若干用戶所感興趣的服務(wù)，根據(jù)用戶感興趣的服務(wù)，向該若干用戶推薦服務(wù)集合中的服務(wù)，其中，該服務(wù)集合為所采集的服務(wù)構(gòu)成的集合。其中，用戶感興趣的服務(wù)，可以是用戶購買過的、瀏覽過的、收藏過的服務(wù)等，并且所謂的服務(wù)可以為信息、產(chǎn)品等。

現(xiàn)有服務(wù)推薦方法的實現(xiàn)方式有很多，其中一種是基于LDA(Latent Dirichlet Allocation，文檔主題生成模型)進(jìn)行實現(xiàn)的，LDA是基于用戶-服務(wù)的二分圖推薦技術(shù)。用戶-服務(wù)的二分圖是指以目標(biāo)用戶和服務(wù)分別作為頂點，在目標(biāo)用戶對服務(wù)感興趣的情況下，該目標(biāo)用戶頂點和服務(wù)頂點之間存在連線，否則不存在連線，目標(biāo)用戶與目標(biāo)用戶之間、服務(wù)與服務(wù)之間也不存在頂點之間的連線。LDA推薦技術(shù)計算復(fù)雜多高，具體實施時一般采用MCMC(Markov Chain Monte Carlo，馬爾科夫鏈蒙特卡洛)抽樣算法計算輸入的用戶-服務(wù)二分圖中的待推薦服務(wù)的概率分布，并根據(jù)概率分布對目標(biāo)用戶進(jìn)行服務(wù)推薦。雖然MCMC抽樣算法使得LDA推薦技術(shù)可行，但是其數(shù)學(xué)性質(zhì)復(fù)雜，計算的復(fù)雜度高，限制了基于LDA的推薦技術(shù)的應(yīng)用。另外兩種廣泛應(yīng)用的推薦技術(shù)是協(xié)同過濾(Collaborative filtering technology)推薦技術(shù)和潛在因子模型(Latent factor model)推薦技術(shù)，其復(fù)雜度相對低一些，但是模型輸出的用戶和服務(wù)向量的元素取值是任意值，可解釋性差，難以與其它模型結(jié)合來構(gòu)建更復(fù)雜的實際應(yīng)用。

技術(shù)實現(xiàn)要素：

本發(fā)明實施例的目的在于提供一種基于二分圖的服務(wù)推薦方法及裝置，以降低基于二分圖的服務(wù)推薦計算復(fù)雜度，且模型輸出的用戶興趣向量和服務(wù)主題向量均為概率向量，便于構(gòu)建更多基于概率的實際應(yīng)用。。

具體技術(shù)方案如下：

一種基于二分圖的服務(wù)推薦方法，所述方法包括：

采集目標(biāo)用戶中每一個目標(biāo)用戶感興趣的服務(wù)；

構(gòu)建每一個目標(biāo)用戶的初始的用戶興趣向量和每一個服務(wù)的初始的服務(wù)主題向量，其中，所述用戶興趣向量和所述服務(wù)主題向量均為概率向量；

生成以所述目標(biāo)用戶和所述服務(wù)為頂點的二分圖，其中，所述二分圖中目標(biāo)用戶的頂點與服務(wù)的頂點之間存在連線時表示該目標(biāo)用戶對該服務(wù)感興趣；

根據(jù)所述用戶興趣向量和所述服務(wù)主題向量，構(gòu)建基于所述二分圖的目標(biāo)函數(shù)P；

求解所述目標(biāo)函數(shù)P，以確定每一個用戶興趣向量的元素值和每一個服務(wù)主題向量的元素值；

根據(jù)所述用戶興趣向量和所述服務(wù)主題向量，對所述目標(biāo)用戶進(jìn)行服務(wù)推薦。

可選的，所述目標(biāo)函數(shù)P的具體表達(dá)為：

其中，u_n為第n個目標(biāo)用戶的用戶興趣向量，v_m為第m個服務(wù)的服務(wù)主題向量，σ_n,m的值在所述二分圖上第n個目標(biāo)用戶與第m個服務(wù)存在連線時為1，否則為0，N為所述二分圖上所有目標(biāo)用戶對應(yīng)的用戶興趣向量的數(shù)量，M為所述二分圖上所有服務(wù)對應(yīng)的服務(wù)主題向量的數(shù)量。

可選的，所述求解所述目標(biāo)函數(shù)P，以確定每一個用戶興趣向量的元素值和每一個服務(wù)主題向量的元素值的步驟，包括：

采用既約梯度算法求解所述目標(biāo)函數(shù)P，以確定每一個用戶興趣向量的元素值和每一個服務(wù)主題向量的元素值。

可選的，所述采用既約梯度算法求解所述目標(biāo)函數(shù)P，以確定每一個用戶興趣向量的元素值和每一個服務(wù)主題向量的元素值的步驟，包括：

A.根據(jù)初始的用戶興趣向量，通過既約梯度算法更新所述目標(biāo)函數(shù)P中的當(dāng)前服務(wù)主題向量的元素值；

B.根據(jù)當(dāng)前服務(wù)主題向量，通過既約梯度算法更新所述目標(biāo)函數(shù)P中的當(dāng)前用戶興趣向量的元素值，在更新完成后，判斷當(dāng)前服務(wù)主題向量和當(dāng)前用戶興趣向量是否達(dá)到收斂狀態(tài)，如果否，執(zhí)行C；如果是，執(zhí)行D；

C.根據(jù)當(dāng)前用戶興趣向量，通過既約梯度算法更新所述目標(biāo)函數(shù)P中的當(dāng)前服務(wù)主題向量的元素值，在更新完畢后，判斷當(dāng)前服務(wù)主題向量和當(dāng)前用戶興趣向量是否達(dá)到收斂狀態(tài)，如果否，執(zhí)行B，如果是，執(zhí)行D；

D.將達(dá)到收斂狀態(tài)時的當(dāng)前服務(wù)主題向量的元素值和當(dāng)前用戶興趣向量的元素值，確定為對應(yīng)的每一個用戶興趣向量的元素值和每一個服務(wù)主題向量的元素值。

可選的，所述根據(jù)所述用戶興趣向量和所述服務(wù)主題向量，對所述目標(biāo)用戶進(jìn)行服務(wù)推薦，包括：

根據(jù)所述用戶興趣向量和所述服務(wù)主題向量的向量積，對所述目標(biāo)用戶進(jìn)行服務(wù)推薦。

可選的，所述根據(jù)所述用戶興趣向量和所述服務(wù)主題向量的向量積，對所述目標(biāo)用戶進(jìn)行服務(wù)推薦的步驟，包括：

針對每一個目標(biāo)用戶，執(zhí)行如下步驟：

分別計算該目標(biāo)用戶的用戶興趣向量與每一個服務(wù)主題向量的向量積；

對所述向量積按照從大到小排序，并選取排列在前的預(yù)設(shè)數(shù)量個向量積；

對該目標(biāo)用戶推薦所述預(yù)設(shè)數(shù)量個向量積對應(yīng)的服務(wù)。

可選的，所述根據(jù)所述用戶興趣向量和所述服務(wù)主題向量的向量積，對所述目標(biāo)用戶進(jìn)行服務(wù)推薦的步驟，包括：

針對每一個目標(biāo)用戶，執(zhí)行如下步驟：

分別計算該目標(biāo)用戶的用戶興趣向量與每一個服務(wù)主題向量的向量積；

分別將所述向量積與預(yù)設(shè)閾值進(jìn)行比較，并確定大于所述預(yù)設(shè)閾值的向量積對應(yīng)的服務(wù)；

對該目標(biāo)用戶推薦所確定的服務(wù)。

一種基于二分圖的服務(wù)推薦裝置，所述裝置包括：

采集模塊，用于采集目標(biāo)用戶中每一個目標(biāo)用戶感興趣的服務(wù)；

第一構(gòu)建模塊，用于構(gòu)建每一個目標(biāo)用戶的初始的用戶興趣向量和每一個服務(wù)的初始的服務(wù)主題向量，其中，所述用戶興趣向量和所述服務(wù)主題向量均為概率向量；

生成模塊，用于生成以所述目標(biāo)用戶和所述服務(wù)為頂點的二分圖，其中，所述二分圖中目標(biāo)用戶的頂點與服務(wù)的頂點之間存在連線時表示該目標(biāo)用戶對該服務(wù)感興趣；

第二構(gòu)建模塊，用于根據(jù)所述用戶興趣向量和所述服務(wù)主題向量，構(gòu)建基于所述二分圖的目標(biāo)函數(shù)P；

求解模塊，用于求解所述目標(biāo)函數(shù)P，以確定每一個用戶興趣向量的元素值和每一個服務(wù)主題向量的元素值；

推薦模塊，用于根據(jù)所述用戶興趣向量和所述服務(wù)主題向量，對所述目標(biāo)用戶進(jìn)行服務(wù)推薦。

可選的，所述目標(biāo)函數(shù)P的具體表達(dá)為：

其中，u_n為第n個目標(biāo)用戶的用戶興趣向量，v_m為第m個服務(wù)的服務(wù)主題向量，σ_n,m的值在所述二分圖上第n個目標(biāo)用戶與第m個服務(wù)存在連線時為1，否則為0，N為所述二分圖上所有目標(biāo)用戶對應(yīng)的用戶興趣向量的數(shù)量，M為所述二分圖上所有服務(wù)對應(yīng)的服務(wù)主題向量的數(shù)量。

可選的，所述求解模塊包括：

求解單元，用于采用既約梯度算法求解所述目標(biāo)函數(shù)P，以確定每一個用戶興趣向量的元素值和每一個服務(wù)主題向量的元素值。

可選的，所述求解單元，具體用于：

A.根據(jù)初始的用戶興趣向量，通過既約梯度算法更新所述目標(biāo)函數(shù)P中的當(dāng)前服務(wù)主題向量的元素值；

B.根據(jù)當(dāng)前服務(wù)主題向量，通過既約梯度算法更新所述目標(biāo)函數(shù)P中的當(dāng)前用戶興趣向量的元素值，在更新完成后，判斷當(dāng)前服務(wù)主題向量和當(dāng)前用戶興趣向量是否達(dá)到收斂狀態(tài)，如果否，執(zhí)行C；如果是，執(zhí)行D；

C.根據(jù)當(dāng)前用戶興趣向量，通過既約梯度算法更新所述目標(biāo)函數(shù)P中的當(dāng)前服務(wù)主題向量的元素值，在更新完畢后，判斷當(dāng)前服務(wù)主題向量和當(dāng)前用戶興趣向量是否達(dá)到收斂狀態(tài)，如果否，執(zhí)行B，如果是，執(zhí)行D；

D.將達(dá)到收斂狀態(tài)時的當(dāng)前服務(wù)主題向量的元素值和當(dāng)前用戶興趣向量的元素值，確定為對應(yīng)的每一個用戶興趣向量的元素值和每一個服務(wù)主題向量的元素值。

可選的，所述推薦模塊包括：

推薦單元，用于根據(jù)所述用戶興趣向量和所述服務(wù)主題向量的向量積，對所述目標(biāo)用戶進(jìn)行服務(wù)推薦。

可選的，所述推薦單元，具體用于：

針對每一個目標(biāo)用戶，執(zhí)行如下步驟：

分別計算該目標(biāo)用戶的用戶興趣向量與每一個服務(wù)主題向量的向量積；

對所述向量積按照從大到小排序，并選取排列在前的預(yù)設(shè)數(shù)量個向量積；

對該目標(biāo)用戶推薦所述預(yù)設(shè)數(shù)量個向量積對應(yīng)的服務(wù)。

可選的，所述推薦單元，具體用于：

針對每一個目標(biāo)用戶，執(zhí)行如下步驟：

分別計算該目標(biāo)用戶的用戶興趣向量與每一個服務(wù)主題向量的向量積；

分別將所述向量積與預(yù)設(shè)閾值進(jìn)行比較，并確定大于所述預(yù)設(shè)閾值的向量積對應(yīng)的服務(wù)；

對該目標(biāo)用戶推薦所確定的服務(wù)。

本發(fā)明實施例提供的一種基于二分圖的服務(wù)推薦方法及裝置，通過目標(biāo)用戶和服務(wù)生成二分圖，根據(jù)用戶興趣向量和服務(wù)主題向量構(gòu)建基于該二分圖的目標(biāo)函數(shù)P并求解，以此確定每一個用戶興趣向量和服務(wù)主題向量的元素值，進(jìn)而根據(jù)所確定出的用戶興趣向量和服務(wù)主題向量，對目標(biāo)用戶進(jìn)行服務(wù)推薦。本方案中，采用求解目標(biāo)函數(shù)得到用戶興趣向量和服務(wù)主題向量的元素值方式，由于求解目標(biāo)函數(shù)的過程相對于MCMC抽樣算法極為簡單，因此，解決了現(xiàn)有技術(shù)中采用MCMC抽樣算法通過先進(jìn)行采樣再計算待推薦服務(wù)的概率分布的計算復(fù)雜度較高的問題，達(dá)到了降低基于二分圖的服務(wù)推薦計算復(fù)雜度的目的，且模型輸出的用戶興趣向量和服務(wù)主題向量均為概率向量，便于構(gòu)建更多基于概率的實際應(yīng)用。。

附圖說明

為了更清楚地說明本發(fā)明實施例或現(xiàn)有技術(shù)中的技術(shù)方案，下面將對實施例或現(xiàn)有技術(shù)描述中所需要使用的附圖作簡單地介紹，顯而易見地，下面描述中的附圖僅僅是本發(fā)明的一些實施例，對于本領(lǐng)域普通技術(shù)人員來講，在不付出創(chuàng)造性勞動的前提下，還可以根據(jù)這些附圖獲得其他的附圖。

圖1為本發(fā)明實施例所提供的一種基于二分圖的服務(wù)推薦方法的流程示意圖；

圖2為目標(biāo)用戶和服務(wù)的二分圖的示意圖；

圖3為本發(fā)明實施例所提供的一種基于二分圖的服務(wù)推薦裝置的結(jié)構(gòu)示意圖。

具體實施方式

下面將結(jié)合本發(fā)明實施例中的附圖，對本發(fā)明實施例中的技術(shù)方案進(jìn)行清楚、完整地描述，顯然，所描述的實施例僅僅是本發(fā)明一部分實施例，而不是全部的實施例?；诒景l(fā)明中的實施例，本領(lǐng)域普通技術(shù)人員在沒有做出創(chuàng)造性勞動前提下所獲得的所有其他實施例，都屬于本發(fā)明保護(hù)的范圍。

為解決現(xiàn)有技術(shù)問題，本發(fā)明實施例提供了一種基于二分圖的服務(wù)推薦方法及裝置，以下分別進(jìn)行詳細(xì)說明。

需要說明的是，本發(fā)明實施例所提供的一種基于二分圖的服務(wù)推薦方法的執(zhí)行主體可以為一種基于二分圖的服務(wù)推薦裝置。在實際應(yīng)用中，該基于二分圖的服務(wù)推薦裝置可以為運(yùn)行于電子設(shè)備中的程序軟件，該電子設(shè)備可以為終端或服務(wù)器，這都是合理的。

參見圖1，圖1為一種基于二分圖的服務(wù)推薦方法的流程示意圖，所述方法包括步驟：

S101，采集目標(biāo)用戶中每一個目標(biāo)用戶感興趣的服務(wù)。

需要說明的是，用戶感興趣的服務(wù)，可以是用戶購買過的、瀏覽過的、收藏過的服務(wù)等，并且所謂的服務(wù)可以為信息、產(chǎn)品等。

本領(lǐng)域技術(shù)人員可以理解的是，在確定目標(biāo)用戶以后，可以根據(jù)歷史行為數(shù)據(jù)，采集到目標(biāo)用戶感興趣的服務(wù)。具體的，當(dāng)服務(wù)為網(wǎng)上商品時，可以通過在購物網(wǎng)站中挖掘用戶的行為，獲得目標(biāo)用戶感興趣的服務(wù)，如通過挖掘購買記錄、瀏覽記錄和個人收藏記錄等方式獲得目標(biāo)用戶感興趣的服務(wù)。類似地，當(dāng)服務(wù)為網(wǎng)絡(luò)視頻時，可以通過在視頻網(wǎng)站中挖掘用戶的觀看行為，獲得目標(biāo)用戶感興趣的服務(wù)，如通過挖掘用戶的歷史觀看記錄，獲得目標(biāo)用戶感興趣的網(wǎng)絡(luò)視頻。

示例性的，目標(biāo)用戶為A和B，采集到目標(biāo)用戶A感興趣的服務(wù)為a和b；采集到目標(biāo)用戶B感興趣的服務(wù)為a、b、c。

需要強(qiáng)調(diào)的是，采集目標(biāo)用戶中每一個目標(biāo)用戶感興趣的服務(wù)的具體實現(xiàn)方式可以采用現(xiàn)有技術(shù)任一種方式，在此不做限定。

S102，構(gòu)建每一個目標(biāo)用戶的初始的用戶興趣向量和每一個服務(wù)的初始的服務(wù)主題向量，其中，所述用戶興趣向量和所述服務(wù)主題向量均為概率向量。

針對每一個目標(biāo)用戶構(gòu)建對應(yīng)的用戶興趣向量、每一個服務(wù)構(gòu)建對應(yīng)的服務(wù)主題向量，用戶興趣向量和服務(wù)主題向量的維度數(shù)可以相同也可以不相同，具體的維度數(shù)不做限定，可以是二維、三維、五維、八維、十維等。

本領(lǐng)域技術(shù)人員可以理解的是，可以根據(jù)設(shè)定的用戶興趣向量和服務(wù)主題向量的每個元素的初始元素值，獲得每一個初始的用戶興趣向量和初始的服務(wù)主題向量，且用戶興趣向量和服務(wù)主題向量均為概率向量。初始的元素值可以任意設(shè)定，只要滿足概率向量的條件即可?？梢岳斫獾氖牵怕氏蛄恐械母鱾€元素為非負(fù)數(shù)，而且向量中元素的總和等于1。示例性的，目標(biāo)用戶A的初始的用戶興趣向量為u₁＝(0.1,0.9)，目標(biāo)用戶B的初始的用戶興趣向量為u₂＝(0.24,0.76)；服務(wù)a的初始的服務(wù)主題向量為v₁＝(0.05，0.95)，服務(wù)b的初始的服務(wù)主題向量為v₂＝(0.55,0.45)，服務(wù)c的初始的服務(wù)主題向量為v₃＝(0.65,0.35)。

S103，生成以所述目標(biāo)用戶和所述服務(wù)為頂點的二分圖，其中，所述二分圖中目標(biāo)用戶的頂點與服務(wù)的頂點之間存在連線時表示該目標(biāo)用戶對該服務(wù)感興趣。

根據(jù)S101中收集到的目標(biāo)用戶和服務(wù)，分別以目標(biāo)用戶和服務(wù)為頂點生成二分圖，如圖2所示，圖2為目標(biāo)用戶和服務(wù)的二分圖的示意圖?？梢岳斫獾氖?，只有目標(biāo)用戶的頂點和服務(wù)的頂點才能存在連線關(guān)系，而目標(biāo)用戶和目標(biāo)用戶之間、服務(wù)和服務(wù)之間是不存在頂點的連線關(guān)系的。

其中，二分圖的生成方式可以采用現(xiàn)有技術(shù)的生成方式，本發(fā)明實施例不做限定。

S104，根據(jù)所述用戶興趣向量和所述服務(wù)主題向量，構(gòu)建基于所述二分圖的目標(biāo)函數(shù)P。

本領(lǐng)域技術(shù)人員可以理解的是，一個用戶興趣向量和一個服務(wù)主題向量的乘積表示該目標(biāo)用戶對該服務(wù)感興趣的概率，將所有的目標(biāo)用戶對所有服務(wù)感興趣的概率相乘，得到的乘積越大表示整個二分圖上的所有目標(biāo)用戶對所有服務(wù)的感興趣的概率越大。具體的，將整個二分圖上的所有目標(biāo)用戶對所有服務(wù)的感興趣的概率用目標(biāo)函數(shù)P表達(dá)為：

其中，u_n為第n個目標(biāo)用戶的用戶興趣向量，v_m為第m個服務(wù)的服務(wù)主題向量，σ_n，m的值在二分圖上第n個目標(biāo)用戶與第m個服務(wù)存在連線時為1，否則為0，N為二分圖上所有目標(biāo)用戶對應(yīng)的用戶興趣向量的數(shù)量，M為二分圖上所有服務(wù)對應(yīng)的服務(wù)主題向量的數(shù)量。

S105，求解所述目標(biāo)函數(shù)P，以確定每一個用戶興趣向量的元素值和每一個服務(wù)主題向量的元素值。

具體的，可以采用既約梯度算法求解目標(biāo)函數(shù)P，以確定每一個用戶興趣向量的元素值和每一個服務(wù)主題向量的元素值。既約梯度算法，是一種將現(xiàn)行規(guī)劃的單純形法推廣到具有非線性目標(biāo)函數(shù)的求解問題，它是提出了產(chǎn)生可行下降的方法。該算法的基本步驟是：選取初始的數(shù)據(jù)，進(jìn)行求解既約梯度函數(shù)，然后以求解出來的數(shù)值作為已知條件代入函數(shù)再求解，直至滿足終止的條件，在本發(fā)明實施例中終止的條件是所有用戶興趣向量和所有服務(wù)主題向量達(dá)到收斂狀態(tài)。

具體步驟可以是：A.根據(jù)初始的用戶興趣向量，通過既約梯度算法更新目標(biāo)函數(shù)P中的當(dāng)前服務(wù)主題向量的元素值；

B.根據(jù)當(dāng)前服務(wù)主題向量，通過既約梯度算法更新目標(biāo)函數(shù)P中的當(dāng)前用戶興趣向量的元素值，在更新完成后，判斷當(dāng)前服務(wù)主題向量和當(dāng)前用戶興趣向量是否達(dá)到收斂狀態(tài)，如果否，執(zhí)行C；如果是，執(zhí)行D；

C.根據(jù)當(dāng)前用戶興趣向量，通過既約梯度算法更新目標(biāo)函數(shù)P中的當(dāng)前服務(wù)主題向量的元素值，在更新完畢后，判斷當(dāng)前服務(wù)主題向量和當(dāng)前用戶興趣向量是否達(dá)到收斂狀態(tài)，如果否，執(zhí)行B，如果是，執(zhí)行D；

D.將達(dá)到收斂狀態(tài)時的當(dāng)前服務(wù)主題向量的元素值和當(dāng)前用戶興趣向量的元素值，確定為對應(yīng)的每一個用戶興趣向量的元素值和每一個服務(wù)主題向量的元素值。

實際應(yīng)用中，也可以首先根據(jù)初始的服務(wù)主題向量，通過既約梯度算法更新目標(biāo)函數(shù)P中的當(dāng)前用戶興趣向量的元素值，本發(fā)明實施例在此不對更新的順序做限定。

本發(fā)明實施例中，對于目標(biāo)函數(shù)P，為獲得P的最大值對目標(biāo)函數(shù)P進(jìn)行優(yōu)化，示例性的，對目標(biāo)函數(shù)P取對數(shù)，并且加上對所有用戶興趣向量和所有服務(wù)主題向量的正則化項，得到如下優(yōu)化的公式：

表示從所有u_n、v_m中選擇一組值使得表達(dá)式x的值達(dá)到最小，如下所有表達(dá)式的意義皆如此。示例性的，當(dāng)目標(biāo)用戶為A和B，以及服務(wù)為a、b、c時，得到目標(biāo)用戶數(shù)量N＝2，服務(wù)數(shù)量M＝3，由上述優(yōu)化的公式得到：

由于用戶興趣向量和服務(wù)主題向量為概率向量，由概率向量的定義可以得到：u₁≥0,||u₁||₁＝1,u₂≥0,||u₂||₁＝1和v₁≥0,||v₁||₁＝1,v₂≥0,||v₂||₁＝1,v₃≥0,||v₃||₁＝1，需要說明的是，以向量v₁為例，||v₁||表示v₁的范數(shù)，||v₁||₁表示v₁中各個元素的絕對值的和，|v₁||₂表示v₁中各個元素的平方和再開方，本發(fā)明實施例中其他向量用這種形式表達(dá)時，代表的意義均相同。

假設(shè)初始的用戶興趣向量為：u₁＝(0.1,0.9)、u₂＝(0.24,0.76)，采用既約梯度算法更新優(yōu)化的公式中的每一個服務(wù)主題向量的元素值，可以得到服務(wù)主題向量分別為v₁＝(0.2,0.8)、v₂＝(0.5,0.5)、v₃＝(0.6,0.4)。再根據(jù)當(dāng)前服務(wù)主題向量，采用既約梯度算法求解用戶興趣向量，由于用戶和用戶之間是獨(dú)立的(任意兩個用戶的頂點之間沒有連線)，所以他們之間對應(yīng)的用戶興趣向量也是獨(dú)立的，可以分別對用戶A、B對應(yīng)的u₁、u₂進(jìn)行優(yōu)化，得到如下關(guān)于用戶興趣向量的求解公式：

根據(jù)關(guān)于用戶興趣向量的求解公式，對于u₁，得到簡化結(jié)果：進(jìn)而根據(jù)v₁＝(0.2,0.8)、v₂＝(0.5,0.5)，得到u₁＝(0.34,0.66)。

對于u₂，得到簡化結(jié)果進(jìn)而根據(jù)v₁＝(0.2,0.8)、v₂＝(0.5,0.5)、v₃＝(0.6,0.4)，得到u₂＝(0.41,0.59)。

本領(lǐng)域技術(shù)人員可以理解的是，用同樣的方法可以根據(jù)當(dāng)前的u₁和u₂求解到服務(wù)主題向量v₁、v₂、v₃，直至達(dá)到收斂狀態(tài)為止。本發(fā)明實施例中，當(dāng)求解到用戶興趣向量為：u₁＝(0.31,0.69)、u₂＝(0.47,0.53)，服務(wù)主題向量為：v₁＝(0.16,0.84)、v₂＝(0.71,0.29)、v₃＝(0.53,0.47)，達(dá)到收斂狀態(tài)。

收斂狀態(tài)是指更新后的向量和更新前的向量相比較，向量的對應(yīng)元素之間的差值的絕對值不大于預(yù)設(shè)數(shù)值。對于本發(fā)明實施例而言，所有向量均需要達(dá)到收斂狀態(tài)。示例性的，預(yù)設(shè)數(shù)值為0.07，以用戶A對應(yīng)的用戶興趣向量u₁為例，更新前u₁＝(0.34,0.66)，更新后u₁＝(0.31,0.69)，對應(yīng)元素之間的差值的絕對值為：|0.34-0.31|＝0.03，|0.66-0.69|＝0.03；因為0.03<0.07，所以更新前的服務(wù)主題向量和更新后的服務(wù)主題向量達(dá)到收斂狀態(tài)。本發(fā)明實施例中的預(yù)設(shè)數(shù)值僅僅是示例性的，不構(gòu)成對本發(fā)明的限定。

S106，根據(jù)所述用戶興趣向量和所述服務(wù)主題向量，對所述目標(biāo)用戶進(jìn)行服務(wù)推薦。

具體的，可以根據(jù)用戶興趣向量和服務(wù)主題向量的向量積，對目標(biāo)用戶進(jìn)行服務(wù)推薦。

在一種具體實現(xiàn)方式中，所述根據(jù)用戶興趣向量和服務(wù)主題向量的向量積，對目標(biāo)用戶進(jìn)行服務(wù)推薦的步驟，可以包括：

針對每一個目標(biāo)用戶，執(zhí)行如下步驟：

分別計算該目標(biāo)用戶的用戶興趣向量與每一個服務(wù)主題向量的向量積；對向量積按照從大到小排序，并選取排列在前的預(yù)設(shè)數(shù)量個向量積；對該目標(biāo)用戶推薦預(yù)設(shè)數(shù)量個向量積對應(yīng)的服務(wù)。

本發(fā)明實施例中，針對用戶A，計算用戶A的用戶興趣向量與服務(wù)a、b、c對應(yīng)的服務(wù)主題向量的向量積，分別為：u₁·v₁＝(0.31,0.69)·(0.16,0.48)＝0.3808、u₁·v₂＝(0.31,0.69)·(0.71,0.29)＝0.4011、u₁·v₃＝(0.31,0.69)·(0.53,0.47)＝0.4886，按照向量積從大到小的排序為：0.4886、0.4011、0.3808。示例性的，選取排列在前的2個向量積，為：0.4886、0.4011，由上述計算可以直接看出這兩個向量積對應(yīng)的服務(wù)分別為c和b，那么直接對用戶A推薦服務(wù)c和b。

在另一種具體實現(xiàn)方式中，所述根據(jù)用戶興趣向量和服務(wù)主題向量的向量積，對目標(biāo)用戶進(jìn)行服務(wù)推薦的步驟，可以包括：

針對每一個目標(biāo)用戶，執(zhí)行如下步驟：

分別計算該目標(biāo)用戶的用戶興趣向量與每一個服務(wù)主題向量的向量積；分別將向量積與預(yù)設(shè)閾值進(jìn)行比較，并確定大于預(yù)設(shè)閾值的向量積對應(yīng)的服務(wù)；對該目標(biāo)用戶推薦所確定的服務(wù)。

還可以采用預(yù)設(shè)閾值的方法，假設(shè)預(yù)設(shè)閾值為0.45，以用戶A為例，由上可知用戶A與服務(wù)a、b和c對應(yīng)的服務(wù)主題向量的向量積分別為：0.3808、0.4011、0.4886，逐一與預(yù)設(shè)閾值進(jìn)行比較，因為：0.3808<0.45、0.4011<0.45、0.4886>0.45，可以確定大于預(yù)設(shè)閾值的向量積對應(yīng)的服務(wù)為服務(wù)c，所以對目標(biāo)用戶A推薦服務(wù)c。

需要強(qiáng)調(diào)的是，上述所給出的根據(jù)用戶興趣向量和服務(wù)主題向量的向量積，對目標(biāo)用戶進(jìn)行服務(wù)推薦的具體實現(xiàn)方式，僅僅作為示例性說明，并不應(yīng)該構(gòu)成對本發(fā)明實施例的限定。

應(yīng)用本發(fā)明圖1所示的實施例，通過目標(biāo)用戶和服務(wù)生成二分圖，根據(jù)用戶興趣向量和服務(wù)主題向量構(gòu)建基于該二分圖的目標(biāo)函數(shù)P并求解，以此確定每一個用戶興趣向量和服務(wù)主題向量的元素值，進(jìn)而根據(jù)所確定出的用戶興趣向量和服務(wù)主題向量，對目標(biāo)用戶進(jìn)行服務(wù)推薦。本方案中，采用求解目標(biāo)函數(shù)得到用戶興趣向量和服務(wù)主題向量的元素值方式，由于求解目標(biāo)函數(shù)的過程相對于MCMC抽樣算法極為簡單，因此，解決了現(xiàn)有技術(shù)中采用MCMC抽樣算法通過先進(jìn)行采樣再計算待推薦服務(wù)的概率分布的計算復(fù)雜度較高的問題，達(dá)到了降低基于二分圖的服務(wù)推薦計算復(fù)雜度的目的，且模型輸出的用戶興趣向量和服務(wù)主題向量均為概率向量，便于構(gòu)建更多基于概率的實際應(yīng)用。

參見圖3，圖3為一種基于二分圖的服務(wù)推薦裝置的結(jié)構(gòu)示意圖，所述裝置可以包括：采集模塊201、第一構(gòu)建模塊202、生成模塊203、第二構(gòu)建模塊204、求解模塊205、推薦模塊206。

采集模塊201，用于采集目標(biāo)用戶中每一個目標(biāo)用戶感興趣的服務(wù)；

第一構(gòu)建模塊202，用于構(gòu)建每一個目標(biāo)用戶的初始的用戶興趣向量和每一個服務(wù)的初始的服務(wù)主題向量，其中，所述用戶興趣向量和所述服務(wù)主題向量均為概率向量；

生成模塊203，用于生成以所述目標(biāo)用戶和所述服務(wù)為頂點的二分圖，其中，所述二分圖中目標(biāo)用戶的頂點與服務(wù)的頂點之間存在連線時表示該目標(biāo)用戶對該服務(wù)感興趣；

第二構(gòu)建模塊204，用于根據(jù)所述用戶興趣向量和所述服務(wù)主題向量，構(gòu)建基于所述二分圖的目標(biāo)函數(shù)P；

具體的，所述目標(biāo)函數(shù)P的具體表達(dá)為：

其中，u_n為第n個目標(biāo)用戶的用戶興趣向量，v_m為第m個服務(wù)的服務(wù)主題向量，σ_n,m的值在所述二分圖上第n個目標(biāo)用戶與第m個服務(wù)存在連線時為1，否則為0，N為所述二分圖上所有目標(biāo)用戶對應(yīng)的用戶興趣向量的數(shù)量，M為所述二分圖上所有服務(wù)對應(yīng)的服務(wù)主題向量的數(shù)量。

求解模塊205，用于求解所述目標(biāo)函數(shù)P，以確定每一個用戶興趣向量的元素值和每一個服務(wù)主題向量的元素值。

具體的，所述求解模塊205可以包括：求解單元(圖中未示出)，

求解單元，用于采用既約梯度算法求解所述目標(biāo)函數(shù)P，以確定每一個用戶興趣向量的元素值和每一個服務(wù)主題向量的元素值。

求解單元，具體可以用于：

A.根據(jù)初始的用戶興趣向量，通過既約梯度算法更新所述目標(biāo)函數(shù)P中的當(dāng)前服務(wù)主題向量的元素值；

B.根據(jù)當(dāng)前服務(wù)主題向量，通過既約梯度算法更新所述目標(biāo)函數(shù)P中的當(dāng)前用戶興趣向量的元素值，在更新完成后，判斷當(dāng)前服務(wù)主題向量和當(dāng)前用戶興趣向量是否達(dá)到收斂狀態(tài)，如果否，執(zhí)行C；如果是，執(zhí)行D；

C.根據(jù)當(dāng)前用戶興趣向量，通過既約梯度算法更新所述目標(biāo)函數(shù)P中的當(dāng)前服務(wù)主題向量的元素值，在更新完畢后，判斷當(dāng)前服務(wù)主題向量和當(dāng)前用戶興趣向量是否達(dá)到收斂狀態(tài)，如果否，執(zhí)行B，如果是，執(zhí)行D；

D.將達(dá)到收斂狀態(tài)時的當(dāng)前服務(wù)主題向量的元素值和當(dāng)前用戶興趣向量的元素值，確定為對應(yīng)的每一個用戶興趣向量的元素值和每一個服務(wù)主題向量的元素值。

推薦模塊206，用于根據(jù)所述用戶興趣向量和所述服務(wù)主題向量，對所述目標(biāo)用戶進(jìn)行服務(wù)推薦。

具體的，所述推薦模塊206可以包括：推薦單元(圖中未示出)，

推薦單元，用于根據(jù)所述用戶興趣向量和所述服務(wù)主題向量的向量積，對所述目標(biāo)用戶進(jìn)行服務(wù)推薦。

所述推薦單元，具體可以用于：

針對每一個目標(biāo)用戶，執(zhí)行如下步驟：

分別計算該目標(biāo)用戶的用戶興趣向量與每一個服務(wù)主題向量的向量積；對所述向量積按照從大到小排序，并選取排列在前的預(yù)設(shè)數(shù)量個向量積；對該目標(biāo)用戶推薦所述預(yù)設(shè)數(shù)量個向量積對應(yīng)的服務(wù)。

所述推薦單元，具體可以用于：

針對每一個目標(biāo)用戶，執(zhí)行如下步驟：

分別計算該目標(biāo)用戶的用戶興趣向量與每一個服務(wù)主題向量的向量積；分別將所述向量積與預(yù)設(shè)閾值進(jìn)行比較，并確定大于所述預(yù)設(shè)閾值的向量積對應(yīng)的服務(wù)；對該目標(biāo)用戶推薦所確定的服務(wù)。

應(yīng)用本發(fā)明圖3所示的實施例，通過目標(biāo)用戶和服務(wù)生成二分圖，根據(jù)用戶興趣向量和服務(wù)主題向量構(gòu)建基于該二分圖的目標(biāo)函數(shù)P并求解，以此確定每一個用戶興趣向量和服務(wù)主題向量的元素值，進(jìn)而根據(jù)所確定出的用戶興趣向量和服務(wù)主題向量，對目標(biāo)用戶進(jìn)行服務(wù)推薦。本方案中，采用求解目標(biāo)函數(shù)得到用戶興趣向量和服務(wù)主題向量的元素值方式，由于求解目標(biāo)函數(shù)的過程相對于MCMC抽樣算法極為簡單，因此，解決了現(xiàn)有技術(shù)中采用MCMC抽樣算法通過先進(jìn)行采樣再計算待推薦服務(wù)的概率分布的計算復(fù)雜度較高的問題，達(dá)到了降低基于二分圖的服務(wù)推薦計算復(fù)雜度的目的。

需要說明的是，在本文中，諸如第一和第二等之類的關(guān)系術(shù)語僅僅用來將一個實體或者操作與另一個實體或操作區(qū)分開來，而不一定要求或者暗示這些實體或操作之間存在任何這種實際的關(guān)系或者順序。而且，術(shù)語“包括”、“包含”或者其任何其他變體意在涵蓋非排他性的包含，從而使得包括一系列要素的過程、方法、物品或者設(shè)備不僅包括那些要素，而且還包括沒有明確列出的其他要素，或者是還包括為這種過程、方法、物品或者設(shè)備所固有的要素。在沒有更多限制的情況下，由語句“包括一個……”限定的要素，并不排除在包括所述要素的過程、方法、物品或者設(shè)備中還存在另外的相同要素。

本說明書中的各個實施例均采用相關(guān)的方式描述，各個實施例之間相同相似的部分互相參見即可，每個實施例重點說明的都是與其他實施例的不同之處。尤其，對于系統(tǒng)實施例而言，由于其基本相似于方法實施例，所以描述的比較簡單，相關(guān)之處參見方法實施例的部分說明即可。

以上所述僅為本發(fā)明的較佳實施例而已，并非用于限定本發(fā)明的保護(hù)范圍。凡在本發(fā)明的精神和原則之內(nèi)所作的任何修改、等同替換、改進(jìn)等，均包含在本發(fā)明的保護(hù)范圍內(nèi)。