CN103337028A - 一种推荐方法、装置 - Google Patents

Abstract

本发明适用于网络信息检索技术领域，提供了一种推荐方法、装置，所述方法包括：根据用户对产品的历史评分值确定产品集中的待推荐争议产品；从待推荐争议产品中选择预设数目产品作为目标用户感兴趣的待推荐争议产品，加入待推荐对象集A中；从产品集中选择预设数目的产品作为目标用户可能感兴趣的待推荐产品，加入待推荐对象集B中；对待推荐对象集A中的产品的预估评分值乘以预设的权重；合并待推荐对象集A和待推荐对象集B，形成待推荐集合C；对待推荐集合C中的产品根据其预估评分值排序，选择预估评分值高的前r个产品作为推荐结果。本发明，由于争议产品的预估评分值经过加权处理，大大提高了处于长尾位置的产品被推荐的几率。

Description

一种推荐方法、装置

技术领域

本发明属于网络信息检索技术领域，尤其涉及一种推荐方法、装置。

背景技术

随着互联网的普及和电子商务的发展，推荐系统被广泛的应用，成为网络信息检索技术的重要内容。

一个好的推荐系统应该能尽可能多的展现用户感兴趣的产品，但是当今的推荐系统使用协同过滤算法来实现对产品的推荐。协同过滤算法的出发点是具有相同或者相似兴趣偏好的用户，对产品的评价也是类似的。

协同过滤算法因不依赖于抽取对象的特征信息来了解用户的兴趣，同时还能发现用户潜在兴趣而备受欢迎，并因此被广泛引用到了电子商务、在线广告等系统中。基于协同过滤算法的推荐系统首先根据历史记录找出目标用户的若干最近邻居，然后根据最近邻居对产品的评分预测目标用户对产品的评分制，从而产生推荐列表，最后依据预测评分值的高低按顺序向用户进行推荐。

其基本流程如下：

A、通过历史评分记录或者用户购买记录计算用户之间的相似度；

B、选择n个与目标用户兴趣最相似的用户；

C、根据兴趣最相似用户的历史评分记录或购买记录预测目标用户对可能感兴趣产品的评分值；

D、将产品按照评分值从高到低的顺序选择前m个产品推荐给目标用户。

协同过滤算法面临的一个主要问题是：主要推荐相似用户评分较高的产品，容易造成越是热门产品得到推荐的概率越大，而用户本来感兴趣的处于长尾位置的非热门产品，比如新添加到系统中的产品因缺少打分数据而往往得不到推荐的机会，即所谓的“冷启动”问题。其中，根据关于互联网数据的研究发现，互联网上的很多数据分布都满足幂率（Power Law）分布，这个分布在互联网领域内也称为长尾分布：

其分布如图1所示，所谓长尾(Long Tail)位置指图1中浅灰色区域的产品或项目所处的位置，深灰色区域为短头（ShortHead）位置。

发明内容

本发明实施例提供了一种推荐方法、装置，旨在解决现有技术提供的推荐系统，最后给用户提供的推荐结果大多集中于极少数的项目或产品，而绝大多数处于长尾位置的、非热门的项目或产品却得不到推荐的问题。

一方面，提供一种推荐方法，所述方法包括：

根据用户对产品的历史评分值确定产品集中的待推荐争议产品；

从所述待推荐争议产品中选择预设数目产品作为目标用户感兴趣的待推荐争议产品，加入待推荐对象集A中；

从产品集中选择预设数目的产品作为目标用户可能感兴趣的待推荐产品，加入待推荐对象集B中；

对待推荐对象集A中的产品的预估评分值乘以预设的权重；

合并所述待推荐对象集A和所述待推荐对象集B，形成待推荐集合C；

对所述待推荐集合C中的产品根据其预估评分值排序，选择预估评分值高的前r个产品作为推荐结果。

另一方面，提供一种推荐装置，所述装置包括：

待推荐争议产品确定单元，用于根据用户对产品的历史评分值确定产品集中的待推荐争议产品；

第一待推荐对象集确定单元，用于从所述待推荐争议产品中选择预设数目产品作为目标用户感兴趣的待推荐争议产品，加入待推荐对象集A中；

第二待推荐对象集确定单元，用于从产品集中选择预设数目的产品作为目标用户可能感兴趣的待推荐产品，加入待推荐对象集B中；

评分值处理单元，用于对待推荐对象集A中的产品的预估评分值乘以预设的权重；

对象集合并单元，用于合并所述待推荐对象集A和所述待推荐对象集B，形成待推荐集合C；

推荐结果获取单元，用于对所述待推荐集合C中的产品根据其预估评分值排序，选择预估评分值高的前r个产品作为推荐结果。

在本发明实施例，先确定争议产品，再对争议产品的预估评分值进行加权处理，将预估评分值经过加权处理后的待推荐争议产品和常规推荐得到的推荐产品按照预估评分值排序后，推荐预估评分值高的前r个产品至目标用户。由于争议产品的预估评分值经过加权处理，相比现有的推荐方法，大大提高了处于长尾位置的产品被推荐的几率。

附图说明

图1是在互联网领域内的长尾分布的示意图；

图2是本发明实施例一提供的推荐方法的实现流程图；

图3是本发明实施例一提供的模糊曲线的类似示意图；

图4是本发明实施例一提供的由产品、用户和历史评分值组成的历史评分矩阵示意图；

图5是本发明实施例二提供的推荐装置的结构框图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

在本发明实施例中，先确定争议产品，再对争议产品的预估评分值进行加权处理，将预估评分值经过加权处理后的待推荐争议产品和常规推荐得到的推荐产品按照预估评分值排序后，推荐预估评分值高的前r个产品至目标用户。

以下结合具体实施例对本发明的实现进行详细描述：

实施例一

图2示出了本发明实施例一提供的推荐方法的实现流程，详述如下：

在步骤S201中，根据用户对产品的历史评分值确定产品集中的争议产品品。

在本实施例中，争议产品指：大多数用户对其的评价介于喜欢与不喜欢之间的产品，根据用户对产品集中的产品的历史评分值，可通过下列公式（1）确定产品集中的一种产品是否是争议产品：

$\min \left(\underset{u\∈M}{\mathrm{\Σ}}\left(\right|{\mathrm{score}}_{\mathrm{ui}}-\frac{n}{2}|\×{\mathrm{score}}_{\mathrm{ui}}-\frac{n}{2})\right)$

其中，M为所有对产品i评过分的用户组成的用户集合，

指用户u对产品i的历史评分值，n为历史评分值区间的上限，例如：若历史评分区间为1-5，则n的取值为5。此公式通过综合比较用户集合中的所有用户对产品集中的所有产品的历史评分值，找到历史评分值处于模糊曲线顶端位置的产品作为争议产品。将争议产品按照历史评分值从低到高排列，选择前k个产品作为待推荐争议产品。其中，模糊曲线类似于图3中的曲线，这个曲线是三角形的，还有类似于正态分布的钟形曲线，当纵坐标处于最顶端时，其对应的横坐标的不确定性最大。因此，当横坐标表示产品时，纵坐标表示用户对产品的历史评分值时，则历史评分值处于模糊曲线顶端位置的产品是用户对其的评价最不确定的产品，因此可以将处于该区间的产品作为争议产品。

比如，假设需要推荐的产品为i1-i5，用户集合中的用户为u1、u2和u3，由产品、用户和历史评分值组成的历史评分矩阵如图4所示，其中，用户u1对产品i1-i5的历史评分值分别为1、2、3、3、5；用户u2对产品i1-i5的历史评分值分别为0、2、3、0、0；用户u3对产品i1-i5的历史评分值分别为2、3、5、4、2。在获取到用户对产品的历史评分值后，可以利用公式（1）找到争议产品i1、i4和i5，找到争议产品后，可以根据历史评分值对争议产品进行排列，选择预设个数的产品作为推荐争议产品。比如，可以将i1作为待推荐产品，也可以将i1、i4和i5均作为待推荐产品，具体选择的数目可以根据用户的需要进行设置。

在步骤S202中，从所述待推荐争议产品中选择预设数目产品作为目标用户感兴趣的待推荐争议产品，加入待推荐对象集A中。

在本实施例中，采用以下步骤来从步骤S201确定的待推荐争议产品中选择预设数目产品作为目标用户感兴趣的待推荐争议产品，加入待推荐对象集A中：

步骤1、计算目标用户与用户集合中的其它用户的相似度，选择前m个相似度最大的用户作为目标用户的兴趣相似用户群。

步骤2、计算目标用户对待推荐争议产品的评分值。

步骤3、对计算得到的评分值进行排序，选择前f个产品作为目标用户感兴趣的待推荐争议产品，加入待推荐对象集合A。

比如，可以将用户u2作为目标用户，先分别计算u2与u1、u2与u3的相似度。其中，相似度的计算可以采用余弦相似度的计算方法，也可以采用其它计算方法，在此不再赘述。本实施例中采用余弦相似度计算方法，计算得到的u2与u1之间的相似度sim(u1,u2)=0.1443，计算得到的u2与u3的相似度sim(u2,u3)=0.1669，可以选择u1、u3作为u2的兴趣相似用户。

再根据公式（2）计算目标用户u2对待推荐争议产品的预估评分值。其中，公式（2）如下所示：

$\left(\underset{u\∈M}{\mathrm{\Σ}}({\mathrm{sim}}_u\×{\mathrm{score}}_u)\right)/\left|M\right|$

其中，M为在步骤1中找到的相似用户群，sim_u为相似用户群M中用户u与目标用户的相似度，score_u为用户u对争议产品的历史评分值，|M|为相似用户群中用户的数量。由于在此实施例中，用户u2对产品i1、i4和i5的历史评分值为0，所以可以作为待推荐争议产品，使用公式（2）可以分别计算出目标用户u2对产品i1、i4和i5的的预估评分值，其中，对产品i1的可能预估评分值为(1×0.1443+2*0.1669)/2=0.2391，对产品i4的预估评分值为(2×0.1443+4*0.1669)/2=0.5502，对产品i5的预估评分值为(5×0.1443+2*0.1669)/2=0.52765。

最后对计算得到的待推荐产品的预估评分值按照由高到低的顺序进行排序，比如产品i4的预估评分值最大，排在第一，产品i5的预估评分值次之，排在第二，产品i2的预估评分值最小，排在最后。可以根据用户的需要，选择排列在前面的f个产品给目标用户。例如，在本实施例中，可以将产品i4作为待推荐对象添加至待推荐对象集合A中，也可以将i4和i5同时作为待推荐对象添加至待推荐对象集合A中，f的个数在此不做限制，只要小于等于待推荐争议产品的数目k即可。

在步骤S203中，从产品集中选择预设数目的产品作为目标用户可能感兴趣的待推荐产品，加入待推荐对象集B中。

在本实施例中，利用现有的协同过滤算法对产品集中的产品进行评分，得到各个产品的预估评分值，然后根据预估评分值从高到低的顺序对各个产品进行排序，选择前g个产品作为目标用户可能感兴趣的待推荐产品。此方法是现有技术，详见背景技术部分的描述，在此不再赘述。

在步骤S204中，对待推荐对象集A中的产品的预估评分值乘以预设的权重。

在本实施例中，将待推荐集合A中的产品的预估评分值乘以权重w，w可根据实际情况选择1.2-1.8之间的值。由于争议产品处于长尾位置，乘以一个适当的权重以提高其被推荐的概率，此权重可根据实际应用需求通过实验得到，一般取值范围在1.2-1.8之间。

在步骤S205中，合并所述待推荐对象集A和所述待推荐对象集B，形成待推荐集合C。

在步骤S206中，对所述待推荐集合C中的产品根据其预估评分值排序，选择预估评分值高的前r个产品作为推荐结果。

在本实施例中，选择预估评分值高的前r个产品作为推荐结果，并将排序后的推荐结果返回给目标用户。

本实施例，先确定争议产品，再对争议产品的预估评分值进行加权处理，将预估评分值经过加权处理后的待推荐争议产品和常规推荐得到的推荐产品按照预估评分值排序后，推荐预估评分值高的前r个产品至目标用户。由于争议产品的预估评分值经过加权处理，相比现有的推荐方法，大大提高了处于长尾位置的产品被推荐的几率。

本领域普通技术人员可以理解实现上述各实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，相应的程序可以存储于一计算机可读取存储介质中，所述的存储介质，如ROM/RAM、磁盘或光盘等。

实施例二

图5示出了本发明实施例二提供的推荐装置的具体结构框图，为了便于说明，仅示出了与本发明实施例相关的部分。该装置5包括：待推荐争议产品确定单元51、第一待推荐对象集确定单元52、第二待推荐对象集确定单元53、评分值处理单元54、对象集合并单元55和推荐结果获取单元56。

其中，待推荐争议产品确定单元51，用于根据用户对产品的历史评分值确定产品集中的待推荐争议产品；

第一待推荐对象集确定单元52，用于从所述待推荐争议产品中选择预设数目产品作为目标用户感兴趣的待推荐争议产品，加入待推荐对象集A中；

第二待推荐对象集确定单元53，用于从产品集中选择预设数目的产品作为目标用户可能感兴趣的待推荐产品，加入待推荐对象集B中；

评分值处理单元54，用于对待推荐对象集A中的产品的预估评分值乘以预设的权重；

对象集合并单元55，用于合并所述待推荐对象集A和所述待推荐对象集B，形成待推荐集合C；

推荐结果获取单元56，用于对所述待推荐集合C中的产品根据其预估评分值排序，选择预估评分值高的前r个产品作为推荐结果。

具体的，待推荐争议产品确定单元51包括：

争议产品确定模块，用于根据用户对产品的历史评分值确定产品集中的争议产品；

待推荐争议产品确定模块，用于将争议产品按照历史评分值从低到高排列，选择前k个争议产品作为待推荐争议产品。

具体的，所述争议产品确定模块根据下面的公式确定产品集中的争议产品：

$\min \left(\underset{u\∈M}{\mathrm{\Σ}}\left(\right|{\mathrm{score}}_{\mathrm{ui}}-\frac{n}{2}|\×{\mathrm{score}}_{\mathrm{ui}}-\frac{n}{2})\right)$

其中，M为所有对产品i评过分的用户组成的用户集合，score_ui指用户u对产品i的历史评分值，n为历史评分值区间的上限。

具体的，第一待推荐对象集确定单元52包括：

兴趣相似用户群确定模块，用于计算目标用户与用户集合中的其它用户的相似度，选择前m个相似度最大的用户作为目标用户的兴趣相似用户群；

评分值评估模块，用于计算目标用户对待推荐争议产品的评分值。

第一待推荐对象集确定模块，用于对计算得到的评分值进行排序，选择前f个产品作为目标用户感兴趣的待推荐争议产品。

本发明实施例提供的推荐装置可以应用在前述对应的方法实施例一中，详情参见上述实施例一的描述，在此不再赘述。

值得注意的是，上述系统实施例中，所包括的各个单元只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能单元的具体名称也只是为了便于相互区分，并不用于限制本发明的保护范围。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (8)

1.一种推荐方法，其特征在于，所述方法包括：

根据用户对产品的历史评分值确定产品集中的待推荐争议产品；

从所述待推荐争议产品中选择预设数目产品作为目标用户感兴趣的待推荐争议产品，加入待推荐对象集A中；

从产品集中选择预设数目的产品作为目标用户可能感兴趣的待推荐产品，加入待推荐对象集B中；

对待推荐对象集A中的产品的预估评分值乘以预设的权重；

合并所述待推荐对象集A和所述待推荐对象集B，形成待推荐集合C；

对所述待推荐集合C中的产品根据其预估评分值排序，选择预估评分值高的前r个产品作为推荐结果。

2.如权利要求1所述的方法，其特征在于，所述根据用户对产品的历史评分值确定产品集中的待推荐争议产品包括：

根据用户对产品的历史评分值确定产品集中的争议产品；

将争议产品按照历史评分值从低到高排列，选择前k个争议产品作为待推荐争议产品。

3.如权利要求2所述的方法，其特征在于，根据下面的公式确定产品集中的争议产品：

$\min \left(\underset{u\∈M}{\mathrm{\Σ}}\left(\right|{\mathrm{score}}_{\mathrm{ui}}-\frac{n}{2}|\×{\mathrm{score}}_{\mathrm{ui}}-\frac{n}{2})\right)$

其中，M为所有对产品i评过分的用户组成的用户集合，

指用户u对产品i的历史评分值，n为历史评分值区间的上限。

4.如权利要求1所述的方法，其特征在于，所述从所述待推荐争议产品中选择预设数目产品作为目标用户感兴趣的待推荐争议产品包括：

计算目标用户与用户集合中的其它用户的相似度，选择前m个相似度最大的用户作为目标用户的兴趣相似用户群；

计算目标用户对待推荐争议产品的评分值。

对计算得到的评分值进行排序，选择前f个产品作为目标用户感兴趣的待推荐争议产品。

5.一种推荐装置，其特征在于，所述装置包括：

待推荐争议产品确定单元，用于根据用户对产品的历史评分值确定产品集中的待推荐争议产品；

第一待推荐对象集确定单元，用于从所述待推荐争议产品中选择预设数目产品作为目标用户感兴趣的待推荐争议产品，加入待推荐对象集A中；

第二待推荐对象集确定单元，用于从产品集中选择预设数目的产品作为目标用户可能感兴趣的待推荐产品，加入待推荐对象集B中；

评分值处理单元，用于对待推荐对象集A中的产品的预估评分值乘以预设的权重；

对象集合并单元，用于合并所述待推荐对象集A和所述待推荐对象集B，形成待推荐集合C；

推荐结果获取单元，用于对所述待推荐集合C中的产品根据其预估评分值排序，选择预估评分值高的前r个产品作为推荐结果。

6.如权利要求5所述的装置，其特征在于，所述根据用户对产品的历史评分值确定产品集中的待推荐争议产品包括：

争议产品确定模块，用于根据用户对产品的历史评分值确定产品集中的争议产品；

待推荐争议产品确定模块，用于将争议产品按照历史评分值从低到高排列，选择前k个争议产品作为待推荐争议产品。

7.如权利要求6所述的装置，其特征在于，所述争议产品确定模块根据下面的公式确定产品集中的争议产品：

$\min \left(\underset{u\∈M}{\mathrm{\Σ}}\left(\right|{\mathrm{score}}_{\mathrm{ui}}-\frac{n}{2}|\×{\mathrm{score}}_{\mathrm{ui}}-\frac{n}{2})\right)$

其中，M为所有对产品i评过分的用户组成的用户集合，

指用户u对产品i的历史评分值，n为历史评分值区间的上限。

8.如权利要求5所述的装置，其特征在于，所述第一待推荐对象集确定单元包括：

兴趣相似用户群确定模块，用于计算目标用户与用户集合中的其它用户的相似度，选择前m个相似度最大的用户作为目标用户的兴趣相似用户群；

评分值评估模块，用于计算目标用户对待推荐争议产品的评分值。

第一待推荐对象集确定模块，用于对计算得到的评分值进行排序，选择前f个产品作为目标用户感兴趣的待推荐争议产品。

Images