CN104090932B - 一种内容推荐方法及装置 - Google Patents

Abstract

本发明公开了一种内容推荐方法及装置。其方法包括：获取用户对内容的偏好相关数据；根据获取的数据确定效用矩阵，其中的非空元素为根据偏好相关数据确定的用户对内容的偏好值；确定效用矩阵的等效矩阵各元素的初始值，从各元素的初始值开始，对等效矩阵各元素进行迭代更新，使得效用矩阵中各个非空元素与等效矩阵中对应元素的匹配程度达到设定的阈值；每次迭代更新使用效用矩阵中一个用户对应的各非空元素；根据迭代更新后的等效矩阵填补效用矩阵中的空白元素；根据填补后的效用矩阵进行内容推荐。较之现有的内容推荐方法，提高了内容推荐的处理效率，并降低了内容推荐处理过程中对存储资源的占用。另外，其推荐结果更准确，推荐效果更好。

Description

一种内容推荐方法及装置

技术领域

本发明涉及数据处理技术领域，尤其涉及一种内容推荐方法及装置。

背景技术

内容推荐包括视频推荐、图书推荐、商品推荐、音乐推荐等等。

现有的内容推荐方法主要是，对获取的全部偏好相关数据进行学习，从而建立推荐模型，进而根据建立的推荐模型向用户推荐内容。其中，偏好相关数据是指用于确定用户对内容的偏好程度的数据。这种推荐方法存在的问题是：由于对全部偏好相关数据进行学习，需要处理的数据量庞大，导致处理效率低，且在处理过程中浪费大量的存储资源。

发明内容

本发明的目的是提供一种内容推荐方法及装置，以解决现有的内容推荐方法处理效率低，且在处理过程中浪费大量的存储资源的问题。

本发明的目的是通过以下技术方案实现的：

一种内容推荐方法，包括：

获取用户对内容的偏好相关数据；

根据获取的用户对内容的偏好相关数据确定效用矩阵，所述效用矩阵中的非空元素为根据偏好相关数据确定的用户对内容的偏好值，所述效用矩阵中的空白元素为待确定的用户对内容的偏好值，所述效用矩阵的一行或一列对应同一个用户、一列或一行对应同一个内容；

确定所述效用矩阵的等效矩阵各元素的初始值，从所述等效矩阵各元素的初始值开始，对所述等效矩阵各元素进行迭代更新，使得所述效用矩阵中各个 非空元素与所述等效矩阵中对应元素的匹配程度达到设定的阈值；每次迭代更新使用所述效用矩阵中一个用户对应的各非空元素；

根据迭代更新后的等效矩阵填补所述效用矩阵中的空白元素；

根据填补后的效用矩阵进行内容推荐。

本发明实施例提供的方法，在对效用矩阵的等效矩阵中各元素进行迭代更新的过程中，虽然每次基于效用矩阵中一个用户对应的非空元素对等效矩阵各元素进行更新，即仅对一个用户对应的偏好相关数据进行学习，但由于对效用矩阵的等效矩阵中各元素进行迭代更新的截止条件是，效用矩阵中各个非空元素与该等效矩阵中对应元素的匹配程度达到设定的阈值，因此保证了根据等效矩阵确定的用户对内容的偏好值的准确性，从而保证了推荐效果。在保证了推荐效果的同时，本发明实施例提供的方法较之对全部用户的全部偏好相关数据进行学习的现有的内容推荐方法，需要处理的数据量大大降低，因此提高了处理效率，减少了在处理过程中对存储资源的浪费。

基于与方法同样的发明构思，本发明实施例还提供一种内容推荐装置，包括：

数据获取模块，用于获取用户对内容的偏好相关数据；

效用矩阵建立模块，用于根据获取的用户对内容的偏好相关数据确定效用矩阵，所述效用矩阵中的非空元素为根据偏好相关数据确定的用户对内容的偏好值，所述效用矩阵中的空白元素为待确定的用户对内容的偏好值，所述效用矩阵的一行或一列对应同一个用户、一列或一行对应同一个内容；

效用矩阵填补模块，用于确定所述效用矩阵的等效矩阵各元素的初始值，从所述等效矩阵各元素的初始值开始，对所述等效矩阵各元素进行迭代更新，使得所述效用矩阵中各个非空元素与所述等效矩阵中对应元素的匹配程度达到设定的阈值；每次迭代更新使用所述效用矩阵中一个用户对应的各非空元素；根据迭代更新后的等效矩阵填补所述效用矩阵中的空白元素；

内容推荐模块，用于根据填补后的效用矩阵进行内容推荐。

本发明实施例提供的装置，在对效用矩阵的等效矩阵中各元素进行迭代更新的过程中，虽然每次基于效用矩阵中一个用户对应的非空元素对等效矩阵各元素进行更新，即仅对一个用户对应的偏好相关数据进行学习，但由于对效用矩阵的等效矩阵中各元素进行迭代更新的截止条件是，效用矩阵中各个非空元素与该等效矩阵中对应元素的匹配程度达到设定的阈值，因此保证了根据等效矩阵确定的用户对内容的偏好值的准确性，从而保证了推荐效果。在保证了推荐效果的同时，本发明实施例提供的装置较之对全部用户的全部偏好相关数据进行学习的现有的内容推荐方法，需要处理的数据量大大降低，因此提高了处理效率，减少了在处理过程中对存储资源的浪费。

附图说明

图1为本发明实施例提供的一种方法流程图；

图2为本发明实施例提供的一种装置示意图。

具体实施方式

下面将结合附图，对本发明实施例提供的技术方案进行详细描述。

本发明实施例提供的一种内容推荐方法如图1所示，具体包括如下操作：

步骤100、获取用户对内容的偏好相关数据。

步骤110、根据获取的用户对内容的偏好相关数据确定效用矩阵。

其中，效用矩阵中的非空元素为根据偏好相关数据确定的用户对内容的偏好值，效用矩阵中的空白元素为待确定的用户对内容的偏好值，效用矩阵的一行或一列对应同一个用户、一列或一行对应同一个内容。

步骤120、确定所述效用矩阵的等效矩阵各元素的初始值，从该等效矩阵各元素的初始值开始，对该等效矩阵各元素进行迭代更新，使得该效用矩阵中各个非空元素与该等效矩阵中对应元素的匹配程度达到设定的阈值，其中，每次迭代更新使用该效用矩阵中一个用户对应的各非空元素。

步骤130、根据迭代更新后的等效矩阵填补该效用矩阵中的空白元素。

所谓填补效用矩阵中的空白元素，即确定空白元素处的用于对内容的偏好值。

步骤140、根据填补后的效用矩阵进行内容推荐。

其中，根据填补后的效用矩阵进行内容推荐可以参照现有实现方式，本发明将不再赘述。

本发明实施例提供的方法，在对效用矩阵的等效矩阵中各元素进行迭代更新的过程中，虽然每次基于效用矩阵中一个用户对应的非空元素对等效矩阵各元素进行更新，即仅对一个用户对应的偏好相关数据进行学习，但由于对效用矩阵的等效矩阵中各元素进行迭代更新的截止条件是，效用矩阵中各个非空元素与该等效矩阵中对应元素的匹配程度达到设定的阈值，因此保证了根据等效矩阵确定的用户对内容的偏好值的准确性，从而保证了推荐效果。在保证了推荐效果的同时，本发明实施例提供的方法较之对全部用户的全部偏好相关数据进行学习的现有的内容推荐方法，需要处理的数据量大大降低，因此提高了处理效率，减少了在处理过程中对存储资源的浪费。

其中，等效矩阵中各个非空元素与等效矩阵中对应元素的匹配程度的表示方式有多种。作为举例而非限定，本发明实施例中，以损失函数衡量其匹配程度。具体的，损失函数为效用矩阵中各非空元素与等效矩阵中对应元素的均方根误差。相应的，效用矩阵中各个非空元素与等效矩阵中对应元素的匹配程度达到设定的阈值，是指，效用矩阵中各非空元素与等效矩阵中对应元素的均方根误差小于设定的阈值。

相应的，对等效矩阵各元素的每次迭代更新具体实现方式如下：

确定效用矩阵中一个用户对应的非空元素与等效矩阵中对应元素的均方根误差；其中，对于第一次迭代更新，等效矩阵中对应的元素为初始值，对于非第一次迭代更新，等效矩阵中对应的元素为上一次迭代更新后的取值；

确定上述均方根误差的梯度向量，并根据该梯度向量对等效矩阵中各元素 进行更新。

其中，确定效用矩阵所使用的偏好相关数据，可以是全部偏好相关数据(包括本次获取的增量偏好相关数据和之前获取的历史偏好相关数据)，也可以是本次获取的增量偏好相关数据，还可以是部分本次获取的偏好相关数据及部分历史偏好相关数据。基于上述任意方法实施例，较佳地，根据获取的用户对内容的偏好相关数据确定效用矩阵之前，该方法还包括：使用随机选择的部分增量偏好相关数据等量替换模型数据集合中的偏好相关数据。相应的，根据获取的用户对内容的偏好相关数据确定效用矩阵，是指：根据替换后的模型数据集合确定效用矩阵。

其中，模型数据集合由全部偏好相关数据中的部分构成。

其中，可以基于在模型数据集合中存储时间的降序选择模型数据集合中需要被替换的偏好相关数据，也可以随机选择模型数据集合中需要被替换的偏好相关数据，本发明对模型数据集合中需要被替换的偏好相关数据的选取方式不作限定。

其中，增量偏好相关数据是指新增加的偏好相关数据。

上述处理过程中，使用模型数据集合建立推荐模型，而非使用全部偏好相关数据建立推荐模型，较之上述现有的内容推荐方法，提高了内容推荐的处理效率，并降低了内容推荐处理过程中对存储资源的占用。另外，由于建立推荐模型所使用的模型数据集合由增量偏好相关数据和历史偏好相关数据构成，而不是仅根据增量偏好相关数据建立推荐模型，保证了推荐结果的准确性，即保证了推荐效果。

本发明实施例中，偏好相关数据可以但不仅限于包括：用户行为数据，例如用户对内容的评分，用户对内容的操作(浏览、收藏等等)记录，等等；用户的账户信息，例如性别、年龄、个性标签、内容偏好，等等。

用户对内容的偏好值是根据偏好相关数据确定的。即，偏好值反映了用户对内容的偏好程度。偏好值的具体确定方式可以参照现有方式实现，本发明不 再赘述。

假设模型数据集合涉及到n个用户和m个内容，则确定n行m列的效用矩阵，效用矩阵中第i行第j列的元素为第i个用户对第j个内容的偏好值。其中，i＝1,2，……n；j＝1,2，……m。

如果某用户对某内容没有用户偏好相关数据，则无法确定该用户对该内容的偏好值。因此，根据模型数据集合确定的效用矩阵会存在空白元素。

为了填补效用矩阵中的空白元素，即确定效用矩阵中空白元素的具体取值，可以确定效用矩阵的等效矩阵，根据等效矩阵来填补效用矩阵的空白矩阵。

具体是将该效用矩阵进行UV分解，UV即为该效用矩阵的等效矩阵。以n行m列的效用矩阵M为例，U为n行d列的矩阵，V为d行m列的矩阵，具体如下式所示：

其中，M中各非空元素已知，UV中的各元素待定。

可以采用现有的梯度下降算法确定UV中的各元素。具体的，设置UV中各元素的初始值，计算M中各非空元素与UV中对应元素的均方根误差(即损失函数)，进而确定该损失函数的梯度，使用该梯度和初始值更新该梯度中各元素的取值。沿损失函数梯度的反向通过多次迭代更新UV中各元素的取值，最终收敛到效用矩阵中各个非空元素与等效矩阵中对应元素的均方根误差小于设定的阈值。

其中，损失函数F_loss(W)可以通过如下公式表示：

其中，W表示UV中所有未知元素的集合，W可以表示如下：W＝{u₁₁,u₁₂,…,u_nd,v₁₁,v₁₂,…,v_dm}，即W共有参数个数为(n+m)d。

其中，l表示效用矩阵中非空元素个数，Mi_j表示效用矩阵中第i行第j列的元素值，(UV)_ij表示UV矩阵中M_ij对应的元素值。

每次迭代更新可以通过如下公式表示：

其中，W^t+1表示UV中各元素经本次迭代更新后的取值；W^t表示UV中各元素经上一次迭代更新后的取值或初始值；α表示迭代步长，其具体取值根据实际需要确定；表示本次迭代过程中计算的损失函数的梯度。

由于损失函数涉及到所有的用户对内容的偏好值，F_loss(W)的梯度的求解效率较低。

鉴于此，本发明实施例提出了基于随机梯度下降算法确定UV中的各元素。具体的：基于等效矩阵各元素的初始值，对等效矩阵各元素进行迭代更新，使得该效用矩阵中各个非空元素与等效矩阵中对应元素的均方根误差(即损失函数)小于设定的阈值。其中，每次迭代更新使用效用矩阵中一个用户对应的各非空元素。

其中，损失函数F_loss(W)可以通过如下公式表示：

即仅使用第i行的非空元素确定损失函数。具体可以随机选择一行非空元素确定损失函数，也可以根据设定的规则选择一行非空元素确定损失函数。

相应的迭代更新可以参照上述公式，此处不再赘述。

由于避免了对所有非空元素进行计算，随机梯度下降算法求损失函数梯度的效率明显高于原有的梯度下降算法。

下面以动态增加的用户行为数据流的场景为例，对本发明实施例提出的一种优选的实现方式进行说明。其中，用户行为数据即为偏好相关数据。针对该 场景，从用户行为流数据中反复读取数据并缓存，例如缓存于“阶段新数据”存储数据库中。阶段性(或称周期性)对缓存的用户行为数据流进行学习，确定推荐模型，进而进行内容推荐。

具体的，每一阶段学习过程如下：

当一个时间阶段的数据缓存完成时，对容器中存储的数据抽样。被选中的数据从容器中剔除，并存储到大数据仓库中。再从“阶段新数据”存储数据库中抽样选择部分数据(新数据)填充到容器中。

完成上面的步骤之后，从“模型结果缓存”数据库中读取上一阶段模型学习结果，作为本阶段随机梯度算法中等效矩阵中各元素的初始值。进而按照上述随机梯度算法迭代执行，直到收敛(即使得效用矩阵中的各非空元素与等效矩阵中对应的元素的均方根误差最小)。

根据上一步骤中得到的推荐模型，采用堆排序算法得到前k个推荐结果，其计算时间复杂度为O(n·log(k))。由于一般n远大于k，因此这比整体排序的最小时间复杂度O(n·^log(n))要小很多。

基于与方法同样的发明构思，本发明实施例还提供一种内容推荐装置，如图2所示，包括：

数据获取模块201，用于获取用户对内容的偏好相关数据；

效用矩阵建立模块202，用于根据获取的用户对内容的偏好相关数据确定效用矩阵，所述效用矩阵中的非空元素为根据偏好相关数据确定的用户对内容的偏好值，所述效用矩阵中的空白元素为待确定的用户对内容的偏好值，所述效用矩阵的一行或一列对应同一个用户、一列或一行对应同一个内容；

效用矩阵填补模块203，用于确定所述效用矩阵的等效矩阵各元素的初始值，从所述等效矩阵各元素的初始值开始，对所述等效矩阵各元素进行迭代更新，使得所述效用矩阵中各个非空元素与所述等效矩阵中对应元素的匹配程度达到设定的阈值；每次迭代更新使用所述效用矩阵中一个用户对应的各非空元素；根据迭代更新后的等效矩阵填补所述效用矩阵中的空白元素；

内容推荐模块204，用于根据填补后的效用矩阵进行内容推荐。

本发明实施例提供的装置，在对效用矩阵的等效矩阵中各元素进行迭代更新的过程中，虽然每次基于效用矩阵中一个用户对应的非空元素对等效矩阵各元素进行更新，即仅对一个用户对应的偏好相关数据进行学习，但由于对效用矩阵的等效矩阵中各元素进行迭代更新的截止条件是，效用矩阵中各个非空元素与该等效矩阵中对应元素的匹配程度达到设定的阈值，因此保证了根据等效矩阵确定的用户对内容的偏好值的准确性，从而保证了推荐效果。在保证了推荐效果的同时，本发明实施例提供的装置较之对全部用户的全部偏好相关数据进行学习的现有的内容推荐方法，需要处理的数据量大大降低，因此提高了处理效率，减少了在处理过程中对存储资源的浪费。

较佳地，所述效用矩阵中各个非空元素与所述等效矩阵中对应元素的匹配程度达到设定的阈值，包括：

所述效用矩阵中各非空元素与所述等效矩阵中对应元素的均方根误差小于设定的阈值。

较佳地，对所述等效矩阵各元素的每次迭代更新包括：

确定所述效用矩阵中一个用户对应的非空元素与所述等效矩阵中对应元素的均方根误差；对于第一次迭代更新，所述等效矩阵中对应的元素为初始值，对于非第一次迭代更新，所述等效矩阵中对应的元素为上一次迭代更新后的取值；

确定所述均方根误差的梯度向量，并根据所述梯度向量对所述等效矩阵中各元素进行更新。

基于上述任意装置实施例，较佳地，所述数据获取模块具体用于：

使用随机选择的部分增量偏好相关数据等量替换模型数据集合中的偏好相关数据，所述模型数据集合由全部偏好相关数据中的部分构成；

获取所述模型数据集合中的用户对内容的偏好相关数据。

本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计 算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。

显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (4)

1.一种内容推荐方法，其特征在于，包括：

获取用户对内容的偏好相关数据，其中，所述偏好相关数据具体包括用户对内容的操作和用户的账户信息；

根据获取的用户对内容的偏好相关数据确定效用矩阵，所述效用矩阵中的非空元素为根据偏好相关数据确定的用户对内容的偏好值，所述效用矩阵中的空白元素为待确定的用户对内容的偏好值，所述效用矩阵的一行对应同一个用户且一列对应同一个内容，或者为，一列对应同一个用户且一行对应同一个内容；

确定所述效用矩阵的等效矩阵各元素的初始值，从所述等效矩阵各元素的初始值开始，对所述等效矩阵各元素进行迭代更新，使得所述效用矩阵中各非空元素与所述等效矩阵中对应元素的均方根误差小于设定的阈值；每次迭代更新使用所述效用矩阵中一个用户对应的各非空元素；

根据迭代更新后的等效矩阵填补所述效用矩阵中的空白元素；

根据填补后的效用矩阵进行内容推荐；

其中，获取用户对内容的偏好相关数据，包括：使用随机选择的部分增量偏好相关数据等量替换模型数据集合中的偏好相关数据，所述模型数据集合由全部偏好相关数据中的部分构成。

2.根据权利要求1所述的方法，其特征在于，对所述等效矩阵各元素的每次迭代更新包括：

确定所述效用矩阵中一个用户对应的非空元素与所述等效矩阵中对应元素的均方根误差；对于第一次迭代更新，所述等效矩阵中对应的元素为初始值，对于非第一次迭代更新，所述等效矩阵中对应的元素为上一次迭代更新后的取值；

确定所述均方根误差的梯度向量，并根据所述梯度向量对所述等效矩阵中各元素进行更新。

3.一种内容推荐装置，其特征在于，包括：

数据获取模块，用于获取用户对内容的偏好相关数据，其中，所述偏好相关数据具体包括用户对内容的操作和用户的账户信息；

效用矩阵建立模块，用于根据获取的用户对内容的偏好相关数据确定效用矩阵，所述效用矩阵中的非空元素为根据偏好相关数据确定的用户对内容的偏好值，所述效用矩阵中的空白元素为待确定的用户对内容的偏好值，所述效用矩阵的一行对应同一个用户且一列对应同一个内容，或者为，一列对应同一个用户且一行对应同一个内容；

效用矩阵填补模块，用于确定所述效用矩阵的等效矩阵各元素的初始值，从所述等效矩阵各元素的初始值开始，对所述等效矩阵各元素进行迭代更新，使得所述效用矩阵中各非空元素与所述等效矩阵中对应元素的均方根误差小于设定的阈值；每次迭代更新使用所述效用矩阵中一个用户对应的各非空元素；根据迭代更新后的等效矩阵填补所述效用矩阵中的空白元素；

内容推荐模块，用于根据填补后的效用矩阵进行内容推荐；

其中，所述数据获取模块具体用于：使用随机选择的部分增量偏好相关数据等量替换模型数据集合中的偏好相关数据，所述模型数据集合由全部偏好相关数据中的部分构成。

4.根据权利要求3所述的装置，其特征在于，对所述等效矩阵各元素的每次迭代更新包括：

确定所述效用矩阵中一个用户对应的非空元素与所述等效矩阵中对应元素的均方根误差；对于第一次迭代更新，所述等效矩阵中对应的元素为初始值，对于非第一次迭代更新，所述等效矩阵中对应的元素为上一次迭代更新后的取值；

确定所述均方根误差的梯度向量，并根据所述梯度向量对所述等效矩阵中各元素进行更新。