CN104424247A - 一种产品信息过滤推荐方法和装置 - Google Patents

Abstract

本发明提出了一种产品信息过滤推荐方法和装置，该方法包括步骤：预先获取用户对产品的多种评价数据；根据评价数据，训练推荐模型；输入用户的多种评价数据，应用训练后的推荐模型计算用户对产品的评分预测值，将评分预测值满足预设要求的产品添加到推荐列表。本发明还提供一种产品信息过滤推荐装置，包括数据库、模型训练模块和模型应用模块；数据库，用于预先获取用户对产品的多种评价数据；模型训练模块，用于根据评价数据，训练推荐模型；模型应用模块，用于输入当前用户的多种评价数据，应用训练后的推荐模型计算用户对产品的评分预测值，将评分预测值满足预设要求的产品添加到推荐列表。该方法和装置，能够提高产品信息过滤推荐的准确度。

Description

一种产品信息过滤推荐方法和装置

技术领域

本发明涉及网络信息技术领域，尤其是涉及一种产品信息过滤推荐方法和装置。 

背景技术

随着互联网技术的不断发展，越来越多的产品信息通过网络这一媒体进行传播，大量产品信息存在于网络当中。当用户面临大量的物品，难以找到或选择适合自己的物品时，推荐技术根据大量的历史数据和当前实时数据分析计算用户偏好，预测用户对物品的喜好程度，从而帮助用户找到适合的物品。例如，图书推荐系统可以帮助用户选择合适的书来阅读，而在线电影租赁网站可以推荐合适的电影提高用户满意度。推荐模型的数据来源是用户和物品的相关属性和用户对物品的行为数据，比如用户的人口统计学属性、用户的答题数据、用户对物品的评分、用户对物品的收藏、用户对物品的转发、用户购买记录等数据。 

其中，现有技术中，一种应用较为广泛的推荐技术，是协同过滤推荐。协同过滤推荐，也就是给定某用户，将和该用户具有相似偏好的用户群喜好的物品推荐给他。两个用户之间的偏好相似度是基于他们对物品的评分记录。协同过滤推荐的算法中的一种是基于模型的算法。而基于模型的算法是假设数据符合某种特定的模型，然后用历史数据对模型进行训练，训练结果再用于推荐。基于模型的推荐算法中最著名的“矩阵因子化”算法。该算法将用户对物品的评分数据投射到一个共同的有限维实数空间，在该空间中将每个用户和每个物品分别对应到一个向量。基于这些向量，可以计算用户的 推荐。 

传统的协同过滤算法，只考虑用户对物品的评分数据，由于评分数据仅能从一个角度反应用户的意向，但是不能够全面反应，较为片面，因此，通过传统的协同过滤算法推荐的产品信息往往具有较大的局限性。 

发明内容

本发明提出了一种产品信息过滤推荐方法和装置，以解决上述问题。 

为了达到上述目的，本发明的技术方案是这样实现的： 

本发明提供一种产品信息过滤推荐方法，包括步骤： 

步骤A，预先获取用户对产品的多种评价数据； 

步骤B，根据多种所述评价数据，训练推荐模型； 

步骤C，输入当前用户的多种评价数据，应用训练后的推荐模型计算用户对产品的评分预测值，将评分预测值满足预设要求的产品添加到推荐列表。 

其中，所述评价数据，包括评分数据、收藏数据、转发数据和反馈数据； 

所述评分数据包括用户代号、项代号、评分值、评分时间； 

所述收藏数据包括用户代号、项代号、收藏时间； 

所述转发数据包括用户代号、项代号、转发时间； 

所述反馈数据包括用户代号、题号、用户选择的答案项代号、答题时间。 

其中，所述步骤B包括步骤： 

步骤B1，进行推荐模型设定，设定的推荐模型如下： 

其中，u为当前用户，i为当前项，为用户u对项i的预测评分，为全部评分的平均值，b_u为用户u的基准评分偏移，b_i为项i的基准评分偏移，q，x，y⁽¹⁾，y⁽²⁾，s均为项i的因子向量，R(u)为用户u已经评分的项集合，r_ui为用户u对项i的实际评分，为预计算的项i的基准评分偏移，为预计算的用户u的基准评分偏移，为预计算的基准评分预测，N⁽¹⁾(u)、N⁽²⁾(u)为隐性评分，(1)代表收藏，(2)代表转发，A(u)为用户反馈问题数据的代号集合； 

步骤B2，根据多种所述评价数据，计算出所述推荐模型中的未知参数。 

其中，所述B2包括步骤： 

输入历史评分数据集合和因子的秩f； 

对每个项i，计算q_i，x_i； 

设定循环次数为20，参数·＜＜0.002，l＜＜0.04，l₂＜＜25，l₃＜＜10； 

计算总平均： 

预计算基准评分预测： 

初始化模型参数； 

计算和项i无关的部分： 

若iR(u)，则

为x_i梯度步累加信息，

对q_i，b_u，b_i进行梯度步： 

若jR(u)则对x_j进行梯度步： 

若j N⁽¹⁾(u)则对收藏数据y⁽¹⁾进行梯度步： 

若j N⁽²⁾(u)则对转发数据y⁽²⁾进行梯度步： 

若jA(u)则对答题数据s进行梯度步： 

返回参数b_i，b_u，x，y⁽¹⁾，y⁽²⁾，s，p的值。 

其中，所述步骤B中训练推荐模型为按照预设频率在预设时间段进行训练。 

其中，所述步骤C包括步骤： 

实时计算用户u对项i的评分预测值输入用户u，项i，根据 

输出u对项i的评分预测值

计算项之间的相似性，输入项i₁和项i₂，根据 

$\cos (i_1,i_2)<<\frac{q_{i_1}{q}_{i_2}}{\left|\right|q_{i_1}\left|\right|\left|\right|q_{i_2}\left|\right|}$

输出项i₁和项i₂的相似性； 

计算用户i和用户j之间的相似性，输入用户u₁和用户u₂，根据 

$\cos (u_1,u_2)<<\frac{p_{u_1}{p}_{u_2}}{\left|\right|p_{u_1}\left|\right|\left|\right|p_{u_2}\left|\right|}$

输出用户u₁和用户u₂的相似性。 

其中，所述步骤C还包括步骤： 

给定用户，计算该用户和所有其他用户的相似性，选出相似性为正数，且排名最靠前的前第一预设数值个添加到相似的用户列表； 

给定项，计算该项和所有其他项的相似性，选出相似性为正数，且排名最靠前的前第二预设数值个添加到相似的项列表； 

给定用户u，计算该用户对所有项的评分预测，选出评分大于b_u的前第三预设数值个添加到项推荐列表。 

其中，所述步骤C之后还包括步骤： 

用户u登录后，当监测到该用户有评分、收藏、转发行为时，则更新当前用户的各种评价数据，并更新该用户的项推荐列表和用户推荐列表。 

本发明还提供一种产品信息过滤推荐装置，包括数据库、模型训练模块和模型应用模块； 

所述数据库，用于预先获取用户对产品的多种评价数据； 

所述模型训练模块，用于根据多种所述评价数据，训练推荐模型； 

所述模型应用模块，用于输入当前用户的多种评价数据，应用训练后的推荐模型计算用户对产品的评分预测值，将评分预测值满足预设要求的产品添加到推荐列表。 

其中，所述子模型训练模块，用于： 

进行推荐模型设定，设定的推荐模型如下： 

其中，u为当前用户，i为当前项，为用户u对项i的预测评分，为全部评分的平均值，b_u为用户u的基准评分偏移，b_i为项i的基准评分偏移，q，x，y⁽¹⁾，y⁽²⁾，s均为项i的因子向量，R(u)为用户u已经评分的项集合，r_ui为用户u对项i的实际评分，为预计算的项i的基准评分偏移，为预计算的用户u的基准评分偏移，为预计算的基准评分预测，N⁽¹⁾(u)、N⁽²⁾(u)为隐性评分，(1)代表收藏，(2)代表转发，A(u)为用户反馈问题数据的代号集合； 

根据多种所述评价数据，计算出所述推荐模型中的未知参数。 

可见，本发明至少具有如下的有益效果： 

本发明的一种产品信息过滤推荐方法和装置，进行产品推荐所采用的模型进行训练以及应用的数据源是多种数据，不仅限于评分数据，这样，可以从多个角度全方位地综合考虑客户的意向，相比仅将评分数据作为训练模型的数据参考，本发明所训练出来的推荐模型更加合理，依靠该模型所计算出来的推荐列表更加全面，准确度更高。 

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。 

图1为本发明的产品信息过滤推荐方法的流程图； 

图2为本发明的产品信息过滤推荐方法的模型训练阶段的流程示意图； 

图3为本发明的产品信息过滤推荐方法的模型应用阶段的流程示意图； 

图4为本发明的产品信息过滤推荐装置的结构模块图。 

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。 

实施例一 

本发明实施例一提供一种产品信息过滤推荐方法，读取用户对物品的评分数据、收藏数据等等进行模型训练，输出模型参数计算结果，并应用参数和模型公式进行实时推荐。 

参见图1所示，包括步骤： 

步骤S110，预先获取用户对产品的多种评价数据。 

所述评价数据，包括各种用户做出的与产品相关的行为统计数据，可以包括用户对物品的评分数据、交互行为数据、用户答题数据、用户人口统计学数据等等。 

优选地，所述评价数据，包括评分数据、收藏数据、转发数据和反馈数据。 

评分数据是用户对项的评分，分值可以设置为1、2、3、4、5，评分越高代表越喜好。如果用户对项重复评分，只需要记录最新的评分。记录的数据包括：用户代号、项代号、评分值、评分时间(精确到秒)。评分时间主要用于数据筛选，以后也可能用于训练模型。 

收藏数据，用户收藏的项集合。记录的数据包括：用户代号、项代号、收藏时间。 

转发数据为用户转发的项集合，记录的数据包括：用户代号、项代号、转发时间。 

答题数据需要记录用户代号、题号、用户选择的答案项代号、答题时间。如果用户重复答题，只需要记录最新的结果。 

在输入模型训练时，答题数据在训练之前需要作转化。比如某道题1234有3个答案选项：1，2，3，则把该题等价看作为3个元素构成(123401，123402，123403)。如果某用户u对题1234回答2，则123402A(u)，而。123401，123403A(u)。 

步骤S111，根据多种所述评价数据，训练推荐模型。 

参见图2所示，统一推荐模型的输入数据是多种多样的，模型对全部数据统一训练，输出模型训练结果。 

本发明中各项参数参见下表： 

首先进行模型的设定，每个项i，对应f维实数空间的若干向量。 

其中b_u，b_i，q，x，y，z，t为参数，需要用历史数据训练得到估计值。 

训练模型的算法的伪代码如下： 

％输入：历史评分数据集合因子的秩：f(可以取100) 

％输出：对每个项i，计算q_i，x_i，二者均为f维实数的向量。 

Const #Iterations＜＜20，·＜＜0.002，l＜＜0.04，l₂＜＜25，l₃＜＜10 

％计算总平均： 

％预计算基准评分预测： 

％初始化模型参数 

％梯度下降法 

for count＜＜1，...，#Iterations do 

for u＜＜1，...，m do 

％计算和i无关的部分： 

％为x_i梯度步累加信息： 

％对q_i，b_u，b_i进行梯度步： 

％对x_j进行梯度步： 

％对y⁽¹⁾(收藏数据)进行梯度步： 

％对y⁽²⁾(转发数据)进行梯度步： 

％对s(答题数据)进行梯度步： 

训练推荐模型为按照预设频率在预设时间段进行训练。优选地，作为一种可实施方式，所述预设频率为一天一次，预设时间段为每天晚上12点开始，这样每天晚上12：00训练一次。 

每天读取全量数据对模型进行训练，训练的结果保存在数据库中，供实时推荐程序每天读取一次。实时推荐程序读取训练结果驻留在内存之中，提供推荐服务。需要保存的数据是上述模型训练结果。 

步骤S112，输入当前用户的多种评价数据，应用训练后的推荐模型计算用户对产品的评分预测值，将评分预测值满足预设要求的产品添加到推荐列表。 

参见图3所示，该步骤为模型的应用阶段。对当前活跃用户，根据用户各方面的输入，应用模型结果计算用户对物品的评分预测，从而得到用户的物品推荐列表。 

在进行模型应用的阶段，主要进行以下几个步骤： 

评分的预测： 

在训练模型之后，可以计算用户u对项i的评分预测值评分的预测是实时进行的。计算方法如下： 

输入：用户u，项i 

输出：u对项i的评分预测值

项的相似性的计算： 

项i和项j之间的相似性计算公式如下： 

输入：项i₁和项i₂

输出：项i₁和项i₂的相似性 

$\cos (i_1,i_2)<<\frac{{q_i}_1{q_i}_2}{\left|\right|{q_i}_1\left|\right|\left|\right|{q_i}_2\left|\right|}$

相似性在-1到1之间，值越大表示二者越相似。 

用户相似性的计算： 

用户i和用户j之间的相似性计算公式如下： 

输入：用户u₁和用户u₂

输出：用户u₁和用户u₂的相似性 

$\cos (u_1,u_2)<<\frac{{p_u}_1{p_u}_2}{\left|\right|{p_u}_1\left|\right|\left|\right|{p_u}_2\left|\right|}$

相似性在-1到1之间，值越大表示二者越相似。 

之后，还进行如下几个步骤： 

获取相似的用户列表： 

给定用户，计算该用户和所有其他用户的相似性，选出相似性为正数，且排名最靠前的top N。其中N的数值可以设定，为第一预设数值，可以为3-10。 

获取相似的项列表： 

给定项，计算该项和所有其他项的相似性，选出相似性为正数，且排名最靠前的top N。其中N的数值可以设定，为第二预设数值，可以为3-10. 

获取项推荐列表： 

给定用户u，计算该用户对所有项的评分预测，选出评分大于b_u的top N。其中N的数值可以设定，为第三预设数值，可以为3-10. 

用户特征向量的实时更新： 

当用户u登录后，有评分、收藏、转发行为时，更新p_u。由此可以更新该用户的项推荐和用户推荐。 

现有协同过滤推荐算法只采用用户对物品的评分数据，不能同时处理用户相关的一些其他数据，由此导致推荐的准确性受到不利影响。本发明实施例综合考虑用户对物品的评分数据以及其他的用户相关数据，将这些数据统一在一个模型中进行处理，旨在通过将各种数据集中在一个模型中统一训练、统一推荐结果，提高推荐的准确性，在实践中也更易于管理和应用。 

本发明还提供一种产品信息过滤推荐装置，参见图4所示，包括数据库、模型训练模块和模型应用模块。 

所述数据库，用于预先获取用户对产品的多种评价数据。 

所述模型训练模块，用于根据多种所述评价数据，训练推荐模型。 

所述模型应用模块，用于输入当前用户的多种评价数据，应用训练后的推荐模型计算用户对产品的评分预测值，将评分预测值满足预设要求的产品添加到推荐列表。 

其中数据库中各种数据的输入数据和输出数据的存储格式如下述列表所示： 

输入数据： 

评分数据 

收藏数据 

转发数据 

答题数据 

输出数据： 

均值 

项的偏移 

用户的偏移 

项的相关向量 

用户的相关向量 

答题的相关向量 

综上，本发明提供的推荐模型能够统一处理用户评分等各种用户行为数据和人口统计学数据，提高推荐的准确性，所采用的推荐模型简单易行，模型训练方法高效、完整，较易推广使用。 

最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其 限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。 

Claims (10)

1.一种产品信息过滤推荐方法，其特征在于，包括步骤：

步骤A，预先获取用户对产品的多种评价数据；

步骤B，根据多种所述评价数据，训练推荐模型；

步骤C，输入当前用户的多种评价数据，应用训练后的推荐模型计算用户对产品的评分预测值，将评分预测值满足预设要求的产品添加到推荐列表。

2.根据权利要求1所述的产品信息过滤推荐方法，其特征在于，所述评价数据，包括评分数据、收藏数据、转发数据和反馈数据；

所述评分数据包括用户代号、项代号、评分值、评分时间；

所述收藏数据包括用户代号、项代号、收藏时间；

所述转发数据包括用户代号、项代号、转发时间；

所述反馈数据包括用户代号、题号、用户选择的答案项代号、答题时间。

3.根据权利要求2所述的产品信息过滤推荐方法，其特征在于，所述步骤B包括步骤：

步骤B1，进行推荐模型设定，设定的推荐模型如下：

其中，u为当前用户，i为当前项，为用户u对项i的预测评分，为全部评分的平均值，b_u为用户u的基准评分偏移，b_i为项i的基准评分偏移，q，x，y⁽¹⁾，y⁽²⁾，s均为项i的因子向量，R(u)为用户u已经评分的项集合，r_ui为用户u对项i的实际评分，为预计算的项i的基准评分偏移，为预计算的用户u的基准评分偏移，为预计算的基准评分预测，N⁽¹⁾(u)、N⁽²⁾(u)为隐性评分，(1)代表收藏，(2)代表转发，A(u)为用户反馈问题数据的代号集合；

步骤B2，根据多种所述评价数据，计算出所述推荐模型中的未知参数。

4.根据权利要求3所述的产品信息过滤推荐方法，其特征在于，所述B2包括步骤：

输入历史评分数据集合和因子的秩f；

对每个项i，计算q_i，x_i；

设定循环次数为20，参数·＜＜0.002，l＜＜0.04，l₂＜＜25，l₃＜＜10；

计算总平均：

预计算基准评分预测：

初始化模型参数；

计算和项i无关的部分：

若i R(u)，则

为x_i梯度步累加信息，

对q_i，b_u，b_i进行梯度步：

若j R(u)则对x_j进行梯度步：

若j N⁽¹⁾(u)则对收藏数据y⁽¹⁾进行梯度步：

若j N⁽²⁾(u)则对转发数据y⁽²⁾进行梯度步：

若j A(u)则对答题数据s进行梯度步：

返回参数的值。

5.根据权利要求1所述的产品信息过滤推荐方法，其特征在于，所述步骤B中训练推荐模型为按照预设频率在预设时间段进行训练。

6.根据权利要求4所述的产品信息过滤推荐方法，其特征在于，所述步骤C包括步骤：

实时计算用户u对项i的评分预测值输入用户u，项i，根据

输出u对项i的评分预测值

计算项之间的相似性，输入项i₁和项i₂，根据

$\cos (i_1,i_2)<<\frac{q_{i_1}{q}_{i_2}}{\left|\right|q_{i_1}\left|\right|\left|\right|q_{i_2}\left|\right|}$

输出项i₁和项i₂的相似性；

计算用户i和用户j之间的相似性，输入用户u₁和用户u₂，根据

$\cos (u_1,u_2)<<\frac{p_{u_1}{p}_{u_2}}{\left|\right|p_{u_1}\left|\right|\left|\right|p_{u_2}\left|\right|}$

输出用户u₁和用户u₂的相似性。

7.根据权利要求6所述的产品信息过滤推荐方法，其特征在于，所述步骤C还包括步骤：

给定用户，计算该用户和所有其他用户的相似性，选出相似性为正数，且排名最靠前的前第一预设数值个添加到相似的用户列表；

给定项，计算该项和所有其他项的相似性，选出相似性为正数，且排名最靠前的前第二预设数值个添加到相似的项列表；

给定用户u，计算该用户对所有项的评分预测，选出评分大于b_u的前第三预设数值个添加到项推荐列表。

8.根据权利要求7所述的产品信息过滤推荐方法，其特征在于，所述步骤C之后还包括步骤：

用户u登录后，当监测到该用户有评分、收藏、转发行为时，则更新当前用户的各种评价数据，并更新该用户的项推荐列表和用户推荐列表。

9.一种产品信息过滤推荐装置，其特征在于，包括数据库、模型训练模块和模型应用模块；

所述数据库，用于预先获取用户对产品的多种评价数据；

所述模型训练模块，用于根据多种所述评价数据，训练推荐模型；

所述模型应用模块，用于输入当前用户的多种评价数据，应用训练后的推荐模型计算用户对产品的评分预测值，将评分预测值满足预设要求的产品添加到推荐列表。

10.根据权利要求8所述的产品信息过滤推荐装置，其特征在于，所述子模型训练模块，用于：

进行推荐模型设定，设定的推荐模型如下：

其中，u为当前用户，i为当前项，为用户u对项i的预测评分，为全部评分的平均值，b_u为用户u的基准评分偏移，b_i为项i的基准评分偏移，q，x，y⁽¹⁾，y⁽²⁾，s均为项i的因子向量，R(u)为用户u已经评分的项集合，r_ui为用户u对项i的实际评分，为预计算的项i的基准评分偏移，为预计算的用户u的基准评分偏移，为预计算的基准评分预测，N⁽¹⁾(u)、N⁽²⁾(u)为隐性评分，(1)代表收藏，(2)代表转发，A(u)为用户反馈问题数据的代号集合；

根据多种所述评价数据，计算出所述推荐模型中的未知参数。