CN104520887A - 用于自动生成推荐的装置及方法 - Google Patents

Abstract

本发明涉及用于向用户u自动生成关于物品p的推荐的装置和方法。本装置包括或者至少间接连接至含有用户简档数据库和用户相互关系数据库的物品数据库。本装置包括标准推荐引擎，其构造成，访问上述物品数据库和上述用户简档数据库，以及，基于用户u的用户简档，计算表示用户u对物品p的“喜欢”程度的在[0，1]区间中的得分s(p,u)。本装置还包括内容发现推荐器，其构造成访问上述用户相互关系数据库，以及，至少找到与用户u具有直接联系的用户v，并且，进一步访问上述用户简档数据库，以便确定知道物品p的用户v的百分率，以及，基于物品p的得分s(p,u)、以及在与用户u具有直接联系的用户v之中知道物品p的程度(知道物品p的用户v的百分率)，生成推荐。

Description

用于自动生成推荐的装置及方法

技术领域

本发明涉及用于自动生成关于物品的推荐的装置及方法。

背景技术

这种装置通常称为推荐系统。推荐系统是帮助用户减轻潜在信息超负荷的机器。

用户不得不应对由压倒性量的(商业)信息构成的所谓“信息超负荷”问题，这些信息他们无法处理，并且限制他们发现他们喜欢什么、保持专注并集中于根据他们的兴趣值得做的事情上的能力。

推荐系统成为处理信息超负荷的流行工具。它们允许从大量物品诸如音频/视频(A/V)内容贮藏库、产品目录等中检索仅仅用户(或一组用户)喜欢的那些物品。这些推荐通常提供作为独立服务(例如，Movielens)、或者作为对现有服务的扩充(例如，Amazon、iTunes)。它们越来越多地出现在消费装置中，诸如Tivo数码摄像机、以及APRICO解决方案的产品。

通过经由可以嵌入在电子邮件中的唯一URL提及视频，或者通过直接连接至用户的社交网络诸如facebook(脸书)，许多因特网视频服务，包括YouTube.com、Hulu.com等，提供用户给朋友“推荐”该视频的可能性。另外，还有提供分享及回顾服务的专用网站，诸如Digg.com、Reddit.com、以及Delicious.com。

为了使机器能生成推荐，周知的是，组合物品的用户评分与用户简档，以及，检索类似的用户简档，并且生成给用户的推荐，这些用户具有的用户简档与对一个物品给出正面评分的用户的简档类似。

虽然用现有技术的推荐系统成功实现了这种方法，但仍然需要新的或替代的方法。本发明的目的是满足这种需求。

发明内容

根据本发明，此目的由一种用于向用户u自动生成关于物品p的推荐的装置实现，上述装置包括或者至少间接连接至-并因此可以访问-：

-物品数据库，其包括关于可供应物品的信息；

-用户简档数据库，对于本系统的用户v，其包括该用户关于已经看过或购买过或评价过的物品的信息；以及

-用户相互关系数据库，其包括关于用户u与v之间现有联系的信息，其中，如果用户v属于用户u的交往，则给出一种直接联系。

本装置包括标准推荐引擎，其构造成，访问上述物品数据库和上述用户简档数据库，以及，基于用户u的用户简档，计算[0，1]区间中的得分s(p,u)，该得分表示用户u对物品p的“喜欢”程度。本装置进一步包括内容发现推荐器，其构造成，访问上述用户相互关系数据库，以及，至少找到与用户u具有直接联系的用户v，并且，进一步访问上述用户简档数据库，以便确定知道物品p的用户v的百分率(fraction)，以及，基于物品p的得分s(p,u)、以及在与用户u具有直接联系的用户v之中知道物品p的程度(知道物品p的用户v的百分率)，生成推荐。

用户相互关系数据库可以是社交网络数据库。

本发明人考虑到，与信任推荐系统相比，人们通常更加信任他们的朋友。与由机器做出的推荐相比，无论实际推荐是如何精确及中肯，由朋友做出的推荐在重要性及中肯程度方面通常评价更高。此外，人们喜欢与朋友分享他们发现的新内容或新物品。对于一个人，非常值得做的可能是考虑成为第一个来介绍新物品(歌曲、电影等)进入他/她的朋友群体的，尤其是，如果此物品得到此群体中许多人喜欢的话。这可能是一种收到来自朋友赏识的手段。许多因特网服务和软件应用都支持让用户与其朋友分享他们发现并喜欢的东西的方法。

因为本装置还确定知道物品p的用户v的百分率，当生成关于物品的推荐时，可以考虑此百分率。适宜的是，本装置构造成，如果知道物品p的用户v的百分率相对较小，则生成关于该物品的推荐。特别地，本装置适宜构造成，生成取决于标准得分s(p,u)和知道物品p的用户v的百分率的改进得分。尽管这种优选方式显得与直觉相反，但其基于一种想法，给用户推荐物品，这些物品在他们社交网络中知道最少，但具有较高的喜欢程度，推荐不仅给用户自身，而且也是给他们的朋友。以这种方式，鼓励用户尝试对于他们整个社交网络是潜在感兴趣的新物品，然后成为第一个声称“发现”这些新物品的人。

因此，自动装置使得可以建立物品推荐成为可能，即使该物品迄今知之甚少，这比推荐已确定的物品更有挑战性。

根据一种优选实施例，本装置构造成，基于用户简档数据库中的用户u的简档，确定上述物品数据库中关于物品p的得分s(p,u)，以及，其中，上述内容发现推荐器包括群体统计单元和内容发现推荐单元，它们构造成执行下列步骤，以生成关于给定用户u的N条物品推荐：

-群体统计单元从用户相互关系数据库中检索群体C⁽¹⁾(u)，其包括与用户u直接联系的所有用户v，以及

-内容发现推荐单元找到N个物品p的子集，其优化关于用户u的累计得分与表示在由群体统计单元生成的群体C⁽¹⁾(u)中知道该物品p程度的称为k的度量的组合，其中，k如下定义：

$k(p,u)=\frac{1}{\left|C^{\left(1\right)}\left(u\right)\right|}\underset{v\∈C^{\left(1\right)}\left(u\right)}{\mathrm{\Σ}}\mathrm{seen}(p,v)$

其中，|C⁽¹⁾(u)|是与用户u直接联系的用户v的数量，可以由群体统计单元确定，

以及，seen(p,v)是一种函数，如果特定用户v已经看过物品p，该函数返回1，否则，该函数返回0，表示该用户v没有看过物品p。

根据又一优选实施例，该内容发现推荐单元构造成，计算如下定义的改进得分s'(p,u)：

s'(p,u)＝(1-λ)s(p,u)+λ(1-k(p,u))

其中，常数λ是在[0,1]区间中适当选择。

优选的是，内容发现推荐单元进一步构造成，选择并输出具有最高得分s'(p,u)的N个物品。这些物品因此得到推荐。

优选的是，群体统计单元构造成，从用户相互关系数据库中为各用户v∈C⁽¹⁾(u)检索第一级群体C⁽¹⁾(v)，其至少包括与用户v直接联系的所有用户，其中，第一级群体C⁽¹⁾(v)的成员v'与用户u间接联系，因此，形成用户u的第二级群体C⁽²⁾(u)：在这种实施例中，内容发现推荐单元找到N个物品p的子集，其优化关于用户u的累计得分与表示在由群体统计单元生成的群体C⁽ⁿ⁾(u)中知道物品p程度的称为k的量度的组合，其中，k如下定义：

$k(p,u)=\frac{1}{\left|C^{\left(n\right)}\left(u\right)\right|}\underset{v\∈C^{\left(n\right)}\left(u\right)}{\mathrm{\Σ}}\mathrm{seen}(p,v)$

关于所有实施例，适宜的是，标准推荐引擎构造成，基于朴素贝叶斯分类或协同过滤，确定得分s(p,u)。

优选的是，本装置包括过滤器，其滤除对于与用户u联系的用户的主要子集中或许不感兴趣的物品。如果过滤器构造成滤除具有的得分s(p,u)低于预定门限的物品，例如具有得分s(p,u)<0.6的物品，则是特别适宜的。取决于期望的选择性，适当的门限值是在0.3与0.8之间。

本装置可以构造成，确定扩展得分s'(p,u)，使得还可以考虑属于用户u的交往的用户v的“喜欢”程度。优选的是，通过用例如C⁽ⁿ⁾(v)中朋友“喜欢”程度的最大值(或平均值)乘以s(p,u)，计算扩展得分s'(p,u)。因此，用于计算扩展得分s'(p,u)的适当且优选的公式是：

$s^{\&prime;}(p,u)=[(1-\mathrm{\&lambda;})s(p,u)+\mathrm{\&lambda;}(1-k(p,u))]\underset{v\&Element;C^{\left(n\right)}\left(u\right)}{\max }\left\{s(p,v)\right\}.$

根据本发明，上述目的通过一种用于自动生成给用户u关于物品p的推荐的方法实现，以及，本方法包括下列步骤：

基于用户u的用户简档，计算[0，1]区间中的得分s(p,u)，其表示用户u对物品p的“喜欢”程度，

至少找到与用户u具有直接联系的用户v，

确定知道物品p的用户v的百分率，以及

基于物品p的得分s(p,u)、以及在与用户u具有直接联系的用户v之中知道物品p的程度(知道物品p的用户v的百分率)，生成推荐。

在本方法的一种优选实施例中，至少找到与用户u具有直接联系的用户v的步骤，包括生成群体C⁽¹⁾(u)，其包括与用户u直接联系的所有用户v，以及，确定知道物品p的用户v的百分率并且生成推荐的步骤，包括找到N个物品p的子集，其优化关于用户u的累计得分s(p,u)与表示在由群体统计单元生成的群体C⁽¹⁾(u)中知道该物品p程度的称为k的度量的组合，其中，k如下定义：

$k(p,u)=\frac{1}{\left|C^{\left(1\right)}\left(u\right)\right|}\underset{v\&Element;C^{\left(1\right)}\left(u\right)}{\mathrm{\&Sigma;}}\mathrm{seen}(p,v)$

其中，|C⁽¹⁾(u)|是与用户u直接联系的用户v的数量，

以及，seen(p,v)是一种函数，如果特定用户v已经看过物品p，该函数返回1，否则，该函数返回0，表示用户v没有看过物品p。

在本方法的另一优选实施例中，生成推荐的步骤包括计算如下定义的改进得分s'(p,u)：

s'(p,u)＝(1-λ)s(p,u)+λ(1-k(p,u))，

其中，常数λ是在[0,1]区间中适当选择。

优选的是，本方法进一步包括下述步骤，通过生成另一第一级群体C⁽¹⁾(v)，其至少包括与用户v直接联系的所有用户，至少找到与用户u具有间接联系的用户v'，其中第一级群体C⁽¹⁾(v)的成员v'与用户u间接联系，因此，形成用户u的第二级群体C⁽²⁾(u)。在这种方法中，确定知道物品p的用户v的百分率并且生成推荐的步骤，包括找到N个物品p的子集，其优化关于用户u的累计得分s(p,u)与表示在由群体统计单元生成的群体C⁽ⁿ⁾(u)中知道物品p程度的称为k的度量的组合，其中，k如下定义：

$k(p,u)=\frac{1}{\left|C^{\left(n\right)}\left(u\right)\right|}\underset{v\&Element;C^{\left(n\right)}\left(u\right)}{\mathrm{\&Sigma;}}\mathrm{seen}(p,v)$

其中，|C⁽ⁿ⁾(u)|是与用户u间接联系的用户v的数量，

以及，seen(p,v)是一种函数，如果特定用户v已经看过物品p，该函数返回1，否则，该函数返回0，表示用户v没有看过物品p。

本方法的其它优选方面与上述装置的优选实施例对应。

附图说明

根据下文结合附图给出的具体描述，本发明的上述以及其它方面、特点和优点将更为明了，附图中：

图1示出实现本发明的系统的示意图。

具体实施方式

下文说明目前考虑用于实现本发明的最佳模式。此说明不应视为限制意义，而仅仅是出于描述本发明一般原理的目的。本发明的范围应当参照所附权利要求确定。

图1图示用于自动生成有关物品的推荐的装置10的示例。根据图1，本装置包括标准推荐系统12、内容发现推荐单元14、以及群体统计单元16。内容发现推荐单元14具有与标准推荐系统12连接的输入、以及与群体统计单元16连接的另外输入。

装置10还连接至或者具有入口至物品数据库20、用户简档数据库22、以及社交网络数据库24。社交网络数据库24是用户相互关系数据库，其包括关于用户之间社会交往的信息。这种用户的用户简档存储在用户简档数据库22中。物品数据库20包括有关潜在可以给用户推荐的物品的信息。

装置10的标准推荐系统12连接至或者可访问物品数据库20以及用户简档数据库22，以基于例如本领域周知的特征值对评价方法，生成关于物品p的标准得分。

装置10的群体统计单元16连接至或者可访问社交网络数据库24，以便确定一个用户具有的社会交往的数量。特定用户的社会交往是知道该特定用户的其他用户，或者与该特定用户有关的像周知社交网络诸如facebook(脸书)中的“朋友”那样的其他用户。通过考虑如由标准推荐系统12确定的关于物品的标准得分，并且进一步考虑特定物品在特定社会群体中的物品认知程度，装置10的内容发现推荐单元14可以给特定社会群体生成相对“新”物品的推荐。

物品数据库包括关于系统中可供应物品的信息，而用户简档数据库包括-对于系统的各用户-有关用户已经看过或购买过或评价过的物品的信息。社交网络数据库包括用户之间现有社会联系的信息，因此，通常称为用户相互关系数据库。在本披露的背景下，联系常常称为“交往”。社会联系的示例是由用户明确指出的“朋友”或“同事”关系。通过观察用户之间频繁电子邮件往来或其它形式的传信及通信，可以确定其它联系。也可以使用外部社交网络。

标准推荐系统是一种推荐系统，其基于用户简档数据库中一个用户的简档，计算对于该用户关于物品的得分。可以使用的推荐系统的示例是基于朴素贝叶斯分类(Naive Bayesian Classification)或协同过滤(collaborativefiltering)的那些推荐系统。

给定物品p和用户u，标准推荐系统计算区间[0，1]中的得分s(p,u)，其表示用户u“喜欢”物品p的程度。

由内容发现推荐单元和群体统计单元执行下列步骤，以生成对于给定用户u的数量N个物品推荐：

1.群体统计单元从社交网络数据库中检索与用户u直接联系的所有用户C⁽¹⁾(u)。C⁽¹⁾(u)称为第一级群体。

2.群体统计单元从社交网络数据库中为各用户v∈C⁽¹⁾(u)检索与用户v直接联系的所有用户C⁽¹⁾(v)。对于各v∈C⁽¹⁾(u)，C⁽¹⁾(u)与所有C⁽¹⁾(v)的并，在本文背景下称为第二级群体C⁽²⁾(u)。此步骤可以重复，以建立称为第三级群体、第四级群体等用户的更大集合，直至群体集合中的用户数量足够大。

3.内容发现推荐单元找到N个物品的子集，其优化关于用户u的累计得分与表示在步骤2所建立的群体中知道该物品程度的称为k的度量的组合。更正式地，内容发现推荐器计算如下定义的得分s'(p,u)：

s'(p,u)＝(1-λ)s(p,u)+λ(1-k(p,u))，

其中：

$k(p,u)=\frac{1}{\left|C^{\left(n\right)}\left(u\right)\right|}\underset{v\&Element;C^{\left(n\right)}\left(u\right)}{\mathrm{\&Sigma;}}\mathrm{seen}(p,v)$

常数λ是在[0，1]区间中适当选择。如果用户u已经看过物品p，则函数seen(p,u)具有值1，否则，具有值0。

接着，由内容发现推荐单元选择并输出N个最高得分物品，作为被推荐物品或待推荐物品。

在另一实施方式中，对于个人推荐给朋友同样感兴趣的是，对于群体的足够大子集，该物品也应当是感兴趣的。这能实现为过滤器，其滤除对于朋友的真正子集或许不感兴趣的物品。可选择地，通过扩展s'(p,u)项应当可以加入，使得还可以考虑第一级群体、第二级群体等的“喜欢”程度。个人“喜欢”程度的影响，可以用该人与给定用户的距离进行加权。

在又一实施方式中，为了避免完全相同的物品被推荐给用户和/或他/她的朋友，函数seen(p,u)可以扩展至‘seen-by-or-recommended-to(p,u)’。这避免了一组朋友全都接收相同物品。可选择地，由内容发现推荐器计算的得分可以扩展至包括“喜欢”程度的部分，例如，通过将其乘以例如C⁽ⁿ⁾(u)中朋友的“喜欢”程度的最大值(或平均值)：

$s^{\&prime;}(p,u)=[(1-\mathrm{\&lambda;})s(p,u)+\mathrm{\&lambda;}(1-k(p,u))]\underset{v\&Element;C^{\left(n\right)}\left(u\right)}{\max }\left\{s(p,v)\right\}.$

当然，其它函数也是可能的。所给出的仅仅是一种优选实施方式。

Claims (15)

1.一种用于向用户u自动生成关于物品p的推荐的装置，所述装置包括或者至少间接连接至(可以访问)：

-物品数据库，其包括关于可供应物品的信息；

-用户简档数据库，对于系统的用户v，其包括所述用户关于已经看过或购买过或评价过哪些物品的信息；以及

-用户相互关系数据库，其包括关于用户u与v之间现有联系的信息，其中，如果用户v属于用户u的交往，则给出一种直接联系，

其中，所述装置包括标准推荐引擎，其构造成，访问所述物品数据库和所述用户简档数据库，以及，基于用户u的用户简档，计算[0，1]区间中的得分s(p,u)，所述得分表示用户u对物品p的“喜欢”程度，以及

内容发现推荐器，其构造成，访问所述用户相互关系数据库，以及，至少找到与用户u具有直接联系的用户v，并且，进一步访问所述用户简档数据库，以便确定知道物品p的用户v的百分率，以及，基于物品p的所述得分s(p,u)和在与用户u具有直接联系的用户v之中知道物品p的程度(知道物品p的用户v的百分率)，生成推荐。

2.根据权利要求1所述的装置，其中，所述装置构造成，基于所述用户简档数据库中的用户u的简档，确定所述物品数据库中关于物品p的所述得分s(p,u)，并且其中，所述内容发现推荐器包括群体统计单元和内容发现推荐单元，它们构造成执行下列步骤，以生成对于给定用户u的N个物品推荐：

-所述群体统计单元从所述用户相互关系数据库中检索群体C⁽¹⁾(u)，其包括与用户u直接联系的所有用户v，以及

-所述内容发现推荐单元找到N个物品p的子集，其优化关于用户u的累计得分与表示在由所述群体统计单元生成的所述群体C⁽¹⁾(u)中知道所述物品p程度的称为k的度量的组合，其中，k如下定义：

$k(p,u)=\frac{1}{\left|C^{\left(1\right)}\left(u\right)\right|}\underset{{v\&Element;C}^{\left(1\right)}\left(u\right)}{\mathrm{\&Sigma;}}\mathrm{seen}(p,v)$

其中，|C⁽¹⁾(u)|是与用户u直接联系的用户v的数量，

以及，seen(p,v)是一种函数，如果特定用户v已经看过物品p，所述函数返回1，否则，所述函数返回0，表示用户v没有看过物品p。

3.根据权利要求2所述的装置，其中，所述内容发现推荐单元构造成，选择并输出N个最高得分的物品。

4.根据权利要求2或3所述的装置，其中，所述内容发现推荐单元构造成，计算如下定义的改进得分s'(p,u)：

s'(p,u)＝(1-λ)s(p,u)+λ(1-k(p,u))

其中，常数λ是在所述[0,1]区间中适当选择的。

5.根据权利要求2至4中任一项所述的装置，其中，所述群体统计单元构造成，从所述用户相互关系数据库中为各用户v∈C⁽¹⁾(u)检索另一第一级群体C⁽¹⁾(v)，其至少包括与用户v直接联系的所有用户，其中，所述第一级群体C⁽¹⁾(v)的成员v'与用户u间接联系，因此，形成用户u的第二级群体C⁽²⁾(u)，

并且其中，所述内容发现推荐单元找到N个物品p的子集，其优化关于用户u的累计得分与表示在由所述群体统计单元生成的所述群体C⁽ⁿ⁾(u)中知道所述物品p程度的称为k的量度的组合，其中，k如下定义：

$k(p,u)=\frac{1}{\left|C^{\left(n\right)}\left(u\right)\right|}\underset{{v\&Element;C}^{\left(n\right)}\left(u\right)}{\mathrm{\&Sigma;}}\mathrm{seen}(p,v).$

6.根据权利要求1至5中至少一项所述的装置，其中，所述标准推荐引擎构造成，基于朴素贝叶斯分类或协同过滤，确定所述得分s(p,u)。

7.根据权利要求1至6中至少一项所述的装置，其中，所述装置包括过滤器，其滤除对于与用户u联系的用户的主要子集中或许不感兴趣的物品。

8.根据权利要求1至6中至少一项所述的装置，其中，所述装置构造成，确定扩展得分s'(p,u)，使得还可以考虑属于用户u的交往的所述用户v的“喜欢”程度。

9.根据权利要求5和8所述的装置，其中，所述装置构造成，取决于特定用户v与用户u的距离，对用户v和v'的“喜欢”程度的影响进行加权，使得所述第二级群体C⁽²⁾(u)的成员v'比所述第一级群体C⁽¹⁾(v)的成员v具有较小影响。

10.根据权利要求1至9中至少一项所述的装置，其中，所述装置构造成，取代seen(p,v)，确定改进函数seen'(p,v)，seen'(p,v)是一种函数，如果特定用户v看过物品p和/或物品p被推荐给用户v则返回1，否则返回0，表示用户v没有看过物品p或者物品p未被推荐给用户v。

11.一种用于向用户u自动生成关于物品p的推荐的方法，所述方法包括下列步骤：

基于用户u的用户简档，计算[0，1]区间中的得分s(p,u)，其表示用户u对物品p的“喜欢”程度，

至少找到与用户u具有直接联系的用户v，

确定知道物品p的所述用户v的百分率，以及

基于物品p的所述得分s(p,u)并且基于在与用户u具有直接联系的用户v之中知道所述物品p的程度(知道物品p的用户v的百分率)，生成推荐。

12.根据权利要求11所述的方法，其中，至少找到与用户u具有直接联系的用户v的步骤，包括生成群体C⁽¹⁾(u)，其包括与用户u直接联系的所有用户v，以及

其中，确定知道物品p的所述用户v的百分率并且生成推荐的步骤，包括找到N个物品p的子集，其优化关于用户u的累计得分s(p,u)与表示在由所述群体统计单元生成的所述群体C⁽¹⁾(u)中知道所述物品p程度的称为k的度量的组合，其中，k如下定义：

$k(p,u)=\frac{1}{\left|C^{\left(1\right)}\left(u\right)\right|}\underset{{v\&Element;C}^{\left(1\right)}\left(u\right)}{\mathrm{\&Sigma;}}\mathrm{seen}(p,v)$

其中，|C⁽¹⁾(u)|是与用户u直接联系的用户v的数量，

以及，seen(p,v)是一种函数，如果特定用户v已经看过物品p，所述函数返回1，否则，所述函数返回0，表示用户v没有看过物品p。

13.根据权利要求12所述的方法，其中，由所述内容发现推荐单元选择并输出N个最高得分的物品。

14.根据权利要求11至13中任一项所述的方法，其中，生成推荐的步骤包括计算如下定义的改进得分s'(p,u)：

s'(p,u)＝(1-λ)s(p,u)+λ(1-k(p,u))，

其中，常数λ是在所述[0,1]区间中适当选择的。

15.根据权利要求11至14中任一项所述的方法，其中，所述方法进一步包括下述步骤，通过生成另一第一级群体C⁽¹⁾(v)，其至少包括与用户v直接联系的所有用户，至少找到与用户u具有间接联系的用户v'，其中，所述第一级群体C⁽¹⁾(v)的成员v'与用户u间接联系，因此形成用户u的第二级群体C⁽²⁾(u)，其中，确定知道物品p的所述用户v的百分率并且生成推荐的步骤，包括找到N个物品p的子集，其优化关于用户u的累计得分s(p,u)与表示在由所述群体统计单元生成的所述群体C⁽ⁿ⁾(u)中知道所述物品p程度的称为k的度量的组合，其中，k如下定义：

$k(p,u)=\frac{1}{\left|C^{\left(n\right)}\left(u\right)\right|}\underset{{v\&Element;C}^{\left(n\right)}\left(u\right)}{\mathrm{\&Sigma;}}\mathrm{seen}(p,v)$

其中，|C⁽¹⁾(u)|是与用户u直接联系的用户v的数量，

以及，seen(p,v)是一种函数，如果特定用户v已经看过物品p，所述函数返回1，否则，所述函数返回0，表示用户v没有看过物品p。