CN104915444A - 信息推荐方法及装置 - Google Patents

Abstract

本发明提供一种信息推荐方法及装置，所述方法包括根据M个用户对于N个对象与网络侧服务器的交互数据，建立交互信息矩阵R；根据所述M个用户的社交信息建立用户相关度矩阵C；根据所述交互信息矩阵R和所述用户相关度矩阵C，确定目标对象；将所述目标对象的信息发送给所述用户。本发明实施例通过用户之间的显式或隐式社交信息建立用户相关度矩阵C，并根据交互信息矩阵R和所述用户相关度矩阵C，得到比较精确的用户特征向量矩阵和对象特征向量矩阵，进而可以根据用户特征向量和对象特征向量矩阵给出精确的推荐结果，而且可以针对所有用户提供全面、高效的信息推荐。

Description

信息推荐方法及装置

技术领域

本发明涉及信息推荐技术，尤其涉及一种信息推荐方法及装置，属于计算机技术领域。

背景技术

随着互联网时代的到来，越来越多的人开始通过网络寻找工作。求职网站包括针对雇主和求职者的服务，如招聘信息发布、简历下载、定制招聘专区、求职简历生成、职位搜索、薪酬查询等，可以满足雇主与求职者双向需求。亲朋介绍可信度高，人工匹配雇主与求职者的要求，有效为雇主推荐靠谱求职者。因此，求职网站应该更多地融入社交信息，以社交信息为立足点的求职网站应该是未来网络招聘的走向。融合了社交信息的就业推荐系统可以更好的吸纳用户以及扩大平台，将这些因素和扩展性能纳入社交求职系统中，有助于更全面地呈现就业信息。

针对基于社交网络的就业信息推荐上，当前的就业推荐系统(如LinkedIn、大街网等大型职业社交网站)主要对用户之间的好友关系、校友关系等进行了提取，主要采用协同过滤(Collaborative Filtering，简称CF)算法以及随机游走算法(Random Walk Algorithm)对就业信息网络中的与当前用户直接相关的多个用户的行为取向信息进行提取，并以此为基础为当前用户进行相关信息推荐。

然而，在实际社交网络里，存在很多没有直接社交信息的独立用户，对于这些用户的社交信息就无法进行提取。因此，现有的推荐方法不能为所有用户提供全面、精确的信息推荐。

发明内容

本发明实施例提供一种信息推荐方法及装置，可以为所有用户提供比较全面、高效的信息推荐。

本发明实施例提供的信息推荐方法，包括：

根据M个用户对于N个对象与网络侧服务器的交互数据，建立交互信息矩阵R，所述交互信息矩阵R中的元素r_ij表示第i个用户对于第j个对象的交互数据，其中，1≤i≤M且为整数，1≤j≤N且为整数，所述M为大于1的整数，所述N为大于1的整数；

根据所述M个用户的社交信息建立用户相关度矩阵C，所述用户相关度矩阵C中的元素c_ik表示第i个用户和第k个用户之间的相关度，其中1≤i≤M且为整数，1≤k≤M且为整数；

根据所述交互信息矩阵R和所述用户相关度矩阵C，确定用户特征向量矩阵U和对象特征向量矩阵V；

根据所述用户特征向量矩阵U和对象特征向量矩阵V，确定目标对象；

将所述目标对象的信息发送给所述用户。

本发明实施例还提供一种信息推荐装置，用于实现上述信息推荐方法，包括：

交互信息矩阵建立模块，用于根据M个用户对于N个对象与网络侧服务器的交互数据，建立交互信息矩阵R，所述交互信息矩阵R中的元素r_ij表示第i个用户对于第j个对象的交互数据，其中，1≤i≤M且为整数，1≤j≤N且为整数，所述M为大于1的整数，所述N为大于1的整数；

用户相关度矩阵建立模块，用于根据所述M个用户的社交信息建立用户相关度矩阵C，所述用户相关度矩阵C中的元素c_ik表示第i个用户和第k个用户之间的相关度，其中1≤i≤M且为整数，1≤k≤M且为整数；

PFM模块，用于根据所述交互信息矩阵R和所述用户相关度矩阵C确定用户特征向量矩阵U和对象特征向量矩阵V；

确定模块，用于根据所述用户特征向量矩阵U和对象特征向量矩阵V确定目标对象；

发送模块，用于将所述目标对象的信息发送给所述用户。

基于上述，本发明实施例提供的信息推荐方法及装置，根据服务器中M个用户对于N个对象与网络侧服务器的交互数据，建立交互信息矩阵R，通过用户之间的社交信息建立用户相关度矩阵C，根据交互信息矩阵R和所述用户相关度矩阵C，得到比较精确的用户特征向量矩阵U和对象特征向量矩阵V，进而可以根据用户特征向量和对象特征向量矩阵给出精确的推荐结果，而且可以针对所有用户提供全面、高效的信息推荐。

附图说明

为了更清楚地说明本发明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为概率矩阵分解模型示意图；

图2为本发明实施例提供的一种信息推荐方法的流程图；

图3为一种优化的概率矩阵分解模型示意图；

图4为本发明实施例提供的另一种信息推荐方法的流程图；

图5为另一种优化的概率矩阵分解模型示意图；

图6为本发明实施例提供的一种信息推荐装置示意图；

图7为本发明实施例提供的另一种信息推荐装置示意图。

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付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。

本发明实施例提供的信息推荐方法可以应用于就业信息推荐、购物信息推荐或观看视频推荐等场景中。在不同的应用场景中，对象表示不同的事物。例如，在就业信息推荐场景中，对象就是职位信息；在购物信息推荐场景中，对象就是商品信息。本实施例的执行主体可以是相应的提供就业信息、提供购物信息或提供视频服务的网络服务器。

服务器中用户的集合为{u₁,u₂,...,u_M}，对象的集合为{v₁,v₂,...,v_N}。M表示所有用户的总数量，M为大于1的整数。N表示所有对象的总数量，N为大于1的整数。在服务器运行期间，用户对于对象会有交互数据，这里的交互数据是根据用户对于对象与网络侧服务器的的交互行为得到的，例如，用户对对象进行浏览、评分、购买、分享、订阅、收藏等，每种交互行为可以对应一个交互数据。

根据服务器中M个用户对于N个对象与网络侧服务器的交互数据，建立交互信息矩阵R。统计服务器中用户对于对象与网络侧服务器的交互操作，将操作行为按照设定的规则抽象表示为数值形式。由于有M个用户和N个对象，根据每一个用户对于每一个对象的交互数据建立的交互信息矩阵R是一个M×N阶的矩阵。交互矩阵R中的元素r_ij表示第i个用户对于第j个对象的交互数据，1≤i≤M且为整数，1≤j≤N且为整数。

需要说明的是，由于服务器中用户的数量很多，对象的数量也很多，每一个用户不可能对于所有的对象都有交互数据，用户对于很多对象的交互数据是不存在的。相应的，交互信息矩阵R中有很多元素为0，因此，交互信息矩阵R是一个稀疏矩阵。

在推荐系统中，由于交互信息矩阵R是一个稀疏矩阵，R中绝大部分的元素值是缺失的。但是每个用户i和每个对象j都会分别对应于一个隐式特征向量U_i和V_j，U_i和V_j中的元素反映了用户或者对象与相应隐式特征的相关程度。用户i对对象j的交互数据就可以通过他们隐式特征向量的内积来预测。所有用户的隐式特征向量U_i和所有对象的隐式特征向量V_j分别组成了用户特征向量矩阵U和对象特征向量矩阵V。矩阵U和V分别刻画了用户和对象的特征，矩阵U和V的维度可以指定，维度越高刻画的用户和对象的特征越多，计算的精度相应的也会提高。根据预测结果可以对交互信息矩阵R中缺失的元素值进行补充，进而可以得到补充后的交互信息矩阵R′。显然R′＝U^TV，R′中的元素进而可以根据补充后的交互信息矩阵R′进行比较全面的信息推荐。

其中，概率矩阵分解(Probabilistic Matrix Factorization，简称PMF)算法以计算精度较高，可扩展性较好，且计算复杂度较低的优势被广泛应用于推荐系统中。PFM算法的基本思想是，利用两个维度较低的矩阵U和V的乘积来逼近己知的交互信息矩阵R。下面将对概率矩阵分解算法的原理进行示例性的说明。

图1为概率矩阵分解模型示意图。PMF模型定义交互信息矩阵R中数据的条件概率分布为：

其中，N(x|μ,σ²)是均值为μ方差为σ²的高斯概率密度函数，g(x)＝1/(1+exp(-x))。为指示函数，当r_ij不为0时，取值为1，否则取值为0。

同时，PMF模型定义用户和对象的特征向量矩阵U和V均服从零均值高斯后验分布：

由贝叶斯推论可以得到用户和对象的特征向量矩阵U和V的条件概率分布为：

为方便求导，对上式两边取自然对数：

其中，A是一个与PMF模型参数无关的常数，F为特征矩阵U和V的维数。在PMF模型的参数(σ_R ²，σ_U ²，σ_V ²)固定的情况下，最大化等价于最小化目标函数E(R,U,V)：

其中，||·||_Fro表示矩阵的Frobenius范数。

对目标函数E(R,U,V)求偏导：

接下来，采用随机梯度下降(Stochastic gradient descent，简称SGD)的方法来获得U和V的一个最优解：

PMF模型的训练学习过程中，首先随机初始化矩阵U和V中的元素，然后不断沿梯度相反的方向更新迭代矩阵U和V中的元素，直到U和V收敛。其中η是学习效率。

根据PMF模型训练学习得到用户和对象的特征向量矩阵U和V，由于模型的预测误差依然较大，因此可能依然无法对所有用户对于所有对象的交互数据进行预测，而且预测结果的准确度不高，相应的基于PMF模型的推荐方法或推荐系统无法进行较为全面、精确的信息推荐。

在本发明实施例中，可以根据用户之间的社交网络关系找到用户之间相似的兴趣和爱好从而给出更加精确的推荐结果。换言之，本发明将通过用户之间的社交网络关系对PMF模型进行优化，从而提高PMF模型的预测精度。

然而，在实际社交网络里，还存在很多没有社交信息的独立用户，对于这类用户在利用社交网络关系对PMF模型进行优化的过程中，很难提取到优化信息。为此，在本发明实施例中，进一步的还根据交互信息矩阵R构造用户之间以及对象之间的隐式社交网络关系，并通过用户之间以及对象之间的隐式社交网络关系对PMF模型进行优化，从而可以为所有的用户提供全面、精确的信息推荐。

图2为本发明实施例提供的一种信息推荐方法的流程图。如图2所示，本实施例提供的信息推荐方法包括：

S21，根据M个用户对于N个对象与网络侧服务器的交互数据，建立交互信息矩阵R；

S22，根据M个用户的社交信息建立用户相关度矩阵C；

S23，根据交互信息矩阵R和用户相关度矩阵C，确定用户特征向量矩阵U和对象特征向量矩阵V；

S24，根据用户特征向量矩阵U和对象特征向量矩阵V，确定目标对象；

S25，将所述目标对象的信息发送给所述用户。

在本实施例中，可以将用户之间的社交网络关系(社交信息)分为两种情况：

1)用户之间存在直接的社交信息，即显式社交信息，如好友关系或校友关系等等。此时，可以根据用户之间的显式社交信息建立用户相关度矩阵C，并根据交互信息矩阵R和用户相关度矩阵C来进行推荐。

2)用户之间的显式社交信息不存在时，可以先根据交互信息矩阵R构造用户之间的隐式社交网络关系。例如，根据交互信息矩阵R计算用户之间的相关度，当相关度越高时说明两个用户之间存在越大的隐含社交信息。再根据用户之间的隐式社交信息建立用户相关度矩阵C，然后根据交互信息矩阵R和用户相关度矩阵C来进行推荐。

具体地，根据交互信息矩阵R中已有的用户对于对象的交互数据，以及用户相关度矩阵C，最终确定向用户推荐的目标对象。优选的，用户相关度矩阵C可以是根据用户之间的显式社交信息建立的，当用户之间的显式社交关系不存在时，还可以通过交互信息矩阵R计算用户之间的相关度构造用户之间的隐式社交信息。

需要说明的是，当用户之间的显式社交信息存在时，S21和S22不存在时序上的关系。可以先建立交互信息矩阵，也可以先根据用户之间的显式社交信息建立用户的相关度矩阵C。或者，建立交互信息矩阵R和根据用户之间的显式社交信息建立用户的相关度矩阵C同时进行。当用户之间的显式社交信息不存在时，需要先执行S21，建立交互信息矩阵R，然后再执行S22，根据交互信息矩阵R构造用户之间的隐式社交网络关系，以此来建立用户的相关度矩阵C。

作为一种可选的实施方式，可以根据交互信息矩阵R中已有的用户对于对象的交互数据，计算用户之间的皮尔逊相关系数获取用户之间相关度。进而就可以获得M个用户的相关度矩阵C，矩阵C中的元素c_ik表示第i个用户和第k个用户之间的相关度，其中1≤i≤M且为整数，1≤k≤M且为整数。

示例性的，可以通过皮尔逊相关系数(Person Correlation Coefficient，简称PCC)公式确定第i个用户和第k个用户之间的相关度。

其中，I(i)为第i个用户对于对象的操作数据集合，I(k)为第k个用户对于对象的操作数据集合，为第n个用户对于对象的操作数据的平均值，为第k个用户对于对象的操作数据的平均值。

在分别建立了交互信息矩阵R和用户的相关度矩阵C之后，就可以利用用户的相关度矩阵C对PFM模型进行优化。

图3为一种优化的概率矩阵分解模型示意图，为便于描述，将该优化的PMF模型记为PMF-Ⅰ模型。PMF-Ⅰ模型和PFM模型中相同的参数可参见图1对应的模型解释。PMF-Ⅰ模型定义用户的相关度矩阵C的条件概率分布为：

其中，为指示函数，当c_ik不为0时，取值为1，否则取值为0，Z为PMF-Ⅰ模型中的一个分解因子特征向量矩阵。同时，PMF-Ⅰ模型定义因子特征向量矩阵Z服从零均值高斯后验分布：

由贝叶斯推论可以得到用户和对象的特征向量矩阵U和V的条件概率分布为：

对上式两边取自然对数：

其中，A₁是一个与PMF-Ⅰ模型参数无关的常数，F为特征矩阵U和V的维数，在PMF-Ⅰ模型的参数(σ_R ²，σ_C ²，σ_U ²，σ_V ²，σ_Z ²)固定的情况下，最大化等价于最小化目标函数E(R,C,U,V,Z)：

其中，||·||_Fro表示矩阵的Frobenius范数。

对目标函数E(R,C,U,V,Z)求偏导，令E(R,C,U,V,Z)＝E₁：

接下来，采用SGD方法来获得U、V和Z的一个最优解：

采用PMF-Ⅰ模型训练学习过程中，首先随机初始化矩阵U、V和Z中的元素，然后不断沿梯度相反的方向更新迭代矩阵U、V和Z中的元素，直到U、V和Z收敛。其中η₁是学习效率。最终得到了优化的用户的特征向量矩阵U和职位的特征向量矩阵V，在推荐时使用优化后的U和V进行推荐。

示例性的，当需要向用户i进行信息推荐时，可以先根据该用户的特征向量U_i和对象的特征向量矩阵V的乘积来预测用户i对于对象的交互数据，并按预设的规则对交互数据进行排序，并按排序结果将对象的信息发送给用户i。或者根据该用户的特征向量U_i和对象的特征向量矩阵V计算每个对象对于用户i的推荐值，将该推荐值与预设的阈值进行比较，如果大于预设阈值，则将该对象作为目标对象推荐给用户i，最后将所有的目标对象的信息发送给用户i。当然，还有其他的实现方式，本实施例并不以此为限。

本实施例提供的信息推荐方法，根据服务器中M个用户对于N个对象与网络侧服务器的交互数据，建立交互信息矩阵R，通过用户之间的显式或隐式社交信息建立用户相关度矩阵C，并利用用户相关度矩阵C对PFM算法进行优化，从而得到更加精确的用户特征向量矩阵和对象特征向量矩阵，进而可以根据用户特征向量和对象特征向量矩阵给出比较精确的推荐结果。

值得一提的是，本实施例提供的信息推荐方法，无论用户之间是否存在显式的社交信息，都可以建立用户的相关度矩阵，从而可以为所有的用户提供全面、精确的信息推荐。

图4为本发明实施例提供的另一种信息推荐方法的流程图，本实施例在图2所示实施例的基础上，还根据交互信息矩阵R建立N个对象的相关度矩阵S，进而通过用户之间的社交信息和对象的相关度信息对PMF模型进行优化，进一步提高PMF模型的预测精度。如图4所示，本实施例提供的信息推荐方法包括：

S41，根据M个用户对于N个对象与网络侧服务器的交互数据，建立交互信息矩阵R；

S42，根据M个用户的社交信息建立用户相关度矩阵C；

S43，根据交互信息矩阵R建立对象的相关度矩阵S；

S44，根据交互信息矩阵R、用户相关度矩阵C和对象相关度矩阵S，确定用户特征向量矩阵U和对象特征向量矩阵V；

S45，根据用户特征向量矩阵U和对象特征向量矩阵V，确定目标对象；

S46，将所述目标对象的信息发送给所述用户。

同样的，当用户之间的显式社交信息存在时，S41和S42不存在时序上的关系。当用户之间的显式社交信息不存在时，S42和S43不存在时序上的关系。

具体的，S41和S42的实现方式可以参见图2所示实施例的描述，此处不再赘述。

对于S43，作为一种可选的实施方式，可以根据交互信息矩阵R中已有的用户对于对象的交互数据，计算对象之间的皮尔逊相关系数获取对象之间相关度。进而就可以获得N个对象的相关度矩阵S，矩阵S中的元素s_tj表示第t个对象和第j个对象之间的相关度，其中1≤t≤N且为整数，1≤j≤N且为整数。

示例性的，可以通过PCC公式确定第t个对象和第j个对象之间的相关度。

其中E(t)为M个用户对于第t个对象的交互数据集合，E(j)为M个用户对于第j个对象的交互数据集合，为M个用户对于第t个对象的交互数据的平均值，为M个用户对于第j个对象的交互数据的平均值。

在分别建立了交互信息矩阵R、用户的相关度矩阵C和对象的相关度矩阵S之后，就可以利用用户的相关度矩阵C和对象的相关度矩阵S对PFM模型进行优化。也就是，利用对象的相关度矩阵S对PMF-Ⅰ模型进行进一步优化。

图5为另一种优化的概率矩阵分解模型示意图。为便于描述，将该优化的PMF模型记为PMF-Ⅱ模型。PMF-Ⅱ模型和PMF-Ⅰ模型、PFM模型中相同的参数可参见图1和图3对应的模型解释。PMF-Ⅱ模型定义对象的相关度矩阵S的条件概率分布为：

为指示函数，当s_tj不为0时，取值为1，否则取值为0，W为PMF-Ⅱ模型中的一个分解因子特征向量矩阵。同时，PMF-Ⅱ模型定义因子特征向量矩阵W服从零均值高斯后验分布：

由贝叶斯推论可以得到用户和对象的特征向量矩阵U和V的条件概率分布为：

对上式两边取自然对数：

其中，A₂是一个与PMF-Ⅱ模型参数无关的常数，F为特征矩阵U和V的维数，在PMF-Ⅱ模型的参数(σ_R ²，σ_C ²，σ_S ²,σ_U ²，σ_V ²，σ_Z ²,σ_W ²)固定的情况下，最大化等价于最小化目标函数E(R,C,S,U,V,Z,W)：

其中，||·||_Fro表示矩阵的Frobenius范数。

对目标函数E(R,C,S,U,V,Z,W)求偏导，令E(R,C,S,U,V,Z,W)＝E₂：

接下来，采用SGD方法来获得U、V、Z和W的一个最优解：

采用PMF-Ⅱ模型训练学习过程中，首先随机初始化矩阵U、V、Z和W中的元素，然后不断沿梯度相反的方向更新迭代矩阵U、V、Z和W中的元素，直到U、V、Z和W收敛。其中η₂是学习效率。最终得到了优化的用户的特征向量矩阵U和优化的职位的特征向量矩阵V，在推荐时使用优化后的U和V进行推荐。

示例性的，当需要向用户i进行信息推荐时，可以先根据该用户的特征向量U_i和对象的特征向量矩阵V的乘积来预测用户i对于对象的交互数据，并按预设的规则对交互数据进行排序，并按排序结果将对象的信息发送给用户i。或者根据该用户的特征向量U_i和对象的特征向量矩阵V计算每个对象对于用户i的推荐值，将该推荐值与预设的阈值进行比较，如果大于预设阈值，则将该对象作为目标对象推荐给用户i，最后将所有的目标对象的信息发送给用户i。当然，还有其他的实现方式，本实施例并不以此为限。

本实施例提供的信息推荐方法，在图2所示实施例的基础上，进一步的还通过交互信息矩阵R建立N个对象的相关度矩阵S，同时利用用户相关度矩阵C和对象的相关度矩阵S对PFM算法进行优化，从而得到更加精确的用户特征向量矩阵和对象特征向量矩阵，根据优化后的用户特征向量和对象特征向量矩阵给出推荐结果，进一步提高了推荐精度。

值得一提的是，本发明实施例对于用户以及对象的隐含的社交网络信息的提取，对于工业界的任何信息推荐系统都有着很好的适应能力，对信息推荐技术的发展具有很大的意义。

图6为本发明实施例提供的一种信息推荐装置示意图，本实施例提供的信息推荐装置可以用来实现本发明图2所示实施例提供的信息推荐方法，其实现原理请参照图2所述实施例的描述，此处不再赘述。

如图6所示，该信息推荐装置包括交互信息矩阵建立模块61、用户相关度矩阵建立模块62、PMF模块63、确定模块64和发送模块65。

其中，交互信息矩阵建立模块61用于：根据M个用户对于N个对象与网络侧服务器的交互数据，建立交互信息矩阵R，交互信息矩阵R中的元素r_ij表示第i个用户对于第j个对象的交互数据，其中，1≤i≤M且为整数，1≤j≤N且为整数，所述M为大于1的整数，所述N为大于1的整数。用户相关度矩阵建立模块62用于：根据M个用户的社交信息建立用户相关度矩阵C，用户相关度矩阵C中的元素c_ik表示第i个用户和第k个用户之间的相关度，其中1≤i≤M且为整数，1≤k≤M且为整数。PMF模块63用于：根据交互信息矩阵R和用户相关度矩阵C确定用户特征向量矩阵U和对象特征向量矩阵V。确定模块64用于：根据用户特征向量矩阵U和对象特征向量矩阵V确定目标对象。发送模块65用于：将所述目标对象的信息发送给所述用户。

在实际应用中，用户相关度矩阵建立模块62具体用于：根据公式确定第i个用户和第k个用户之间的相关度，其中I(i)为第i个用户对于所述N个对象的交互数据集合，I(k)为第k个用户对于所述N个对象的交互数据集合，为第i个用户对于所述N个对象的交互数据的平均值，为第k个用户对于所述N个对象的交互数据的平均值。

本实施例提供的信息推荐装置可以用来实现本发明图2所示实施例提供的信息推荐方法，其实现原理和技术效果类似，此处不再赘述。

图7为本发明实施例提供的另一种信息推荐装置示意图，本实施例提供的信息推荐装置可以用来实现本发明图4所示实施例提供的信息推荐方法，其实现原理请参照图4所述实施例的描述，此处不再赘述。

如图7所示，该装置在图6所示的装置的基础上，还包括对象相关度矩阵建立模块66，用于根据交互信息矩阵R建立对象相关度矩阵S，对象相关度矩阵S中的元素s_tj表示第t个对象和第j个对象之间的相关度，其中1≤t≤N且为整数，1≤j≤N且为整数。

进一步的，PFM模块63具体用于，根据交互信息矩阵R、用户相关度矩阵C和对象相关度矩阵S，确定用户特征向量矩阵U和对象特征向量矩阵V。

在实际应用中，对象相关度矩阵建立模块66具体用于：根据公式确定第t个对象和第j个对象之间的相关度，其中E(t)为M个用户对于第t个对象的交互数据集合，E(j)为M个用户对于第j个对象的交互数据集合，为M个用户对于第t个对象的交互数据的平均值，为M个用户对于第j个对象的交互数据的平均值。

本实施例提供的信息推荐装置可以用来实现本发明图4所示实施例提供的信息推荐方法，其实现原理和技术效果类似，此处不再赘述。

本领域普通技术人员可以理解：实现上述各方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成。前述的程序可以存储于一计算机可读取存储介质中。该程序在执行时，执行包括上述各方法实施例的步骤；而前述的存储介质包括：ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。

最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各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，或者对其中部分或者全部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范围。

Claims (10)

1.一种信息推荐方法，其特征在于，包括：

根据M个用户对于N个对象与网络侧服务器的交互数据，建立交互信息矩阵R，所述交互信息矩阵R中的元素r_ij表示第i个用户对于第j个对象的交互数据，其中，1≤i≤M且为整数，1≤j≤N且为整数，所述M为大于1的整数，所述N为大于1的整数；

根据所述M个用户的社交信息建立用户相关度矩阵C，所述用户相关度矩阵C中的元素c_ik表示第i个用户和第k个用户之间的相关度，其中1≤i≤M且为整数，1≤k≤M且为整数；

根据所述交互信息矩阵R和所述用户相关度矩阵C，确定用户特征向量矩阵U和对象特征向量矩阵V；

根据所述用户特征向量矩阵U和对象特征向量矩阵V，确定目标对象；

将所述目标对象的信息发送给所述用户。

2.根据权利要求1所述的方法，其特征在于，所述根据所述M个用户的社交信息建立用户相关度矩阵C，包括：

根据公式 $c_{ik}=\frac{\underset{\mathrm{\χ}\∈I\left(i\right)\∩I\left(k\right)}{\Σ}(\mathrm{\χ}-\stackrel{\‾}{r_i})(\mathrm{\χ}-\stackrel{\‾}{r_k})}{\sqrt{\underset{\mathrm{\χ}\∈I\left(i\right)\∩I\left(k\right)}{\Σ}{(\mathrm{\χ}-\stackrel{\‾}{r_i})}^2}\·\sqrt{\underset{\mathrm{\χ}\∈I\left(i\right)\∩I\left(k\right)}{\Σ}{(\mathrm{\χ}-\stackrel{\‾}{r_k})}^2}},$ 确定第i个用户和第k个用户之间的相关度，其中I(i)为第i个用户对于所述N个对象的交互数据集合，I(k)为第k个用户对于所述N个对象的交互数据集合，为第i个用户对于所述N个对象的交互数据的平均值，为第k个用户对于所述N个对象的交互数据的平均值。

3.根据权利要求1或2所述的方法，其特征在于，根据所述交互信息矩阵R和所述用户相关度矩阵C，确定用户特征向量矩阵U和对象特征向量矩阵V，包括：

初始化用户的特征向量矩阵U和对象特征向量矩阵V；

根据所述交互信息矩阵R和所述用户相关度矩阵C，更新所述用户的特征向量矩阵U和所述对象特征向量矩阵V，直到所述用户的特征向量矩阵U和对象特征向量矩阵V收敛。

4.根据权利要求1或2所述的方法，其特征在于，还包括：

根据所述交互信息矩阵R建立对象相关度矩阵S，所述对象相关度矩阵S中的元素s_tj表示第t个对象和第j个对象之间的相关度，其中1≤t≤N且为整数，1≤j≤N且为整数；

所述根据所述交互信息矩阵R和所述用户相关度矩阵C确定用户特征向量矩阵U和对象特征向量矩阵V，包括：

根据所述交互信息矩阵R、所述用户相关度矩阵C和所述对象相关度矩阵S，确定所述用户特征向量矩阵U和对象特征向量矩阵V。

5.根据权利要求4所述的方法，其特征在于，所述根据所述交互信息矩阵R建立对象相关度矩阵S，包括：

根据公式 $s_{tj}=\frac{\underset{\mathrm{\χ}\∈E\left(t\right)\∩E\left(j\right)}{\Σ}(\mathrm{\χ}-\stackrel{\‾}{r_t})(\mathrm{\χ}-\stackrel{\‾}{r_j})}{\sqrt{\underset{\mathrm{\χ}\∈E\left(t\right)\∩E\left(j\right)}{\Σ}{(\mathrm{\χ}-\stackrel{\‾}{r_t})}^2}\·\sqrt{\underset{\mathrm{\χ}\∈E\left(t\right)\∩E\left(j\right)}{\Σ}{(\mathrm{\χ}-\stackrel{\‾}{r_j})}^2}},$ 确定第t个对象和第j个对象之间的相关度，其中E(t)为M个用户对于第t个对象的交互数据集合，E(j)为M个用户对于第j个对象的交互数据集合，为M个用户对于第t个对象的交互数据的平均值，为M个用户对于第j个对象的交互数据的平均值。

6.根据权利要求5所述的方法，其特征在于，所述根据所述交互信息矩阵R、所述用户相关度矩阵C和所述对象相关度矩阵S，确定所述用户特征向量矩阵U和对象特征向量矩阵V，包括：

初始化用户的特征向量矩阵U和对象的特征向量矩阵V；

根据所述交互信息矩阵R、所述用户相关度矩阵C和所述对象相关度矩阵S，更新所述用户的特征向量矩阵U和所述对象的特征向量矩阵V，直到所述用户的特征向量矩阵U和所述对象的特征向量矩阵V收敛。

7.一种信息推荐装置，其特征在于，包括：

交互信息矩阵建立模块，用于根据M个用户对于N个对象与网络侧服务器的交互数据，建立交互信息矩阵R，所述交互信息矩阵R中的元素r_ij表示第i个用户对于第j个对象的交互数据，其中，1≤i≤M且为整数，1≤j≤N且为整数，所述M为大于1的整数，所述N为大于1的整数；

用户相关度矩阵建立模块，用于根据所述M个用户的社交信息建立用户相关度矩阵C，所述用户相关度矩阵C中的元素c_ik表示第i个用户和第k个用户之间的相关度，其中1≤i≤M且为整数，1≤k≤M且为整数；

PMF模块，用于根据所述交互信息矩阵R和所述用户相关度矩阵C确定用户特征向量矩阵U和对象特征向量矩阵V；

确定模块，用于根据所述用户特征向量矩阵U和对象特征向量矩阵V确定目标对象；

发送模块，用于将所述目标对象的信息发送给所述用户。

8.根据权利要求7所述的装置，其特征在于，所述用户相关度矩阵建立模块具体用于：

根据公式 $c_{ik}=\frac{\underset{\mathrm{\χ}\∈I\left(i\right)\∩I\left(k\right)}{\Σ}(\mathrm{\χ}-\stackrel{\‾}{r_i})(\mathrm{\χ}-\stackrel{\‾}{r_k})}{\sqrt{\underset{\mathrm{\χ}\∈I\left(i\right)\∩I\left(k\right)}{\Σ}{(\mathrm{\χ}-\stackrel{\‾}{r_i})}^2}\·\sqrt{\underset{\mathrm{\χ}\∈I\left(i\right)\∩I\left(k\right)}{\Σ}{(\mathrm{\χ}-\stackrel{\‾}{r_k})}^2}},$ 确定第i个用户和第k个用户之间的相关度，其中I(i)为第i个用户对于所述N个对象的交互数据集合，I(k)为第k个用户对于所述N个对象的交互数据集合，为第i个用户对于所述N个对象的交互数据的平均值，为第k个用户对于所述N个对象的交互数据的平均值。

9.根据权利要求7或8所述的装置，其特征在于，还包括：对象相关度矩阵建立模块，用于根据所述交互信息矩阵R建立对象相关度矩阵S，所述对象相关度矩阵S中的元素s_tj表示第t个对象和第j个对象之间的相关度，其中1≤t≤N且为整数，1≤j≤N且为整数；

所述PFM模块具体用于，根据所述交互信息矩阵R、所述用户相关度矩阵C和所述对象相关度矩阵S，确定所述用户特征向量矩阵U和对象特征向量矩阵V。

10.根据权利要求9所述的装置，其特征在于，所述对象相关度矩阵建立模块具体用于：

根据公式 $s_{tj}=\frac{\underset{\mathrm{\χ}\∈E\left(t\right)\∩E\left(j\right)}{\Σ}(\mathrm{\χ}-\stackrel{\‾}{r_t})(\mathrm{\χ}-\stackrel{\‾}{r_j})}{\sqrt{\underset{\mathrm{\χ}\∈E\left(t\right)\∩E\left(j\right)}{\Σ}{(\mathrm{\χ}-\stackrel{\‾}{r_t})}^2}\·\sqrt{\underset{\mathrm{\χ}\∈E\left(t\right)\∩E\left(j\right)}{\Σ}{(\mathrm{\χ}-\stackrel{\‾}{r_j})}^2}},$ 确定第t个对象和第j个对象之间的相关度，其中E(t)为M个用户对于第t个对象的交互数据集合，E(j)为M个用户对于第j个对象的交互数据集合，为M个用户对于第t个对象的交互数据的平均值，为M个用户对于第j个对象的交互数据的平均值。