CN106169150A - 基于用户兴趣预测的物品推荐方法和装置 - Google Patents
基于用户兴趣预测的物品推荐方法和装置 Download PDFInfo
- Publication number
- CN106169150A CN106169150A CN201610508835.7A CN201610508835A CN106169150A CN 106169150 A CN106169150 A CN 106169150A CN 201610508835 A CN201610508835 A CN 201610508835A CN 106169150 A CN106169150 A CN 106169150A
- Authority
- CN
- China
- Prior art keywords
- moment
- interest
- data
- user
- article
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0631—Item recommendations
Landscapes
- Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种基于用户兴趣预测的物品推荐方法和装置。所述基于用户兴趣预测的物品推荐方法包括:建立t‑Φ时刻到t‑1时刻的Φ个时刻用户对物品的兴趣表达数据与预先训练出的Φ个权重的一一对应关系;1≤Φ<t;根据各个时刻的兴趣表达数据及其相应的权重,采用预先建立的兴趣预测模型,预测t时刻用户对所述物品的兴趣表达数据;根据t时刻的兴趣表达数据和预设的物品表达数据,计算获得t时刻用户对所述物品的兴趣预测数据;根据所述兴趣预测数据判断是否向用户推荐所述物品。采用本发明实施例,能够解决数据稀疏问题,提高物品推荐的准确率,改善用户体验。
Description
技术领域
本发明涉及计算机技术领域,尤其涉及一种基于用户兴趣预测的物品推荐方法和装置。
背景技术
因为单个用户在线点击广告或者商品等行为是有限的,仅从单个用户的行为预测该用户的兴趣常常不够准确,这种现象叫做数据稀疏。为了解决数据稀疏的问题,研究者提出了协同过滤技术。协同过滤技术是目前国际上应用最广泛的在线推荐系统算法技术。协同过滤技术采用物以类聚、人以群分的思想,通过对人群的兴趣进行预测,从而得到对人群中某个用户的兴趣的预测。例如,当系统向某位用户推荐电影时,会将该用户的朋友或者与该用户喜好相近的其他用户所喜欢的电影推荐给该用户。现有的协同过滤技术是基于用户兴趣不发生变化的假设的,即现有的协同过滤技术认为用户未来的兴趣与其之前的兴趣相同,而在现实生活中,这样的假设往往不能成立。由于用户在线浏览的兴趣经常发生变化,因此需要经常抛弃失去时效性的用户兴趣数据,频繁地对推荐模型进行更新。这样频繁的更新不能很好地解决数据稀疏问题,甚至可能加剧数据稀疏问题,导致推荐的准确率降低,带来不好的用户体验。
发明内容
本发明实施例提出一种基于用户兴趣预测的物品推荐方法和装置,能够解决数据稀疏问题,提高物品推荐的准确率,改善用户体验。
本发明实施例提供的基于用户兴趣预测的物品推荐方法,具体包括:
建立t-Φ时刻到t-1时刻的Φ个时刻用户对物品的兴趣表达数据与预先训练出的Φ个权重的一一对应关系;1≤Φ<t;
根据各个时刻的兴趣表达数据及其相应的权重,采用预先建立的兴趣预测模型,预测t时刻用户对所述物品的兴趣表达数据;
根据t时刻的兴趣表达数据和预设的物品表达数据,计算获得t时刻用户对所述物品的兴趣预测数据;
根据所述兴趣预测数据判断是否向用户推荐所述物品。
进一步地,所述根据各个时刻的兴趣表达数据及其相应的权重,采用预先建立的兴趣预测模型,预测t时刻用户对所述物品的兴趣表达数据,具体包括:
根据各个时刻的兴趣表达数据及其相应的兴趣表达权重,采用预先建立的兴趣预测模型,预测t时刻用户对所述物品的兴趣表达平均值;
根据所述兴趣表达平均值和预设的用户先验知识,计算获得t时刻用户对所述物品的兴趣表达数据;
所述兴趣预测模型具体为:
Yt=A1*Ut-1+A2*Ut-2+…+AΦUt-Φ+ε;
其中,Yt表示t时刻用户对所述物品的的兴趣表达平均值;A1,A2,…,AΦ分别表示t-1时刻至t-Φ时刻中的各个时刻的权重;Ut-1,Ut-2,…,Ut-Φ分别表示t-1时刻至t-Φ时刻中的各个时刻的兴趣表达数据;ε为预设的波动误差。
进一步地,在所述建立t-Φ时刻到t-1时刻的Φ个时刻用户对物品的兴趣表达数据与预先训练出的Φ个权重的一一对应关系之前,还包括:
采集0时刻到Φ-1时刻中的各个时刻用户对所述物品的兴趣数据,并对采集到的兴趣数据进行矩阵分解,获得0时刻到Φ-1时刻中的各个时刻用户对所述物品的兴趣表达数据;
依次采集Φ到t-1时刻中的各个时刻用户对所述物品的兴趣数据,并根据所采集到的兴趣数据和0时刻到Φ-1时刻中的各个时刻的兴趣表达数据,对所述兴趣预测模型进行训练,获得t-Φ时刻到t-1时刻中的各个时刻用户对物品的兴趣表达数据和Φ个权重,完成所述兴趣预测模型的训练。
进一步地,所述依次采集Φ到t-1时刻中的各个时刻用户对所述物品的兴趣数据,并根据所采集到的兴趣数据和0时刻到Φ-1时刻中的各个时刻的兴趣表达数据,对所述兴趣预测模型进行训练,获得t-Φ时刻到t-1时刻中的各个时刻用户对物品的兴趣表达数据和Φ个权重,完成所述兴趣预测模型的训练,具体包括:
采集Φ时刻用户对所述物品的兴趣数据,并建立0时刻到Φ-1时刻的Φ个时刻的兴趣表达数据与Φ个权重的一一对应关系,以根据0时刻到Φ-1时刻中的各个时刻的兴趣表达数据及其对应的权重,采用预先建立的数据分解模型对Φ时刻的兴趣数据进行分解,获得Φ时刻用户对所述物品的兴趣表达数据,并更新所述Φ个权重;
采集Φ+1时刻用户对所述物品的兴趣数据,并建立1时刻到Φ时刻的Φ个时刻的兴趣表达数据与更新后的Φ个权重的一一对应关系,以根据1时刻到Φ时刻中的各个时刻的兴趣及其对应的权重,采用预先建立的数据分解模型对Φ+1时刻的兴趣数据进行分解,获得Φ+1时刻用户对所述物品的兴趣表达数据,并更新所述Φ个权重;
依次采集Φ+2时刻到t-1时刻中的各个时刻用户对所述物品的兴趣数据并进行分解,获得t-Φ时刻到t-1时刻中的各个时刻用户对物品的兴趣表达数据,并训练出所述Φ个权重,完成所述兴趣预测模型的训练。
进一步地,所述根据所述兴趣预测数据判断是否向用户推荐所述物品,具体包括:
判断所述兴趣预测数据是否大于预设的阈值;
若是,则向用户推荐所述物品。
相应地,本发明实施例还提供了一种基于用户兴趣预测的物品推荐装置,具体包括:
对应关系建立模块,用于建立t-Φ时刻到t-1时刻的Φ个时刻用户对物品的兴趣表达数据与预先训练出的Φ个权重的一一对应关系;1≤Φ<t;
兴趣表达数据预测模块,用于根据各个时刻的兴趣表达数据及其相应的权重,采用预先建立的兴趣预测模型,预测t时刻用户对所述物品的兴趣表达数据;
兴趣预测数据获得模块,用于根据t时刻的兴趣表达数据和预设的物品表达数据,计算获得t时刻用户对所述物品的兴趣预测数据;以及,
物品推荐模块,用于根据所述兴趣预测数据判断是否向用户推荐所述物品。
进一步地,所述兴趣表达数据预测模块,具体包括:
兴趣表达平均值预测单元,用于根据各个时刻的兴趣表达数据及其相应的兴趣表达权重,采用预先建立的兴趣预测模型,预测t时刻用户对所述物品的兴趣表达平均值;以及,
兴趣表达数据获得单元,用于根据所述兴趣表达平均值和预设的用户先验知识,计算获得t时刻用户对所述物品的兴趣表达数据;
所述兴趣预测模型具体为:
Yt=A1*Ut-1+A2*Ut-2+…+AΦUt-Φ+ε;
其中,Yt表示t时刻用户对所述物品的的兴趣表达平均值;A1,A2,…,AΦ分别表示t-1时刻至t-Φ时刻中的各个时刻的权重;Ut-1,Ut-2,…,Ut-Φ分别表示t-1时刻至t-Φ时刻中的各个时刻的兴趣表达数据;ε为预设的波动误差。
进一步地,所述基于用户兴趣预测的物品推荐装置,还包括:
数据获取模块,用于采集0时刻到Φ-1时刻中的各个时刻用户对所述物品的兴趣数据,并对采集到的兴趣数据进行矩阵分解,获得0时刻到Φ-1时刻中的各个时刻用户对所述物品的兴趣表达数据;以及,
训练模块,用于依次采集Φ到t-1时刻中的各个时刻用户对所述物品的兴趣数据,并根据所采集到的兴趣数据和0时刻到Φ-1时刻中的各个时刻的兴趣表达数据,对所述兴趣预测模型进行训练,获得t-Φ时刻到t-1时刻中的各个时刻用户对物品的兴趣表达数据和Φ个权重,完成所述兴趣预测模型的训练。
进一步地,所述兴趣预测模型训练模块,具体包括:
第一数据获取单元,用于采集Φ时刻用户对所述物品的兴趣数据,并建立0时刻到Φ-1时刻的Φ个时刻的兴趣表达数据与Φ个权重的一一对应关系,以根据0时刻到Φ-1时刻中的各个时刻的兴趣表达数据及其对应的权重,采用预先建立的数据分解模型对Φ时刻的兴趣数据进行分解,获得Φ时刻用户对所述物品的兴趣表达数据,并更新所述Φ个权重;
第二数据获取单元,用于采集Φ+1时刻用户对所述物品的兴趣数据,并建立1时刻到Φ时刻的Φ个时刻的兴趣表达数据与更新后的Φ个权重的一一对应关系,以根据1时刻到Φ时刻中的各个时刻的兴趣及其对应的权重,采用预先建立的数据分解模型对Φ+1时刻的兴趣数据进行分解,获得Φ+1时刻用户对所述物品的兴趣表达数据,并更新所述Φ个权重;以及,
第三数据获取单元,用于依次采集Φ+2时刻到t-1时刻中的各个时刻用户对所述物品的兴趣数据并进行分解,获得t-Φ时刻到t-1时刻中的各个时刻用户对物品的兴趣表达数据,并训练出所述Φ个权重,完成所述兴趣预测模型的训练。
进一步地,所述物品推荐模块,具体包括:
判断单元,用于判断所述兴趣预测数据是否大于预设的阈值;以及,
推荐单元,用于在判定所述兴趣预测数据大于预设的阈值时,向用户推荐所述物品。
实施本发明实施例,具有如下有益效果:
通过根据用户的历史兴趣数据,学习出用户兴趣的变化趋势,从而对用户未来的兴趣进行预测,解决了数据稀疏问题,进而提高物品推荐的准确率,改善用户体验。
附图说明
图1是本发明提供的基于用户兴趣预测的物品推荐方法的一个实施例的流程示意图;
图2是本发明提供的基于用户兴趣预测的物品推荐装置的一个实施例的结构示意图。
具体实施方式
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,所描述的实施例仅仅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作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。
参见图1,是本发明提供的基于用户兴趣预测的物品推荐方法的一个实施例的流程示意图,包括步骤S11至S14,具体如下:
S11:建立t-Φ时刻到t-1时刻的Φ个时刻用户对物品的兴趣表达数据与预先训练出的Φ个权重的一一对应关系;1≤Φ<t;
S12:根据各个时刻的兴趣表达数据及其相应的权重,采用预先建立的兴趣预测模型,预测t时刻用户对所述物品的兴趣表达数据;
S13:根据t时刻的兴趣表达数据和预设的物品表达数据,计算获得t时刻用户对所述物品的兴趣预测数据;
S14:根据所述兴趣预测数据判断是否向用户推荐所述物品。
需要说明的是,某一时刻用户对物品的兴趣数据以矩阵的形式存储。矩阵中第u行第v列的数据为第u行所对应的用户对第v列所对应的物品的打分,其中打分的分值越大,则表明该用户对该物品越感兴趣。当用户未对物品进行打分时,所对应的用户对物品的兴趣数据的值为缺省值。
在一个优选地实施方式中,当需要预测t时刻的用户对物品的兴趣并根据该预测向用户推荐物品时,采集t-Φ时刻至t-1时刻的用户对物品的兴趣数据Rt-Φ,Rt-Φ+1,..,Rt-1,并结合先验知识σ,根据数据分解模型min|R-U*V|,学习出t-Φ时刻至t-1时刻的用户对物品的兴趣表达数据Ut-Φ,Ut-Φ+1,..,Ut-1和对应的权重AΦ,AΦ-1,..,A1。其中,先验知识σ为预设的经验值,服从高斯概率分布,用于调整用户对物品的兴趣数据R的取值范围,满足其中,N()为高斯概率密度函数。V为物品在同一兴趣表达空间的表示,由物品表达数据V0和物品先验知识σv共同决定。物品表达数据V0由0时刻的用户对物品的兴趣数据R0通过矩阵分解得到。物品先验知识σv为预设的经验值,服从高斯概率分布,用于调整物品在同一兴趣表达空间的表示V的取值范围,满足其中,N()为高斯概率密度函数,p()为概率函数,I为对角线元素为1,其他元素为0的矩阵。随后,根据预先建立的兴趣预测模型,令t时刻的用户对物品的兴趣表达数据Ut为Ut=A1*Ut-1+…+AΦ-1*Ut-Φ+1+AΦUt-Φ+ε,从而得到预测的t时刻用户对物品的兴趣表达数据。将求得的Ut代入公式Rt=Ut*V0,计算获得t时刻用户对物品的兴趣预测数据Rt,并根据该Rt的值向用户推荐相应的物品。
当需要预测t+1时刻的用户对物品的兴趣并根据该预测向用户推荐物品时,建立上述t时刻的用户对物品的兴趣表达数据和t-Φ+1时刻到t-1时刻的兴趣表达数据Ut...Ut -Φ+1与权重AΦ,AΦ-1,..,A1一一对应地关系,再采用预先建立的兴趣预测模型进行计算,即Ut +1=A1*Ut+…+AΦ-1*Ut-Φ+2+AΦUt-Φ+1+ε,从而得到预测的t+1时刻用户对物品的兴趣表达数据。将求得的Ut+1代入公式Rt+1=Ut+1*V0,计算获得t+1时刻用户对物品的兴趣预测数据Rt+1,并根据该Rt+1的值向用户推荐相应的物品。
以此类推,可以对t+2,t+3,……时刻的用户对物品的兴趣进行预测并根据该预测向用户推荐物品。
通过根据用户的历史兴趣数据,学习出用户兴趣的变化趋势,从而对用户未来的兴趣进行预测,解决了数据稀疏问题,进而提高物品推荐的准确率,改善用户体验。
进一步地,所述根据各个时刻的兴趣表达数据及其相应的权重,采用预先建立的兴趣预测模型,预测t时刻用户对所述物品的兴趣表达数据,具体包括:
根据各个时刻的兴趣表达数据及其相应的兴趣表达权重,采用预先建立的兴趣预测模型,预测t时刻用户对所述物品的兴趣表达平均值;
根据所述兴趣表达平均值和预设的用户先验知识,计算获得t时刻用户对所述物品的兴趣表达数据;
所述兴趣预测模型具体为:
Yt=A1*Ut-1+A2*Ut-2+…+AΦUt-Φ+ε;
其中,Yt表示t时刻用户对所述物品的的兴趣表达平均值;A1,A2,…,AΦ分别表示t-1时刻至t-Φ时刻中的各个时刻的权重;Ut-1,Ut-2,…,Ut-Φ分别表示t-1时刻至t-Φ时刻中的各个时刻的兴趣表达数据;ε为预设的波动误差。
需要说明的是,在根据数据分解模型min|R-U*V|学习出t-Φ时刻至t-1时刻的用户对物品的兴趣表达数据Ut-Φ,Ut-Φ+1,..,Ut-1和相应的权重AΦ,AΦ-1,..,A1之后,令t时刻的用户对物品的兴趣表达平均值Yt为Yt=A1*Ut-1+…+AΦ-1*Ut-Φ+1+AΦUt-Φ+ε,从而获得t时刻的用户对物品的兴趣表达平均值。其中,ε表示用户表达数据的波动误差,为预设的经验值。结合t时刻的用户对物品的兴趣表达平均值Yt和用户先验知识σu,计算获得t时刻用户对物品的兴趣表达数据Ut。用户先验知识σu为预设的经验值,服从高斯概率分布,用于调整t时刻用户对物品的兴趣表达数据Ut的取值范围,满足其中,N()为高斯概率密度函数,p()为概率函数,I为对角线元素为1,其他元素为0的矩阵,
在另一个优选地实施方式中,在所述建立t-Φ时刻到t-1时刻的Φ个时刻用户对物品的兴趣表达数据与预先训练出的Φ个权重的一一对应关系之前,还包括:
采集0时刻到Φ-1时刻中的各个时刻用户对所述物品的兴趣数据,并对采集到的兴趣数据进行矩阵分解,获得0时刻到Φ-1时刻中的各个时刻用户对所述物品的兴趣表达数据;
依次采集Φ到t-1时刻中的各个时刻用户对所述物品的兴趣数据,并根据所采集到的兴趣数据和0时刻到Φ-1时刻中的各个时刻的兴趣表达数据,对所述兴趣预测模型进行训练,获得t-Φ时刻到t-1时刻中的各个时刻用户对物品的兴趣表达数据和Φ个权重,完成所述兴趣预测模型的训练。
需要说明的是,采集0时刻至Φ-1时刻的用户对物品的兴趣数据R0,R1,...,RΦ-1,并对该R0,R1,...,RΦ-1进行矩阵分解,得到0时刻至Φ-1时刻的用户对物品的兴趣表达数据U0,U1,..,UΦ-1。
采集Φ时刻的用户对物品的兴趣数据RΦ,并根据0时刻至Φ-1时刻的用户对物品的兴趣表达数据U0,U1,..,UΦ-1和预先建立的数据分解模型,获得Φ时刻的用户对物品的兴趣表达数据UΦ和对应的Φ个权重AΦ,AΦ-1,..,A1,从而完成对兴趣预测模型的训练,用于后续的对用户兴趣的预测。
进一步地,所述依次采集Φ到t-1时刻中的各个时刻用户对所述物品的兴趣数据,并根据所采集到的兴趣数据和0时刻到Φ-1时刻中的各个时刻的兴趣表达数据,对所述兴趣预测模型进行训练,获得t-Φ时刻到t-1时刻中的各个时刻用户对物品的兴趣表达数据和Φ个权重,完成所述兴趣预测模型的训练,具体包括:
采集Φ时刻用户对所述物品的兴趣数据,并建立0时刻到Φ-1时刻的Φ个时刻的兴趣表达数据与Φ个权重的一一对应关系,以根据0时刻到Φ-1时刻中的各个时刻的兴趣表达数据及其对应的权重,采用预先建立的数据分解模型对Φ时刻的兴趣数据进行分解,获得Φ时刻用户对所述物品的兴趣表达数据,并更新所述Φ个权重;
采集Φ+1时刻用户对所述物品的兴趣数据,并建立1时刻到Φ时刻的Φ个时刻的兴趣表达数据与更新后的Φ个权重的一一对应关系,以根据1时刻到Φ时刻中的各个时刻的兴趣及其对应的权重,采用预先建立的数据分解模型对Φ+1时刻的兴趣数据进行分解,获得Φ+1时刻用户对所述物品的兴趣表达数据,并更新所述Φ个权重;
依次采集Φ+2时刻到t-1时刻中的各个时刻用户对所述物品的兴趣数据并进行分解,获得t-Φ时刻到t-1时刻中的各个时刻用户对物品的兴趣表达数据,并训练出所述Φ个权重,完成所述兴趣预测模型的训练。
需要说明的是,采集0时刻至Φ-1时刻的用户对物品的兴趣数据R0,R1,…,RΦ-1,并对该R0,R1,…,RΦ-1进行矩阵分解,得到0时刻至Φ-1时刻的用户对物品的兴趣表达数据U0,U1,..,UΦ-1。将该U0,U1,..,UΦ-1和预设的权重AΦ,AΦ-1,..,A1代入兴趣预测模型,得到YΦ=A1*UΦ-1+…+AΦ-1*U1+AΦ*U0+ε,从而计算获得Φ时刻用户对物品的兴趣表达平均值YΦ。随后,采集Φ时刻的用户对物品的兴趣数据RΦ,将该YΦ和该RΦ代入数据分解模型min|R-U*V|,通过随机梯度下降的方法得到Φ时刻的用户对物品的兴趣表达数据UΦ,并获得新的权重,从而对权重AΦ,AΦ-1,..,A1的值进行更新。
将1时刻至Φ时刻的用户对物品的兴趣表达数据U1,U2,..,UΦ和更新后的权重AΦ,AΦ-1,..,A1代入兴趣预测模型,得到YΦ+1=A1*UΦ+…+AΦ-1*U2+AΦ*U1+ε,从而计算获得Φ+1时刻用户对物品的兴趣表达平均值YΦ+1。随后,采集Φ+1时刻的用户对物品的兴趣数据RΦ+1,将该YΦ+1和该RΦ+1代入数据分解模型min|R-U*V|,通过随机梯度下降的方法得到Φ+1时刻的用户对物品的兴趣表达数据UΦ+1,并获得新的权重,从而对权重AΦ,AΦ-1,..,A1进行更新。
以此类推,直到求出t-1时刻的用户对物品的兴趣表达数据Ut-1和获得t-1时刻更新后的权重AΦ,AΦ-1,..,A1。
进一步地,所述根据所述兴趣预测数据判断是否向用户推荐所述物品,具体包括:
判断所述兴趣预测数据是否大于预设的阈值;
若是,则向用户推荐所述物品。
需要说明的是,在求出用户对物品的兴趣预测数据之后,判断该用户对物品的兴趣预测数据是否大于预设的阈值,若大于,则向用户推荐该兴趣预测数据所对应的物品;若不大于,则不向用户推荐该兴趣预测数据所对应的物品。
本发明实施例提供的基于用户兴趣预测的物品推荐方法,通过根据用户的历史兴趣数据,学习出用户兴趣的变化趋势,从而对用户未来的兴趣进行预测,解决了数据稀疏问题,进而提高物品推荐的准确率,改善用户体验。
相应地,本发明还提供一种基于用户兴趣预测的物品推荐装置,能够实现上述实施例中的基于用户兴趣预测的物品推荐方法的所有流程。
参见图2,是本发明提供的基于用户兴趣预测的物品推荐装置的一个实施例的结构示意图,具体如下:
对应关系建立模块21,用于建立t-Φ时刻到t-1时刻的Φ个时刻用户对物品的兴趣表达数据与预先训练出的Φ个权重的一一对应关系;1≤Φ<t;
兴趣表达数据预测模块22,用于根据各个时刻的兴趣表达数据及其相应的权重,采用预先建立的兴趣预测模型,预测t时刻用户对所述物品的兴趣表达数据;
兴趣预测数据获得模块23,用于根据t时刻的兴趣表达数据和预设的物品表达数据,计算获得t时刻用户对所述物品的兴趣预测数据;以及,
物品推荐模块24,用于根据所述兴趣预测数据判断是否向用户推荐所述物品。
进一步地,所述兴趣表达数据预测模块,具体包括:
兴趣表达平均值预测单元,用于根据各个时刻的兴趣表达数据及其相应的兴趣表达权重,采用预先建立的兴趣预测模型,预测t时刻用户对所述物品的兴趣表达平均值;以及,
兴趣表达数据获得单元,用于根据所述兴趣表达平均值和预设的用户先验知识,计算获得t时刻用户对所述物品的兴趣表达数据;
所述兴趣预测模型具体为:
Yt=A1*Ut-1+A2*Ut-2+…+AΦUt-Φ+ε;
其中,Yt表示t时刻用户对所述物品的的兴趣表达平均值;A1,A2,…,AΦ分别表示t-1时刻至t-Φ时刻中的各个时刻的权重;Ut-1,Ut-2,…,Ut-Φ分别表示t-1时刻至t-Φ时刻中的各个时刻的兴趣表达数据;ε为预设的波动误差。
在另一个优选地实施方式中,所述基于用户兴趣预测的物品推荐装置,还包括:
数据获取模块,用于采集0时刻到Φ-1时刻中的各个时刻用户对所述物品的兴趣数据,并对采集到的兴趣数据进行矩阵分解,获得0时刻到Φ-1时刻中的各个时刻用户对所述物品的兴趣表达数据;以及,
训练模块,用于依次采集Φ到t-1时刻中的各个时刻用户对所述物品的兴趣数据,并根据所采集到的兴趣数据和0时刻到Φ-1时刻中的各个时刻的兴趣表达数据,对所述兴趣预测模型进行训练,获得t-Φ时刻到t-1时刻中的各个时刻用户对物品的兴趣表达数据和Φ个权重,完成所述兴趣预测模型的训练。
进一步地,所述兴趣预测模型训练模块,具体包括:
第一数据获取单元,用于采集Φ时刻用户对所述物品的兴趣数据,并建立0时刻到Φ-1时刻的Φ个时刻的兴趣表达数据与Φ个权重的一一对应关系,以根据0时刻到Φ-1时刻中的各个时刻的兴趣表达数据及其对应的权重,采用预先建立的数据分解模型对Φ时刻的兴趣数据进行分解,获得Φ时刻用户对所述物品的兴趣表达数据,并更新所述Φ个权重;
第二数据获取单元,用于采集Φ+1时刻用户对所述物品的兴趣数据,并建立1时刻到Φ时刻的Φ个时刻的兴趣表达数据与更新后的Φ个权重的一一对应关系,以根据1时刻到Φ时刻中的各个时刻的兴趣及其对应的权重,采用预先建立的数据分解模型对Φ+1时刻的兴趣数据进行分解,获得Φ+1时刻用户对所述物品的兴趣表达数据,并更新所述Φ个权重;以及,
第三数据获取单元,用于依次采集Φ+2时刻到t-1时刻中的各个时刻用户对所述物品的兴趣数据并进行分解,获得t-Φ时刻到t-1时刻中的各个时刻用户对物品的兴趣表达数据,并训练出所述Φ个权重,完成所述兴趣预测模型的训练。
进一步地,所述物品推荐模块,具体包括:
判断单元,用于判断所述兴趣预测数据是否大于预设的阈值;以及,
推荐单元,用于在判定所述兴趣预测数据大于预设的阈值时,向用户推荐所述物品。
本发明实施例提供的烧录文件的制作装置,通过根据用户的历史兴趣数据,学习出用户兴趣的变化趋势,从而对用户未来的兴趣进行预测,解决了数据稀疏问题,进而提高物品推荐的准确率,改善用户体验。
以上所述是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以作出若干改进和润饰,这些改进和润饰也视为本发明的保护范围。
Claims (10)
1.一种基于用户兴趣预测的物品推荐方法,其特征在于,包括:
建立t-Φ时刻到t-1时刻的Φ个时刻用户对物品的兴趣表达数据与预先训练出的Φ个权重的一一对应关系;1≤Φ<t;
根据各个时刻的兴趣表达数据及其相应的权重,采用预先建立的兴趣预测模型,预测t时刻用户对所述物品的兴趣表达数据;
根据t时刻的兴趣表达数据和预设的物品表达数据,计算获得t时刻用户对所述物品的兴趣预测数据;
根据所述兴趣预测数据判断是否向用户推荐所述物品。
2.如权利要求1所述的基于用户兴趣预测的物品推荐方法,其特征在于,所述根据各个时刻的兴趣表达数据及其相应的权重,采用预先建立的兴趣预测模型,预测t时刻用户对所述物品的兴趣表达数据,具体包括:
根据各个时刻的兴趣表达数据及其相应的兴趣表达权重,采用预先建立的兴趣预测模型,预测t时刻用户对所述物品的兴趣表达平均值;
根据所述兴趣表达平均值和预设的用户先验知识,计算获得t时刻用户对所述物品的兴趣表达数据;
所述兴趣预测模型具体为:
Yt=A1*Ut-1+A2*Ut-2+…+AΦUt-Φ+ε;
其中,Yt表示t时刻用户对所述物品的的兴趣表达平均值;A1,A2,…,AΦ分别表示t-1时刻至t-Φ时刻中的各个时刻的权重;Ut-1,Ut-2,…,Ut-Φ分别表示t-1时刻至t-Φ时刻中的各个时刻的兴趣表达数据;ε为预设的波动误差。
3.如权利要求1所述的基于用户兴趣预测的物品推荐方法,其特征在于,在所述建立t-Φ时刻到t-1时刻的Φ个时刻用户对物品的兴趣表达数据与预先训练出的Φ个权重的一一对应关系之前,还包括:
采集0时刻到Φ-1时刻中的各个时刻用户对所述物品的兴趣数据,并对采集到的兴趣数据进行矩阵分解,获得0时刻到Φ-1时刻中的各个时刻用户对所述物品的兴趣表达数据;
依次采集Φ到t-1时刻中的各个时刻用户对所述物品的兴趣数据,并根据所采集到的兴趣数据和0时刻到Φ-1时刻中的各个时刻的兴趣表达数据,对所述兴趣预测模型进行训练,获得t-Φ时刻到t-1时刻中的各个时刻用户对物品的兴趣表达数据和Φ个权重,完成所述兴趣预测模型的训练。
4.如权利要求3所述的基于用户兴趣预测的物品推荐方法,其特征在于,所述依次采集Φ到t-1时刻中的各个时刻用户对所述物品的兴趣数据,并根据所采集到的兴趣数据和0时刻到Φ-1时刻中的各个时刻的兴趣表达数据,对所述兴趣预测模型进行训练,获得t-Φ时刻到t-1时刻中的各个时刻用户对物品的兴趣表达数据和Φ个权重,完成所述兴趣预测模型的训练,具体包括:
采集Φ时刻用户对所述物品的兴趣数据,并建立0时刻到Φ-1时刻的Φ个时刻的兴趣表达数据与Φ个权重的一一对应关系,以根据0时刻到Φ-1时刻中的各个时刻的兴趣表达数据及其对应的权重,采用预先建立的数据分解模型对Φ时刻的兴趣数据进行分解,获得Φ时刻用户对所述物品的兴趣表达数据,并更新所述Φ个权重;
采集Φ+1时刻用户对所述物品的兴趣数据,并建立1时刻到Φ时刻的Φ个时刻的兴趣表达数据与更新后的Φ个权重的一一对应关系,以根据1时刻到Φ时刻中的各个时刻的兴趣及其对应的权重,采用预先建立的数据分解模型对Φ+1时刻的兴趣数据进行分解,获得Φ+1时刻用户对所述物品的兴趣表达数据,并更新所述Φ个权重;
依次采集Φ+2时刻到t-1时刻中的各个时刻用户对所述物品的兴趣数据并进行分解,获得t-Φ时刻到t-1时刻中的各个时刻用户对物品的兴趣表达数据,并训练出所述Φ个权重,完成所述兴趣预测模型的训练。
5.如权利要求1所述的基于用户兴趣预测的物品推荐方法,其特征在于,所述根据所述兴趣预测数据判断是否向用户推荐所述物品,具体包括:
判断所述兴趣预测数据是否大于预设的阈值;
若是,则向用户推荐所述物品。
6.一种基于用户兴趣预测的物品推荐装置,其特征在于,包括:
对应关系建立模块,用于建立t-Φ时刻到t-1时刻的Φ个时刻用户对物品的兴趣表达数据与预先训练出的Φ个权重的一一对应关系;1≤Φ<t;
兴趣表达数据预测模块,用于根据各个时刻的兴趣表达数据及其相应的权重,采用预先建立的兴趣预测模型,预测t时刻用户对所述物品的兴趣表达数据;
兴趣预测数据获得模块,用于根据t时刻的兴趣表达数据和预设的物品表达数据,计算获得t时刻用户对所述物品的兴趣预测数据;以及,
物品推荐模块,用于根据所述兴趣预测数据判断是否向用户推荐所述物品。
7.如权利要求6所述的基于用户兴趣预测的物品推荐装置,其特征在于,所述兴趣表达数据预测模块,具体包括:
兴趣表达平均值预测单元,用于根据各个时刻的兴趣表达数据及其相应的兴趣表达权重,采用预先建立的兴趣预测模型,预测t时刻用户对所述物品的兴趣表达平均值;以及,
兴趣表达数据获得单元,用于根据所述兴趣表达平均值和预设的用户先验知识,计算获得t时刻用户对所述物品的兴趣表达数据;
所述兴趣预测模型具体为:
Yt=A1*Ut-1+A2*Ut-2+…+AΦUt-Φ+ε;
其中,Yt表示t时刻用户对所述物品的的兴趣表达平均值;A1,A2,…,AΦ分别表示t-1时刻至t-Φ时刻中的各个时刻的权重;Ut-1,Ut-2,…,Ut-Φ分别表示t-1时刻至t-Φ时刻中的各个时刻的兴趣表达数据;ε为预设的波动误差。
8.如权利要求6所述的基于用户兴趣预测的物品推荐装置,其特征在于,所述基于用户兴趣预测的物品推荐装置,还包括:
数据获取模块,用于采集0时刻到Φ-1时刻中的各个时刻用户对所述物品的兴趣数据,并对采集到的兴趣数据进行矩阵分解,获得0时刻到Φ-1时刻中的各个时刻用户对所述物品的兴趣表达数据;以及,
训练模块,用于依次采集Φ到t-1时刻中的各个时刻用户对所述物品的兴趣数据,并根据所采集到的兴趣数据和0时刻到Φ-1时刻中的各个时刻的兴趣表达数据,对所述兴趣预测模型进行训练,获得t-Φ时刻到t-1时刻中的各个时刻用户对物品的兴趣表达数据和Φ个权重,完成所述兴趣预测模型的训练。
9.如权利要求8所述的基于用户兴趣预测的物品推荐装置,其特征在于,所述兴趣预测模型训练模块,具体包括:
第一数据获取单元,用于采集Φ时刻用户对所述物品的兴趣数据,并建立0时刻到Φ-1时刻的Φ个时刻的兴趣表达数据与Φ个权重的一一对应关系,以根据0时刻到Φ-1时刻中的各个时刻的兴趣表达数据及其对应的权重,采用预先建立的数据分解模型对Φ时刻的兴趣数据进行分解,获得Φ时刻用户对所述物品的兴趣表达数据,并更新所述Φ个权重;
第二数据获取单元,用于采集Φ+1时刻用户对所述物品的兴趣数据,并建立1时刻到Φ时刻的Φ个时刻的兴趣表达数据与更新后的Φ个权重的一一对应关系,以根据1时刻到Φ时刻中的各个时刻的兴趣及其对应的权重,采用预先建立的数据分解模型对Φ+1时刻的兴趣数据进行分解,获得Φ+1时刻用户对所述物品的兴趣表达数据,并更新所述Φ个权重;以及,
第三数据获取单元,用于依次采集Φ+2时刻到t-1时刻中的各个时刻用户对所述物品的兴趣数据并进行分解,获得t-Φ时刻到t-1时刻中的各个时刻用户对物品的兴趣表达数据,并训练出所述Φ个权重,完成所述兴趣预测模型的训练。
10.如权利要求6所述的基于用户兴趣预测的物品推荐装置,其特征在于,所述物品推荐模块,具体包括:
判断单元,用于判断所述兴趣预测数据是否大于预设的阈值;以及,
推荐单元,用于在判定所述兴趣预测数据大于预设的阈值时,向用户推荐所述物品。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610508835.7A CN106169150A (zh) | 2016-06-29 | 2016-06-29 | 基于用户兴趣预测的物品推荐方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610508835.7A CN106169150A (zh) | 2016-06-29 | 2016-06-29 | 基于用户兴趣预测的物品推荐方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106169150A true CN106169150A (zh) | 2016-11-30 |
Family
ID=58065123
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610508835.7A Pending CN106169150A (zh) | 2016-06-29 | 2016-06-29 | 基于用户兴趣预测的物品推荐方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106169150A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108829766A (zh) * | 2018-05-29 | 2018-11-16 | 苏州大学 | 一种兴趣点推荐方法、系统、设备及计算机可读存储介质 |
CN111259222A (zh) * | 2020-01-22 | 2020-06-09 | 北京百度网讯科技有限公司 | 物品推荐方法、系统、电子设备及存储介质 |
-
2016
- 2016-06-29 CN CN201610508835.7A patent/CN106169150A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108829766A (zh) * | 2018-05-29 | 2018-11-16 | 苏州大学 | 一种兴趣点推荐方法、系统、设备及计算机可读存储介质 |
CN108829766B (zh) * | 2018-05-29 | 2021-09-21 | 苏州大学 | 一种兴趣点推荐方法、系统、设备及计算机可读存储介质 |
CN111259222A (zh) * | 2020-01-22 | 2020-06-09 | 北京百度网讯科技有限公司 | 物品推荐方法、系统、电子设备及存储介质 |
CN111259222B (zh) * | 2020-01-22 | 2023-08-22 | 北京百度网讯科技有限公司 | 物品推荐方法、系统、电子设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104834748B (zh) | 一种利用基于深度语义排序哈希编码的图像检索方法 | |
CN104462593B (zh) | 一种提供用户个性化资源消息推送的方法和装置 | |
CN109508375A (zh) | 一种基于多模态融合的社交情感分类方法 | |
CN104462383B (zh) | 一种基于用户多种行为反馈的电影推荐方法 | |
CN104503973A (zh) | 一种基于奇异值分解与分类器融合推荐的方法 | |
CN109741112A (zh) | 一种基于移动大数据的用户购买意向预测方法 | |
CN108665064A (zh) | 神经网络模型训练、对象推荐方法及装置 | |
CN106202377B (zh) | 一种基于随机梯度下降的在线协同排序方法 | |
CN111444334A (zh) | 数据处理方法、文本识别方法、装置及计算机设备 | |
Marković et al. | Soft computing prediction of economic growth based in science and technology factors | |
CN103166830A (zh) | 一种智能选择训练样本的垃圾邮件过滤系统和方法 | |
CN104102696A (zh) | 一种内容推荐方法及装置 | |
CN111191099B (zh) | 一种基于社交媒体的用户活动类型识别方法 | |
CN106777359B (zh) | 一种基于受限玻尔兹曼机的文本业务推荐方法 | |
CN110334286A (zh) | 一种基于信任关系的个性化推荐方法 | |
CN107945534A (zh) | 一种基于gmdh神经网络的交通车流量预测方法 | |
CN106169150A (zh) | 基于用户兴趣预测的物品推荐方法和装置 | |
CN108107248A (zh) | 一种基于神经网络的窃电识别方法 | |
CN108804577A (zh) | 一种资讯标签兴趣度的预估方法 | |
CN110334278A (zh) | 一种基于改进深度学习的web服务推荐方法 | |
CN108256550A (zh) | 一种木材类别更新方法和装置 | |
CN111523940B (zh) | 一种带负反馈的基于深度强化学习的推荐方法及系统 | |
CN104572915B (zh) | 一种基于内容环境增强的用户事件相关度计算方法 | |
CN105023214A (zh) | 一种题目知识点智能推荐方法 | |
CN110263232A (zh) | 一种基于广度学习和深度学习的混合推荐方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20161130 |