CN106651544B - 最少用户交互的会话式推荐系统 - Google Patents

Abstract

本发明公开了一种最少用户交互的会话式推荐系统，包括获取来自于用户的至少一个用户偏好，生成反映了至少一个用户偏好的摘要说明，和根据所述摘要说明，检索来自于商品数据库中供用户评价的商品列表。所述商品列表中的商品与所述用户偏好相关。所述方法进一步包括确定所述供用户评价的商品的初始排序，并且根据随机游动算法和初始排序对所述供用户评价的商品进行排序。没有排序的商品是剩余商品。所述方法进一步包括接收对所述已排序商品的用户反馈，根据用户对所述已排序商品的用户反馈和随机游动算法，重新排序剩余商品。

Description

最少用户交互的会话式推荐系统

技术领域

本发明涉及计算机技术，特别涉及，最少用户交互的会话式推荐系统。

背景技术

当购买产品和接受服务时，大多数客户常常难以描述他们的需求。通常的做法是通过询问客户的真实需求来鉴别用户需要。因此，用户非常需要可以协助他们获得满足要求产品的推荐系统。然而，在实际应用中，现状是推荐系统需要花费长时间才能生成满足用户要求的推荐，这样的现状导致用户体验很差，因为通常大多数用户不满意最初的推荐。

这个问题可以通过会话式推荐系统(CRS)，所述会话式推荐系统是通过所述用户和所述CRS之间的重复交互来获取适合的产品。适用于CRS的一种主要策略是收集用户的需要，即，通过询问式导航。然而，从理论上说，询问式导航不能在有限的时间内为用户导航至所有可能的产品因此，询问式导航是没有实用性的。

具体，一些CRS根据所述用户偏好的评估采用寻找最大k个数算法的理论。也就是说，显示出的所述k个最高排序商品是当前推荐或者潜在推荐，然而，所述CRS仅仅向用户提供了局限性的选项，因为这些已推荐产品互相之间相似，而且与用户要求的最佳产品相差甚远。

为了克服这个问题，一些CRS定义用户偏好的不同范围。多样化导向的CRS总体上对克服偏好评估的不精确有积极作用。但是不幸的是不能量化评估用户体验，直观上来说，理想的CRS是能够像一个出色的销售人员一样能够注意到用户的反馈，然后根据用户的反馈前瞻性调整他/她的销售技巧。

本发明公开的方法及其系统用于解决现有技术中的一个或者多个问题。

发明内容

本发明一方面包括了一种会话式推荐系统的方法。所述方法包括获取来自于用户的至少一个用户偏好，生成反映了至少一个用户偏好的摘要说明和根据所述摘要说明，检索来自于商品数据库中供用户评价的商品列表，所述商品列表中的商品与所述用户偏好相关。所述方法进一步包括确定所述供用户评价的商品的初始排序，并且根据随机游动算法和初始排序对所述用户评价的商品进行排序。没有排序的商品是剩余商品。所述方法进一步包括接收对所述已排序商品的用户反馈，并且根据用户对所述已排序商品的用户反馈和随机游动算法，重新排序剩余商品。

本发明另一方面包括了一种会话式推荐系统。所述系统包括产品推荐和说明模块：用于获取来自于用户的至少一个用户偏好；生成反映了至少一个用户偏好的摘要说明；摘要说明评价模块：用于根据所述摘要说明，检索来自于商品数据库中供用户评价的商品列表，所述商品列表中的商品与所述用户偏好相关；对话管理模块：用于确定所述供用户评价的商品的初始排序；用户偏好建模模块：用于根据随机游动算法和初始排序对所述供用户评价的商品进行排序，没有排序的商品是剩余商品；反馈式推荐模块：用于接收对所述已排序商品的用户反馈；根据用户对所述已排序商品的用户反馈和随机游动算法，重新排序剩余商品。

本发明的其他方面，所属技术领域技术人员能够依据本发明的权利要求书，说明书，以及附图有效实施并充分公开。

根据本发明公开的各种不同实施例，以下附图仅仅是用于说明目的的实例，不限制本发明的范围。

附图说明

图1为本发明具体实施方式的通过会话式推荐系统(CRS)完成的实例流程图。

图2为本发明具体实施方式的工作环境示意图。

图3为本发明具体实施方式的计算系统的结构框图。

图4为本发明具体实施CRS方式的结构框图。

图5为本发明具体实施CRS方式的各种模块完成实例的流程图。

图6为本发明具体实施方式的实例的反馈式算法流程图。

具体实施方式

为了便于理解本发明，下面参照相关附图对本发明进行更全面的描述。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的附图，对本发明实施例的技术方案进行清楚，完整地描述。除非另外指出，在各图中相同的参考数字用于相同的部件。显然，描述的实施例是本发明的一部分实施例，而不是全部的实施例。基于所描述的本发明的实施例，本领域普通技术人员在无需创造性劳动的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。

会话式CRS已经试图减少用户与所述CRS中的交互次数，因为如果在所述用户和所述CRS之间交互过于频繁，会降低用户体验。虽然，所述会话式CRS仍不能量化所述用户体验的评价，为了更好评价用户体验，量化所述用户体验评价是非常需要的。本发明提供在所述CRS上评价所述用户体验的量化值，即，所述CRS为了满足所述用户要求所问问题的数量。

为了进一步改善用户体验，在本发明中引用最少询问的概念。最少询问是建立在本发明具体实施方式的CRS的一种机制(如，应用程序)，所述机制目标是于最小化量化值，换而言之，最小化所述CRS为了满足所述用户要求所问问题的数量。所述本发明提供基于最少询问概念的CRS，所述CRS可以同时拟合所述用户偏好和用户反馈以最小化所述CRS为了满足所述用户要求所问问题的数量。

图1为本发明具体实施方式的通过会话式推荐系统(CRS)完成的实例流程图。如图1所示，用户具体描述他/她的所需的CRS(S102)后，所述CRS生成产品列表和向用户推荐列表上排序第一的产品以及其说明(S104)。如果所述用户满意推荐，则结束流程。如果所述不满足推荐，用户给予用户反馈，反馈式推荐模块可以调整策略用于重新排序剩余产品直到用户满意向他们推荐的产品(S106)。

图2为本发明具体实施方式的工作环境示意图200，如图2所示，环境200包括用户终端202，服务器204，用户206和网络210，其他设备也可能包括在内。

用户终端202包括具有一定运算能力的任何合适的电子设备，比如电视(TV)，机顶盒，智能手机，移动手机，平板电脑，个人计算机(PC)，服务器计算机、便携式计算机，和掌上电脑(PDA)，等。具体的，所述用户终端202包括任何合适的能够演示文本，图片，视频等内容演示设备。

所述服务器204包括任何合适的服务器计算机或若干个向用户206提供个性化内容的服务器计算机.所述服务器204也可能配置在其他服务器和用户终端202之间交流，数据存储，和数据处理。所述用户终端202，和服务器204可以通过一个或多个交流网络210与其他人交流，比如有线网络，电话网络，和/或卫星网络，等。

所述用户206与用户终端202交互用于搜索和检索各种内容和实现其他兴趣活动，或如果所述移动终端202使用语音识别引擎，移动感应器，或深度相机，所述用户可以通过语音，手势或肢体语言去控制所述用户终端202。所述用户206可能是单个用户或者若干用户，比如一个家庭。

可以在任何适合计算电路平台中实施所述用户终端202，和/或服务器204。图3为实施所述用户终端202，和/或服务器204的计算系统的结构框图。

如图3所示，计算机系统300包括处理器302，存储介质304，显示器306，通讯模块308，数据库314以及外围设备312。其中某些设备可被省略，也可以包括其他设备。

处理器302可以包括任何合适的一个或多个处理器。具体的，处理器302可以包括多线程或并行处理的多个核心。存储介质304可以包括内存模块，比如ROM，RAM，闪存模块，以及大容量存储器，比如光盘和硬盘。存储介质304存储有计算机程序，当处理器302执行这些计算机程序时，可以实现各种方法步骤。

此外，外围设备312包括各种传感器和其他的I/O设备，比如键盘和鼠标。通信模块308包括某些通过通信网络建立连接的网络接口设备。数据库314包括一个或多个用于存储某些数据并在存储数据上执行某些操作，比如数据库搜索。

所述用户终端202和/或服务器204对用户206实施会话式推荐系统(CRS)。图4为本发明具体实施CRS方式的结构框图.

如图4所述，所述CRS 400包括用户偏好建模模块401，摘要说明评价模块402，产品推荐模块和说明模块403，反馈式推荐模块404，和对话管理模块405。其中某些组件可被省略，也可以包括其他组件。所述CRS 400(例如，各种模块)可以在硬件上，软件上，或软硬件结合使用。

所述用户偏好建模模块401可以存储用户信息。每个用户可以由唯一对应的数字数据表示，所述用户信息可以从所述用户输入或者用户社交网页自动收集。通过进一步分析用户信息来了解提出“冷开始”问题的所述用户个性。所述用户偏好建模模块401也用于存储用户行为数据。

具体，用户偏好建模模块401可以记录对已推荐产品的特征的所述用户偏好，通过在所述用户和所述CRS之间的交互动态地重建用户偏好。

所述摘要说明评价模块402可以允许所述用户检验所述CRS对所述用户偏好的理解和对推测的所述用户偏好给予反馈。与其他CRS不同，本发明实例中所述摘要说明评价模块402能基于所述用户偏好，确定关于每个产品特征的任何可能存在的讨论的质量。

例如，给定的所述用户价格偏好是$25-$50，所述摘要说明评价模块402可以指定类似于，“你现在对价格范围在$25-$50的商品感兴趣”的摘要说明，摘要说明评价模式402指定的摘要说明可以通过产品推荐和说明模块403进一步润色。

所述产品推荐和说明模块403可以检索产品列表和生成所述产品的说明。特别是，根据预设的算法，所述产品推荐和说明模块可以检索与所述用户偏好相关紧密的产品，所述反馈式推荐模块404可以考虑到所述用户反馈并且重新排列剩余的产品。

所述对话管理模块405可以用于在所述用户和所述CRS之间的交互(例如，对话)。所述对话管理模块405具体包括自然语言理解(NLU)组件，所述对话管理模块的输入可以是所述用户的语音，所述语音通过所述自然语言理解组件转化为具体的语义表达。所述对话管理模块405的输出是通过自然语言理解组件创建的回答。

图5表示在本发明实例的会话式推荐系统(CRS)中，通过各种模块完成的实例流程图500。如图5所示，在开始，所述摘要说明评价模块基于所述用户偏好，指定产品特征的摘要说明(S502)。所述产品推荐和说明模块检索一系列具有对应说明的产品(S504)。

然后反馈式推荐模块将产品排序(S505)。根据产品的排序，反馈式推荐模块通过所述对话管理模块按照排序一个个向所述用户推荐产品(S506)，这样从排序最高向排序最低开始推荐产品。所述对话管理收集所述用户反馈和向反馈式推荐模块返回所述用户反馈(S508)。如果所述用户满意所推荐的产品，则结束流程。

如果所述用户不满意所推荐的产品，根据用户的反馈，所述反馈式推荐模块调整策略用于重新排序剩余产品(S510)和通过所述对话管理模块向所述用户一个个推荐所述剩余产品。根据排序，推荐所述剩余产品，换而言之，从排序最高向排序最低开始推荐产品。重复所述流程直至所述用户满意他/她的选择。

例如，首先，向用户推荐排序第一的产品，如果他/她不满意所推荐的产品，所述用户可以给予反馈。优化产品的相似矩阵用以满足所述用户反馈，并且重新排序所有剩余产品。然后向用户推荐在剩余产品中排序第一的产品，所述排序第一产品是最不相似于先前向用户推荐的产品。这是由于如果所述产品与先前已经推荐过的产品相似，则该产品的排序会比较低。

通过在所述CRS400中的各种模块完成的所述CRS400和所述流程500可以因为各种理由吸引客户。首先，当前的推荐产品总是优选的。由于已经知道先前推荐产品的用户反馈，因此，获得匹配用户偏好的产品所需要的工作量是最少的。第二，来自于计算复杂性的方面，所述CRS400是比会话式的“线性搜索”CRS更有效。

如图5所示，通过询问与已推荐产品相关问题和收到来自用户的回答(即，反馈)所述反馈式推荐模块可以向用户推荐产品，为了在所述用户和所述系统之间用最少交互满足用户要求，所述CRS400提供反馈式策略的服务。

正常来说，反馈式策略主要包括两部分，所述第一部分是无向图W，所述无向图W是通过边连接若干节点。在无向图W中每个节点代表一个产品，其中w_ij是从i到j的边的权重。从i到j的边可以是有向的，也可以是无向的，有向边意味着边有方向，无向边意味着边没有方向。为了考虑到用户的反馈，第二部分是情感分析。这样的，使用在0～1之间的情感值s_i表示用户对某一产品的反馈意见。

根据所述反馈式策略(reacted-based strategy)，提供反馈式算法。为了最小化所述基于反馈推荐模块需要问的问题数量，所述反馈式算法可以利用用于重新排序剩余产品的所述用户反馈。

本发明实例，反馈式算法是根据在马尔科夫吸收链中的随机游动算法，假设所述用户反馈可以动态地改变产品满足他/她需求的可能性。通过所述反馈式推荐模块完成所述随机游动。

以下是与本实例的反馈式算法，W指无向图，r是指概率分布，a∈[0,1]是指用于平衡无向图W和所述概率分布r的权重系数，w_i是从在无向图W的节点G_i到其他节点的边的权重。

指变换矩阵，1是一个全1向量，和1r^T是所述输出产品，所述反馈式算法整体概括为三个步骤：创建初始马尔科夫链，寻找排序第一的商品和排序所述剩余商品。通过以下流程图可以解释所述反馈式算法的细节，图6所示为本发明具体实施方式的反馈式算法实例的流程图。

输入W，r，α，

1.根据以下式子，从W，r，α创建初始马尔科夫链P

2.计算P的静态分布π。然后基于用户偏好选取第一个G₁

3.重复直至所有商品被排序：

(a)将剩余商品转变为吸收状态

(b)计算所有剩余商品的预期访问次数V_i

(c)用户的反馈s_i和w_i相乘

(d)基于静态分布π重新计算P和P的静态。然后选取第一个

如图6所示，首先，基于三个输入：无向图W，概率分布r，和平衡无向图W和所述概率分布r之间的权重a∈[0,1]来创建在初始马尔科夫链P(S602)。

包括若干个n产品的给定产品列表P，P＝{p₁…p_n}，其中n是等于或大于1的整数。每个p_n有特征列表F＝{f_n1…f_nm}和用户偏好U，其中m是等于或大于1的整数。在产品的推荐系统中，包括n个产品的产品列表P可以通过具有n个节点的无向全连通图W表示，其中，每个节点代表一个产品。

所述无向图W可以由n Xn加权矩阵W表示，其中w_ij是从所述节点G_i到所述节点G_j的边的加权值，i和j分别是从1到n的，所述权重w_ij指在所述节点G_i和所述节点G_j之间的余弦相似性，可以根据在所述节点G_i和所述节点G_j之间的特征相似性计算所述权重w_ij，这样，权重大意味着相似性大。

给定的所述产品列表P，计算所述产品列表P初始排序。所述产品列表P初始排序可以是任意排序，在某些实例中，所述产品列表P初始排序指分布概率r＝(r₁…r_n)^T，其中r_i≥0,∑r_i＝1。初始排序高的概率大。即，所述最高排序的产品有最大的概率，所述下个产品有相对低些的概率，等等。

具体的，通过加权矩阵W:

归一化的行所创建所述产品列表的n X n变换矩阵

因此，

指最初从所述节点G_i和所述节点G_i路径移动的概率。通过用概率分布r插值的每行,以下是所述初始马尔科夫链P

其中1是全1向量，和1r^T是所述输出产品。

所述反馈式算法的下一步是寻找排序第一的产品。

根据Eq.(1)，所述初始马尔科夫链P是遍历性。因此，计算初始静态分布π＝P^Tπ。选择具有最大静态概率的状态(即，所述产品)作为排序第一的产品G₁(S604)。这样，

排序出第一的产品后，所述反馈式算法的下一步是排序剩余产品。

需要注意的是，所述静态分布不能解决多样性。因为一旦随机游动到达吸收状态，吸收所述游动并保持这种状态。不再提供信息用于计算马尔科夫吸收链的静态分布。因此，静态分布仅仅用于寻找排序第一的产品。

为了引入多样性到产品排序中，关键在于将所述已排序的产品转变为吸收状态，即，将目前所述已排序的产品转变为吸收状态。所述吸收状态的重要性低于相似未排序状态的重要性，由此鼓励多样性。

在本实例中，根据吸收之前的访问预期次数，重新排序所述剩余产品。给定的所述节点G_i是在i循环中向用户推荐的所述产品，将G_i转变为吸收状态(S606)。计算从所述节点G_i到每个节点的所述预期访问次数(S608)。直观的，与G_i紧密连接的所述节点通过随机游动有许多较少的访问，由于所述游动访问与G_i紧密连接的所述节点后趋向于马上被吸收。相反的，远离所述节点G_i仍允许所述随机游动徘徊于节点之间，由此有了更多的访问次数。

选择马尔科夫吸收链中具有对所述节点G_i有最大预期次数访问的所述节点作为所述产品列表中下一个产品G_i+1(S610)。如果所述用户没有给予关于所述已推荐产品的反馈，重复排序剩余产品的过程(例如，所述步骤S606，S608和S610)直至所有产品都已排序或已推荐。

如果用户向G_i给予反馈，G_i具有对应的情感值s_i，直观上，小的情感值(例如，更多的消极反馈)降低了所述游动访问相似节点的概率，因此增加所述游动访问最不相似节点的概率。上述具有合理的限制的商品与G_i相似，并且服从于用户的情感。

根据所述情感值s_i，通过所述情感值s_i和所述初始权重w_ij的乘积计算介于所述节点G_i和所述节点G_j之间的新权重w_ij′(S612)。然后获得新的变换矩阵

和新的马尔科夫链P’(S614),根据计算的新静态分布π′＝P′^Tπ′和选择具有最大静态概率的所述状态(即，所述产品)作为在所述产品列表中下一个产品G_i+1的状态(S616)。然后重复所述步骤S606，S608和S610用于排序剩余产品直至用户给予另一个反馈。

比如，首先，转换G₁为吸收状态，然后计算从所述节点G₁到每个节点所述预期访问次数v₁。选取每个到G₁的节点中，具有最大预期访问次数的节点作为G₂。然后将G₂转换为吸收状态，然后计算从所述节点G₂到每个节点所述预期访问次数v₂。选取每个到G₂的节点中，具有最大预期访问次数的节点作为G₃。如果所述用户没有给予关于已推荐产品的反馈，重复上述流程直至排序完所有产品。

如果所述用户给予了反馈给已推荐产品G₂，G₂指定情感值s₂，和通过情感值s₂与所述初始权重w_2j的乘积来计算介于所述产品G₂和所述产品G_j之间的权重。然后计算新静态分布π′＝P′^Tπ′和选取具有最大静态分布概率的所述状态作为G₃。如果所述用户没有给予对已推荐的产品做出任何反馈G₃，将G₃转换为吸收状态，然后计算从所述节点G₃到每个节点的预期访问次数v₃，选取每个到G₃的节点中，具有最大预期访问次数的节点作为G₄。

反馈式算法，考虑所述用户反馈来调整推荐策略。因此，可以平衡所述产品多样性和所述用户偏好。并提高所述CRS的用户体验。特别是，当所述用户不能浏览推荐列表，本发明中所述CRS可以用最少的问题去引导用户并且减少为用户寻找理想产品的时间。

需要注意的是，所述用最少的用户交互的会话式推荐系统和方法概念可以扩展到其他任务中，如信息检索，图像收集总结，测试总结，社交网络分析等等，例如，在新闻事件的信息检索中，一篇文章通常是经过很小的改动后，由多家报纸出版。所述用户想寻找足够不同的文章作为补充。在社交网络分析中，人们通过相互之间的交互相互联系。例如，打电话，活跃的人群之间有频繁的交互，但是存在很少交互的群体，所述用户需要创建显示各种群体的人物列表。

提供本发明提供实例描述用于向本领域普通技术人员说明本发明。对所述实例的各种修改对本领域普通技术人员是显而易见的，并且在本发明实施例中给出的一般性原则在不脱离本发明的精神或者范围的情况下，也可以应用于其他实施例中。因此，本发明不限于所述实例中，但是应用于应用本发明实例所述原则和新特征的更广领域。

Claims (20)

1.一种会话式推荐系统的方法，其特征在于，包括：

获取来自于用户的至少一个用户偏好；

生成反映了至少一个用户偏好的摘要说明；

根据所述摘要说明，检索来自于商品数据库中供用户评价的商品列表，所述商品列表中的商品与所述用户偏好相关；

确定所述供用户评价的商品的初始排序；

根据随机游动算法和初始排序对所述供用户评价的商品进行排序，没有排序的商品是剩余商品；

接收对已排序商品的用户反馈；

根据用户对所述已排序商品的用户反馈和随机游动算法，重新排序剩余商品；

所述重新排序剩余商品的步骤中，剩余商品中排序第一的产品是最不相似于先前向用户推荐的产品。

2.根据权利要求1所述会话式推荐系统方法，其特征在于，进一步包括：

通过预设的算法检索来自于商品数据库的商品列表。

3.根据权利要求1所述会话式推荐系统方法，其特征在于，进一步包括：

供用户评价的商品的初始排序是任意排序。

4.根据权利要求1所述会话式推荐系统方法，其特征在于，所述随机游动算法包括：

根据表示商品列表的无向图W确定马尔科夫链，表示所述商品的所述初始排序的概率分布r和平衡无向图W和所述概率分布r的权重α；

确定马尔科夫链的静态分布；

选择在所述马尔科夫链的静态分布中具有最大静态概率的商品作为排序第一的商品，没有排序的商品作为剩余商品；

根据计算获得的从所述剩余商品到已排序的商品的预期访问次数，对剩余商品进行排序。

5.根据权利要求4所述会话式推荐系统方法，其特征在于，所述随机游动算法具体包括：

将已排序的商品转变为吸收状态；

计算从所述剩余商品到所述已排序的商品的预期访问次数；

将剩余商品中，预期访问次数最多的商品作为已排序商品的下一个商品。

6.根据权利要求4所述会话式推荐系统方法，其特征在于，所述随机游动算法具体包括：

根据

决定马尔科夫链，其中，

所述无向图W包括n个商品G_i，代表包括n个商品G_i的所述商品列表，n是等于或大于1的整数，i是1到n的整数，

W通过n*n加权矩阵表示，所述概率分布r＝(r₁…r_n)^T，其中r_i≥0,∑r_i＝1，所述权重α∈[0,1]，

是通过加权矩阵W：

归一化的行所创建所述商品列表的n*n变换矩阵，

指最初从所述商品G_i和所述商品G_j路径移动的概率，1是全1向量，1r^T是输出产品，W_ij是无向图W在所述商品G_i和所述商品G_j之间的边上权重，i、j、k分别是从1到n的整数。

7.根据权利要求6所述会话式推荐系统方法，其特征在于，所述随机游动算法具体包括：

根据π＝P^Tπ确定所述马尔科夫链的静态分布。

8.根据权利要求4所述会话式推荐系统方法，其特征在于，根据用户对已排序商品的用户反馈和所述随机游动算法重新排序所述剩余商品具体包括：

指定已排序商品G_i的情感值s_i；

通过所述已排序商品G_i的所述情感值s_i和权重w_ij的乘积计算出新的w_ij。

9.根据权利要求8所述会话式推荐系统方法，其特征在于，所述随机游动算法具体包括：

根据

确定新的马尔科夫链，

是新的变换矩阵。

10.根据权利要求9所述会话式推荐系统方法，其特征在于，所述随机游动算法具体包括：

根据π＝P^Tπ确定所述新的马尔科夫链的静态分布。

11.一种会话式推荐系统，其特征在于，包括：

产品推荐和说明模块：用于获取来自于用户的至少一个用户偏好；生成反映了至少一个用户偏好的摘要说明；

摘要说明评价模块：用于根据所述摘要说明，检索来自于商品数据库中供用户评价的商品列表，所述商品列表中的商品与所述用户偏好相关；

对话管理模块：用于确定所述供用户评价的商品的初始排序；

用户偏好建模模块：用于根据随机游动算法和初始排序对所述供用户评价的商品进行排序，没有排序的商品是剩余商品；

反馈式推荐模块：用于接收对已排序商品的用户反馈；根据用户对所述已排序商品的用户反馈和随机游动算法，重新排序剩余商品；

所述重新排序剩余商品的步骤中，剩余商品中排序第一的产品是最不相似于先前向用户推荐的产品。

12.根据权利要求11所述会话式推荐系统，其特征在于，所述摘要说明评价模块具体包括：

通过预设的算法检索来自于商品数据库的商品列表。

13.根据权利要求11所述会话式推荐系统，其特征在于，所述对话管理模块具体包括：

供用户评价的商品的初始排序顺序是任意排序。

14.根据权利要求11所述会话式推荐系统，其特征在于，所述随机游动算法包括：

根据表示商品列表的无向图W确定马尔科夫链，表示所述商品的所述初始排序的概率分布r和平衡无向图W和所述概率分布r的权重α；

确定马尔科夫链的静态分布；

选择在所述马尔科夫链的静态分布中具有最大静态概率的商品作为排序第一的商品，没有排序的商品作为剩余商品；

根据计算获得的从所述剩余商品到已排序的商品的预期访问次数，对剩余商品进行排序。

15.根据权利要求14所述会话式推荐系统，其特征在于，所述随机游动算法包括：

将已排序的商品转变为吸收状态；

计算从所述剩余商品到已排序的商品的预期访问次数；

将剩余商品中，预期访问次数最多的商品作为已排序商品的下一个商品。

16.根据权利要求15所述会话式推荐系统，其特征在于，所述随机游动算法包括：

根据

决定马尔科夫链，其中，

所述无向图W包括n个商品G_i，代表包括n个商品G_i的所述商品列表，n是等于或大于1的整数，i是1到n的整数，

W通过n*n加权矩阵表示，概率分布r＝(r₁…r_n)^T，其中r_i≥0,∑r_i＝1，所述权重α∈[0,1]，

是通过加权矩阵W：

归一化的行所创建所述商品列表的n*n变换矩阵，

指最初从所述商品G_i和所述商品G_j路径移动的概率，1是全1向量，1r^T是输出产品，W_ij是无向图W在所述商品G_i和所述商品G_j之间的边上权重，i、j、k分别是从1到n的整数。

17.根据权利要求16所述会话式推荐系统，其特征在于，所述随机游动算法包括：

根据π＝P^Tπ确定所述马尔科夫链的静态分布。

18.根据权利要求14所述会话式推荐系统，其特征在于，所述反馈式推荐模块具体包括：

指定已排序商品G_i的情感值s_i；

通过所述已排序商品G_i的所述情感值s_i和权重w_ij的乘积计算出新的w_ij。

19.根据权利要求18所述会话式推荐系统，其特征在于，所述随机游动算法包括：

根据

确定新的马尔科夫链，

是新的变换矩阵。

20.根据权利要求19所述会话式推荐系统，其特征在于，所述随机游动算法包括：

根据π＝P^Tπ确定所述新的马尔科夫链的静态分布。

Images