CN107766573A

CN107766573A - 基于数据处理的商品推荐方法、装置、设备和存储介质

Info

Publication number: CN107766573A
Application number: CN201711116048.9A
Authority: CN
Inventors: 吴佳东
Original assignee: Shenzhen Lexin Software Technology Co Ltd
Current assignee: Shenzhen Lexin Software Technology Co Ltd
Priority date: 2017-11-13
Filing date: 2017-11-13
Publication date: 2018-03-06
Anticipated expiration: 2037-11-13
Also published as: CN107766573B

Abstract

本发明实施例公开了一种基于数据处理的商品推荐方法、装置、设备和存储介质。其中，方法包括：采集多条用户商品数据对，作为实验数据集；基于蝙蝠算法和实验数据集进行模型训练，获得优化的ALS推荐模型；通过优化的ALS推荐模型向目标用户推荐商品。本发明技术方案采用的蝙蝠算法具备优秀的参数搜索能力，能有效优化ALS推荐模型，提高其参数寻优的效率，降低参数寻优的时间复杂度，并提升了使用ALS推荐模型进行商品推荐的推荐效果。

Description

基于数据处理的商品推荐方法、装置、设备和存储介质

技术领域

本发明实施例涉及大数据分析技术领域，尤其涉及一种基于数据处理的商品推荐方法、装置、设备和存储介质。

背景技术

商品推荐是电子商务领域的一个重要应用，其中，基于商品的协同过滤算法是目前应用最多的算法之一。这种方法通常根据现有用户对商品的偏好或者是评级情况，来计算商品之间的某种相似度，对于用户评级相同或相近的那些商品会被认为更加相似。一旦有了商品之间的相似度，便可以使用用户接触过的商品信息来表示这个用户，然后找出和这些已知商品相似的目标商品，并将这些目标商品推荐给用户。

Spark推荐模型库实现了一种基于ALS(Alternating Least Square，最小二乘发法)矩阵分解的协同过滤算法，用该算法进行商品推荐的步骤如下：

步骤1、将用户商品偏好数据转化成以用户为行、商品为列的二维矩阵。矩阵的每一个数据表示某个用户对特定商品的偏好，一般单个用户会和少数商品接触，因此该矩阵中只有少数非零数据，很稀疏，比如以下用户商品偏好数据：

它们可以转化为如下表1所示的二维矩阵：

表1

步骤2、采用ALS矩阵分解的方式对上述二维矩阵建模。具体就是找出两个低维度的矩阵，使得它们的乘积是上述二维矩阵。假设用户数量和商品数目分别是U和I，那么对应的“用户-商品”二维矩阵的大小为U×I，类似图1所示。

为找到和“用户-商品”二维矩阵相近的k维(低阶)矩阵，最终要求得如下两个矩阵：一个用于表示用户的U×k维矩阵，以及一个用于表示物品的I×k维矩阵。这两个矩阵也称作因子矩阵，它们的乘积便是上述二维矩阵的一个近似。其中，两个因子矩阵类似图2所示，图2中左侧为用户因子矩阵，右侧为商品因子矩阵。

步骤3、预测给定用户对某个商品的评级结果。由于是对“用户-商品”二维矩阵直接建模，计算评级时只需从用户因子矩阵和物品因子矩阵分别选取相应的行和列，然后计算两者的点积即可，具体如图3所示。

计算出的点积即代表预测的评级结果，根据评级的排序结果向用户推荐相应的商品。

其中，ALS矩阵分解的实现原理是迭代式求解一系列最小二乘回归的问题，在每一次迭代时，固定用户因子矩阵或是物品因子矩阵中的一个，然后用固定的这个矩阵以及评级数据来更新另一个矩阵，之后再将被更新的矩阵固定住，更新另外一个矩阵，如此迭代，直到ALS推荐模型收敛(或者迭代到了预设好的次数)。

Spark机器学习库提供的基于矩阵分解的ALS推荐模型表现十分出色，被广泛应用于商品推荐生产实践中。但是，由于ALS推荐模型存在以下缺陷，给模型的使用者设置了较高的技术门槛，缺陷如下：

1、ALS推荐模型在实际的使用过程中需要用户手动设置或调整模型的一些关键参数，例如因子个数rank、迭代次数iteration和正则化过程控制参数lambda等，这使得ALS推荐模型缺乏自适应能力。

2、业界常用的机器学习库往往只集成比较传统的参数寻优方式，比如网格搜索，这类寻优方式主要依据经验给定参数或穷举搜索空间确定参数，这不但没有提高模型的易用性反而增加了模型的时间复杂度，尤其不能使用在Spark这种处理大量数据的平台。

发明内容

为解决相关技术问题，本发明实施例提供一种基于数据处理的商品推荐方法、装置、设备和存储介质，以提高ALS推荐模型的参数寻优效率，降低参数寻优复杂度，并提升使用ALS推荐模型进行商品推荐时的推荐效果。

为实现上述目的，本发明实施例采用如下技术方案：

第一方面，本发明实施例提供了一种基于数据处理的商品推荐方法，包括：

采集多条用户商品数据对，作为实验数据集；

基于蝙蝠算法和所述实验数据集进行模型训练，获得优化的ALS推荐模型；

通过所述优化的ALS推荐模型向目标用户推荐商品。

第二方面，本发明实施例提供了一种基于数据处理的商品推荐装置，包括：

数据采集模块，用于采集多条用户商品数据对，作为实验数据集；

模型优化模块，用于基于蝙蝠算法和所述实验数据集进行模型训练，获得优化的ALS推荐模型；

商品推荐模块，用于通过所述优化的ALS推荐模型向目标用户推荐商品。

第三方面，本发明实施例提供了一种设备，包括：

一个或多个处理器；

存储装置，用于存储一个或多个程序；

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现本发明任一实施例提供的基于数据处理的商品推荐方法。

第四方面，本发明实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现本发明任一实施例提供的基于数据处理的商品推荐方法。

本发明实施例提供的技术方案带来的有益效果：

本发明实施例提供的一种基于数据处理的商品推荐方法，采集多个商品对数据作为基础的实验数据集，再采用蝙蝠算法并基于实验数据进行ALS模型训练，获得优化的ALS推荐模型，通过优化的ALS推荐模型向用户推荐商品。本技术方案采用的蝙蝠算法具备优秀的参数搜索能力，能有效优化ALS推荐模型，提高其参数寻优效率，降低参数寻优的时间复杂度，并提升了使用ALS推荐模型进行商品推荐的推荐效果。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对本发明实施例描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅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，还可以根据本发明实施例的内容和这些附图获得其他的附图。

图1是稀疏的“用户-商品”二维矩阵的示意图；

图2是稠密的因子矩阵的示意图；

图3是根据稠密的因子矩阵进行计算推荐的示意图；

图4是本发明实施例提供的一种基于数据处理的商品推荐方法的流程示意图；

图5是本发明实施例提供的另一种基于数据处理的商品推荐方法的流程示意图；

图6是图5中S530的一种可选实施方式的流程示意图；

图7是本发明实施例提供的一种基于数据处理的商品推荐装置的架构示意图；

图8是本发明实施例提供的一种设备的结构示意图。

具体实施方式

为使本发明解决的技术问题、采用的技术方案和达到的技术效果更加清楚，下面将结合附图对本发明实施例的技术方案作进一步的详细描述，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。

请参考图4，本实施例提供的基于数据处理的商品推荐方法，可适用于电商平台向用户进行商品推荐的场景，该方法可以由计算设备如服务器来执行，具体由配置于服务器的软件和/或硬件来执行。

如图4所示，本实施例提供的技术方案如下：

S410、采集多条用户商品数据对，作为实验数据集。

优选的，采集多条用户商品数据对，具体包括：从电商平台的日志数据库中，采集设定时间段内用户点击商品的多条点击记录。

在一个实施例中，在采集数据时，访问电商平台的日志数据库，提取最近7天内的用户商品点击记录，如果某一用户对某一商品具有点击行为，则将用户商品数据对保存在数据表中，以这个数据表中的全部数据作为实验数据集。其中，数据表中用户商品数据对的数据格式为(user_u,item_i,num)，user_u表示用户u，item_i表示商品i，num表示多条点击记录的累加计数，num为大于0的整数。

S420、基于蝙蝠算法和实验数据集进行模型训练，获得优化的ALS推荐模型。

示例性的，蝙蝠算法(Bat-Inspired Algorithm，BA)是一种模拟蝙蝠超声波定位行为的启发式优化算法，具有非常优秀的参数搜索能力。在本实施例中，采用蝙蝠算法和实验数据集进行模型训练，可以极大提高ALS推荐模型的参数寻优效率，从而优化ALS推荐模型。

S430、通过优化的ALS推荐模型向目标用户推荐商品。

优选的，商品推荐操作S430进一步可以包括：

S431、通过优化的ALS推荐模型预测目标用户对待推荐商品的评级结果。

S432、根据评级结果向目标用户推荐商品。

在本实施例中，采用的蝙蝠算法具有优秀的参数搜索能力，一方面优化了ALS推荐模型的参数寻优方式；另一方面也使得ALS推荐模型的参数设定更为精确，从而在使用优化的ALS推荐模型进行商品推荐时，向用户推荐的商品更贴合用户的需求，即提升了ALS推荐模型的推荐效果。

具体的商品推荐过程，可以参考背景技术部分中，对采用协同过滤算法进行商品推荐的步骤介绍，在此不再加以赘述。

综上，在本实施例的技术方案中，采集多个商品对数据作为基础的实验数据集，再采用蝙蝠算法并基于实验数据进行ALS模型训练，获得优化的ALS推荐模型，通过优化的ALS推荐模型向用户推荐商品。本技术方案采用的蝙蝠算法具备优秀的参数搜索能力，能有效优化ALS推荐模型，提高其参数寻优效率，降低参数寻优的时间复杂度，并提升了使用ALS推荐模型进行商品推荐的推荐效果。

请参考图5，在上述实施例的基础上，可选的，所述S420、基于蝙蝠算法和实验数据集进行模型训练，获得优化的ALS推荐模型，包括：

将实验数据集划分为训练集、检验集和测试集；

基于蝙蝠算法、训练集和检验集，进行模型训练及参数寻优，获得待评估的模型；

根据预设的评估指标和测试集对待评估的模型进行评估，将评估结果合格的模型作为优化的ALS推荐模型。

由此，将实验数据集进行划分，用训练集和检验集进行模型训练及参数寻优，初步获得待评估的模型，再基于测试集并通过评估指标对模型评估，以评估结果合格的模型作为最终优化的ALS推荐模型，保证获得的优化的ALS推荐模型适用于进行商品推荐。

基于上述优化，如图5所示，本实施例提供的技术方案具体如下：

S510、采集多条用户商品数据对，作为实验数据集。

S520、将实验数据集划分为训练集、检验集和测试集。

在一个实施例中，可以按8:1:1的划分比例，将实验数据集被划分为训练集、检验集和测试集，根据实际业务需求，可以对划分比例进行调整。其中，训练集用于模型训练，检验集用于参数寻优，测试集用于评估模型是否合格。

S530、基于蝙蝠算法、训练集和检验集，进行模型训练及参数寻优，获得待评估的模型。

在一个实施例中，采用训练集进行模型训练，采用检验集进行参数寻优，并且同时还采蝙蝠算法进行模型训练及参数寻优，获得待评估的ALS推荐模型。

S540、根据预设的评估指标和测试集对待评估的模型进行评估，将评估结果合格的模型作为优化的ALS推荐模型。

在一个实施例中，视具体业务预先定义好评估指标，用于评估ALS推荐模型，通过计算该评估指标的取值，可判断ALS推荐模型是否合格，如果合格，则将训练获得的ALS推荐模型，作为优化的ALS推荐模型，如果不合格，则重复执行S530和S540，直至获得合格的模型。其中，评估指标综合考了ALS推荐模型的召回率和准确率。

S550、通过优化的ALS推荐模型向目标用户推荐商品。

综上，在本实施例的技术方案中，通过将实验数据集进行划分，用训练集和检验集进行模型训练及参数寻优，初步获得待评估的模型，再基于测试集并通过评估指标对模型评估，以评估结果合格的模型作为最终优化的ALS推荐模型，保证获得的优化的ALS推荐模型适用于进行商品推荐。

请参考图5和图6，在上述实施例的基础上，可选的，所述S530、基于蝙蝠算法、训练集和检验集，进行模型训练及参数寻优，获得待评估的模型，包括：

基于测试集定义模型的评估指标；

确定ALS推荐模型的待优化参数，获得参数向量；

根据评估指标定义蝙蝠算法的适应度函数；

基于训练集、检验集、评估指标、参数向量、适应度函数和蝙蝠算法，进行模型训练及参数寻优，获得参数向量的全局最优解；

将全局最优解的格式转换成ALS推荐模型的入参格式，并更新到ALS推荐模型，获得待评估的模型。

进一步优选的，所述根据预设的评估指标和所述测试集对所述待评估的模型进行评估，将评估结果合格的模型作为优化的ALS推荐模型，包括：

基于测试集和评估指标，计算待评估的模型的评估指标值；

若评估指标值小于设定阈值，则将待评估模型作为优化的ALS推荐模型。

进一步优选的，所述评估指标按照下述公式定义：

其中，F₁表示模型的评估指标，r表示模型的召回率，p表示模型的准确率，R(u)表示向用户推荐的N个商品的信息集合，T(u)表示测试集上被该用户点击过的商品的信息集合，u表示该用户；

相应的，适应度函数按照下述公式定义：

f(x)＝-F₁

其中，f(x)表示蝙蝠算法的适应度函数。

由此，提供了一种基于训练集和检验集，并结合蝙蝠算法进行模型训练集参数寻优的具体实施方式，即采用蝙蝠算法优化ALS推荐模型的具体实施过程。

基于上述优化，如图5和图6所示，本实施例提供的技术方案具体如下：

S510、采集多条用户商品数据对，作为实验数据集。

S520、将实验数据集划分为训练集、检验集和测试集。

可选的，S530可以包括如下步骤：

S631、基于测试集定义模型的评估指标。

优选的，以F₁度量作为ALS推荐模型的评估指标，评估指标按照下述公式定义：

其中，F₁表示模型的评估指标，r表示模型的召回率，p表示模型的准确率，R(u)表示向用户推荐的N个商品的信息集合，T(u)表示测试集中被该用户点击过的商品的信息集合，u表示该用户。

评估指标值F₁越大，表示ALS推荐模型的评估效果越好。

S632、确定ALS推荐模型的待优化参数，获得参数向量。

在本实施例中，ALS推荐模型的待优化参数为因子个数rank、迭代次数iteration和正则化过程控制参数lambda，相应的三维参数向量为(rank，iteration，lambda)。

S633、根据评估指标定义蝙蝠算法的适应度函数。

相应的，本实施例中蝙蝠算法的适应度函数按照下述公式定义：

f(x)＝-F₁

其中，f(x)表示蝙蝠算法的适应度函数。

S634、基于训练集、检验集、评估指标、参数向量、适应度函数和蝙蝠算法，进行模型训练及参数寻优，获得参数向量的全局最优解。

在这里先对标准的蝙蝠算法做个基本的介绍，蝙蝠算法的思想是利用微型蝙蝠的一些超声波特征研究出新的启发式算法，该算法基于以下理想规则：

(1)蝙蝠利用回声定位的行为特征判断目标的距离和方向，利用回声波的感觉差异分辨猎物和障碍物。

(2)蝙蝠以速度v_i、位置x_i和固定频率f(或波长)在可行域范围内随机飞行，并用可变化的波长(或频率f)和脉冲音强A来搜索目标，它们根据目标的接近程度调整其发出的脉冲频率r。

(3)音强可以从搜索目标的最大值A_max变化到接近目标时的最小值A_min。

在上述假设的基础上，蝙蝠算法的基本步骤可以概括如下：

Stp1、参数初始化，对迭代次数maxgen，种群规模数sizepop，位置向量x_i，频率范围[f_min，f_max]，强A，频度r进行初始化赋值；

Stp2、种群迭代，更新蝙蝠的频率f_i，速度v_i和位置x_i，更新方式分别如下：

f_i＝f_min+(f_max-f_min)β

其中，β∈[0，1]是服从均匀分布的随机向量，x_*表示当前全局最优解；f_min和f_max分别为脉冲频率的下限和上限；初始时，每只蝙蝠随机赋给的频率必须服从[f_min，f_max]间的均匀分布；

Stp3、如果rand＞r，最优蝙蝠个体按如下公式生成局部新解；

x_new＝x_old+εA^t

其中，ε是区间[-1,1]上的随机数，是同一时间内所有蝙蝠的平均音量；

Stp4、随意飞行产生新解；

Stp5、如果rand＜A，并且蝙蝠个体的适应值得到改善，则接受新解，按如下公式增大r_i减小A_i：

其中，α和γ为常量；

Stp6、评价蝙蝠种群，找到全局适应值最小的蝙蝠个体；

Stp7、判断是否满足算法的终止条件，若不满足，返回Stp2进行下一次迭代，若满足则继续执行；

Stp8、算法结束，输出全局最优蝙蝠个体的适应值及位置。

在本实施例的S634中，蝙蝠算法的适应度函数f(x)接收一个三维参数向量(rank，iteration，lambda)，并用其更新ALS推荐模型，用训练集去训练新的ALS推荐模型，然后根据定义的评估指标F₁度量，在检验集上计算新的ALS推荐模型的评估指标值，根据定义的适应度函数，将该评估指标值取负作为蝙蝠算法的适应度。

利用前述标准的蝙蝠算法，优化ALS推荐模型的参数rank、iteration和lambda，输出获得三维参数向量(rank，iteration，lambda)的全局最优解。

S635、将全局最优解的格式转换成ALS推荐模型的入参格式，并更新到ALS推荐模型，获得待评估的模型。

优选的，S540具体可以包括：

基于测试集和评估指标，计算待评估的模型的评估指标值；

举例来说，若评估指标值小于0.8，则获得的待评估ALS模型合格，将待评估模型作为优化的ALS推荐模型；若评估指标值不小于0.8，则获得的待评估ALS模型不合格，重复执行S530和S540，直至获得的待评估ALS模型合格为止，获得优化的ALS推荐模型。

S550、通过优化的ALS推荐模型向目标用户推荐商品。

综上，在本实施例的技术方案中，采用蝙蝠算法并基于训练集和检验集进行ALS模型训练及参数寻优，初步获得待评估的ALS推荐模型，并进一步使用评估指标对待评估的ALS推荐模型进行评估，以评估合格的模型作为优化的ALS推荐模型，通过优化的ALS推荐模型向用户推荐商品。本技术方案采用的蝙蝠算法具备优秀的参数搜索能力，能有效优化ALS推荐模型，提高其参数寻优效率，降低参数寻优的时间复杂度，并提升了使用ALS推荐模型进行商品推荐的推荐效果。

请参考图7，本实施例提供的一种基于数据处理的商品推荐装置，用于执行上述基于数据处理的商品推荐方法，具备执行方法相应的功能模块和有益效果。

如图7所示，基于数据处理的商品推荐装置700可以包括如下内容：

数据采集模块710，用于采集多条用户商品数据对，作为实验数据集。

模型优化模块720，用于基于蝙蝠算法和实验数据集进行模型训练，获得优化的ALS推荐模型。

商品推荐模块730，用于通过优化的ALS推荐模型向目标用户推荐商品。

在上述技术方案的基础上，所述采集多条用户商品数据对，包括：从电商平台的日志数据库中，采集设定时间段内用户点击商品的多条点击记录。

在上述技术方案的基础上，所述模型优化模块720具体用于：

将实验数据集划分为训练集、检验集和测试集；

综上，在本实施例提供的基于数据处理的商品推荐装置，采集多个商品对数据作为基础的实验数据集，再采用蝙蝠算法并基于实验数据进行ALS模型训练，获得优化的ALS推荐模型，通过优化的ALS推荐模型向用户推荐商品。本技术方案采用的蝙蝠算法具备优秀的参数搜索能力，能有效优化ALS推荐模型，提高其参数寻优效率，降低参数寻优的时间复杂度，并提升了使用ALS推荐模型进行商品推荐的推荐效果。

在上述技术方案的基础上，所述基于蝙蝠算法、训练集和检验集，进行模型训练及参数寻优，获得待评估的模型，包括：

基于测试集定义模型的评估指标；

确定ALS推荐模型的待优化参数，获得参数向量；

根据评估指标定义蝙蝠算法的适应度函数；

在上述技术方案的基础上，所述根据预设的评估指标和测试集对待评估的模型进行评估，将评估结果合格的模型作为优化的ALS推荐模型，包括：

基于测试集和评估指标，计算待评估的模型的评估指标值；

在上述技术方案的基础上，所述评估指标按照下述公式定义：

其中，F₁表示模型的评估指标，r表示模型的召回率，p表示模型的准确率，R(u)表示向用户推荐的N个商品的信息集合，T(u)表示测试集中被该用户点击过的商品的信息集合，u表示该用户；

相应的，适应度函数按照下述公式定义：

f(x)＝-F₁

其中，f(x)表示蝙蝠算法的适应度函数。

在上述技术方案的基础上，所述商品推荐模块730具体用于：

通过优化的ALS推荐模型预测目标用户对待推荐商品的评级结果；

根据评级结果向目标用户推荐商品。

图8是本发明实施例提供的一种设备的结构示意图。图8示出了适于用来实现本发明实施方式的示例性设备12的框图。图8显示的设备12仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。

如图8所示，设备12以通用计算设备的形式表现。设备12的组件可以包括但不限于：一个或者多个处理器或者处理单元16，系统存储器28，连接不同系统组件(包括系统存储器28和处理单元16)的总线18。

总线18表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器，外围总线，图形加速端口，处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说，这些体系结构包括但不限于工业标准体系结构(ISA)总线，微通道体系结构(MAC)总线，增强型ISA总线、视频电子标准协会(VESA)局域总线以及外围组件互连(PCI)总线。

设备12典型地包括多种计算机系统可读介质。这些介质可以是任何能够被设备12访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。

系统存储器28可以包括易失性存储器形式的计算机系统可读介质，例如随机存取存储器(RAM)30和/或高速缓存存储器32。设备12可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例，存储系统34可以用于读写不可移动的、非易失性磁介质(图8未显示，通常称为“硬盘驱动器”)。尽管图8中未示出，可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器，以及对可移动非易失性光盘(例如CD-ROM,DVD-ROM或者其它光介质)读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据介质接口与总线18相连。存储器28可以包括至少一个程序产品，该程序产品具有一组(例如至少一个)程序模块，这些程序模块被配置以执行本发明各实施例的功能。

具有一组(至少一个)程序模块42的程序/实用工具40，可以存储在例如存储器28中，这样的程序模块42包括但不限于操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块42通常执行本发明所描述的实施例中的功能和/或方法。

设备12也可以与一个或多个外部设备14(例如键盘、指向设备、显示器24等)通信，还可与一个或者多个使得用户能与该设备12交互的设备通信，和/或与使得该设备12能与一个或多个其它计算设备进行通信的任何设备(例如网卡，调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口22进行。并且，设备12还可以通过网络适配器20与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图所示，网络适配器20通过总线18与设备12的其它模块通信。应当明白，尽管图中未示出，可以结合设备12使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。

处理单元16通过运行存储在系统存储器28中的程序，从而执行各种功能应用以及数据处理，例如实现本发明实施例所提供的基于数据处理的商品推荐方法。

本发明实施例还提供了一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行一种基于数据处理的商品推荐方法，该方法包括：

采集多条用户商品数据对，作为实验数据集；

通过所述优化的ALS推荐模型向目标用户推荐商品。

本发明实施例的计算机存储介质，可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。

计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。

计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括——但不限于无线、电线、光缆、RF等等，或者上述的任意合适的组合。

可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如”C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。

注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。

Claims

1.一种基于数据处理的商品推荐方法，其特征在于，包括：

采集多条用户商品数据对，作为实验数据集；

通过所述优化的ALS推荐模型向目标用户推荐商品。

2.如权利要求1所述的方法，其特征在于，所述采集多条用户商品数据对，包括：

从电商平台的日志数据库中，采集设定时间段内用户点击商品的多条点击记录。

3.如权利要求1所述的方法，其特征在于，所述基于蝙蝠算法和所述实验数据集进行模型训练，获得优化的ALS推荐模型，包括：

将所述实验数据集划分为训练集、检验集和测试集；

基于蝙蝠算法、所述训练集和所述检验集，进行模型训练及参数寻优，获得待评估的模型；

根据预设的评估指标和所述测试集对所述待评估的模型进行评估，将评估结果合格的模型作为优化的ALS推荐模型。

4.如权利要求3所述的方法，其特征在于，所述基于蝙蝠算法、所述训练集和所述检验集，进行模型训练及参数寻优，获得待评估的模型，包括：

基于所述测试集定义模型的评估指标；

确定ALS推荐模型的待优化参数，获得参数向量；

根据所述评估指标定义蝙蝠算法的适应度函数；

基于所述训练集、所述检验集、所述评估指标、所述参数向量、所述适应度函数和所述蝙蝠算法，进行模型训练及参数寻优，获得所述参数向量的全局最优解；

将所述全局最优解的格式转换成ALS推荐模型的入参格式，并更新到ALS推荐模型，获得待评估的模型。

5.如权利要求4所述的方法，其特征在于，所述根据预设的评估指标和所述测试集对所述待评估的模型进行评估，将评估结果合格的模型作为优化的ALS推荐模型，包括：

基于所述测试集和所述评估指标，计算所述待评估的模型的评估指标值；

若所述评估指标值小于设定阈值，则将所述待评估模型作为优化的ALS推荐模型。

6.如权利要求4所述的方法，其特征在于，所述评估指标按照下述公式定义：

<mrow> <mi>r</mi> <mo>=</mo> <mfrac> <mrow> <msub> <mi>&Sigma;</mi> <mi>u</mi> </msub> <mo>|</mo> <mi>R</mi> <mrow> <mo>(</mo> <mi>u</mi> <mo>)</mo> </mrow> <mi>I</mi> <mi> </mi> <mi>T</mi> <mrow> <mo>(</mo> <mi>u</mi> <mo>)</mo> </mrow> <mo>|</mo> </mrow> <mrow> <msub> <mi>&Sigma;</mi> <mi>u</mi> </msub> <mo>|</mo> <mi>T</mi> <mrow> <mo>(</mo> <mi>u</mi> <mo>)</mo> </mrow> <mo>|</mo> </mrow> </mfrac> </mrow>

<mrow> <mi>p</mi> <mo>=</mo> <mfrac> <mrow> <msub> <mi>&Sigma;</mi> <mi>u</mi> </msub> <mo>|</mo> <mi>R</mi> <mrow> <mo>(</mo> <mi>u</mi> <mo>)</mo> </mrow> <mi>I</mi> <mi> </mi> <mi>T</mi> <mrow> <mo>(</mo> <mi>u</mi> <mo>)</mo> </mrow> <mo>|</mo> </mrow> <mrow> <msub> <mi>&Sigma;</mi> <mi>u</mi> </msub> <mo>|</mo> <mi>R</mi> <mrow> <mo>(</mo> <mi>u</mi> <mo>)</mo> </mrow> <mo>|</mo> </mrow> </mfrac> </mrow>

其中，F₁表示模型的评估指标，r表示模型的召回率，p表示模型的准确率，R(u)表示向用户推荐的N个商品的信息集合，T(u)表示所述测试集中被该用户点击过的商品的信息集合，u表示该用户；

相应的，所述适应度函数按照下述公式定义：

f(x)＝-F₁

其中，f(x)表示蝙蝠算法的适应度函数。

7.如权利要求1所述的方法，其特征在于，所述通过所述优化的ALS推荐模型向目标用户推荐商品，包括：

通过所述优化的ALS推荐模型预测目标用户对待推荐商品的评级结果；

根据所述评级结果向所述目标用户推荐商品。

8.一种基于数据处理的商品推荐装置，其特征在于，包括：

9.一种设备，其特征在于，包括：

一个或多个处理器；

存储装置，用于存储一个或多个程序；

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1～7中任一所述的基于数据处理的商品推荐方法。

10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1～7中任一所述的基于数据处理的商品推荐方法。