CN108628990A - 推荐方法、计算机装置及可读存储介质 - Google Patents

Abstract

本公开涉及推荐技术，尤其涉及一种推荐方法、计算机装置及可读存储介质。该方法包括：基于表示用户标签行为的三元组集合，生成用户‑作品‑标签图，三元组集合包括用户、作品以及用户给作品打上的标签，用户‑作品‑标签图包括用户顶点、作品顶点以及标签顶点，用户顶点、作品顶点以及标签顶点基于用户标签行为而连接；基于用户‑作品‑标签图确定各个作品顶点相对于当前用户对应的用户顶点的相关度；将各个作品顶点依照相对于所述当前用户对应的用户顶点的相关度排序；向所述当前用户推荐与排序后相关度最高的N个作品顶点对应的作品。采用本公开提供的方案，能够实现画作之类的推荐。

Description

推荐方法、计算机装置及可读存储介质

技术领域

本公开涉及推荐技术，尤其涉及一种推荐方法、计算机装置及可读存储介质。

背景技术

随着信息技术和互联网技术的飞速发展，人们的生活方式也发生了很大的变化，人们从信息匮乏的时代走进了信息过载的时代。面对庞大的信息数据量，信息消费者和信息生产者都遇到了很大的挑战：对于消费者而言，要想从大量数据信息中找到感兴趣的内容已经变得很困难了；对于提供信息的生产者而言，要想让自己生产的信息脱颖而出，被消费者关注，这同样也是一件不太容易的事情。在这样的环境下，个性化推荐系统的出现成为解决这些问题非常有效的工具。推荐系统最主要的任务就是将用户和信息联系起来，通过推荐算法一方面帮助用户寻找那些对其有用的信息；另一方面把那些用户可能感兴趣的信息展现在用户面前，以使其不会成为网络中少人问津的“暗信息”。从而实现信息消费者和生产者的双赢。针对一些领域，例如音乐、电影、艺术画作之类的领域，目前缺少成熟的推荐方案。

需要说明的是，在上述背景技术部分公开的信息仅用于加强对本公开的背景的理解，因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。

发明内容

本公开的目的在于提供一种推荐方法、计算机装置及可读存储介质，以基于图模型向用户推荐作品。

根据本公开的一个方面，提供一种推荐方法，包括：

基于表示用户标签行为的三元组集合，生成用户-作品-标签图，所述三元组集合包括用户、作品以及用户给所述作品打上的标签，所述用户-作品-标签图包括用户顶点、作品顶点以及标签顶点，所述用户顶点、作品顶点以及标签顶点基于所述用户标签行为而连接；

对于待推荐的当前用户，基于所述用户-作品-标签图确定各个作品顶点相对于所述当前用户对应的用户顶点的相关度；

将各个作品顶点依照相对于所述当前用户对应的用户顶点的相关度排序；

向所述当前用户推荐与排序后相关度最高的N个作品顶点对应的作品，其中N为正整数。

根据本公开的一些示例性实施例，基于所述用户-作品-标签图确定各个作品顶点相对于所述当前用户对应的用户顶点的相关度，包括：

基于如下公式确定每个作品顶点相对于所述当前用户对应的用户顶点的相关度：

其中，P(i)代表各个作品顶点中的第i个作品顶点的相关度，d是所述第i个顶点在所述用户-作品-标签图中继续随机游走的概率，in(i)是指向第i个顶点的所有顶点的集合，out(j)是第j个顶点链向其他顶点的连线的集合，其中，r_i定义如下：

k是迭代的次数。

根据本公开的一些示例性实施例，基于所述用户-作品-标签图确定各个作品顶点相对于所述当前用户对应的用户顶点的相关度，还包括：

确定各个作品顶点相对于所述当前用户对应的用户顶点的相关度是否低于预设阈值；

剔除相对于所述当前用户对应的用户顶点的相关度低于预设阈值的作品顶点。

根据本公开的一些示例性实施例，将各个作品顶点依照相对于所述当前用户对应的用户顶点的相关度排序，包括：

对剔除了相对于所述当前用户对应的用户顶点的相关度低于预设阈值的作品顶点之后剩余的各个作品顶点，依照相对于所述当前用户对应的用户顶点的相关度排序。

根据本公开的一些示例性实施例，所述推荐方法还包括：

向所述当前用户推荐标签。

根据本公开的一些示例性实施例，向所述当前用户推荐标签，包括：

向所述当前用户推荐最热门标签或者向所述当前用户推荐所述当前用户自己经常使用的标签。

根据本公开的一些示例性实施例，向所述当前用户推荐标签，包括：

基于模型进行用户偏好预测；

基于预测结果推荐标签。

根据本公开的一些示例性实施例，作品是画作，标签包括画作类别标签、画作流派标签、画作来源标签中的至少之一。

根据本公开的另一方面，提供了一种计算机装置，包括：

处理器；

存储器，存储有所述处理器可执行的程序指令；

其中所述处理器被配置为执行上述推荐方法。

根据本公开的又一方面，提供了一种可读存储介质，当所述存储介质中的指令由电子设备的处理器执行时，使得电子设备能够执行上述推荐方法。

在本公开的实施例提供的技术方案中，首先基于表示用户标签行为的三元组集合，生成用户-作品-标签图，该三元组集合包括用户、作品以及用户给所述作品打上的标签，该用户-作品-标签图包括用户顶点、作品顶点以及标签顶点，用户顶点、作品顶点以及标签顶点基于所述用户标签行为而连接，也就是说，该用户-作品-标签图能够体现通过顶点以及顶点之间的连线的图的形式体现各个用户、作品及相应标签之间的关联关系。之后，可以利用该图确定各个作品顶点相对于所述当前用户对应的用户顶点的相关度，进而依照相关对对各个作品排序后推荐给用户。在本公开实施例的方案中，利用用户-作品-标签图实现了针对用户的推荐。

附图说明

通过参照附图来详细描述其示例性实施例，本公开的上述和其它特征及优点将变得更加明显。显而易见地，下面描述中的附图仅仅是本公开的一些实施例，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。在附图中：

图1示出本公开一示例性实施例的推荐方法的流程图。

图2示出本公开用户-作品-标签图的一个示例。

图3示出本公开推荐系统的框图。

图4示出本公开一示例性实施例的推荐装置的框图。

具体实施方式

现在将参考附图更全面地描述示例实施例。然而，示例实施例能够以多种形式实施，且不应被理解为限于在此阐述的实施例；相反，提供这些实施例使得本公开将全面和完整，并将示例实施例的构思全面地传达给本领域的技术人员。所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施例中。在下面的描述中，提供许多具体细节从而给出对本公开的实施例的充分理解。然而，本领域技术人员将意识到，可以实践本公开的技术方案而没有所述特定细节中的一个或更多，或者可以采用其它的方法、组元、材料、装置、步骤等。在其它情况下，不详细示出或描述公知技术方案以避免模糊本公开的各方面。

此外，附图仅为本公开的示意性图解，并非一定是按照比例绘制。图中相同的附图标记标识相同或相似的部分，因而将省略对它们的重复描述。

图1示出了根据本公开一示例性实施例的推荐方法的流程图。该方法包括：

在步骤101中，基于表示用户标签行为的三元组集合，生成用户-作品-标签图，所述三元组集合包括用户、作品以及用户给所述作品打上的标签，所述用户-作品-标签图包括用户顶点、作品顶点以及标签顶点，所述用户顶点、作品顶点以及标签顶点基于所述用户标签行为而连接；

在步骤102中，对于待推荐的当前用户，基于所述用户-作品-标签图确定各个作品顶点相对于所述当前用户对应的用户顶点的相关度；

在步骤103中，将各个作品顶点依照相对于所述当前用户对应的用户顶点的相关度排序；

在步骤104中，向所述当前用户推荐与排序后的各个作品顶点对应的作品。

在本公开的实施例提供的技术方案中，首先基于表示用户标签行为的三元组集合，生成用户-作品-标签图，该三元组集合包括用户、作品以及用户给所述作品打上的标签，该用户-作品-标签图包括用户顶点、作品顶点以及标签顶点，用户顶点、作品顶点以及标签顶点基于所述用户标签行为而连接，也就是说，该用户-作品-标签图能够体现通过顶点以及顶点之间的连线的图的形式体现各个用户、作品及相应标签之间的关联关系。之后，可以利用该图确定各个作品顶点相对于所述当前用户对应的用户顶点的相关度，进而依照排序后相关度最高的N个作品顶点对应的作品向用户推荐作品，其中N为正整数，N可以为用户自己设置的，也可以是自动生成的，或者是提前预置的，在这里不进行限制。在本公开实施例的方案中，利用用户-作品-标签图实现了针对用户的推荐。

下面通过具体的例子来说明本公开的实施方式。

用户标签行为的数据集可以由三元组的集合表示(U,I,B)，该三元组表示用户U给物品I打上了标签B。在标签系统中的推荐问题主要有两个：在用户给物品打标签时为其推荐适合该物品的标签(标签推荐)和利用用户打标签的行为为其推荐对应的物品(物品推荐)。在本公开的实施例中，物品具体是指作品，例如所述作品包括画作、电影、音乐中的至少之一。

对于一个推荐系统而言，可能存在很多的三元组集合，基于这些三元组集合可以生成用户-作品-标签图。图2示出了用户-作品-标签图的一个例子。

图2中，A、B和C表示用户顶点，a、b和c表示作品顶点，1、2和3表示标签顶点。用户顶点、作品顶点和标签顶点之间存在连线，这些连线表明了用户打标签的行为，也就是说，通过用户打标签的行为将这些顶点连接起来。例如，顶点A、b和2之间通过连线连接，表明用户A针对作品b打过标签2。以此类推，例如顶点A、c和2之间通过连线连接，表明用户A针对作品c打过标签2。顶点A与a以及1之间不存在连线，表明用户A没有针对作品a打过标签。

在构造出如图2所示的用户-作品-标签图之后，可以对于接受推荐的当前用户，基于用户-作品-标签图确定各个作品顶点相对于当前用户对应的用户顶点的相关度。

参见图2，假设用户每次都从某一个顶点v出发，然后在每次随机游走经过每个顶点时都以1-d的概率停止游走，从v重新开始。那么，最终每个顶点被访问的概率就是这些顶点和v的相关度排名。

根据一示例性实施例，可以基于如下公式确定每个作品顶点相对于所述当前用户对应的用户顶点的相关度：

P(i)代表各个作品顶点中的第i个作品顶点的相关度，d是第i个顶点在用户-作品-标签图中继续随机游走的概率，in(i)是指向第i个顶点的所有顶点的集合，out(j)是第j个顶点链向其他顶点的连线的集合，其中，r_i定义如下：

k是迭代的次数。

在构造出用户-物品-标签的图之后，如果我们要给用户u做推荐，我们可以令顶点v(u)的启动概率为1，而其他顶点的启动概率为0。然后用上面的迭代公式来计算所有物品对应的顶点相对于v(u)的排名。

在基于所述用户-作品-标签图确定各个作品顶点相对于所述当前用户对应的用户顶点的相关度之后，可以将各个作品顶点依照相对于所述当前用户对应的用户顶点的相关度排序。另外，为了避免推荐给用户过多不相关或相关度不大的作品，可以确定各个作品顶点相对于所述当前用户对应的用户顶点的相关度是否低于预设阈值；剔除相对于所述当前用户对应的用户顶点的相关度低于预设阈值的作品顶点。在排序的时候可以对剔除了相对于所述当前用户对应的用户顶点的相关度低于预设阈值的作品顶点之后剩余的各个作品顶点，依照相对于所述当前用户对应的用户顶点的相关度排序。

根据一示例性实施例，本公开的推荐方法还可以包括向所述当前用户推荐标签。

对于画作而言，标签可以是画作类别标签、画作流派标签、画家标签、画作来源标签中的至少之一。

例如，画作类别标签包括：油画、版画、摄影、数码绘画、新媒体、水粉水彩、国画、素描、雕塑、其他。

例如，画作流派标签包括：现实主义、印象派、野兽派、新艺术、表现主义、立体派、未来主义、抽象派、达达主义、至上主义、形而上主义、超现实主义、行动画派、波普艺术、极简主义、其他。

例如，画家标签包括：达·芬奇、莫奈、凡·高、米开朗基罗、塞尚、毕加索、齐白石、徐悲鸿、张大千、黄胄、其他。

例如，画作来源：美国大都会美术馆、普拉多美术馆、西班牙普拉多美术馆、德国柏林美术馆、俄国冬宫美术馆、梵蒂冈美术馆、巴黎卢浮宫、巴黎卢浮宫、个人上传、其他。

图3示出了推荐系统的组成框图。数据源可以包括多个三元组集合，每个三元组集合包括用户信息U、物品信息I以及标签信息B。基于该数据源中的信息可以生成如图2所示的用户-作品-标签图。基于生成的用户-作品-标签图，画作推荐引擎可以针对用户界面中当前输入的用户信息，向当前用户推荐相应的画作。具体的推荐过程可以参见前文。

另外，标签推荐引擎可以在用户希望针对某个作品打标签的时候向用户推荐标签。例如，标签推荐引擎可以基于数据源中的数据，给用户推荐整个系统中最热门的标签，给用户U推荐画作I上最热门的标签，给用户U推荐他自己经常使用打标签，等等。或者可以基于用户的行为建立用户模型，例如可以利用LR(Logistic Regression，逻辑回归)、GDBT(Gradient Boosting Decision Tree，梯度提升决策树)等模型进行用户画作偏好预测，进而基于预测结果推荐标签，例如推荐与该用户偏好相匹配的画作。或者，还可以基于最热门的标签、用户经常使用标签、画作I上最热门标签进行融合，并将这些推荐结果进行加权，最终生成推荐结果(即生成最终的推荐标签)。

图4示出了本公开一实施例的计算机装置的框图。该装置800可以包括存储器801和处理器802。存储器801上存储有可在处理器802上运行的计算机程序指令。处理器802执行计算机程序可以实现本文描述的方法。

存储器801可以是各种由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(SRAM)，电可擦除可编程只读存储器(EEPROM)，可擦除可编程只读存储器(EPROM)，可编程只读存储器(PROM)，只读存储器(ROM)，磁存储器，快闪存储器，磁盘或光盘。

该装置800可以是具备计算和处理能力的各种设备，除了存储器801和处理器802之外，还可以包括各种输入设备(例如用户界面、键盘等)、各种输出设备(例如扬声器等)、以及显示设备，本文在此不再赘述。

本发明实施例还提供计算机可读存储介质，存储有计算机程序，该计算机程序被处理器执行时实现本发明实施例所提供方法的步骤。

应当注意，尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元，但是这种划分并非强制性的。实际上，根据本公开的实施方式，上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之，上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。

此外，尽管在附图中以特定顺序描述了本公开中方法的各个步骤，但是，这并非要求或者暗示必须按照该特定顺序来执行这些步骤，或是必须执行全部所示的步骤才能实现期望的结果。附加的或备选的，可以省略某些步骤，将多个步骤合并为一个步骤执行，以及/或者将一个步骤分解为多个步骤执行等。

本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本公开的其它实施方案。本申请旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由所附的权利要求指出。

Claims (10)

1.一种推荐方法，包括：

基于表示用户标签行为的三元组集合，生成用户-作品-标签图，所述三元组集合包括用户、作品以及用户给所述作品打上的标签，所述用户-作品-标签图包括用户顶点、作品顶点以及标签顶点，所述用户顶点、作品顶点以及标签顶点基于所述用户标签行为而连接；

对于待推荐的当前用户，基于所述用户-作品-标签图确定各个作品顶点相对于所述当前用户对应的用户顶点的相关度；

将各个作品顶点依照相对于所述当前用户对应的用户顶点的相关度排序；

向所述当前用户推荐与排序后相关度最高的N个作品顶点对应的作品，其中N为正整数。

2.根据权利要求1所述的方法，其中，基于所述用户-作品-标签图确定各个作品顶点相对于所述当前用户对应的用户顶点的相关度，包括：

基于如下公式确定每个作品顶点相对于所述当前用户对应的用户顶点的相关度：

其中，P(i)代表各个所述作品顶点中的第i个作品顶点的相关度，d是所述第i个顶点在所述用户-作品-标签图中继续随机游走的概率，in(i)是指向所述第i个顶点的所有顶点的集合，out(j)是第j个顶点链向其他顶点的连线的集合，其中，r_i定义如下：

k是迭代的次数。

3.根据权利要求2所述的方法，其中，基于所述用户-作品-标签图确定各个作品顶点相对于所述当前用户对应的用户顶点的相关度，还包括：

确定各个作品顶点相对于所述当前用户对应的用户顶点的相关度是否低于预设阈值；

剔除相对于所述当前用户对应的用户顶点的相关度低于预设阈值的作品顶点。

4.根据权利要求3所述的方法，其中，将各个作品顶点依照相对于所述当前用户对应的用户顶点的相关度排序，包括：

对剔除了相对于所述当前用户对应的用户顶点的相关度低于预设阈值的作品顶点之后剩余的各个作品顶点，依照相对于所述当前用户对应的用户顶点的相关度排序。

5.根据权利要求1所述的方法，还包括：向所述当前用户推荐标签。

6.根据权利要求5所述的方法，其中，向所述当前用户推荐标签，包括：

向所述当前用户推荐最热门标签或者向所述当前用户推荐所述当前用户自己经常使用的标签。

7.根据权利要求5所述的方法，其中，向所述当前用户推荐标签，包括：

基于模型进行用户偏好预测；

基于预测结果推荐标签。

8.根据权利要求1所述的方法，其中，所述作品是画作，所述标签包括画作类别标签、画作流派标签、画作来源标签中的至少之一。

9.一种计算机装置，包括：

处理器；

存储器，存储有所述处理器可执行的程序指令；

其中所述处理器被配置为通过加载和执行所述程序指令执行如权利要求1至8中任一项所述的方法。

10.一种可读存储介质，其特征在于，当所述存储介质中的指令由电子设备的处理器执行时，使得电子设备能够执行如权利要求1-8任一项所述的推荐方法。