CN109241449A - 一种物品推荐方法及装置 - Google Patents
一种物品推荐方法及装置 Download PDFInfo
- Publication number
- CN109241449A CN109241449A CN201811275741.5A CN201811275741A CN109241449A CN 109241449 A CN109241449 A CN 109241449A CN 201811275741 A CN201811275741 A CN 201811275741A CN 109241449 A CN109241449 A CN 109241449A
- Authority
- CN
- China
- Prior art keywords
- user
- association
- article
- target user
- matrix
- 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
Landscapes
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请提供了一种物品推荐方法及装置,其中,该方法包括:计算目标用户与至少一个关联用户之间的关联度;基于目标用户对至少一个物品的评分、目标用户与至少一个关联用户的关联度以及至少一个关联用户对至少一个物品的评分,计算目标用户对至少一个物品的偏好得分;基于偏好得分向目标用户推荐目标物品。这样,推荐给目标用户的可以是偏好得分较高的目标物品,使得推荐的准确率较高,用户的使用体验较佳。
Description
技术领域
本申请涉及数据处理技术领域,具体而言,涉及一种物品推荐方法及装置。
背景技术
随着技术的发展,智能推荐在互联网平台、系统、产品中得到了广泛的应用,如:各种电子商务网站、内容平台、社交网络。利用智能推荐技术,系统能够主动向用户推送其感兴趣的物品,如图书、服装、电子产品等商品,以及电影、音乐、帖子等内容信息,以帮助用户快速发现所需资源,提升用户体验。
然而,目前已有的物品推荐系统更多是挖掘用户本人的历史信息,从中发展用户的兴趣点,缺乏对用户之间关联度、信任关系的考虑,使得信息挖掘并不完整,推荐的准确率较低,导致用户的使用体验较差。
发明内容
有鉴于此,本申请的目的在于提供一种物品推荐方法及装置,以提高物品推荐的准确率,提升用户的使用体验。
本申请实施例提供了一种物品推荐方法,包括:
计算目标用户与至少一个关联用户之间的关联度;
基于所述目标用户对至少一个物品的评分、所述目标用户与至少一个关联用户的关联度以及所述至少一个关联用户对所述至少一个物品的评分,计算所述目标用户对所述至少一个物品的偏好得分;
基于所述偏好得分向所述目标用户推荐目标物品。
可选的,在所述计算目标用户与至少一个关联用户之间的用户相似度之前,还包括:基于用户对物品的原始评分矩阵,得到对应于所述用户的第一特征向量矩阵以及对应于所述物品的第二特征向量矩阵;以及,
所述计算目标用户与至少一个关联用户之间的用户相似度,包括:基于所述第一特征向量矩阵,计算所述目标用户与至少一个关联用户之间的关联度。
可选的,所述基于用户对物品的原始评分矩阵,得到对应于所述用户的第一特征向量矩阵以及对应于所述物品的第二特征向量矩阵,包括:利用训练好的矩阵分解模型,对所述原始评分矩阵进行分解,得到所述第一特征向量矩阵以及所述第二特征向量矩阵。
可选的,所述基于所述第一特征向量矩阵,计算所述目标用户与至少一个关联用户之间的关联度,包括:
基于所述第一特征向量矩阵中表征所述目标用户的第一向量、表征所述关联用户的第二向量,计算所述目标用户与所述关联用户的相似度;
基于所述相似度、所述目标用户对所述关联用户的信任值,计算所述关联度。
可选的,所述基于所述目标用户对至少一个物品的评分、所述目标用户与至少一个关联用户的关联度以及所述至少一个关联用户对所述至少一个物品的评分,计算所述目标用户对所述至少一个物品的偏好得分,包括:
基于所述第一特征向量矩阵以及所述第二特征向量矩阵,计算得到所述目标用户对至少一个物品的评分、所述至少一个关联用户对所述至少一个物品的评分;
基于所述关联度、所述至少一个关联用户对所述至少一个物品的评分,计算所述至少一个关联用户对所述目标用户有关所述至少一个物品的偏好影响度;
基于所述目标用户对至少一个物品的评分、所述偏好影响度,计算所述目标用户对所述至少一个物品的偏好得分。
可选的,所述至少一个关联用户,包括如下至少之一:
与所述目标用户同属一个社交网络的用户;
与所述目标用户购买和/或浏览了相同物品的其他用户。
本申请实施例还提供了一种物品推荐装置,包括:
关联度计算模块,用于计算目标用户与至少一个关联用户之间的关联度;
得分计算模块,用于基于所述目标用户对至少一个物品的评分、所述目标用户与至少一个关联用户的关联度以及所述至少一个关联用户对所述至少一个物品的评分,计算所述目标用户对所述至少一个物品的偏好得分;
物品推荐模块,用于基于所述偏好得分向所述目标用户推荐目标物品。
可选的,还包括:
矩阵确定模块,用于基于用户对物品的原始评分矩阵,得到对应于所述用户的第一特征向量矩阵以及对应于所述物品的第二特征向量矩阵;以及
所述关联度计算模块,具体用于基于所述第一特征向量矩阵,计算所述目标用户与至少一个关联用户之间的关联度。
本申请实施例还提供了一种电子设备,包括:处理器、存储器和总线,所述存储器存储有所述处理器可执行的机器可读指令,当电子设备运行时,所述处理器与所述存储器之间通过总线通信,所述机器可读指令被所述处理器执行时执行上述所述物品推荐方法的步骤。
本申请实施例还提供了一种计算机可读存储介质,该计算机可读存储介质上存储有计算机程序,该计算机程序被处理器运行时执行上述物品推荐方法的步骤。
本申请实施例提供的物品推荐方法及装置,其首先计算目标用户与至少一个关联用户之间的关联度;基于目标用户对至少一个物品的评分、目标用户与至少一个关联用户的关联度以及至少一个关联用户对至少一个物品的评分,计算目标用户对至少一个物品的偏好得分;基于偏好得分向目标用户推荐目标物品,其通过关联用户对物品的评分、目标用户对物品的评分以及关联用户与目标用户之间的关联度来影响目标用户对物品的偏好得分,以实现目标物品的推荐,推荐的准确率较高,用户的使用体验较佳。
为使本申请的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本申请的某些实施例,因此不应被看作是对范围的限定,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相关的附图。
图1示出了本申请实施例所提供的一种物品推荐方法的流程图;
图2示出了本申请实施例所提供的另一种物品推荐方法的流程图;
图3示出了本申请实施例所提供的另一种物品推荐方法的流程图;
图4示出了本申请实施例所提供的一种物品推荐装置的结构示意图;
图5示出了本申请实施例所提供的一种电子设备的结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中的附图,对本申请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申请一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此,以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围,而是仅仅表示本申请的选定实施例。基于本申请的实施例,本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本申请保护的范围。
考虑到相关基于矩阵分解的推荐方法在构建低秩矩阵时,侧重拟合观察到的评分数据,而没有考虑所观察到的用户对物品的评价是如何基于其他用户的评价产生的。该推荐方法对信任关系数据利用有限,推荐的准确率较低,导致用户的使用体验较差。有鉴于此,本申请一种实施例提供了一种物品推荐方法,以提高物品推荐的准确率,提升用户的使用体验。
如图1所示,为本申请实施例提供的物品推荐方法的流程图,该物品推荐方法的执行主体可以是私有设备、运营商网络设备(例如,基站设备),也可以是一定行业组织、团体和个人部署的站点(Station)等,具体而言,可以包括但不限于移动台、移动终端、移动电话、用户设备、手机及便携设备(portable equipment)、车辆(vehicle)等,例如,终端设备可以是移动电话(或称为“蜂窝”电话)、具有无线通信功能的计算机等,终端设备还可以是便携式、袖珍式、手持式、计算机内置或者车载移动装置,本申请实施例对此不予限制。
物品可以是有形的物品(如:有形的物质产品),如:也可以是无形的物品(如:无形的信息产品),具体而言,物品可以包括但不限于图书、服装、电子产品、游戏产品等有形、无形商品,也可以包括但不限于电影、音乐、帖子等内容信息,本申请实施例对此不予限制。
上述方法具体包括如下步骤:
S101、计算目标用户与至少一个关联用户之间的关联度。
这里,考虑到关联用户可能会对目标用户选择一个物品所带来的影响,本申请实施例可以首先确定与目标用户对应的关联用户。该关联用户可以是与目标用户同属一个社交网络的用户,如利用微信、推特、微博、QQ等社交平台能够与目标用户产生社交联系的用户均可以作为目标用户的关联用户。此外,上述关联用户还可以是与目标用户购买和/或浏览了相同物品的其他用户,如利用淘宝等网购平台能够与目标用户产生物品联系的用户均可以作为目标用户的关联用户。考虑到用户在选择物品时,相比对普通大众的评价来说往往更加信任社交网络中朋友的评价与推荐,也即,同属一个社交网络的好友可能会更加信任彼此,因此,在本申请实施例中可以选择与目标用户同属一个社交网络的好友作为上述关联用户。
为了确定不同的关联用户对目标用户选择物品的影响程度,本申请实施例在确定了与目标用户对应的关联用户后,可以确定目标用户与每个关联用户之间的关联度。该关联度可以由目标用户与关联用户的相似度以及目标用户对关联用户的信任值来表征。
S102、基于目标用户对至少一个物品的评分、目标用户与至少一个关联用户的关联度以及至少一个关联用户对至少一个物品的评分,计算目标用户对至少一个物品的偏好得分。
这里,目标用户对至少一个物品的偏好得分的确定主要受到三个因素的影响,一是目标用户自身对物品的评分,二是关联用户自身对物品的评分,三是目标用户与关联用户的关联度。其中,上述目标用户与关联用户的关联度可以影响关联用户自身对物品的评分,且一个关联用户与目标用户的关联度越高,该关联用户自身对物品的评分对最终的偏好得分的影响越大,这里,可以将关联度作为关联用户自身对物品的评分的权重。
S103、基于偏好得分向目标用户推荐目标物品。
这里,在确定目标用户对各个物品的偏好得分后,便可以将得分较高或最高的至少一个物品作为目标物品推荐给目标用户。
为了便于计算目标用户与至少一个关联用户之间的关联度,本申请实施例可以先基于用户对物品的原始评分矩阵,得到对应于用户的第一特征向量矩阵,然后再基于第一特征向量矩阵,计算目标用户与至少一个关联用户之间的关联度。如图2所示,上述关联度的计算过程具体包括如下步骤:
S201、基于第一特征向量矩阵中表征目标用户的第一向量、表征关联用户的第二向量,计算目标用户与关联用户的相似度;
S202、基于计算得出的相似度、目标用户对关联用户的信任值,计算关联度。
这里,可以采用矩阵分解方法,对原始评分矩阵进行矩阵分解,以得到对应于用户的第一特征向量矩阵和对应于物品的第二特征向量矩阵。原始评分矩阵表征了不同用户对不同物品的评分,反映了用户对物品的偏好程度,在这里,用户对物品的评分可以直接来自用户对物品的打分或评级,如:用户打分的高低直接反映用户对物品的偏好程度,对于用户对物品的评级可以对应为相应的评分分值;用户对物品的评分也可以基于用户对物品的操作(如浏览、购买、使用等)来确定,例如:为浏览、购买、使用等操作分别赋予相应的分值,代表用户对物品的偏好或需要。此外,还可以综合以上各种因素(如:打分、评级、操作等),通过一定的规则确定用户对物品的评分,由此得到用户对物品的原始评分矩阵。
经过矩阵分解之后,原始评分矩阵可以由用户喜好特征矩阵和物品特征矩阵的乘积来近似表示,这是一个与矩阵分解的逆向过程,可以用来验证矩阵分解的可靠性。其中,用户喜好特征矩阵即为上述对应于所有用户的第一特征向量矩阵,物品特征矩阵即为上述对应于物品的第二特征向量矩阵。
本申请实施例可以先基于上述第一特征向量矩阵确定目标用户与关联用户的相似度,然后再基于该相似度以及目标用户对关联用户的信任值,计算目标用户与关联用户的关联度。
其中,上述目标用户与关联用户的相似度主要是由对应于目标用户的第一向量以及对应于关联用户的第二向量的向量相似度确定的,该向量相似度可以是余弦相似度,对应于目标用户的第一向量以及对应于关联用户的第二向量则均可以从所有用户的第一特征向量矩阵中提取得到。
另外,上述目标用户对关联用户的信任值可以来自用户之间的关系,例如:好友关系、亲属关系等。在这里,好友关系、亲属关系等关系可以用户对关联用户的分组或标注标签确定,也可以根据购买记录或地址信息获取(如:可以基于来自同一地址确定亲属关系等),基于用户之间的关系,可以确定用户之间的信任值,例如:为亲属、好友等关系分别赋予一定的分值。更进一步,还可以对好友、亲属等关系进行进一步细分,例如:好友可以分为同学、同事、闺蜜、战友等,亲属又可以分为直系亲属、远方亲属等。
上述目标用户对关联用户的信任值还可以基于用户的行为分析结果确定得到,如:用户之间的社交行为(如点赞、评价、送花、转账等行为),同样,可以根据上述社交行为,赋予相应的信任分值。
此外,在知识图谱中,如果用户之间处于同一分类和/或重复属性较多和/或用户直接相连的前提下,可以认为用户之间对应的信任值是较高的,可以据此确定用户之间的信任值。与之相反的是,一个关联用户与目标用户不直接相连时,对应的信任值是较低的,也即,一个目标用户对其直接相连的关联用户的信任值要高于一个目标用户对其间接相连的关联用户的信任值。
另外,信任值还可以是直接来自于用户之间的互相评分,或者从其他社交平台直接获取的。信任值可以是上述方式之一,也可以是上述各种方式的组合、融合,本发明对此并不做具体限制。
基于目标用户与关联用户的相似度、信任值,可以计算得到目标用户与关联用户之间的关联度。优选采用如下公式进行计算。
其中,Tu,v用于表示目标用户u与关联用户v的关联度,sim(u,v)用于表示目标用户u与关联用户v的相似度,trust(u,v)用于表示目标用户对关联用户的信任值,Su用于表示与目标用户对应的所有关联用户的集合。
基于上述计算公式,便可以确定目标用户与任一关联用户之间的用户关联度。
本申请实施例提供的物品推荐方法基于上述计算得到的关联度、以及目标用户对物品的评分和关联用户对物品的评分可以确定目标用户对物品的偏好得分,如图3所示,上述偏好得分的计算过程具体包括如下步骤:
S301、基于第一特征向量矩阵以及第二特征向量矩阵,计算得到目标用户对至少一个物品的评分、至少一个关联用户对至少一个物品的评分;
S302、基于关联度、至少一个关联用户对至少一个物品的评分,计算至少一个关联用户对目标用户有关至少一个物品的偏好影响度;
S303、基于目标用户对至少一个物品的评分、偏好影响度,计算目标用户对至少一个物品的偏好得分。
这里,可以首先基于第一特征向量矩阵和第二特征向量矩阵确定目标用户对任一物品的评分以及关联用户对任一物品的评分,然后再基于上述计算得到的关联度、以及关联用户对任一物品的评分计算得到关联用户对目标用户有关任一物品的偏好影响度,最后再基于该偏好影响度以及目标用户对物品的评分确定目标用户对任一物品的偏好得分。
其中,上述目标用户对任一物品的评分可以由第一特征向量矩阵中提取出的对应于目标用户的用户向量以及由第二特征向量矩阵中提取出的对应于该任一物品的物品向量来确定,上述关联用户对任一物品的评分则可以由第一特征向量矩阵中提取出的对应于关联用户的用户向量以及由第二特征向量矩阵中提取出的对应于该任一物品的物品向量来确定。
为了便于进一步理解上述偏好得分的计算过程,接下来结合公式(2)进行如下说明。
其中,上述Ru,i用于表示目标用户u对任一物品i的偏好得分,用于表示目标用户u对任一物品i的评分,用于表示关联用户v对任一物品i的评分,Tu,v用于表示目标用户u与关联用户v的用户相似度,Δu,v用于表示目标用户u与关联用户v之间的均方差。
由上式可知,本申请实施例中,关联用户对目标用户有关任一物品的偏好影响度不仅与关联用户对任一物品的评分相关,还与用户的关联度相关,且为了将不同用户对物品评分的划定到统一的基准线,还可以通过均方差的形式进行评分调整,以使得所有用户的评分结果均在一个水平度,进一步提升后续物品推荐的准确率。
基于式(2)可知,Pu用于表示由第一特征向量矩阵中提取出的对应于目标用户u的用户向量,Qi用于表示由第二特征向量矩阵中提取出的对应于该任一物品i的物品向量,Pv用于表示由第一特征向量矩阵中提取出的对应于关联用户v的用户向量。可见,本申请实施例有关第一特征向量矩阵以及第二特征向量矩阵的确定直接影响了偏好得分的计算结果,是偏好得分计算的关键步骤。
为了避免现有针对原始评分矩阵进行随机分解所带来的问题,本申请实施例提供了一种利用训练好的矩阵分解模型对上述原始评分矩阵进行矩阵分解以得到第一特征向量矩阵和第二特征向量矩阵的分解方法。
本申请实施例中,上述分解方法可以首先确定将原始评分矩阵自编码为样本重构评分矩阵的重构参数,然后根据确定的重构参数、以及原始评分矩阵,确定目标用户对应的第一特征向量矩阵和第二特征向量矩阵,使得确定的第一特征向量矩阵和第二特征向量矩阵聚合后的重构评分矩阵与原始评分矩阵的误差最小。基于上述分解方法得到的第一特征向量矩阵和第二特征向量矩阵能够挖掘用户及物品之间的潜在联系,从而可以进一步提升后续物品推荐的准确率。
基于同一发明构思,本申请实施例中还提供了与物品推荐方法对应的物品推荐装置,由于本申请实施例中的装置解决问题的原理与本申请实施例上述物品推荐方法相似,因此装置的实施可以参见方法的实施,重复之处不再赘述。如图4所示,为本申请实施例所提供的物品推荐装置的结构示意图,该物品推荐装置包括:
关联度计算模块401,用于计算目标用户与至少一个关联用户之间的关联度;
得分计算模块402,用于基于目标用户对至少一个物品的评分、目标用户与至少一个关联用户的关联度以及至少一个关联用户对至少一个物品的评分,计算目标用户对至少一个物品的偏好得分;
物品推荐模块403,用于基于偏好得分向目标用户推荐目标物品。
在一种实施方式中,上述物品推荐装置还包括:
矩阵确定模块404,用于基于用户对物品的原始评分矩阵,得到对应于用户的第一特征向量矩阵以及对应于物品的第二特征向量矩阵;以及
关联度计算模块401,具体用于基于第一特征向量矩阵,计算目标用户与至少一个关联用户之间的关联度。
在另一种实施方式中,上述矩阵确定模块404,具体用于利用训练好的矩阵分解模型,对原始评分矩阵进行分解,得到第一特征向量矩阵以及第二特征向量矩阵。
在又一种实施方式中,上述关联度计算模块401,具体用于基于第一特征向量矩阵中表征目标用户的第一向量、表征关联用户的第二向量,计算目标用户与关联用户的相似度;
基于相似度、目标用户对关联用户的信任值,计算关联度。
在再一种实施方式中,上述得分计算模块402,具体用于基于第一特征向量矩阵以及第二特征向量矩阵,计算得到目标用户对至少一个物品的评分、至少一个关联用户对至少一个物品的评分;
基于关联度、至少一个关联用户对至少一个物品的评分,计算至少一个关联用户对目标用户有关至少一个物品的偏好影响度;
基于目标用户对至少一个物品的评分、偏好影响度,计算目标用户对至少一个物品的偏好得分。
在一些实施例中,至少一个关联用户,包括如下至少之一:
与目标用户同属一个社交网络的用户;
与目标用户购买和/或浏览了相同物品的其他用户。
如图5所示,为本申请实施例提供的一种电子设备的结构示意图,包括:处理器501、存储器502和总线503,存储器502存储有处理器501可执行的机器可读指令,当电子设备运行时,处理器501与存储器502之间通过总线503通信,机器可读指令被处理器501执行时执行如下处理:
计算目标用户与至少一个关联用户之间的关联度;
基于目标用户对至少一个物品的评分、目标用户与至少一个关联用户的关联度以及至少一个关联用户对至少一个物品的评分,计算目标用户对至少一个物品的偏好得分;
基于偏好得分向目标用户推荐目标物品。
在一种实施方式中,在计算目标用户与至少一个关联用户之间的用户相似度之前,上述处理器501执行的处理还包括:基于用户对物品的原始评分矩阵,得到对应于用户的第一特征向量矩阵以及对应于物品的第二特征向量矩阵;
上述处理器501执行的处理中,计算目标用户与至少一个关联用户之间的关联度,包括:基于第一特征向量矩阵,计算目标用户与至少一个关联用户之间的关联度。
在另一种实施方式中,上述处理器501执行的处理中,基于用户对物品的原始评分矩阵,得到对应于用户的第一特征向量矩阵以及对应于物品的第二特征向量矩阵,包括:利用训练好的矩阵分解模型,对原始评分矩阵进行分解,得到第一特征向量矩阵以及第二特征向量矩阵。
在又一种实施方式中,上述处理器501执行的处理中,基于第一特征向量矩阵,计算目标用户与至少一个关联用户之间的关联度,包括:
基于第一特征向量矩阵中表征目标用户的第一向量、表征关联用户的第二向量,计算目标用户与关联用户的相似度;
基于相似度、目标用户对关联用户的信任值,计算关联度。
在再一种实施方式中,上述处理器501执行的处理中,基于目标用户对至少一个物品的评分、目标用户与至少一个关联用户的关联度以及至少一个关联用户对至少一个物品的评分,计算目标用户对至少一个物品的偏好得分,包括:
基于第一特征向量矩阵以及第二特征向量矩阵,计算得到目标用户对至少一个物品的评分、至少一个关联用户对至少一个物品的评分;
基于关联度、至少一个关联用户对至少一个物品的评分,计算至少一个关联用户对目标用户有关至少一个物品的偏好影响度;
基于目标用户对至少一个物品的评分、偏好影响度,计算目标用户对至少一个物品的偏好得分。
在一些实施例中,至少一个关联用户,包括如下至少之一:
与目标用户同属一个社交网络的用户;
与目标用户购买和/或浏览了相同物品的其他用户。
本申请实施例还提供了一种计算机可读存储介质,该计算机可读存储介质上存储有计算机程序,该计算机程序被处理器501运行时执行上述实施例物品推荐方法的步骤。
具体地,该存储介质能够为通用的存储介质,如移动磁盘、硬盘等,该存储介质上的计算机程序被运行时,能够执行上述物品推荐方法,从而解决目前物品推荐的准确率较低的问题,进而达到提高物品推荐的准确率,提升用户的使用体验的效果。
本申请实施例所提供的物品推荐方法的计算机程序产品,包括存储了程序代码的计算机可读存储介质,程序代码包括的指令可用于执行前面方法实施例中的方法,具体实现可参见方法实施例,在此不再赘述。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统和装置的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上,仅为本申请的具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种物品推荐方法,其特征在于,包括:
计算目标用户与至少一个关联用户之间的关联度;
基于所述目标用户对至少一个物品的评分、所述目标用户与至少一个关联用户的关联度以及所述至少一个关联用户对所述至少一个物品的评分,计算所述目标用户对所述至少一个物品的偏好得分;
基于所述偏好得分向所述目标用户推荐目标物品。
2.根据权利要求1所述的方法,其特征在于,在所述计算目标用户与至少一个关联用户之间的关联度之前,还包括:基于用户对物品的原始评分矩阵,得到对应于所述用户的第一特征向量矩阵以及对应于所述物品的第二特征向量矩阵;以及,
所述计算目标用户与至少一个关联用户之间的关联度,包括:基于所述第一特征向量矩阵,计算所述目标用户与至少一个关联用户之间的关联度。
3.根据权利要求2所述的方法,其特征在于,所述基于用户对物品的原始评分矩阵,得到对应于所述用户的第一特征向量矩阵以及对应于所述物品的第二特征向量矩阵,包括:利用训练好的矩阵分解模型,对所述原始评分矩阵进行分解,得到所述第一特征向量矩阵以及所述第二特征向量矩阵。
4.根据权利要求2所述的方法,其特征在于,所述基于所述第一特征向量矩阵,计算所述目标用户与至少一个关联用户之间的关联度,包括:
基于所述第一特征向量矩阵中表征所述目标用户的第一向量、表征所述关联用户的第二向量,计算所述目标用户与所述关联用户的相似度;
基于所述相似度、所述目标用户对所述关联用户的信任值,计算所述关联度。
5.根据权利要求2所述的方法,其特征在于,所述基于所述目标用户对至少一个物品的评分、所述目标用户与至少一个关联用户的关联度以及所述至少一个关联用户对所述至少一个物品的评分,计算所述目标用户对所述至少一个物品的偏好得分,包括:
基于所述第一特征向量矩阵以及所述第二特征向量矩阵,计算得到所述目标用户对至少一个物品的评分、所述至少一个关联用户对所述至少一个物品的评分;
基于所述关联度、所述至少一个关联用户对所述至少一个物品的评分,计算所述至少一个关联用户对所述目标用户有关所述至少一个物品的偏好影响度;
基于所述目标用户对至少一个物品的评分、所述偏好影响度,计算所述目标用户对所述至少一个物品的偏好得分。
6.根据权利要求1至5中任一项所述的方法,其特征在于,所述至少一个关联用户,包括如下至少之一:
与所述目标用户同属一个社交网络的用户;
与所述目标用户购买和/或浏览了相同物品的其他用户。
7.一种物品推荐装置,其特征在于,包括:
关联度计算模块,用于计算目标用户与至少一个关联用户之间的关联度;
得分计算模块,用于基于所述目标用户对至少一个物品的评分、所述目标用户与至少一个关联用户的关联度以及所述至少一个关联用户对所述至少一个物品的评分,计算所述目标用户对所述至少一个物品的偏好得分;
物品推荐模块,用于基于所述偏好得分向所述目标用户推荐目标物品。
8.根据权利要求7所述的装置,其特征在于,还包括:
矩阵确定模块,用于基于用户对物品的原始评分矩阵,得到对应于所述用户的第一特征向量矩阵以及对应于所述物品的第二特征向量矩阵;以及
所述关联度计算模块,具体用于基于所述第一特征向量矩阵,计算所述目标用户与至少一个关联用户之间的关联度。
9.一种电子设备,其特征在于,包括:处理器、存储器和总线,所述存储器存储有所述处理器可执行的机器可读指令,当电子设备运行时,所述处理器与所述存储器之间通过总线通信,所述机器可读指令被所述处理器执行时执行如权利要求1至6任一所述的物品推荐方法的步骤。
10.一种计算机可读存储介质,其特征在于,该计算机可读存储介质上存储有计算机程序,该计算机程序被处理器运行时执行如权利要求1至6任一所述的物品推荐方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811275741.5A CN109241449A (zh) | 2018-10-30 | 2018-10-30 | 一种物品推荐方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811275741.5A CN109241449A (zh) | 2018-10-30 | 2018-10-30 | 一种物品推荐方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109241449A true CN109241449A (zh) | 2019-01-18 |
Family
ID=65079284
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811275741.5A Pending CN109241449A (zh) | 2018-10-30 | 2018-10-30 | 一种物品推荐方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109241449A (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111553763A (zh) * | 2020-04-26 | 2020-08-18 | 上海风秩科技有限公司 | 一种物品推荐方法、装置、电子设备及可读存储介质 |
CN111598644A (zh) * | 2020-04-01 | 2020-08-28 | 华瑞新智科技(北京)有限公司 | 一种物品推荐方法、装置以及介质 |
CN111768231A (zh) * | 2020-06-24 | 2020-10-13 | 中国工商银行股份有限公司 | 产品信息推荐方法及装置 |
CN112015792A (zh) * | 2019-12-11 | 2020-12-01 | 天津泰凡科技有限公司 | 一种物料重码分析方法、装置及计算机存储介质 |
CN112085158A (zh) * | 2020-07-21 | 2020-12-15 | 西安工程大学 | 一种基于堆栈降噪自编码器的图书推荐方法 |
CN112381620A (zh) * | 2020-12-04 | 2021-02-19 | 中信银行股份有限公司 | 产品推荐方法、装置、电子设备及计算机可读存储介质 |
CN113220866A (zh) * | 2021-04-28 | 2021-08-06 | 西安电子科技大学 | 基于用户社交网络和产品相似度的推荐方法 |
CN113379482A (zh) * | 2021-05-28 | 2021-09-10 | 车智互联(北京)科技有限公司 | 一种物品推荐方法、计算设备以及存储介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103077220A (zh) * | 2012-12-29 | 2013-05-01 | 中国科学院深圳先进技术研究院 | 一种基于用户群关联度的个性化推荐方法及系统 |
US20160085859A1 (en) * | 2010-08-15 | 2016-03-24 | John W. Ogilvie | Analytic comparison of libraries and playlists |
CN106296290A (zh) * | 2016-08-11 | 2017-01-04 | 浪潮软件股份有限公司 | 一种基于大数据和数据挖掘的个性化订单推荐方法 |
CN107122407A (zh) * | 2017-03-24 | 2017-09-01 | 首都师范大学 | 基于特征选择的多领域推荐方法 |
CN107273438A (zh) * | 2017-05-24 | 2017-10-20 | 深圳大学 | 一种推荐方法、装置、设备及存储介质 |
CN107492008A (zh) * | 2017-08-09 | 2017-12-19 | 阿里巴巴集团控股有限公司 | 信息推荐方法、装置、服务器及计算机存储介质 |
US20170372402A1 (en) * | 2013-03-07 | 2017-12-28 | Vast.com, Inc. | Systems, methods, and devices for measuring similarity of and generating recommendations for unique items |
-
2018
- 2018-10-30 CN CN201811275741.5A patent/CN109241449A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160085859A1 (en) * | 2010-08-15 | 2016-03-24 | John W. Ogilvie | Analytic comparison of libraries and playlists |
CN103077220A (zh) * | 2012-12-29 | 2013-05-01 | 中国科学院深圳先进技术研究院 | 一种基于用户群关联度的个性化推荐方法及系统 |
US20170372402A1 (en) * | 2013-03-07 | 2017-12-28 | Vast.com, Inc. | Systems, methods, and devices for measuring similarity of and generating recommendations for unique items |
CN106296290A (zh) * | 2016-08-11 | 2017-01-04 | 浪潮软件股份有限公司 | 一种基于大数据和数据挖掘的个性化订单推荐方法 |
CN107122407A (zh) * | 2017-03-24 | 2017-09-01 | 首都师范大学 | 基于特征选择的多领域推荐方法 |
CN107273438A (zh) * | 2017-05-24 | 2017-10-20 | 深圳大学 | 一种推荐方法、装置、设备及存储介质 |
CN107492008A (zh) * | 2017-08-09 | 2017-12-19 | 阿里巴巴集团控股有限公司 | 信息推荐方法、装置、服务器及计算机存储介质 |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112015792B (zh) * | 2019-12-11 | 2023-12-01 | 天津泰凡科技有限公司 | 一种物料重码分析方法、装置及计算机存储介质 |
CN112015792A (zh) * | 2019-12-11 | 2020-12-01 | 天津泰凡科技有限公司 | 一种物料重码分析方法、装置及计算机存储介质 |
CN111598644B (zh) * | 2020-04-01 | 2023-05-02 | 华瑞新智科技(北京)有限公司 | 一种物品推荐方法、装置以及介质 |
CN111598644A (zh) * | 2020-04-01 | 2020-08-28 | 华瑞新智科技(北京)有限公司 | 一种物品推荐方法、装置以及介质 |
CN111553763B (zh) * | 2020-04-26 | 2023-03-24 | 上海风秩科技有限公司 | 一种物品推荐方法、装置、电子设备及可读存储介质 |
CN111553763A (zh) * | 2020-04-26 | 2020-08-18 | 上海风秩科技有限公司 | 一种物品推荐方法、装置、电子设备及可读存储介质 |
CN111768231A (zh) * | 2020-06-24 | 2020-10-13 | 中国工商银行股份有限公司 | 产品信息推荐方法及装置 |
CN111768231B (zh) * | 2020-06-24 | 2024-04-09 | 中国工商银行股份有限公司 | 产品信息推荐方法及装置 |
CN112085158A (zh) * | 2020-07-21 | 2020-12-15 | 西安工程大学 | 一种基于堆栈降噪自编码器的图书推荐方法 |
CN112381620A (zh) * | 2020-12-04 | 2021-02-19 | 中信银行股份有限公司 | 产品推荐方法、装置、电子设备及计算机可读存储介质 |
CN113220866A (zh) * | 2021-04-28 | 2021-08-06 | 西安电子科技大学 | 基于用户社交网络和产品相似度的推荐方法 |
CN113220866B (zh) * | 2021-04-28 | 2023-01-06 | 西安电子科技大学 | 基于用户社交网络和产品相似度的推荐方法 |
CN113379482A (zh) * | 2021-05-28 | 2021-09-10 | 车智互联(北京)科技有限公司 | 一种物品推荐方法、计算设备以及存储介质 |
CN113379482B (zh) * | 2021-05-28 | 2023-12-01 | 车智互联(北京)科技有限公司 | 一种物品推荐方法、计算设备以及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109241449A (zh) | 一种物品推荐方法及装置 | |
CN108829808B (zh) | 一种页面个性化排序方法、装置及电子设备 | |
CN113077310B (zh) | 在设备之间传送认证的会话和状态 | |
CN108960992A (zh) | 一种信息推荐方法以及相关设备 | |
US8301514B1 (en) | System, method, and computer readable medium for providing recommendations based on purchase phrases | |
Lai et al. | Novel personal and group-based trust models in collaborative filtering for document recommendation | |
CN105335409A (zh) | 一种目标用户的确定方法、设备和网络服务器 | |
CN108510303A (zh) | 广告投放方法及装置 | |
US20160132601A1 (en) | Hybrid Explanations In Collaborative Filter Based Recommendation System | |
CN109829775A (zh) | 一种物品推荐方法、装置、设备及可读存储介质 | |
CN102479366A (zh) | 一种商品推荐方法及系统 | |
CN110008973B (zh) | 一种模型训练方法、基于模型确定目标用户的方法及装置 | |
CN110008397B (zh) | 一种推荐模型训练方法及装置 | |
CN108182634A (zh) | 一种借贷预测模型的训练方法、借贷预测方法和装置 | |
CN104239338A (zh) | 信息推荐方法及装置 | |
US11593855B2 (en) | System and method for computing features that apply to infrequent queries | |
KR101565957B1 (ko) | 제품 피드 유사성을 사용하는 스팸 상인 발견 | |
CN108805598A (zh) | 相似度信息确定方法、服务器及计算机可读存储介质 | |
CN110928894B (zh) | 实体对齐的方法及装置 | |
CN111079015A (zh) | 一种推荐方法、装置、计算机设备和存储介质 | |
CN107704941B (zh) | 一种显示物品评论的方法及装置 | |
CN110799980A (zh) | 在线体验中的绘文字理解 | |
CN111275205A (zh) | 虚拟样本的生成方法、终端设备及存储介质 | |
CN113609345B (zh) | 目标对象关联方法和装置、计算设备以及存储介质 | |
CN113191838A (zh) | 一种基于异质图神经网络的购物推荐方法及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
CB02 | Change of applicant information |
Address after: 100070, No. 101-8, building 1, 31, zone 188, South Fourth Ring Road, Beijing, Fengtai District Applicant after: Guoxin Youyi Data Co., Ltd Address before: 100070, No. 188, building 31, headquarters square, South Fourth Ring Road West, Fengtai District, Beijing Applicant before: SIC YOUE DATA Co.,Ltd. |
|
CB02 | Change of applicant information | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190118 |
|
RJ01 | Rejection of invention patent application after publication |