CN109934681B - 用户感兴趣商品的推荐方法 - Google Patents
用户感兴趣商品的推荐方法 Download PDFInfo
- Publication number
- CN109934681B CN109934681B CN201910201617.2A CN201910201617A CN109934681B CN 109934681 B CN109934681 B CN 109934681B CN 201910201617 A CN201910201617 A CN 201910201617A CN 109934681 B CN109934681 B CN 109934681B
- Authority
- CN
- China
- Prior art keywords
- user
- commodities
- hidden vector
- users
- commodity
- 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.)
- Active
Links
Images
Landscapes
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种用户感兴趣商品的推荐方法,该方法利用多对级排序算法从用户和商品的历史消费行为学习到的用户‑商品偏好矩阵,用矩阵分解模型对用户‑商品偏好矩阵建模,充分考虑用户和商品的隐向量表征信息,通过上述自适应采样方法能够自适应地挖掘每一个用户潜在感兴趣的商品,使得多对级排序推荐方法的推荐效果更加精准。
Description
技术领域
本发明涉及机器学习和推荐系统领域,尤其涉及一种用户感兴趣商品的推荐方法。
背景技术
协同过滤算法是推荐系统中最流行的算法之一。以前的研究更加注重的是基于用户评分数据的协同过滤算法,但是生活中更多的应用场景中,我们很难获取用户对商品的评分。大量的用户的历史记录并不包含显式的评分信息(例如用户购买的商品,关注的网址),我们称这种类型的数据为用户的隐式反馈。近些年来,各国学者逐渐将研究注意力由显式反馈转移到隐式反馈推荐中。与显式反馈数据截然不同的是,对于每一个用户来说,隐式反馈数据中只包含了正反馈信息,即用户喜欢的商品信息;但并不包含负反馈的信息,也就是缺乏用户不喜欢的商品信息。
在针对于隐式反馈推荐场景中,流行的研究方法主要有两种,分别为点级回归模型和对级排序模型,其中更流行和有效的方法是对级排序模型。以贝叶斯个性化推荐算法(BPR)为代表的传统对级排序模型,通过对用户的正反馈的信息和和未反馈信息进行建模。将用户关于一对商品的偏好关系作为基本单元,并尝试最大化用户关于一对商品的偏好假设的似然函数,从而将排序靠前的一些商品构成排序列表推荐给用户。这些传统对级排序模型认为用户严格地喜好那些产生过消费行为的商品甚于未产生消费行为的商品,从而忽略了大量未产生消费行为的商品中潜在的用户喜欢的商品,限制了推荐系统对用户偏好的理解和使用。
多对级排序算法(MPR)松弛了传统对级协同过滤算法对用户兴趣偏好的严格假设,认为用户对一个商品未产生消费行为的理由存在“不喜欢”或“未观察到”两种情况。多对级排序算法首次提出用户对于大量未产生消费行为的商品存在兴趣偏差,并且可以利用这些兴趣偏差挖掘用户对于未产生消费行为的商品中潜在喜欢的商品。
多对级排序算法通过划分未产生消费行为的商品为不同的商品集合,并比较多个集合之间用户对于商品兴趣的偏差。多对级排序算法认为用户对于那些产生过消费行为的商品兴趣偏好一致;因为未产生消费行为的商品中有用户潜在喜欢的商品,所以多对级排序算法认为用户对于那些未产生过消费行为的商品兴趣偏好存在大的差异。通过比较用户对商品兴趣偏好的差异,多对级排序算法尝试挖掘用户潜在可能喜欢的商品,并向用户推荐了用户更喜欢的商品列表。通过在多个公开数据集,与若干先进推荐算法比较,实验结果证实多对级排序算法在各种推荐环境,特别是冷启动环境,在若干推荐指标均展现最优的性能。多对级排序算法具有良好的扩展性,能够与传统对级协同过滤的若干改进方法有效结合,进一步提升算法的性能。
目前,多对级排序算法的采样方法考虑按照商品的流行程度将用户未产生消费行为的商品划分为两个集合,流行度较高的集合是用户潜在喜欢的商品集合,流行度较低的集合是用户不喜欢的商品集合。这样的采样方法有两个缺点:其一,这是一种静态的缺乏适应能力的采样方法;其二,这是一种全局的缺乏个性化的采样方法。以上两个缺点影响了多对级排序算法的推荐能力,限制了多对级排序算法对于数据的学习和理解。
发明内容
本发明的目的是提供一种用户感兴趣商品的推荐方法,使得推荐效果更加精准。
本发明的目的是通过以下技术方案实现的:
一种用户感兴趣商品的推荐方法,包括:
利用多对级排序算法从用户的历史消费行为中学习到用户-商品偏好矩阵,并通过矩阵分解,得到全体用户的隐向量表征U,和全部商品的隐向量表征V;
从1~k之间采随机数q,对全部商品的隐向量表征V的第q个维度fq,按照隐向量表征值的大小对所有商品排序,并得到商品列表L={l1,l2,…,lN},其中,k表示全体用户的隐向量表征U和全部商品的隐向量表征V的维度,N表示商品的数目;
使用多对级排序算法结合采样结果,通过优化目标采样用户u关于一对商品兴趣偏好的差异,迭代用户-商品偏好矩阵,并重复上述步骤,最终将每次采样到的商品以更高的概率推荐给目标采样用户u。
由上述本发明提供的技术方案可以看出,用矩阵分解方法建模用户对商品的偏好,基于训练数据中挖掘用户潜在感兴趣的商品,改进多对级排序算法的推荐能力,使得多对级排序推荐方法的推荐效果更加精准。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,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,对于本领域的普通技术人员来讲,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附图。
图1为本发明实施例提供的一种用户感兴趣商品的推荐方法的流程图;
图2为本发明实施例提供的一种用户感兴趣商品的推荐方法中自适应采样方法的流程图;
图3为本发明实施例提供的矩阵分解模型建模用户对商品的偏好关系示意图;
图4为本发明实施例提供的自适应采样方法改进多对级排序推荐模型流程图。
具体实施方式
下面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。基于本发明的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明的保护范围。
本发明实施例提供一种用户感兴趣商品的推荐方法,其利用自适应采样方法改进多对级排序算法的推荐能力,使得多对级排序推荐方法的推荐效果更加精准。
如图1所示,为本发明实施例提供一种用户感兴趣商品的推荐方法的流程图,如图2所示为其中步骤1~步骤4所对应的自适应采样方法的流程图,主要如下:
1、利用多对级排序算法从用户的历史消费行为中学习到用户-商品偏好矩阵,并通过矩阵分解,得到全体用户的隐向量表征U,和全部商品的隐向量表征V。
本发明实施例中,所述用户-商品偏好矩阵表示为U×VT;所述全体用户的隐向量表征U是一个M×k的矩阵,全部商品的隐向量表征V是一个k×N的矩阵,M表示用户的个数,k表示全体用户的隐向量表征U和全部商品的隐向量表征V的维度,N表示商品的数目。
使用fq唯一标识全体用户的隐向量表征U和全部商品的隐向量表征V的第q个维度;对于全体用户的隐向量表征U,认为其每个维度就表示了影响用户是否产生消费行为的原因;对于全部商品的隐向量表征V,认为其每个维度就表示了商品的品质特征。
图3为矩阵分解模型建模用户对商品的偏好关系的示意图。用户对一个商品产生消费行为是由于多种原因造成的,比如一位女士购买了一双高跟鞋,可能是因为这双鞋子的颜色、品牌或者款式决定的。本发明实施例中,利用矩阵分解模型建模这种关系,用户的隐向量表征的每个维度就表示了影响用户产生消费行为的原因,商品的隐向量表征的相应维度就表示了商品在该因素的品质特征。
2、从1~k之间采随机数q,对全部商品的隐向量表征V的第q个维度fq,按照隐向量表征值的大小对所有商品排序,并得到商品列表L={l1,l2,…,lN}。
本发明实施例中,将全部商品的隐向量表征V的第q个维度fq作为一个影响用户产生消费行为的因素,可以记为因素yq。
对商品的隐向量表征V的维度fq,其隐向量表征值即相当于商品在因素yq下的品质特征,按表征值的大小对所有商品排序,并得到商品列表L={l1,l2,…,lN},即相当于给出全部商品在因素yq的品质特征的序列关系,商品l1在因素yq的品质特征最大,商品lN在因素yq的品质特征最小。
所述每个位置采取的概率服从几何分布,即γ是用来调节概率密度的超参数。r值越小,被采取的概率越大,符合统计意义上用户对商品产生消费行为的规律,即大致服从几何分布,被用户频繁产生消费行为的商品占商品总类的极小部分,大部分商品用户对其产生的消费行为非常少。
如果为正,目标采样用户u对影响其产生消费行为的因素yq持有积极态度,商品列表L中位置信息越小的商品,目标采样用户u越喜好它,我们根据用户对商品产生消费行为的规律,返回商品列表L的第r位置的商品给多对级排序算法,即item=lr为目标采样用户u潜在喜欢的商品;如果为负,目标采样用户u对影响其产生消费行为的因素yq持有消极态度,商品列表L中位置信息越小的商品,目标采样用户u越不喜欢它,我们根据用户对商品产生消费行为的规律,返回商品列表L的第N-r+1位置的商品,即item=lN-r+1为目标采样用户u潜在喜欢的商品。
5、使用多对级排序算法结合采样结果,通过优化目标采样用户u关于一对商品兴趣偏好的差异,迭代用户-商品偏好矩阵,并重复上述步骤,最终将每次采样到的商品以更高的概率推荐给目标采样用户u。
多对级排序算法认为用户对于那些产生过消费行为的商品兴趣偏好一致;因为未产生消费行为的商品中有用户潜在喜欢的商品,所以多对级排序算法认为用户对于那些未产生过消费行为的商品兴趣偏好存在大的差异。通过比较用户对商品兴趣偏好的差异,多对级排序算法尝试挖掘用户潜在可能喜欢的商品,并向用户推荐了用户更喜欢的商品列表。
上述步骤1~步骤4中,利用多对级排序算法从用户和商品的历史消费行为学习到的用户-商品偏好矩阵,用矩阵分解模型对用户-商品偏好矩阵建模,充分考虑用户和商品的隐向量表征信息,通过上述自适应采样方法能够自适应地挖掘每一个用户潜在感兴趣的商品,使得多对级排序推荐方法的推荐效果更加精准。
如图4所示,为自适应采样方法改进多对级排序推荐模型流程。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例可以通过软件实现,也可以借助软件加必要的通用硬件平台的方式来实现。基于这样的理解,上述实施例的技术方案可以以软件产品的形式体现出来,该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM,U盘,移动硬盘等)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)执行本发明各个实施例所述的方法。
以上所述,仅为本发明较佳的具体实施方式,但本发明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发明披露的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应该以权利要求书的保护范围为准。
Claims (4)
1.一种用户感兴趣商品的推荐方法,其特征在于,包括:
利用多对级排序算法从用户的历史消费行为中学习到用户-商品偏好矩阵,并通过矩阵分解,得到全体用户的隐向量表征U,和全部商品的隐向量表征V;
从1~k之间采随机数q,对全部商品的隐向量表征V的第q个维度fq,按照隐向量表征值的大小对所有商品排序,并得到商品列表L={l1,l2,...,lN},其中,k表示全体用户的隐向量表征U和全部商品的隐向量表征V的维度,N表示商品的数目;
对于商品列表L采取位置信息r,1≤r≤N,每个位置采取的概率服从几何分布,即γ是用来调节概率密度的超参数;如果为正,则lr为目标采样用户u潜在感兴趣的商品;如果为负,则lN-r+1为目标采样用户u潜在感兴趣的商品;
使用多对级排序算法结合采样结果,通过优化目标采样用户u关于一对商品兴趣偏好的差异,迭代用户-商品偏好矩阵,并重复上述步骤,最终将每次采样到的商品以更高的概率推荐给目标采样用户u。
2.根据权利要求1所述的一种用户感兴趣商品的推荐方法,其特征在于,
所述用户-商品偏好矩阵表示为U×VT;所述全体用户的隐向量表征U是一个M×k的矩阵,全部商品的隐向量表征V是一个k×N的矩阵,M表示用户的个数;
使用fq唯一标识全体用户的隐向量表征U和全部商品的隐向量表征V的第q个维度;
对于全体用户的隐向量表征U,认为其每个维度就表示了影响用户是否产生消费行为的原因;对于全部商品的隐向量表征V,认为其每个维度就表示了商品的品质特征。
3.根据权利要求2所述的一种用户感兴趣商品的推荐方法,其特征在于,
从1~k之间采随机数q,也即将全部商品的隐向量表征V的第q个维度fq作为一个影响用户产生消费行为的因素yq;
所述商品列表L={l1,l2,...,lN}中,商品l1在相应因素下的品质特征最大,商品lN在相应因素下的品质特征最小。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910201617.2A CN109934681B (zh) | 2019-03-13 | 2019-03-13 | 用户感兴趣商品的推荐方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910201617.2A CN109934681B (zh) | 2019-03-13 | 2019-03-13 | 用户感兴趣商品的推荐方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109934681A CN109934681A (zh) | 2019-06-25 |
CN109934681B true CN109934681B (zh) | 2022-01-11 |
Family
ID=66987456
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910201617.2A Active CN109934681B (zh) | 2019-03-13 | 2019-03-13 | 用户感兴趣商品的推荐方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109934681B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111143682A (zh) * | 2019-12-27 | 2020-05-12 | 联想(北京)有限公司 | 一种数据处理方法、设备及存储介质 |
CN114282101A (zh) * | 2021-12-20 | 2022-04-05 | 北京百度网讯科技有限公司 | 产品推荐模型的训练方法、装置、电子设备及存储介质 |
CN117290609B (zh) * | 2023-11-24 | 2024-03-29 | 中国科学技术大学 | 产品数据推荐方法及产品数据推荐装置 |
CN117573856B (zh) * | 2024-01-15 | 2024-07-05 | 中国科学技术大学 | 一种基于记忆网络的建筑领域内容多兴趣召回方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2013152681A (ja) * | 2012-01-26 | 2013-08-08 | Hitachi Consumer Electronics Co Ltd | 食材検索システム及び食材検索方法 |
CN108268464A (zh) * | 2016-12-30 | 2018-07-10 | 广东精点数据科技股份有限公司 | 一种基于协同过滤与logistic回归的个性化推荐方法及装置 |
CN109299370A (zh) * | 2018-10-09 | 2019-02-01 | 中国科学技术大学 | 多对级个性化推荐方法 |
-
2019
- 2019-03-13 CN CN201910201617.2A patent/CN109934681B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2013152681A (ja) * | 2012-01-26 | 2013-08-08 | Hitachi Consumer Electronics Co Ltd | 食材検索システム及び食材検索方法 |
CN108268464A (zh) * | 2016-12-30 | 2018-07-10 | 广东精点数据科技股份有限公司 | 一种基于协同过滤与logistic回归的个性化推荐方法及装置 |
CN109299370A (zh) * | 2018-10-09 | 2019-02-01 | 中国科学技术大学 | 多对级个性化推荐方法 |
Non-Patent Citations (1)
Title |
---|
多重对级贝叶斯个性化排序算法;程明月;《南京信息工程大学学报(自然科学版)》;20190311;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN109934681A (zh) | 2019-06-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109934681B (zh) | 用户感兴趣商品的推荐方法 | |
Cheng et al. | MMALFM: Explainable recommendation by leveraging reviews and images | |
Cheng et al. | Aspect-aware latent factor model: Rating prediction with ratings and reviews | |
CN109299370B (zh) | 多对级个性化推荐方法 | |
CN107563841B (zh) | 一种基于用户评分分解的推荐系统 | |
Karatzoglou et al. | Multiverse recommendation: n-dimensional tensor factorization for context-aware collaborative filtering | |
CN104317835B (zh) | 视频终端的新用户推荐方法 | |
Li et al. | Two birds one stone: on both cold-start and long-tail recommendation | |
CN111127142A (zh) | 一种基于广义神经注意力的物品推荐方法 | |
WO2015034850A2 (en) | Feature selection for recommender systems | |
KR20050043917A (ko) | 통계적 개인화된 추천 시스템 | |
US7630916B2 (en) | Systems and methods for improving collaborative filtering | |
CN110033127B (zh) | 一种基于嵌入式特征选择的冷启动项目推荐方法 | |
CN112380433A (zh) | 面向冷启动用户的推荐元学习方法 | |
US11392751B1 (en) | Artificial intelligence system for optimizing informational content presentation | |
CN112818037A (zh) | 图书推荐系统和方法 | |
Alluhaidan | Recommender system using collaborative filtering algorithm | |
TWI468956B (zh) | 個人化搜尋排序方法以及系統 | |
CN113377973B (zh) | 一种基于对抗哈希的物品推荐方法 | |
CN114780865A (zh) | 信息推荐方法、装置、计算机设备及存储介质 | |
Koneru | Deep learning-based automated recommendation systems: a systematic review and trends | |
Hien et al. | A Deep Learning Model for Context Understanding in Recommendation Systems | |
Cagali et al. | Enhancing personalised recommendations with the use of multimodal information | |
Lumbantoruan | Declarative context-aware recommendation | |
Lashkari et al. | Recommender systems and artificial intelligence in digital marketing |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |