CN110110226B - 一种推荐算法、推荐系统及终端设备 - Google Patents

一种推荐算法、推荐系统及终端设备 Download PDF

Info

Publication number
CN110110226B
CN110110226B CN201910313515.XA CN201910313515A CN110110226B CN 110110226 B CN110110226 B CN 110110226B CN 201910313515 A CN201910313515 A CN 201910313515A CN 110110226 B CN110110226 B CN 110110226B
Authority
CN
China
Prior art keywords
matrix
value
characteristic matrix
project
user
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
Application number
CN201910313515.XA
Other languages
English (en)
Other versions
CN110110226A (zh
Inventor
刘少帅
刘芳
米娜
宋峥峥
赵劭康
赵小萌
王亚静
靳琳
刘毅
刘玮
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
State Grid Corp of China SGCC
Information and Telecommunication Branch of State Grid Hebei Electric Power Co Ltd
Original Assignee
State Grid Corp of China SGCC
Information and Telecommunication Branch of State Grid Hebei Electric Power Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by State Grid Corp of China SGCC, Information and Telecommunication Branch of State Grid Hebei Electric Power Co Ltd filed Critical State Grid Corp of China SGCC
Priority to CN201910313515.XA priority Critical patent/CN110110226B/zh
Publication of CN110110226A publication Critical patent/CN110110226A/zh
Application granted granted Critical
Publication of CN110110226B publication Critical patent/CN110110226B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/953—Querying, e.g. by the use of web search engines
    • G06F16/9535—Search customisation based on user profiles and personalisation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • Mathematical Physics (AREA)
  • Business, Economics & Management (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Analysis (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Economics (AREA)
  • Computational Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Quality & Reliability (AREA)
  • Game Theory and Decision Science (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Computing Systems (AREA)
  • Tourism & Hospitality (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Development Economics (AREA)
  • Operations Research (AREA)
  • Algebra (AREA)
  • Software Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明提供了一种推荐算法、推荐系统及终端设备，包括：使用矩阵分解的方法，构建评分矩阵，将由数据集构成的评分矩阵进行降维分解为两个低阶矩阵相乘的形式，这两个低阶矩阵分别为用户特征矩阵以及项目特征矩阵；根据预设的用户特征矩阵和预设的项目特征矩阵，得到预测值；根据预测值和已有用户数据的真实值，构建关于残差的目标函数；根据梯度下降方法，通过迭代使目标函数收敛或者使目标函数的最小值小于设定的阈值，最终得到用户特征矩阵和项目特征矩阵，继而得到推荐评分矩阵。通过评分矩阵给客户咨询的问题一个或多个最优的解决方案，提高客服解决客户问题的效率。

Description

一种推荐算法、推荐系统及终端设备
技术领域
本发明属于客服辅助技术领域，尤其涉及一种推荐算法、系统及终端设备。
背景技术
信息通信客服中心服务热线，采用一线受理解决和一线转接二线解决并存模式，为省、市、县三级118家单位8万余用户提供7*24小时服务。业务范围覆盖87个业务应用系统、信息通信网络、2877台计算机终端、4000部行政电话，为公司人资、财务、物资、营销、生产、基建、办公等业务活动提供信息通信技术服务支持。
目前客服工作主要采用传统的电话指导或现场处理的方式，随着一线客服人员受理的业务范围越来越大，并有逐年增加的趋势，占用大量的人力资源，缺少智能机器人等智能化、自助性服务的技术手段。并且受理渠道比较单一，庞大的信息通信知识库得不到有效的利用，随着知识库不断的增长，查找到自己需要的知识越来越难。
知识库不能得到有效利用是其一，其二就是客服本身不可能对于每个系统的专业知识都很熟悉，那么就会导致对于客户所提问题，理解有偏差甚至错误，使得不仅没能解决客户问题，还耽误客户时间。
发明内容
有鉴于此，本发明实施例提供了一种推荐算法、推荐系统及终端设备，以解决现有技术中知识库不能被利用且客户问题得不到快速解决的问题。
本发明实施例的第一方面提供了一种推荐算法，应用于信息通信客服中心，包括：
构建评分矩阵，并将所述评分矩阵，拆分成低阶的用户特征矩阵和项目特征矩阵，所述用户特征矩阵和所述项目特征矩阵的乘积为所述评分矩阵；
根据所述用户特征矩阵和所述项目特征矩阵，得到项目预测评分矩阵；
从所述项目预测评分矩阵提取出预设用户对预设项目的预测评分值；
根据所述预测评分值和数据库中用户对项目的实际评分值，得到用户特征矩阵模型和所述项目特征矩阵模型；
利用所述实际评分值对所述用户特征矩阵模型和所述项目特征矩阵模型进行迭代学习，生成推荐用户特征矩阵模型和推荐项目特征矩阵模型；
根据所述推荐用户特征矩阵模型和推荐项目特征矩阵模型，得到推荐评分矩阵。
本发明实施例的第二方面提供了一种推荐系统，包括：
初始模块，用于构建评分矩阵，并将所述评分矩阵，拆分成低阶的用户特征矩阵和项目特征矩阵，所述用户特征矩阵和所述项目特征矩阵的乘积为所述评分矩阵；
第一计算模块，用于根据所述用户特征矩阵和所述项目特征矩阵，得到项目预测评分矩阵；
第二计算模块，用于从所述项目预测评分矩阵提取出预设用户对预设项目的预测评分值；
第三计算模块，用于根据所述预测评分值和数据库中用户对项目的实际评分值，得到用户特征矩阵模型和所述项目特征矩阵模型；
模型生成模块，用于利用所述实际评分值对所述用户特征矩阵模型和所述项目特征矩阵模型进行迭代学习，生成推荐用户特征矩阵模型和推荐项目特征矩阵模型；
第四计算模块，用于根据所述推荐用户特征矩阵模型和推荐项目特征矩阵模型，得到推荐评分矩阵。
本发明实施例的第三方面提供了一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上所述推荐算法的步骤。
本发明实施例的第四方面提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如上所述推荐算法的步骤。
本发明实施例与现有技术相比存在的有益效果是：构建用户对项目的预设评分矩阵，并通过构建的预设评分矩阵基于数据库历史行为数据进行主动学习生成推荐评分矩阵，最终通过推荐评分矩阵给客户咨询的问题一个或多个最优的解决方案，提高客服解决客户问题的效率。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例或现有技术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，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是本发明的一个实施例提供的推荐算法的流程示意图；
图2是本发明的一个实施例提供的图1中步骤S105的实现流程示意图；
图3是本发明的一个实施例提供的推荐系统的结构示意图；
图4是本发明的一个实施例提供的图3中优化模块的结构示例图；
图5是本发明的一个实施例提供的终端设备的示意图。
具体实施方式
本发明的说明书和权利要求书及上述附图中的术语“包括”以及其他任何变形，是指“包括但不限于”，意图在于覆盖不排他的包含。例如包含一系列步骤或单元的过程、方法或系统、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。
为了说明本发明所述的技术方案，下面通过具体实施例来进行说明。
实施例1：
图1示出了本发明一实施例所提供的推荐算法的实现流程图，为了便于说明，仅示出了与本发明实施例相关的部分，详述如下：
图1示出了本发明的一个实施例提供的一种推荐算法的实现流程，其过程详述如下：
在步骤S101中，构建评分矩阵，并将所述评分矩阵，拆分成低阶的用户特征矩阵和项目特征矩阵，所述用户特征矩阵和所述项目特征矩阵的乘积为所述评分矩阵。
在具体应用中，基于模型的推荐算法需要用到用户的历史行为数据，然后根据用户的历史行为数据，进行不断的学习训练出来的一个模型，这个模型就是用来进行为目标用户推荐的模型，基于模型的推荐算法有很多，我们用到的是矩阵分解算法。
评分矩阵是进行矩阵分解的基础，是由用户、项目以及评分构成的数据构建而成。矩阵分解模型指的是将一个高维的矩阵进行降维操作。在推荐系统中指的是将由数据集构成的评分矩阵进行降维分解为两个低阶矩阵相乘的形式，这两个低阶矩阵分别为用户特征矩阵以及项目特征矩阵。将一个比较高维的矩阵通过将其降维，从而形成两个维度低的矩阵。
评分矩阵通常是个很大的矩阵，假设为m行n列，m代表用户的个数，n 代表项目的个数。并且这个矩阵在实际情况中是非常稀疏的，用户只能评价少部分的项目，因而矩阵中会存在很多用户并没有对对应的项目打分或者是评价过，所以我们很难对了解用户对相应项目的偏好情况。矩阵分解就是希望能通过用户已有的评分来预测用户对未打分或者评价项目的评价情况，而通过矩阵分解则能挖掘用户的潜在因子和项目的潜在因子，来估计缺失值。
在本实施例中，对m个用户和n个项目进行矩阵建模设为评分矩阵Q×P，评分矩阵为m行n列，然后对评分矩阵Q×P进行拆分，生成两个低维度的矩阵，分别为用户特征矩阵P和项目特征矩阵Q，其中，
Figure BDA0002032313890000051
Figure BDA0002032313890000052
Figure BDA0002032313890000053
为实数集，f为用户特征矩阵P或项目特征矩阵Q的维度。其中，q1,…,qn和p1,…,pm中确实的数需要人为给定一个数值。
将评分矩阵进行拆分，生成两个低维度的矩阵，是为了方便求解矩阵。矩阵分解就是为了找到两个秩为f的矩阵更好的逼近评分矩阵R。
在步骤S102中，根据所述用户特征矩阵和所述项目特征矩阵，得到项目预测评分矩阵。
在本实施例中，项目预测评分矩阵，为：
Figure BDA0002032313890000054
其中：
Figure BDA0002032313890000055
为所述项目预测评分矩阵，Q为所述项目特征矩阵，P为所述用户特征矩阵。
在步骤S103中，从所述项目预测评分矩阵提取出预设用户对预设项目的预测评分值。
在本实施例中，预测评分值，为：
Figure BDA0002032313890000056
其中：
Figure BDA0002032313890000057
为第u个用户对项目i的预测评分值，Q为所述项目特征矩阵，P为所述用户特征矩阵，qi为所述项目特征矩阵值中第i个元素的值，pu为所述用户特征矩阵值中第u个元素的值，n为项目个数，m为用户个数，f为用户特征矩阵或项目特征矩阵的阶数。
在步骤S104中，根据所述预测评分值和数据库中用户对项目的实际评分值，得到用户特征矩阵模型和所述项目特征矩阵模型。
在本实施例中，为了防止过拟合现象的发生，加入了正则化项，得到用户特征矩阵模型和所述项目特征矩阵模型，为：
Figure BDA0002032313890000061
其中：p*,q*为所述用户特征矩阵模型和所述项目特征矩阵模型，rui为所述实际评分值，
Figure BDA0002032313890000062
为所述预测评分值，qi为所述项目特征矩阵值中第i个元素的值， pu为所述用户特征矩阵值中第u个元素的值，λ为常数。
在步骤S105中，利用所述实际评分值对所述用户特征矩阵模型和所述项目特征矩阵模型进行迭代学习，生成推荐用户特征矩阵模型和推荐项目特征矩阵模型。
在本实施例中，主要是为了通过实际评分值对用户特征矩阵模型和所述项目特征矩阵模型进行迭代学习，生成生成推荐用户特征矩阵模型和推荐项目特征矩阵模型，实际评分值是数据库中的所有的用户对项目的评分值。
为了学习这个模型中的参数qi、pu、λ，对公式进行最小化处理，λ的获取是通过交叉验证来获得。最小化的过程一般是通过随机梯度下降算法或者最小二乘法来实现。交替最小二乘法技术就是交替固定一个值来计算另一个值，比如固定qi来计算pu，就把qi当成常量来计算，这样最优化问题就变成二次的了，就可以优化求解。
在本发明中采用Tukey双权法对行最小化求解，通过最小化来求解模型参数p*、q*。
在步骤S106中，根据所述推荐用户特征矩阵模型和推荐项目特征矩阵模型，得到推荐评分矩阵。
在本实施例中，根据qi *和pu *组成的矩阵
Figure BDA0002032313890000063
和
Figure BDA0002032313890000064
得到推荐评分矩阵Q1×P1。
在具体应用中，根据推荐评分矩阵，将评分高的项目推荐给用户使用。推荐评分矩阵是将用户对没有使用过的项目的一个预测的评分，根据预测评分的高低，将预测评分高的项目推荐给用户。
本发明与传统的人工查询知识库相比，借助算法查询，一来提高对知识库的利用率以及解决客户问题的效率。二来可以将传统的被动性服务转为主动性服务，智能的给予客服更精确的服务。随着知识库量的增加，传统的人工查询必然会使得查询效率大大降低，且非相关专业的人工准确率也必然不高。使用机器学习算法，随着知识库量的增加，会使得算法效率更高，精确度更是大大增加，且对问题的解决准确度上更加专业。
如图2所示，在本发明的一个实施例中，图1所对应的实施例中的步骤S105 具体包括：
步骤S501，根据所述预测评分值和实际评分值，得到残差，所述残差为实际评分值与预测评分值的差值。
在本实施例中，残差，为：
Figure BDA0002032313890000071
其中：eui为所述残差，rui为所述实际评分值，
Figure BDA0002032313890000072
为所述预测评分值。
步骤S502，对所述用户特征矩阵和所述项目特征矩阵模型中的残差进行最小化求解，得到推荐用户特征矩阵模型和推荐项目特征矩阵模型。
在本实施例中，构建目标函数ρ(eui)，并用ρ(eui)代替式子(3)中的
Figure BDA0002032313890000073
得到
Figure BDA0002032313890000074
ρ(eui)为分段函数，函数方程如下：
Figure BDA0002032313890000075
需要求解最小化目标函数ρ(eui)，假设改目标函数是可微的，并用导数ψ(eui) 表示：
Figure BDA0002032313890000081
在对算法的鲁棒性研究中，如若该影响函数为有界的，那么它的鲁棒性比较好，由公式(6)知，Tukey双权的导函数为有界函数，上述中的分界点是k值，稳健统计学在研究该稳健估计方法时，k值取为4.685时，效果最佳。
Tukey双权函数的鲁棒性很高，崩溃点可达到50％，但是其渐进效率不高，为了提高它的效率，这里使用加权最小二乘估计(Reweighted Least Squares，简称RLS)来构造它的一个权函数，定义一个权函数ω(eui)＝ψ(eui)/eui，这样这个 Tukey双权函数的权函数如公式(8)所示：
Figure BDA0002032313890000082
将公式(8)带入到公式(5)中，利用随机梯度下降算法来对参数进行计算，经过不断的进行迭代学习，使公式(5)的模型收敛并达到稳定状态，最终得到推荐用户特征矩阵模型和推荐项目特征矩阵模型，分别为：
qi *←qi+γω(eui)euipu
pu *←pu+γω(eui)euiqi
其中：ρ(eui)为构建的目标函数，k为常数，eui为残差，ψ(eui)为ρ(eui)的导数，ω(eui)为ψ(eui)的权函数，γ为常数，qi为所述项目特征矩阵值中第i个元素的值， pu为所述用户特征矩阵值中第u个元素的值，qi *为所述推荐项目特征矩阵模型， pu *为所述推荐用户特征矩阵模型。
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
实施例2：
如图3所示，本发明的一个实施例提供的推荐系统100，用于执行图1所对应的实施例中的方法步骤，其包括：
初始模块110，用于构建评分矩阵，并将所述评分矩阵，拆分成低阶的用户特征矩阵和项目特征矩阵，所述用户特征矩阵和所述项目特征矩阵的乘积为所述评分矩阵；
第一计算模块120，用于根据所述用户特征矩阵和所述项目特征矩阵，得到项目预测评分矩阵；
第二计算模块130，用于从所述项目预测评分矩阵提取出预设用户对预设项目的预测评分值；
第三计算模块140，用于根据所述预测评分值和数据库中用户对项目的实际评分值，得到用户特征矩阵模型和所述项目特征矩阵模型；
模型生成模块150，用于利用所述实际评分值对所述用户特征矩阵模型和所述项目特征矩阵模型进行迭代学习，生成推荐用户特征矩阵模型和推荐项目特征矩阵模型；
第四计算模块160，用于根据所述推荐用户特征矩阵模型和推荐项目特征矩阵模型，得到推荐评分矩阵。
如图4所示，在本发明的一个实施例中，图3所对应的实施例中的模型生成模块110的步骤的结构，其包括：
残差计算单元151，用于根据所述预测评分值和实际评分值，得到残差，所述残差为实际评分值与预测评分值的差值；
最小化求解单元152 ，用于对所述用户特征矩阵和所述项目特征矩阵模型中的残差进行最小化求解，得到推荐用户特征矩阵模型和推荐项目特征矩阵模型。
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，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即所述点测机的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。实施例中的各功能模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述点测机中模块的具体工作过程，可以参考前述方法实施例的对应过程，在此不再赘述。
实施例3：
图5是本发明一实施例提供的终端设备的示意图。如图5所示，该实施例的终端设备5包括：处理器50、存储器51以及存储在所述存储器51中并可在所述处理器50上运行的计算机程序52。所述处理器50执行所述计算机程序52 时实现如实施例1中所述的各实施例中的步骤，例如图1所示的步骤S101至 S106。或者，所述处理器50执行所述计算机程序52时实现如实施例2中所述的各系统实施例中的各模块/单元的功能，例如图2所示模块110至160的功能。
所述终端设备5可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述终端设备可包括，但不仅限于，处理器50、存储器51。本领域技术人员可以理解，图5仅仅是终端设备5的示例，并不构成对终端设备5的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述终端设备5还可以包括输入输出设备、网络接入设备、总线等。
所称处理器50可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器51可以是所述终端设备5的内部存储单元，例如终端设备5 的硬盘或内存。所述存储器51也可以是所述终端设备5的外部存储设备，例如所述终端设备5上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。进一步地，所述存储器51还可以既包括所述终端设备5的内部存储单元也包括外部存储设备。所述存储器51用于存储所述计算机程序以及所述终端设备5所需的其他程序和数据。所述存储器51还可以用于暂时地存储已经输出或者将要输出的数据。
实施例4：
本发明实施例还提供了一种计算机可读存储介质，计算机可读存储介质存储有计算机程序，计算机程序被处理器执行时实现如实施例1中所述的各实施例中的步骤，例如图1所示的步骤S101至步骤S106。或者，所述计算机程序被处理器执行时实现如实施例2中所述的各系统实施例中的各模块/单元的功能，例如图2所示的模块110至160的功能。
所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器 (RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括是电载波信号和电信信号。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
本发明实施例方法中的步骤可以根据实际需要进行顺序调整、合并和删减。
本发明实施例系统中的模块或单元可以根据实际需要进行合并、划分和删减。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
在本发明所提供的实施例中，应该理解到，所揭露的系统/终端设备和方法，可以通过其它的方式实现。例如，以上所描述的系统/终端设备实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
以上所述实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。

Claims (4)

1.一种推荐算法，其特征在于，应用于信息通信客服中心，包括：
构建评分矩阵，并将所述评分矩阵，拆分成低阶的用户特征矩阵和项目特征矩阵，所述用户特征矩阵和所述项目特征矩阵的乘积为所述评分矩阵；
根据所述用户特征矩阵和所述项目特征矩阵，得到项目预测评分矩阵；
从所述项目预测评分矩阵提取出预设用户对预设项目的预测评分值；
根据所述预测评分值和数据库中用户对项目的实际评分值，得到用户特征矩阵模型和所述项目特征矩阵模型；
利用所述实际评分值对所述用户特征矩阵模型和所述项目特征矩阵模型进行迭代学习，生成推荐用户特征矩阵模型和推荐项目特征矩阵模型；
根据推荐用户特征矩阵模型和推荐项目特征矩阵模型，得到推荐评分矩阵；
所述利用所述实际评分值对所述用户特征矩阵模型和所述项目特征矩阵模型进行迭代学习，生成推荐用户特征矩阵模型和推荐项目特征矩阵模型，包括：
根据所述预测评分值和实际评分值，得到残差，所述残差为实际评分值与预测评分值的差值；
对所述用户特征矩阵和所述项目特征矩阵模型中的残差进行最小化求解，得到推荐用户特征矩阵模型和推荐项目特征矩阵模型；
所述根据所述用户特征矩阵和所述项目特征矩阵，得到项目预测评分矩阵，包括：
Figure FDA0003097757300000021
其中：
Figure FDA0003097757300000022
为所述项目预测评分矩阵，Q为所述项目特征矩阵，P为所述用户特征矩阵；
所述从所述项目预测评分矩阵提取出预设用户对预设项目的预测评分值，包括：
Figure FDA0003097757300000023
Figure FDA0003097757300000024
Figure FDA0003097757300000025
其中：
Figure FDA0003097757300000026
为第u个用户对项目i的预测评分值，Q为所述项目特征矩阵，P为所述用户特征矩阵，qi为所述项目特征矩阵值中第i个元素的值，pu为所述用户特征矩阵值中第u个元素的值，n为项目个数，m为用户个数，f为用户特征矩阵或项目特征矩阵的阶数；
所述根据所述预测评分值和数据库中用户对项目的实际评分值，得到用户特征矩阵模型和所述项目特征矩阵模型，包括：
Figure FDA0003097757300000027
其中：p*，q*为所述用户特征矩阵模型和所述项目特征矩阵模型，rui为所述实际评分值，
Figure FDA0003097757300000028
为所述预测评分值，qi为所述项目特征矩阵值中第i个元素的值，pu为所述用户特征矩阵值中第u个元素的值，λ为常数；
所述根据所述预测评分值和实际评分值，得到残差，所述残差为实际评分值与预测评分值的差值，包括：
Figure FDA0003097757300000031
其中：eui为所述残差，rui为所述实际评分值，
Figure FDA0003097757300000032
为所述预测评分值；
所述对所述用户特征矩阵和所述项目特征矩阵模型中的残差进行最小化求解，得到推荐用户特征矩阵模型和推荐项目特征矩阵模型，包括：
p*，q*＝arg minρ(eui)+λ(||qi||2+||pu||2)
Figure FDA0003097757300000033
Figure FDA0003097757300000034
Figure FDA0003097757300000035
qi *←qi+γω(eui)euipu
pu *←pu+γω(eui)euiqi
其中：ρ(eui)为构建的目标函数，k为常数，eui为残差，ψ(eui)为ρ(eui)的导数，ω(eui)为ψ(eui)的权函数，γ为常数，qi为所述项目特征矩阵值中第i个元素的值，pu为所述用户特征矩阵值中第u个元素的值，qi *为所述推荐项目特征矩阵，pu *为所述推荐用户特征矩阵。
2.一种推荐系统，其特征在于，包括：
初始模块，用于构建评分矩阵，并将所述评分矩阵，拆分成低阶的用户特征矩阵和项目特征矩阵，所述用户特征矩阵和所述项目特征矩阵的乘积为所述评分矩阵；
第一计算模块，用于根据所述用户特征矩阵和所述项目特征矩阵，得到项目预测评分矩阵；
第二计算模块，用于从所述项目预测评分矩阵提取出预设用户对预设项目的预测评分值；
第三计算模块，用于根据所述预测评分值和数据库中用户对项目的实际评分值，得到用户特征矩阵模型和所述项目特征矩阵模型；
模型生成模块，用于利用所述实际评分值对所述用户特征矩阵模型和所述项目特征矩阵模型进行迭代学习，生成推荐用户特征矩阵模型和推荐项目特征矩阵模型；
第四计算模块，用于根据所述推荐用户特征矩阵模型和推荐项目特征矩阵模型，得到推荐评分矩阵；
所述模型生成模块包括：
残差计算单元，用于根据所述预测评分值和实际评分值，得到残差，所述残差为实际评分值与预测评分值的差值；
最小化求解单元，用于对所述用户特征矩阵和所述项目特征矩阵模型中的残差进行最小化求解，得到推荐用户特征矩阵模型和推荐项目特征矩阵模型；
所述第一计算模块包括：
Figure FDA0003097757300000051
其中：
Figure FDA0003097757300000052
为所述项目预测评分矩阵，Q为所述项目特征矩阵，P为所述用户特征矩阵；
所述第二计算模块包括：
Figure FDA0003097757300000053
Figure FDA0003097757300000054
Figure FDA0003097757300000055
其中：
Figure FDA0003097757300000056
为第u个用户对项目i的预测评分值，Q为所述项目特征矩阵，P为所述用户特征矩阵，qi为所述项目特征矩阵值中第i个元素的值，pu为所述用户特征矩阵值中第u个元素的值，n为项目个数，m为用户个数，f为用户特征矩阵或项目特征矩阵的阶数；
所述第三计算模块包括：
Figure FDA0003097757300000057
其中：p*，q*为所述用户特征矩阵模型和所述项目特征矩阵模型，rui为所述实际评分值，
Figure FDA0003097757300000058
为所述预测评分值，qi为所述项目特征矩阵值中第i个元素的值，pu为所述用户特征矩阵值中第u个元素的值，λ为常数；
所述残差计算单元包括：
Figure FDA0003097757300000059
其中：eui为所述残差，rui为所述实际评分值，
Figure FDA00030977573000000510
为所述预测评分值；
所述最小化求解单元包括：
p*，q*＝arg minρ(eui)+λ(||qi||2+||pu||2)
Figure FDA0003097757300000061
Figure FDA0003097757300000062
Figure FDA0003097757300000063
qi *←qi+γω(eui)euipu
pu *←pu+γω(eui)euiqi
其中：ρ(eui)为构建的目标函数，k为常数，eui为残差，ψ(eui)为ρ(eui)的导数，ω(eui)为ψ(eui)的权函数，γ为常数，qi为所述项目特征矩阵值中第i个元素的值，pu为所述用户特征矩阵值中第u个元素的值，qi *为所述推荐项目特征矩阵，pu *为所述推荐用户特征矩阵。
3.一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1所述推荐算法的步骤。
4.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1所述推荐算法的步骤。
CN201910313515.XA 2019-04-18 2019-04-18 一种推荐算法、推荐系统及终端设备 Active CN110110226B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910313515.XA CN110110226B (zh) 2019-04-18 2019-04-18 一种推荐算法、推荐系统及终端设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910313515.XA CN110110226B (zh) 2019-04-18 2019-04-18 一种推荐算法、推荐系统及终端设备

Publications (2)

Publication Number Publication Date
CN110110226A CN110110226A (zh) 2019-08-09
CN110110226B true CN110110226B (zh) 2021-08-03

Family

ID=67485869

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910313515.XA Active CN110110226B (zh) 2019-04-18 2019-04-18 一种推荐算法、推荐系统及终端设备

Country Status (1)

Country Link
CN (1) CN110110226B (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111241408B (zh) * 2020-01-21 2023-05-30 武汉轻工大学 推荐模型的构建系统及方法
CN112330391B (zh) * 2020-10-26 2022-07-08 武汉鼎森世纪科技有限公司 基于客户和员工的产品推荐方法
CN112395499B (zh) * 2020-11-03 2022-08-12 腾讯科技（深圳）有限公司 信息推荐方法及装置、电子设备、存储介质
CN112785148A (zh) * 2021-01-21 2021-05-11 广东小天才科技有限公司 知识点掌握程度识别方法、装置、终端设备及存储介质
CN112581044B (zh) * 2021-02-25 2021-05-14 壹药网耀方科技(上海)股份有限公司 一种基于多维空间投影的个性化客服匹配系统
CN113032670B (zh) * 2021-03-15 2022-10-25 清华大学 停车场推荐方法、装置、计算机设备和存储介质

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8321422B1 (en) * 2009-04-23 2012-11-27 Google Inc. Fast covariance matrix generation
CN109446430B (zh) * 2018-11-29 2021-10-01 西安电子科技大学 产品推荐的方法、装置、计算机设备及可读存储介质

Also Published As

Publication number Publication date
CN110110226A (zh) 2019-08-09

Similar Documents

Publication Publication Date Title
CN110110226B (zh) 一种推荐算法、推荐系统及终端设备
Lin et al. Empirical mode decomposition–based least squares support vector regression for foreign exchange rate forecasting
CN109858740B (zh) 企业风险的评估方法、装置、计算机设备及存储介质
Madan et al. Automated bitcoin trading via machine learning algorithms
Hotz‐Behofsits et al. Predicting crypto‐currencies using sparse non‐Gaussian state space models
WO2020192289A1 (zh) 确定关系网络图中图节点向量的方法及装置
CN106251174A (zh) 信息推荐方法及装置
US11704682B2 (en) Pre-processing financial market data prior to machine learning training
CN111160968A (zh) Sku级别商品销量预测方法及装置
EP4200761A1 (en) Systems and methods for next basket recommendation with dynamic attributes modeling
CN111260255B (zh) 一种配电网运行参数关键因素分析方法、系统以及设备
CN108133390A (zh) 用于预测用户行为的方法和装置以及计算设备
CN108537460A (zh) 用户风险预测方法及系统
Bebarta et al. Comparative study of stock market forecasting using different functional link artificial neural networks
CN108770002A (zh) 基站流量分析方法、装置、设备及存储介质
CN110866625A (zh) 促销指标信息生成方法和装置
CN112132356A (zh) 一种基于时空图注意力机制的股价预测方法
CN110598094A (zh) 基于矩阵补全的购物推荐方法、电子设备及存储介质
CN110348947A (zh) 对象推荐方法及装置
CN114118570A (zh) 业务数据预测方法及装置、电子设备和存储介质
CN109450963A (zh) 消息推送方法及终端设备
CN115471260A (zh) 基于神经网络的销售预测方法、装置、设备及介质
Bajalan et al. Novel ANN Method for Solving Ordinary and Time‐Fractional Black–Scholes Equation
Kumar Inventory model with price-dependent demand rate and no shortages: an interval-valued linear fractional programming approach
CN112308404B (zh) 项目风险管理方法、装置、电子设备及存储介质

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