CN112818238A - 一种自适应在线推荐方法及系统 - Google Patents

一种自适应在线推荐方法及系统 Download PDF

Info

Publication number
CN112818238A
CN112818238A CN202110171240.8A CN202110171240A CN112818238A CN 112818238 A CN112818238 A CN 112818238A CN 202110171240 A CN202110171240 A CN 202110171240A CN 112818238 A CN112818238 A CN 112818238A
Authority
CN
China
Prior art keywords
user
cluster
feature vector
access
visiting
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.)
Granted
Application number
CN202110171240.8A
Other languages
English (en)
Other versions
CN112818238B (zh
Inventor
王玉峰
张伟东
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.)
Nanjing University of Posts and Telecommunications
Original Assignee
Nanjing University of Posts and Telecommunications
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 Nanjing University of Posts and Telecommunications filed Critical Nanjing University of Posts and Telecommunications
Priority to CN202110171240.8A priority Critical patent/CN112818238B/zh
Publication of CN112818238A publication Critical patent/CN112818238A/zh
Application granted granted Critical
Publication of CN112818238B publication Critical patent/CN112818238B/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
    • 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
    • G06F16/9536—Search customisation based on social or collaborative filtering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • 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
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/01—Social networking

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Economics (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明公开了一种自适应在线推荐方法及系统，属于推荐系统技术领域，方法包括如下步骤：根据访问用户的潜在特征向量及用户所在聚类的聚类特征向量向用户推荐产品；根据用户对推荐的产品的反馈更新用户的潜在特征向量，并根据更新后的潜在特征向量重新确定用户所在聚类；对更新后的用户所在聚类进行聚类动态更新确定用户聚类数，所述聚类动态更新包括聚类内二分类和聚类间合并。本发明提供的方法及系统能够自适应确定用户聚类数，提高用户聚类精度，更好贴合实际推荐应用场景。

Description

一种自适应在线推荐方法及系统
技术领域
本发明涉及推荐系统技术领域，尤其涉及一种自适应在线推荐方法及系统。
背景技术
互联网的出现和普及给用户带来了大量的信息，满足了用户在信息时代对信息的需求，但随着网络的迅速发展而带来的网上信息量的大幅增长，使得用户在面对大量信息时无法从中获得对自己真正有用的那部分信息，对信息的使用效率反而降低了，这就是所谓的信息超载问题。解决信息超载问题一个非常有潜力的办法是推荐系统，它可以根据用户的信息需求、兴趣等，将用户感兴趣的信息、产品等推荐给用户的个性化信息推荐系统。
为了帮助用户选择信息，推荐系统根据用户的历史活动来学习用户偏好。经典的协同过滤和基于内容的过滤方法试图学习给定训练数据的静态推荐模型。这些方法在诸如新闻推荐和计算广告等高度动态推荐领域中远远不能达到理想的效果，在这些领域中，产品集和用户集流动性非常大。
而现有的一些协同在线推荐方法，在判定用户协同关系时，只使用用户特征向量，没有考虑用户对产品的反馈和以及用户对产品的评分信息，这两种信息也能反映出用户的兴趣偏好。同时现有的一些协同在线推荐方法，需要提前指定用户关系聚类数K，K值选取的好坏直接影响推荐系统的性能。
发明内容
本发明的目的在于克服现有技术中的不足，提供一种自适应在线推荐方法及系统，能够自适应确定用户聚类数，提高用户聚类精度，更好贴合实际推荐应用场景。
为达到上述目的，本发明是采用下述技术方案实现的：
本发明提供了一种自适应在线推荐方法，包括如下步骤：
根据访问用户的潜在特征向量及访问用户所在聚类的聚类特征向量向访问用户推荐产品；
根据访问用户对推荐产品的反馈更新访问用户的潜在特征向量，并根据更新后的潜在特征向量重新确定访问用户所在聚类；
对更新后的访问用户所在聚类进行聚类动态更新确定访问用户聚类数，所述聚类动态更新包括聚类内二分类和聚类间合并。
进一步的，还包括判断访问用户是否为新用户：
若是新用户，则初始化访问用户的潜在特征向量，并计算潜在特征向量与每个聚类的聚类特征向量之间的欧式距离，将访问用户放在欧式距离最小的聚类中；
若不是新用户，则将访问用户放在上次访问结束时所在聚类，访问用户的潜在特征向量为上次访问结束时所对应的潜在特征向量。
进一步的，潜在特征向量wi的初始化采用如下公式表示：
Figure BDA0002938989750000021
其中，Ai＝Id*d，bi＝0d*1，d为聚类中用户的潜在特征向量维度，/表示单位矩阵；
聚类的聚类特征向量
Figure BDA0002938989750000022
采用如下公式：
Figure BDA0002938989750000031
其中，
Figure BDA0002938989750000032
Ck表示当前聚类，i为当前聚类Ck中的一个用户。
进一步的，向访问用户推荐产品的方法包括：
结合访问用户的潜在特征向量和访问用户所在聚类的聚类特征向量，计算每个产品的预测评分，选择预测评分最大的产品推荐给访问用户。
进一步的，计算每个产品ai的预测评分Sai采用如下公式：
Figure BDA0002938989750000033
其中，产品ai的特征向量
Figure BDA0002938989750000034
t为访问用户与系统的交互次数，wu表示访问用户的潜在特征向量，
Figure BDA0002938989750000035
表示聚类k的聚类特征向量，P表示产品库，α表示控制推荐产品选择倾向的探索权重，Au代表访问用户u的潜在特征向量wu中保存访问用户u之前被推荐过的物品特征信息。
进一步的，根据访问用户对推荐产品信息的反馈更新访问用户的潜在特征向量的方法包括：
访问用户对推荐产品ai做出反馈，所述反馈包括正反馈和负反馈，正反馈的奖励r为1，负反馈的奖励r为0；
根据所述反馈更新访问用户的潜在特征向量，公示表示如下：
Figure BDA0002938989750000036
其中，
Figure BDA0002938989750000041
bu表示访问用户u对之前被推荐产品的反馈信息。
进一步的，根据更新后的潜在特征向量重新确定访问用户所在聚类的方法包括：
通过判断当前访问用户与各个聚类之间相似性的大小，确定访问用户所在聚类；
当访问用户u反馈为正反馈，访问用户u与聚类u之间的引力大小表示为：
Figure BDA0002938989750000042
访问用户u所在聚类k表示为：
k＝argmaxk＝1，…，KF(u，k)
式中，K表示总的聚类数；
当访问用户u反馈为负反馈，访问用户u与聚类k之间的引力大小表示为：
Figure BDA0002938989750000043
访问用户u所在聚类k表示为：
k＝arg maxk＝1，…，KF(u，k)。
进一步的，对更新后的访问用户所在聚类进行聚类动态更新的聚类内二分类的方法包括：
判定访问用户所在聚类的类内相似性，所述类内相似性δ(k)公式表示为：
Figure BDA0002938989750000051
其中，|Ck|表示当前访问用户所在聚类Ck中的总用户数，N表示当前系统中所有聚类的总用户数；
若
Figure BDA0002938989750000052
则无需二分类，
Figure BDA0002938989750000053
表示当前访问用户的潜在特征向量与聚类特征向量的欧式距离；
若
Figure BDA0002938989750000054
则对访问用户所在聚类进行二分类，将所在聚类中所有满足
Figure BDA0002938989750000055
的用户归于一类，将
Figure BDA0002938989750000056
的用户归于一类，||wi-wu||表示当前访问用户u与所在聚类中其余用户i的潜在特征向量之间的欧氏距离；
对更新后的访问用户所在聚类进行聚类动态更新的聚类间合并的方法包括：
判定访问用户所在聚类的类间相似性，所述类间相似性公式表示为：
Figure BDA0002938989750000057
其中，k，k′分别代表两个不同的聚类；
若
Figure BDA0002938989750000058
则将聚类k，k′合并为一个新的聚类，并确定更新访问用户所在聚类和系统中总的聚类数，若
Figure BDA0002938989750000059
则无需进行合并。
另一方面，本发明提供了一种自适应在线推荐系统，包括如下模块：
产品推荐模块，用于根据访问用户的潜在特征向量及访问用户所在聚类的聚类特征向量向访问用户推荐产品；
聚类确定模块，用于根据访问用户对推荐的产品的反馈更新访问用户的潜在特征向量，并根据更新后的潜在特征向量重新确定访问用户所在聚类；
动态更新模块，用于对更新后的访问用户所在聚类进行聚类动态更新确定访问用户聚类数，所述聚类动态更新包括聚类内二分类和聚类间合并。
进一步的，还包括用户判断模块，用于判断访问用户是否为新用户：
若是新用户，则初始化访问用户的潜在特征向量，并计算潜在特征向量与每个聚类的聚类特征向量之间的欧式距离，将访问用户放在欧式距离最小的聚类中；
若不是新用户，则将访问用户放在上次结束访问时所在聚类，访问用户的潜在特征向量为上次访问结束时所对应的潜在特征向量。
与现有技术相比，本发明所达到的有益效果：
1)、本发明提供的自适应在线推荐方法能够随着访问用户与系统的交互，引入聚类中用户间的协同关系在线更新访问用户推荐内容，通过使用访问用户所在聚类的聚类特征向量以及当前访问用户的潜在特征向量获得推荐产品，然后根据访问用户反馈，进一步更新当前访问用户潜在特征向量，然后重新选取推荐产品，更加符合真实推荐场景中的应用；
2)、本发明能够在检测到用户访问时，判断访问用户所属聚类，在判断用户所属聚类时，引入访问用户反馈以及预测评分，进一步提升聚类的精确度；
3)、本发明能够自适应确定用户所在聚类和总的聚类数，通过判断类内相似性，对类内相似性低的类进行二分类，同时，在不断交互的过程中，判断聚类间相似性，将聚类间相似性高的类进行合并，从而自适应的获得用户所在聚类和总的聚类数。
附图说明
图1是本发明实施例提供的一种自适应在线推荐方法的流程图；
图2是本发明实施例提供的一种动态更新用户聚类数的流程图；
图3是本发明实施例提供的一种自适应在线推荐系统的框图。
图4是本发明实施例提供的一种自适应在线推荐系统的框图。
具体实施方式
下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。
在本发明的描述中，需要理解的是，术语“中心”、“纵向”、“横向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”等仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”等的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中，除非另有说明，“多个”的含义是两个或两个以上。
在本发明的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以通过具体情况理解上述术语在本发明中的具体含义。
如图1所示，本发明实施例提供了一种自适应在线推荐方法，包括如下步骤：
根据访问用户的潜在特征向量及访问用户所在聚类的聚类特征向量向访问用户推荐产品；
根据访问用户对推荐产品的反馈更新访问用户的潜在特征向量，并根据更新后的潜在特征向量重新确定访问用户所在聚类；
对更新后的访问用户所在聚类进行聚类动态更新确定访问用户聚类数，所述聚类动态更新包括聚类内二分类和聚类间合并。其中，确定访问用户聚类数时能够确定访问用户所在聚类和系统内总的聚类数。
在本实施例中，推荐方法还包括判断访问用户是否为新用户：
若是新用户，则初始化访问用户的潜在特征向量，并计算潜在特征向量与每个聚类的聚类特征向量之间的欧式距离，将访问用户放在欧式距离最小的聚类中；
若不是新用户，则将访问用户放在上次结束访问时所在聚类，用户的潜在特征向量为上次访问结束时所对应的潜在特征向量。
具体地，对于聚类中每个用户i，都维护了一个用户潜在特征向量wi，若用户i是新用户，则初始化用户的潜在特征向量wi，若不是新用户，即该用户已经进行过推荐操作，用户的潜在特征向量wi已经进行过初始化并且更新过，所以此时可以直接获得到当前用户的潜在特征向量wi。
在本实施例中，如图2所示，本发明实施例提供了一种自适应在线推荐方法的具体操作描述如下。
步骤1：在系统最初时将所有用户划分在一个聚类Ck中，同时初始化所有用户潜在特征向量wi，计算聚类向量
Figure BDA0002938989750000091
用户潜在特征向量初始化方法:
Figure BDA0002938989750000092
其中Ai＝Id*d，bi＝0d*1，d为用户的潜在特征向量维度。
聚类特征向量
Figure BDA0002938989750000093
其中
Figure BDA0002938989750000094
其中Ck表示当前聚类，i为当前聚类Ck中的其余用户，I为单位矩阵。
步骤2：对于新用户u，用户的潜在特征向量需要进行初始化，然后判断新用户的潜在特征向量与当前已存聚类的特征向量之间的欧式聚类，将当前用户归属于欧式距离最小的类中，若用户u不是新用户，用户u目前所在聚类为上次访问结束时所分配的聚类。
步骤3：每个产品都包含自身的特征信息向量，产品ai的特征向量
Figure BDA0002938989750000095
根据产品标签获得。
已知当前用户u的所属聚类k，聚类向量
Figure BDA0002938989750000096
结合产品池中的产品特征
Figure BDA0002938989750000097
通过下式获取当前访问用户对于产品库P中的每个产品的预测评分，然后选取预测评分最大的产品作为推荐产品。
Figure BDA0002938989750000098
获得推荐产品ai，其中t为用户与系统的交互次数，P表示产品库，根据上述的评分公式获得产品库中每个物品的预测评分，然后挑选评分最大的产品作为推荐物品。α表示探索权重，控制推荐产品的选择倾向于当前的期望收益还是探索新的产品(探索新的可能用户感兴趣的产品有利于长期收益)。其中，α越小，推荐产品的当前期望收益所占权重越大；Au表示当前正在进行推荐的用户u的潜在特征向量wu的部分信息，里面保存着当前用户u之前被推荐过的物品特征信息。
步骤4：用户u对此推荐产品做出反馈，反馈包括正反馈(点击)和负反馈 (不点击)，系统根据用户反馈更新用户的潜在特征向量wu，采用如下公式表示为：
Figure BDA0002938989750000101
其中，
Figure BDA0002938989750000102
bu中保存着对用户u对之前被推荐过的产品的反馈信息，然后结合Au和bu，从而更新用户u的潜在特征向量wu。
步骤5：对步骤4特征向量更新之后的用户进行重新归类。
通过判断当前用户与各个聚类之间相似性的大小，确定用户归属类。
当用户反馈为正反馈，即奖励r为1时，
Figure BDA0002938989750000103
相似性与用户潜在特征向量和聚类特征向量的误差平方成反比，与用户预测评分和聚类预测评分成正比，即当用户对推荐产品的反馈为正反馈时，用户预测评分和聚类预测评分越大，表明用户与该类兴趣更加相近，此时用户所属聚类为 k＝arg maxk＝1，…，KF(u，k)。
当用户反馈为负反馈，奖励r为0时，用户预测评分和聚类预测评分越小，表明用户与该类兴趣更接近，此时相似性与预测评分和聚类预测评分成反比，可得此时
Figure BDA0002938989750000111
此时用户所属聚类为 k＝argmaxk＝1，...，KF(u，k)。
步骤6：如图3所示，聚类动态更新的具体处理步骤包括如下步骤：
步骤6-1：通过判定用户所在聚类的类内相似性，决定是否进行二分类，产生新的聚类。
其中，类内相似性定义：
Figure BDA0002938989750000112
其中，|Ck|表示当前用户聚类Ck中所有聚类的总用户数，N表示当前系统中的总用户数，如果类内相似度小于当前用户潜在特征向量与聚类特征向量的欧式距离，即
Figure BDA0002938989750000113
即表示聚类关系紧密，无需再分；
若
Figure BDA0002938989750000114
表示聚类关系松散，对该类进行二分类，即将用户参数
Figure BDA0002938989750000115
的用户归于一类，将
Figure BDA0002938989750000116
的用户归于一类，其中，||wi-wu||表示当前访问用户u与所在聚类中其余用户i的潜在特征向量之间的欧氏距离，每一个聚类Ck中包含着用户兴趣相近的若干个用户，u表示当前正在进行推荐的用户，而i表示u所在聚类Ck中的其余用户。
步骤6-2：通过判断聚类间相似性，决定是否将相似类进行合并。
其中，聚类间相似性定义：
Figure BDA0002938989750000121
k，k′分别代表两个不同的聚类，计算所有聚类之间的两两相似性，若
Figure BDA0002938989750000122
则将k，k′合并为一个新的类，从而动态确定用户聚类数K；若
Figure BDA0002938989750000123
则无需进行合并。
如图4所示，本发明实施例还提供了一种自适应在线推荐系统，包括如下模块：
产品推荐模块，用于根据访问用户的潜在特征向量及访问用户所在聚类的聚类特征向量向访问用户推荐产品；
聚类确定模块，用于根据访问用户对推荐的产品的反馈更新访问用户的潜在特征向量，并根据更新后的潜在特征向量重新确定访问用户所在聚类；
动态更新模块，用于对更新后的访问用户所在聚类进行聚类动态更新，所述聚类动态更新包括聚类内二分类和聚类间合并。
在本实施例中，该系统还包括用户判断模块，用于判断访问用户是否为新用户：
若是新用户，则初始化访问用户的潜在特征向量，并计算潜在特征向量与每个聚类的聚类特征向量之间的欧式距离，将访问用户放在欧式距离最小的聚类中；
若不是新用户，则将访问用户放在上次结束访问时所在聚类，用户的潜在特征向量为上次访问结束时所对应的潜在特征向量。
综上，本发明实施例提供的自适应在线推荐方法和系统相比现有技术存在如下有益效果：
1)、本发明提供的自适应在线推荐方法能够随着用户与系统的交互，引入用户间的协同关系在线更新用户推荐内容，通过使用用户所在聚类的聚类特征向量以及当前用户的潜在特征向量获得推荐产品，然后根据用户反馈，进一步更新当前用户潜在特征向量，然后重新选取推荐产品，更加符合真实推荐场景中的应用；
2)、本发明能够在检测到用户访问时，判断用户所属类别，在判断用户所属类别时，引入用户反馈以及预测评分，进一步提升聚类的精确度；
3)、本发明能够自适应确定用户聚类数，通过判断类内相似性，对类内相似性低的类进行二分类，同时，在不断交互的过程中，判断聚类间相似性，将聚类间相似性高的类进行合并，从而自适应的获得用户聚类数。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。

Claims (10)

1.一种自适应在线推荐方法，其特征在于，包括如下步骤：
根据访问用户的潜在特征向量及访问用户所在聚类的聚类特征向量向访问用户推荐产品；
根据访问用户对推荐产品的反馈更新访问用户的潜在特征向量，并根据更新后的潜在特征向量重新确定访问用户所在聚类；
对更新后的访问用户所在聚类进行聚类动态更新确定访问用户聚类数，所述聚类动态更新包括聚类内二分类和聚类间合并。
2.根据权利要求1所述的自适应在线推荐方法，其特征在于，还包括判断访问用户是否为新用户：
若是新用户，则初始化访问用户的潜在特征向量，并计算潜在特征向量与每个聚类的聚类特征向量之间的欧式距离，将访问用户放在欧式距离最小的聚类中；
若不是新用户，则将访问用户放在上次访问结束时所在聚类，访问用户的潜在特征向量为上次访问结束时所对应的潜在特征向量。
3.根据权利要求2所述的自适应在线推荐方法，其特征在于，潜在特征向量wi的初始化采用如下公式表示：
Figure FDA0002938989740000011
其中，Ai＝Id*d，bi＝0d*1，d为聚类中用户的潜在特征向量维度，I表示单位矩阵；
聚类的聚类特征向量
Figure FDA0002938989740000012
采用如下公式：
Figure FDA0002938989740000021
其中，
Figure FDA0002938989740000022
Ck表示当前聚类，i为当前聚类Ck中的一个用户。
4.根据权利要求1所述的自适应在线推荐方法，其特征在于，向访问用户推荐产品的方法包括：
结合访问用户的潜在特征向量和访问用户所在聚类的聚类特征向量，计算每个产品的预测评分，选择预测评分最大的产品推荐给访问用户。
5.根据权利要求4所述的自适应在线推荐方法，其特征在于，计算每个产品ai的预测评分Sai采用如下公式：
Figure FDA0002938989740000023
其中，产品ai的特征向量
Figure FDA0002938989740000025
t为访问用户与系统的交互次数，wu表示访问用户的潜在特征向量，
Figure FDA0002938989740000024
表示聚类k的聚类特征向量，P表示产品库，α表示控制推荐产品选择倾向的探索权重，Au代表访问用户u的潜在特征向量wu中保存访问用户u之前被推荐过的物品特征信息。
6.根据权利要求5所述的自适应在线推荐方法，其特征在于，根据访问用户对推荐产品信息的反馈更新访问用户的潜在特征向量的方法包括：
访问用户对推荐产品ai做出反馈，所述反馈包括正反馈和负反馈，正反馈的奖励r为1，负反馈的奖励r为0；
根据所述反馈更新访问用户的潜在特征向量，公示表示如下：
Figure FDA0002938989740000031
其中，
Figure FDA0002938989740000032
bu表示访问用户u对之前被推荐产品的反馈信息。
7.根据权利要求6所述的自适应在线推荐方法，其特征在于，根据更新后的潜在特征向量重新确定访问用户所在聚类的方法包括：
通过判断当前访问用户与各个聚类之间相似性的大小，确定访问用户所在聚类；
当访问用户u反馈为正反馈，访问用户u与聚类k之间的引力大小表示为：
Figure FDA0002938989740000033
访问用户u所在聚类k表示为：
k＝argmaxk＝1，...，KF(u，k)
式中，K表示总的聚类数；
当访问用户u反馈为负反馈，访问用户u与聚类k之间的引力大小表示为：
Figure FDA0002938989740000034
访问用户u所在聚类k表示为：
k＝argmaxk＝1，...，KF(u，k)。
8.根据权利要求6所述的自适应在线推荐方法，其特征在于，对更新后的访问用户所在聚类进行聚类动态更新的聚类内二分类的方法包括：
判定访问用户所在聚类的类内相似性，所述类内相似性δ(k)公式表示为：
Figure FDA0002938989740000041
其中，|Ck|表示当前访问用户所在聚类Ck中的总用户数，N表示当前系统中所有聚类的总用户数；
若
Figure FDA0002938989740000042
则无需二分类，
Figure FDA0002938989740000043
表示当前访问用户的潜在特征向量与聚类特征向量的欧式距离；
若
Figure FDA0002938989740000044
则对访问用户所在聚类进行二分类，将所在聚类中所有满足
Figure FDA0002938989740000045
的用户归于一类，将
Figure FDA0002938989740000046
的用户归于一类，||wi-wu||表示当前访问用户u与所在聚类中其余用户i的潜在特征向量之间的欧氏距离；
对更新后的访问用户所在聚类进行聚类动态更新的聚类间合并的方法包括：
判定访问用户所在聚类的类间相似性，所述类间相似性公式表示为：
Figure FDA0002938989740000047
其中，k，k′分别代表两个不同的聚类；
若
Figure FDA0002938989740000048
则将聚类k，k′合并为一个新的聚类，并确定更新访问用户所在聚类和系统中总的聚类数，若
Figure FDA0002938989740000051
则无需进行合并。
9.一种自适应在线推荐系统，其特征在于，包括如下模块：
产品推荐模块，用于根据访问用户的潜在特征向量及访问用户所在聚类的聚类特征向量向访问用户推荐产品；
聚类确定模块，用于根据访问用户对推荐的产品的反馈更新访问用户的潜在特征向量，并根据更新后的潜在特征向量重新确定访问用户所在聚类；
动态更新模块，用于对更新后的访问用户所在聚类进行聚类动态更新确定访问用户聚类数，所述聚类动态更新包括聚类内二分类和聚类间合并。
10.根据权利要求9所述的自适应在线推荐系统，其特征在于，还包括用户判断模块，用于判断访问用户是否为新用户：
若是新用户，则初始化访问用户的潜在特征向量，并计算潜在特征向量与每个聚类的聚类特征向量之间的欧式距离，将访问用户放在欧式距离最小的聚类中；
若不是新用户，则将访问用户放在上次结束访问时所在聚类，访问用户的潜在特征向量为上次访问结束时所对应的潜在特征向量。
CN202110171240.8A 2021-02-08 2021-02-08 一种自适应在线推荐方法及系统 Active CN112818238B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110171240.8A CN112818238B (zh) 2021-02-08 2021-02-08 一种自适应在线推荐方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110171240.8A CN112818238B (zh) 2021-02-08 2021-02-08 一种自适应在线推荐方法及系统

Publications (2)

Publication Number Publication Date
CN112818238A true CN112818238A (zh) 2021-05-18
CN112818238B CN112818238B (zh) 2024-02-23

Family

ID=75863762

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110171240.8A Active CN112818238B (zh) 2021-02-08 2021-02-08 一种自适应在线推荐方法及系统

Country Status (1)

Country Link
CN (1) CN112818238B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113407859A (zh) * 2021-08-20 2021-09-17 武汉卓尔数字传媒科技有限公司 一种资源推荐方法、装置、电子设备及存储介质
WO2023002161A1 (en) * 2021-07-19 2023-01-26 Raters Group Ltd Apparatus for outputting content

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102184235A (zh) * 2011-05-13 2011-09-14 广州星海传媒有限公司 一种基于机顶盒的数字电视节目推荐方法及系统
KR20150105830A (ko) * 2014-03-10 2015-09-18 단국대학교 산학협력단 사용자 프로파일과 상황 정보를 이용한 선호도 기반 하이브리드 필터링 콘텐츠 추천 장치 및 방법
CN106951436A (zh) * 2017-02-09 2017-07-14 华南理工大学 一种基于移动情境的大规模在线推荐方法
US10521824B1 (en) * 2014-01-02 2019-12-31 Outbrain Inc. System and method for personalized content recommendations

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102184235A (zh) * 2011-05-13 2011-09-14 广州星海传媒有限公司 一种基于机顶盒的数字电视节目推荐方法及系统
US10521824B1 (en) * 2014-01-02 2019-12-31 Outbrain Inc. System and method for personalized content recommendations
KR20150105830A (ko) * 2014-03-10 2015-09-18 단국대학교 산학협력단 사용자 프로파일과 상황 정보를 이용한 선호도 기반 하이브리드 필터링 콘텐츠 추천 장치 및 방법
CN106951436A (zh) * 2017-02-09 2017-07-14 华南理工大学 一种基于移动情境的大规模在线推荐方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
PENGJU JIN; ESHED OHN-BAR; KRIS KITANI; CHIEKO ASAKAWA: "A-EXP4: Online Social Policy Learning for Adaptive Robot-Pedestrian Interaction", 《2019 IEEE/RSJ INTERNATIONAL CONFERENCE ON INTELLIGENT ROBOTS AND SYSTEMS (IROS)》, 28 January 2020 (2020-01-28) *
张伟东: "推荐系统中实时在线推荐方法的研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》, 15 February 2023 (2023-02-15) *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023002161A1 (en) * 2021-07-19 2023-01-26 Raters Group Ltd Apparatus for outputting content
CN113407859A (zh) * 2021-08-20 2021-09-17 武汉卓尔数字传媒科技有限公司 一种资源推荐方法、装置、电子设备及存储介质
CN113407859B (zh) * 2021-08-20 2021-11-02 武汉卓尔数字传媒科技有限公司 一种资源推荐方法、装置、电子设备及存储介质

Also Published As

Publication number Publication date
CN112818238B (zh) 2024-02-23

Similar Documents

Publication Publication Date Title
WO2021203819A1 (zh) 一种内容推荐方法、装置、电子设备和存储介质
CN110162700B (zh) 信息推荐及模型的训练方法、装置、设备以及存储介质
CN110704739B (zh) 资源推荐方法、装置及计算机存储介质
CN110162693B (zh) 一种信息推荐的方法以及服务器
CN111553754B (zh) 行为预测系统的更新方法及装置
Ding et al. Time weight collaborative filtering
CN111444428A (zh) 基于人工智能的信息推荐方法、装置、电子设备及存储介质
US20120185481A1 (en) Method and Apparatus for Executing a Recommendation
CN105426550B (zh) 一种基于用户质量模型的协同过滤标签推荐方法及系统
WO2010037286A1 (zh) 一种基于协同过滤的推荐方法和系统
CN112818238A (zh) 一种自适应在线推荐方法及系统
CN106951471A (zh) 一种基于svm的标签发展趋势预测模型的构建方法
CN114528480A (zh) 一种基于k均值聚类的时间感知自适应兴趣点推荐方法
CN113836393B (zh) 基于偏好自适应元学习的冷启动推荐方法
Indira et al. Visual and buying sequence features-based product image recommendation using optimization based deep residual network
CN111339428B (zh) 基于受限玻尔兹曼机驱动的交互式个性化搜索方法
CN112818037A (zh) 图书推荐系统和方法
CN113449200A (zh) 物品推荐方法、装置及计算机存储介质
CN115098771B (zh) 推荐模型更新方法、推荐模型训练方法及计算设备
Zhang et al. An efficient collaborative filtering approach using smoothing and fusing
CN113902526B (zh) 基于人工智能的产品推荐方法、装置和计算机设备及介质
CN110825967B (zh) 一种提高推荐系统多样性的推荐列表重排名方法
CN109657154B (zh) 基于情景的资源排序装置和资源排序方法
Huang et al. A Hybrid Clustering Approach for Bag‐of‐Words Image Categorization
Shen et al. A recommendation algorithm incorporating moth-flame optimization algorithm and fuzzy clustering

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
CB02 Change of applicant information

Address after: No. 66, New Model Road, Gulou District, Nanjing City, Jiangsu Province, 210000

Applicant after: NANJING University OF POSTS AND TELECOMMUNICATIONS

Address before: No.19, ningshuang Road, Yuhuatai District, Nanjing City, Jiangsu Province, 210003

Applicant before: NANJING University OF POSTS AND TELECOMMUNICATIONS

GR01 Patent grant
GR01 Patent grant