CN113220557B - 冷启动推荐模型评估方法、系统、计算机设备及存储介质 - Google Patents
冷启动推荐模型评估方法、系统、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN113220557B CN113220557B CN202110609054.8A CN202110609054A CN113220557B CN 113220557 B CN113220557 B CN 113220557B CN 202110609054 A CN202110609054 A CN 202110609054A CN 113220557 B CN113220557 B CN 113220557B
- Authority
- CN
- China
- Prior art keywords
- materials
- recommendation model
- recommended
- evaluation
- screening
- 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
- 238000011156 evaluation Methods 0.000 title claims abstract description 86
- 239000000463 material Substances 0.000 claims abstract description 104
- 238000012216 screening Methods 0.000 claims abstract description 40
- 239000013598 vector Substances 0.000 claims abstract description 37
- 238000000034 method Methods 0.000 claims abstract description 27
- 238000004590 computer program Methods 0.000 claims description 11
- SLXKOJJOQWFEFD-UHFFFAOYSA-N 6-aminohexanoic acid Chemical compound NCCCCCC(O)=O SLXKOJJOQWFEFD-UHFFFAOYSA-N 0.000 claims description 5
- 238000012163 sequencing technique Methods 0.000 abstract description 4
- 238000005070 sampling Methods 0.000 description 17
- 230000006399 behavior Effects 0.000 description 8
- 230000008901 benefit Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000013210 evaluation model Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000001186 cumulative effect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 101100481876 Danio rerio pbk gene Proteins 0.000 description 1
- 101100481878 Mus musculus Pbk gene Proteins 0.000 description 1
- 108010001267 Protein Subunits Proteins 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/30—Monitoring
- G06F11/34—Recording or statistical evaluation of computer activity, e.g. of down time, of input/output operation ; Recording or statistical evaluation of user activity, e.g. usability assessment
- G06F11/3452—Performance evaluation by statistical analysis
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Probability & Statistics with Applications (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Hardware Design (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Quality & Reliability (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请涉及一种冷启动推荐模型评估方法、系统、计算机和可读存储介质，其中，该方法包括：评估样本获取步骤，从目标用户群中选择N位目标用户为样本；物料备选集获取步骤，选择每一目标用户在待评估推荐模型应用场景下关联的M个待推荐物料；物料备选集筛选步骤，获取每一目标用户对待推荐物料的偏好评分并对偏好评分归一化，根据偏好评分筛选待推荐物料，得到筛选物料；待评估模型打分步骤，建立正、负样本并对正、负样本进行打分后拼接为多维向量；评价指标获取步骤，利用排序评价指标对该多维向量进行计算得到对应的评价指标并加权统计，得到推荐模型的评价指标。通过本申请，实现在用户反馈数据缺少的情况下对推荐模型的性能做出精准的评估。
Description
技术领域
本申请涉及计算机技术领域，特别是涉及冷启动推荐模型评估方法、系统、计算机设备和计算机可读存储介质。
背景技术
随着互联网服务增长，用户可以获得更多的在线商品或者内容，这些用户和物品交互的数据就促成了一个新的服务，即个性化推荐服务。越来越多的互联网公司开发了针对用户的推荐服务，例如根据用户的观影历史推荐不同类型的新作品，或根据我们的浏览历史或提问历史推荐我们可能感兴趣的回答，可见这样一种服务已经广泛存在于我们的生活当中。
在推荐模型创建初期，用户行为反馈数据稀缺，在这种情况下，很多推荐模型的效果无法判断。
现有的推荐模型评估方法大多是基于用户点击反馈数据的，其主要是通过排序的概念来对预测的正样本和实际正样本做比较。但是在冷启动的情况下(即用户无点击反馈行为数据的推荐模型初期)，没有充足的正负样本数据来做指标计算。
发明内容
本申请实施例提供了一种冷启动推荐模型评估方法、系统、计算机设备和计算机可读存储介质，以有效实现在用户反馈数据缺少的情况下对推荐模型的性能做出精准的评估。
第一方面，本申请实施例提供了一种冷启动推荐模型评估方法，包括：
评估样本获取步骤，通过调查法从目标用户群中选择N位目标用户为样本；具体的，样本获取方式为随机抽样。
物料备选集获取步骤，选择每一目标用户在一待评估推荐模型应用场景下关联的M个待推荐物料；
物料备选集筛选步骤，获取每一目标用户对所述待推荐物料的偏好评分并对所述偏好评分进行归一化，根据所述偏好评分筛选所述待推荐物料，得到筛选物料；
待评估模型打分步骤，基于所述待推荐物料及筛选物料建立建立正、负样本，利用所述待评估推荐模型对所述正、负样本进行打分并将得分拼接为一多维向量；
评价指标获取步骤，利用排序评价指标对每一目标用户对应的多维向量进行计算得到对应的评价指标，并对所有目标用户的评价指标进行加权统计，得到所述推荐模型的评价指标，根据所述推荐模型的评价指标评估所述评价模型。
其中，N为小于所述目标用户总数的自然数，M>0。
基于上述步骤，本申请实施例可有效在用户行为反馈数据稀缺的情况下，实现对推荐模型进行评估的目的，以作为参考选择应用场景下性能最优的推荐模型，本申请实施例通过抽样的方法对小批量目标用户进行效果验证，提高评估效率。
在其中一些实施例中，所述待评估模型打分步骤进一步包括：
正样本获取步骤，将所有目标用户及其筛选物料作为元素构建集合S，集合S表示为(u，i)∈S，其中，u用于表示目标用户，i用于表示筛选物料；
负样本获取步骤，选择每一目标用户在应用场景下关联的不属于集合S的X个待推荐物料，将所述X个待推荐物料作为元素构建集合
其中，X为小于或等于待推荐物料与筛选物料差额的正整数。
在其中一些实施例中，所述待评估模型打分步骤进一步包括：
得分向量获取步骤，利用所述待评估推荐模型对(u，i)及进行打分，并将得分拼接为X+1维向量；
其中，所述向量中一维数据为筛选物料i的得分，X维数据为物料的得分。
基于上述步骤，本申请实施例对每一个员工采取负采样方式计算排序指标，以便于更好的基于排序指标对推荐模型进行评估。
在其中一些实施例中，所述排序评价指标为NDCG@K指标(Normalized DiscountedCumulative Gain，归一化折损累计增益)、Recall@K指标、Hit@K指标其一或其任意组合。其中，NDCG为用作排序结果的评价指标，评价排序的准确性；Recall@K召回率是指前topK结果中检索出的相关结果数和库中所有的相关结果数的比率，衡量的是检索系统的查全率。
第二方面，本申请实施例提供了一种冷启动推荐模型评估系统，包括：
评估样本获取模块，通过调查法从目标用户群中选择N位目标用户为样本；具体的，样本获取方式为随机抽样。
物料备选集获取模块，选择每一目标用户在一待评估推荐模型应用场景下关联的M个待推荐物料；
物料备选集筛选模块，获取每一目标用户对所述待推荐物料的偏好评分并对所述偏好评分进行归一化，根据所述偏好评分筛选所述待推荐物料，得到筛选物料；
待评估模型打分模块，基于所述待推荐物料及筛选物料建立建立正、负样本，利用所述待评估推荐模型对所述正、负样本进行打分并将得分拼接为一多维向量；
评价指标获取模块，利用排序评价指标对每一目标用户对应的多维向量进行计算得到对应的评价指标，并对所有目标用户的评价指标进行加权统计，得到所述推荐模型的评价指标，根据所述推荐模型的评价指标评估所述评价模型。
其中，N为小于所述目标用户总数的自然数，M>0。
基于上述模块，本申请实施例可有效在用户行为反馈数据稀缺的情况下，实现对推荐模型进行评估的目的，以作为参考选择应用场景下性能最优的推荐模型，本申请实施例通过抽样的方法对小批量目标用户进行效果验证，提高评估效率。
在其中一些实施例中，所述待评估模型打分模块进一步包括：
正样本获取模块，将所有目标用户及其筛选物料作为元素构建集合S，集合S表示为(u，i)∈S，其中，u用于表示目标用户，i用于表示筛选物料；
负样本获取模块，选择每一目标用户在应用场景下关联的不属于集合S的X个待推荐物料，将所述X个待推荐物料作为元素构建集合
其中，X为小于或等于待推荐物料与筛选物料差额的正整数。
在其中一些实施例中，所述待评估模型打分模块进一步包括：
得分向量获取模块，利用所述待评估推荐模型对(u，i)及进行打分，并将得分拼接为X+1维向量；
其中，所述向量中一维数据为筛选物料i的得分，X维数据为物料的得分。
基于上述步骤，本申请实施例对每一个员工采取负采样方式计算排序指标，以便于更好的基于排序指标对推荐模型进行评估。
在其中一些实施例中，所述排序评价指标为NDCG@K指标、Recall@K指标、Hit@K指标其一或其任意组合。
第三方面，本申请实施例提供了一种计算机设备，包括存储器、处理器以及存储在所述存储器上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述第一方面所述的冷启动推荐模型评估方法。
第四方面，本申请实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述第一方面所述的冷启动推荐模型评估方法。
相比于相关技术，本申请实施例提供的冷启动推荐模型评估方法、系统、计算机设备和计算机可读存储介质，具体涉及一种推荐技术，本申请通过对目标用户进行抽样并基于目标用户的偏好评分建立正、样本集合，采用排序评价指标对该正、负样本集合的元素进行打分，实现在用户行为反馈数据稀缺的情况下对推荐模型进行评估的目的。
本申请的一个或多个实施例的细节在以下附图和描述中提出，以使本申请的其他特征、目的和优点更加简明易懂。
附图说明
此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1是根据本申请实施例的冷启动推荐模型评估方法的流程图；
图2是根据本申请优选实施例的冷启动推荐模型评估方法的流程图；
图3是根据本申请优选实施例的冷启动推荐模型评估系统的结构框图。
附图说明：
1、评估样本获取模块；2、物料备选集获取模块；3、物料备选集筛选模块；
4、待评估模型打分模块；5、评价指标获取模块；
401、正样本获取模块；402、负样本获取模块；403、得分向量获取模块。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行描述和说明。应当理解，此处所描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。基于本申请提供的实施例，本领域普通技术人员在没有作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。
显而易见地，下面描述中的附图仅仅是本申请的一些示例或实施例，对于本领域的普通技术人员而言，在不付出创造性劳动的前提下，还可以根据这些附图将本申请应用于其他类似情景。此外，还可以理解的是，虽然这种开发过程中所作出的努力可能是复杂并且冗长的，然而对于与本申请公开的内容相关的本领域的普通技术人员而言，在本申请揭露的技术内容的基础上进行的一些设计，制造或者生产等变更只是常规的技术手段，不应当理解为本申请公开的内容不充分。
在本申请中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域普通技术人员显式地和隐式地理解的是，本申请所描述的实施例在不冲突的情况下，可以与其它实施例相结合。
除非另作定义，本申请所涉及的技术术语或者科学术语应当为本申请所属技术领域内具有一般技能的人士所理解的通常意义。本申请所涉及的“一”、“一个”、“一种”、“该”等类似词语并不表示数量限制，可表示单数或复数。本申请所涉及的术语“包括”、“包含”、“具有”以及它们任何变形，意图在于覆盖不排他的包含；例如包含了一系列步骤或模块(单元)的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可以还包括没有列出的步骤或单元，或可以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。本申请所涉及的“连接”、“相连”、“耦接”等类似的词语并非限定于物理的或者机械的连接，而是可以包括电气的连接，不管是直接的还是间接的。本申请所涉及的“多个”是指两个或两个以上。“和/或”描述关联对象的关联关系，表示可以存在三种关系，例如，“A和/或B”可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。本申请所涉及的术语“第一”、“第二”、“第三”等仅仅是区别类似的对象，不代表针对对象的特定排序。
本实施例提供了一种冷启动推荐模型评估方法。图1是根据本申请实施例的冷启动推荐模型评估方法的流程图，如图1所示，该流程包括如下步骤：
评估样本获取步骤S1，通过调查法从目标用户群中选择N位目标用户为样本；具体的，样本获取方式为随机抽样。可选的，上述样本获取方式不限于随机抽样，也可以是根据目标用户群的分组按照分层采样stratified sampling的方式进行抽样。
物料备选集获取步骤S2，选择每一目标用户在一待评估推荐模型应用场景下关联的M个待推荐物料；其中，N为小于目标用户总数的自然数，M>0。
物料备选集筛选步骤S3，获取每一目标用户对待推荐物料的偏好评分并对偏好评分进行归一化，根据偏好评分筛选待推荐物料，得到筛选物料；其中，具体筛选条件可根据实际应用进行自定义设置，如设置一筛选评分阈值为0.5、0.6或0.8。
待评估模型打分步骤S4，基于待推荐物料及筛选物料建立建立正、负样本，利用待评估推荐模型对正、负样本进行打分并将得分拼接为一多维向量；
评价指标获取步骤S5，利用排序评价指标对每一目标用户对应的多维向量进行计算得到对应的评价指标，并对所有目标用户的评价指标进行加权统计，得到推荐模型的评价指标，根据推荐模型的评价指标评估评价模型。其中，该加权统计所采用的加权算法可根据实际应用进行选择，此处不再举例说明；可选的，排序评价指标为NDCG@K指标、Recall@K指标、Hit@K指标其一或其任意组合，但并不限于前述几项指标，也可为其他排序评价指标。
基于上述步骤，本申请实施例可有效在用户行为反馈数据稀缺的情况下，实现对推荐模型进行评估的目的，以作为参考选择应用场景下性能最优的推荐模型，本申请实施例通过抽样的方法对小批量目标用户进行效果验证，提高评估效率。
在其中一些实施例中，待评估模型打分步骤S4进一步包括：
正样本获取步骤S401，将所有目标用户及其筛选物料作为元素构建集合S，集合S表示为(u，i)∈S，其中，u用于表示目标用户，i用于表示筛选物料；
负样本获取步骤S402，选择每一目标用户在应用场景下关联的不属于集合S的X个待推荐物料，将X个待推荐物料作为元素构建集合
其中，X为小于或等于待推荐物料与筛选物料差额的正整数。
在其中一些实施例中，待评估模型打分步骤S4进一步包括：
得分向量获取步骤S403，利用待评估推荐模型对(u，i)及进行打分，并将得分拼接为X+1维向量；
其中，向量中一维数据为筛选物料i的得分，X维数据为物料的得分。
基于上述步骤，本申请实施例对每一个员工采取负采样方式计算排序指标，以便于更好的基于排序指标对推荐模型进行评估。
下面通过优选实施例对本申请实施例进行描述和说明。
本实施例将本申请实施例的冷启动推荐模型评估方法应用于一种基于工作会话的推荐模型，该推荐模型考虑到企业中团队领导及员工日常处理的工作会话数量众多，为了提高员工处理工作会话的效率、减小工作时间成本，将工作会话划分为若干个连续的会话单元，每一会话单元中包括一组工作会话，而后将会话单元进行摘要概括并以卡片的形式推荐给员工。但是，在该推荐模型创建初期同样存在用户行为反馈数据稀缺的问题。因此，本实施例以该推荐模型为优选实施方式，具体描述本申请的冷启动推荐模型评估方法的应用。
图2是根据本申请优选实施例的冷启动推荐模型评估方法的流程图，参考图2所示，该流程包括如下步骤：
S501：由于用户点击反馈数据稀缺，因此，我们通过调查法survey的方法从员工中随机挑选N人作为种子，并以他们作为样本应用本申请的评估方法，具体的，从公司多部门中随机抽取N个员工，如N＝100。
S502：针对每个员工，从其所属的工作群组中选择M个会话单元卡片，如M＝100；
S503：让每个员工对其对每一个会话单元卡片进行偏好评分，分值在0到1之间，仅保留分值在0.5以上的卡片。
S504：生成多个员工和会话单元卡片设为该集合为S，以使用以上数据对待评估推荐模型做评估，具体的，S表示为：
(u,i)∈S，其中，u用于表示员工，i用于表示保留的会话单元卡片。
S505：为员工从其参与的工作群组中随机选取100个不属于S集合的会话单元卡片，设该集合为
S506：用待评估推荐模型对(u,i),进行打分，并拼接成100+1维的向量。其中第一位是会话单元卡片i的分数，另100位是会话单元卡片/>的分数。
S507：使用NDCG@K指标对每一个用户相对应的向量进行计算。具体的，NDCG@K的计算公式为：
如果每个向量的第一位在预测后排序在前K位，则ri＝1,i为向量第一位的分数排序位置。
S508：对所有员工的分数进行加权并输出，作为最终该待评估推荐模型的评价指标。
需要说明的是，在上述流程中或者附图的流程图中示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
本实施例还提供了一种冷启动推荐模型评估方法系统，该系统用于实现上述实施例及优选实施方式，已经进行过说明的不再赘述。如以下所使用的，术语“模块”、“单元”、“子单元”等可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的系统较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。
图3是根据本申请优选实施例的冷启动推荐模型评估系统的结构框图，如图3所示，该系统包括：
评估样本获取模块1，通过调查法从目标用户群中选择N位目标用户为样本；具体的，样本获取方式为随机抽样。可选的，上述样本获取方式不限于随机抽样，也可以是根据目标用户群的分组按照分层采样stratified sampling的方式进行抽样。
物料备选集获取模块2，选择每一目标用户在一待评估推荐模型应用场景下关联的M个待推荐物料；其中，N为小于目标用户总数的自然数，M>0。
物料备选集筛选模块3，获取每一目标用户对待推荐物料的偏好评分并对偏好评分进行归一化，根据偏好评分筛选待推荐物料，得到筛选物料；其中，具体筛选条件可根据实际应用进行自定义设置。
待评估模型打分模块4，基于待推荐物料及筛选物料建立建立正、负样本，利用待评估推荐模型对正、负样本进行打分并将得分拼接为一多维向量。其中，待评估模型打分模块4进一步包括：正样本获取模块401，将所有目标用户及其筛选物料作为元素构建集合S，集合S表示为(u，i)∈S，其中，u用于表示目标用户，i用于表示筛选物料；负样本获取模块402，选择每一目标用户在应用场景下关联的不属于集合S的X个待推荐物料，将X个待推荐物料作为元素构建集合其中，X为小于或等于待推荐物料与筛选物料差额的正整数。得分向量获取模块403，利用待评估推荐模型对(u，i)及/>进行打分，并将得分拼接为X+1维向量，其中，向量中一维数据为筛选物料i的得分，X维数据为物料/>的得分。基于上述模块，本申请实施例对每一个员工采取负采样方式计算排序指标，以便于更好的基于排序指标对推荐模型进行评估。
评价指标获取模块5，利用排序评价指标对每一目标用户对应的多维向量进行计算得到对应的评价指标，并对所有目标用户的评价指标进行加权统计，得到推荐模型的评价指标，根据推荐模型的评价指标评估评价模型。其中，该加权统计所采用的加权算法可根据实际应用进行选择，此处不再举例说明；可选的，排序评价指标为NDCG@K指标、Recall@K指标、Hit@K指标其一或其任意组合，但并不限于前述几项指标，也可为其他排序评价指标。
基于上述模块，本申请实施例可有效在用户行为反馈数据稀缺的情况下，实现对推荐模型进行评估的目的，以作为参考选择应用场景下性能最优的推荐模型，本申请实施例通过抽样的方法对小批量目标用户进行效果验证，提高评估效率。
需要说明的是，上述各个模块可以是功能模块也可以是程序模块，既可以通过软件来实现，也可以通过硬件来实现。对于通过硬件来实现的模块而言，上述各个模块可以位于同一处理器中；或者上述各个模块还可以按照任意组合的形式分别位于不同的处理器中。
另外，结合图1或图2描述的本申请实施例冷启动推荐模型评估方法可以由计算机设备来实现。计算机设备可以包括处理器以及存储有计算机程序指令的存储器。
具体地，上述处理器可以包括中央处理器(CPU)，或者特定集成电路(ApplicationSpecific Integrated Circuit，简称为ASIC)，或者可以被配置成实施本申请实施例的一个或多个集成电路。
其中，存储器可以包括用于数据或指令的大容量存储器。举例来说而非限制，存储器可包括硬盘驱动器(Hard Disk Drive，简称为HDD)、软盘驱动器、固态驱动器(SolidState Drive，简称为SSD)、闪存、光盘、磁光盘、磁带或通用串行总线(Universal SerialBus，简称为USB)驱动器或者两个或更多个以上这些的组合。在合适的情况下，存储器可包括可移除或不可移除(或固定)的介质。在合适的情况下，存储器可在数据处理装置的内部或外部。在特定实施例中，存储器是非易失性(Non-Volatile)存储器。在特定实施例中，存储器包括只读存储器(Read-Only Memory，简称为ROM)和随机存取存储器(Random AccessMemory，简称为RAM)。在合适的情况下，该ROM可以是掩模编程的ROM、可编程ROM(ProgrammableRead-Only Memory，简称为PROM)、可擦除PROM(Erasable ProgrammableRead-Only Memory，简称为EPROM)、电可擦除PROM(Electrically Erasable ProgrammableRead-Only Memory，简称为EEPROM)、电可改写ROM(Electrically Alterable Read-OnlyMemory，简称为EAROM)或闪存(FLASH)或者两个或更多个以上这些的组合。在合适的情况下，该RAM可以是静态随机存取存储器(Static Random-Access Memory，简称为SRAM)或动态随机存取存储器(Dynamic Random Access Memory，简称为DRAM)，其中，DRAM可以是快速页模式动态随机存取存储器(Fast Page Mode Dynamic Random Access Memory，简称为FPMDRAM)、扩展数据输出动态随机存取存储器(Extended Date Out Dynamic RandomAccess Memory，简称为EDODRAM)、同步动态随机存取内存(Synchronous Dynamic Random-Access Memory，简称SDRAM)等。
存储器可以用来存储或者缓存需要处理和/或通信使用的各种数据文件，以及处理器所执行的可能的计算机程序指令。
处理器通过读取并执行存储器中存储的计算机程序指令，以实现上述实施例中的任意一种冷启动推荐模型评估方法。
另外，结合上述实施例中的冷启动推荐模型评估方法，本申请实施例可提供一种计算机可读存储介质来实现。该计算机可读存储介质上存储有计算机程序指令；该计算机程序指令被处理器执行时实现上述实施例中的任意一种冷启动推荐模型评估方法。
以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。
Claims (8)
1.一种冷启动推荐模型评估方法，其特征在于，包括：
评估样本获取步骤，通过调查法从目标用户群中选择N位目标用户为样本；
物料备选集获取步骤，选择每一目标用户在一待评估推荐模型应用场景下关联的M个待推荐物料；
物料备选集筛选步骤，获取每一目标用户对所述待推荐物料的偏好评分并对所述偏好评分进行归一化，根据所述偏好评分筛选所述待推荐物料，得到筛选物料；
待评估模型打分步骤，基于所述待推荐物料及筛选物料建立正、负样本，利用所述待评估推荐模型对所述正、负样本进行打分并将得分拼接为多维向量，所述待评估模型打分步骤进一步包括：
正样本获取步骤，将所有目标用户及其筛选物料作为元素构建集合S，集合S表示为(u，i)∈S，其中，u用于表示目标用户，i用于表示筛选物料；
负样本获取步骤，选择每一目标用户在应用场景下关联的不属于集合S的X个待推荐物料，将所述X个待推荐物料作为元素构建集合
其中，X为小于或等于待推荐物料与筛选物料差额的正整数；
评价指标获取步骤，利用排序评价指标对每一目标用户对应的多维向量进行计算得到对应的评价指标，并对所有目标用户的评价指标进行加权统计，得到所述推荐模型的评价指标，根据所述推荐模型的评价指标评估所述推荐模型；
其中，N为小于所述目标用户总数的自然数，M>0。
2.根据权利要求1所述的冷启动推荐模型评估方法，其特征在于，所述待评估模型打分步骤进一步包括：
得分向量获取步骤，利用所述待评估推荐模型对(u，i)及进行打分，并将得分拼接为X+1维向量；其中，所述向量中一维数据为筛选物料i的得分，X维数据为物料/>的得分。
3.根据权利要求2所述的冷启动推荐模型评估方法，其特征在于，所述排序评价指标为NDCG@K指标、Recall@K指标、Hit@K指标其一或其任意组合。
4.一种冷启动推荐模型评估系统，其特征在于，包括：
评估样本获取模块，通过调查法从目标用户群中选择N位目标用户为样本；
物料备选集获取模块，选择每一目标用户在一待评估推荐模型应用场景下关联的M个待推荐物料；
物料备选集筛选模块，获取每一目标用户对所述待推荐物料的偏好评分并对所述偏好评分进行归一化，根据所述偏好评分筛选所述待推荐物料，得到筛选物料；
待评估模型打分模块，基于所述待推荐物料及筛选物料建立建立正、负样本，利用所述待评估推荐模型对所述正、负样本进行打分并将得分拼接为一多维向量，所述待评估模型打分模块进一步包括：
正样本获取模块，将所有目标用户及其筛选物料作为元素构建集合S，集合S表示为(u，i)∈S，其中，u用于表示目标用户，i用于表示筛选物料；
负样本获取模块，选择每一目标用户在应用场景下关联的不属于集合S的X个待推荐物料，将所述X个待推荐物料作为元素构建集合
其中，X为小于或等于待推荐物料与筛选物料差额的正整数；
评价指标获取模块，利用排序评价指标对每一目标用户对应的多维向量进行计算得到对应的评价指标，并对所有目标用户的评价指标进行加权统计，得到所述推荐模型的评价指标，根据所述推荐模型的评价指标评估所述推荐模型；
其中，N为小于所述目标用户总数的自然数，M>0。
5.根据权利要求4所述的冷启动推荐模型评估系统，其特征在于，所述待评估模型打分模块进一步包括：
得分向量获取模块，利用所述待评估推荐模型对(u，i)及进行打分，并将得分拼接为X+1维向量；其中，所述向量中一维数据为筛选物料i的得分，X维数据为物料/>的得分。
6.根据权利要求5所述的冷启动推荐模型评估系统，其特征在于，所述排序评价指标为NDCG@K指标、Recall@K指标、Hit@K指标其一或其任意组合。
7.一种计算机设备，包括存储器、处理器以及存储在所述存储器上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至3中任一项所述的冷启动推荐模型评估方法。
8.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1至3中任一项所述的冷启动推荐模型评估方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110609054.8A CN113220557B (zh) | 2021-06-01 | 2021-06-01 | 冷启动推荐模型评估方法、系统、计算机设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110609054.8A CN113220557B (zh) | 2021-06-01 | 2021-06-01 | 冷启动推荐模型评估方法、系统、计算机设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113220557A CN113220557A (zh) | 2021-08-06 |
| CN113220557B true CN113220557B (zh) | 2024-01-26 |
Family
ID=77082225
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110609054.8A Active CN113220557B (zh) | 2021-06-01 | 2021-06-01 | 冷启动推荐模型评估方法、系统、计算机设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113220557B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115297367B (zh) * | 2022-07-06 | 2024-02-09 | 北京快乐茄信息技术有限公司 | 一种推荐方法、推荐装置、电子设备和存储介质 |
| CN117290691A (zh) * | 2023-11-21 | 2023-12-26 | 数据空间研究院 | 一种基于去偏推荐模型的无偏Top-K测评方法、装置及设备 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104346372A (zh) * | 2013-07-31 | 2015-02-11 | 国际商业机器公司 | 用于评估预测模型的方法和装置 |
| CN110310168A (zh) * | 2019-05-17 | 2019-10-08 | 北京小度信息科技有限公司 | 模型的调整方法、装置、服务器和存储介质 |
| CN111310053A (zh) * | 2020-03-03 | 2020-06-19 | 上海喜马拉雅科技有限公司 | 信息的推荐方法、装置、设备和存储介质 |
| CN111460292A (zh) * | 2020-03-30 | 2020-07-28 | 百度在线网络技术（北京）有限公司 | 模型评估方法、装置、设备和介质 |
| CN111488994A (zh) * | 2020-03-04 | 2020-08-04 | 清华大学 | 正样本学习模型评估方法及装置 |
| CN112100431A (zh) * | 2020-11-16 | 2020-12-18 | 深圳壹账通智能科技有限公司 | Ocr系统的评估方法、装置、设备及可读存储介质 |
-
2021
- 2021-06-01 CN CN202110609054.8A patent/CN113220557B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104346372A (zh) * | 2013-07-31 | 2015-02-11 | 国际商业机器公司 | 用于评估预测模型的方法和装置 |
| CN110310168A (zh) * | 2019-05-17 | 2019-10-08 | 北京小度信息科技有限公司 | 模型的调整方法、装置、服务器和存储介质 |
| CN111310053A (zh) * | 2020-03-03 | 2020-06-19 | 上海喜马拉雅科技有限公司 | 信息的推荐方法、装置、设备和存储介质 |
| CN111488994A (zh) * | 2020-03-04 | 2020-08-04 | 清华大学 | 正样本学习模型评估方法及装置 |
| CN111460292A (zh) * | 2020-03-30 | 2020-07-28 | 百度在线网络技术（北京）有限公司 | 模型评估方法、装置、设备和介质 |
| CN112100431A (zh) * | 2020-11-16 | 2020-12-18 | 深圳壹账通智能科技有限公司 | Ocr系统的评估方法、装置、设备及可读存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113220557A (zh) | 2021-08-06 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110941740B (zh) | 视频推荐方法及计算机可读存储介质 | |
| WO2019223552A1 (zh) | 文章推荐方法、装置、计算机设备及存储介质 | |
| CN112732883B (zh) | 基于知识图谱的模糊匹配方法、装置和计算机设备 | |
| Zamani et al. | Situational context for ranking in personal search | |
| US9384214B2 (en) | Image similarity from disparate sources | |
| CN110321422A (zh) | 在线训练模型的方法、推送方法、装置以及设备 | |
| CN113220557B (zh) | 冷启动推荐模型评估方法、系统、计算机设备及存储介质 | |
| CN108345702A (zh) | 实体推荐方法和装置 | |
| US8032469B2 (en) | Recommending similar content identified with a neural network | |
| CN111444395A (zh) | 获取实体间关系表达的方法、系统和设备、广告召回系统 | |
| WO2018145577A1 (zh) | 表情推荐方法和装置 | |
| US20120158716A1 (en) | Image object retrieval based on aggregation of visual annotations | |
| JPWO2012118087A1 (ja) | レコメンダシステム、レコメンド方法、及びプログラム | |
| CN107943910B (zh) | 一种基于组合算法的个性化图书推荐方法 | |
| US20080114573A1 (en) | Tag organization methods and systems | |
| CN111159563A (zh) | 用户兴趣点信息的确定方法、装置、设备及存储介质 | |
| US10599760B2 (en) | Intelligent form creation | |
| CN111382283A (zh) | 资源类别标签标注方法、装置、计算机设备和存储介质 | |
| CN113873330B (zh) | 视频推荐方法、装置、计算机设备和存储介质 | |
| Babu et al. | An implementation of the user-based collaborative filtering algorithm | |
| CN111078997B (zh) | 一种资讯推荐方法及装置 | |
| JP2016045620A (ja) | 専門家検索装置、専門家検索方法および専門家検索プログラム | |
| CN116521936A (zh) | 一种基于用户行为分析的课程推荐方法、装置及存储介质 | |
| Yang et al. | Finding experts in community question answering based on topic-sensitive link analysis | |
| CN114238746A (zh) | 跨模态检索方法、装置、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 |