CN114637921B - 基于建模偶然不确定性的物品推荐方法、装置和设备 - Google Patents
基于建模偶然不确定性的物品推荐方法、装置和设备 Download PDFInfo
- Publication number
- CN114637921B CN114637921B CN202210512081.8A CN202210512081A CN114637921B CN 114637921 B CN114637921 B CN 114637921B CN 202210512081 A CN202210512081 A CN 202210512081A CN 114637921 B CN114637921 B CN 114637921B
- Authority
- CN
- China
- Prior art keywords
- sample
- item
- uncertainty
- target user
- model
- 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
- 238000000034 method Methods 0.000 title claims abstract description 68
- 238000012549 training Methods 0.000 claims description 78
- 230000008569 process Effects 0.000 claims description 17
- 238000012163 sequencing technique Methods 0.000 claims description 4
- 230000003542 behavioural effect Effects 0.000 claims description 3
- 230000005251 gamma ray Effects 0.000 claims description 2
- 238000005070 sampling Methods 0.000 claims description 2
- 230000006399 behavior Effects 0.000 description 53
- 230000006870 function Effects 0.000 description 32
- 238000010586 diagram Methods 0.000 description 10
- 230000015654 memory Effects 0.000 description 9
- 238000004891 communication Methods 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 5
- 230000000052 comparative effect Effects 0.000 description 3
- 238000004590 computer program Methods 0.000 description 3
- 238000007418 data mining Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 238000013475 authorization Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000001364 causal effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000004806 packaging method and process Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000000758 substrate Substances 0.000 description 1
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
- 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"
-
- 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
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
- G06Q30/0202—Market predictions or forecasting for commercial activities
-
- 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
- G06Q30/00—Commerce
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0631—Item recommendations
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Finance (AREA)
- Development Economics (AREA)
- Accounting & Taxation (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Data Mining & Analysis (AREA)
- Game Theory and Decision Science (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- General Engineering & Computer Science (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明提供了一种基于建模偶然不确定性的物品推荐方法、装置和设备,该方法包括:响应于物品推荐请求,获取目标用户的历史行为数据;将目标用户的历史行为数据输入至推荐模型中,输出目标用户‑物品对的预测分值;将目标用户的历史行为数据输入至不确定性估计器模型中,输出目标用户‑物品对的偶然不确定性数值;根据目标用户‑物品对的预测分值和目标用户‑物品对的偶然不确定性数值,确定目标推荐结果。
Description
技术领域
本发明涉及机器学习技术领域和数据挖掘技术领域,具体地涉及一种基于建模偶然不确定性的物品推荐方法、装置和设备。
背景技术
在推荐物品的过程中,一般根据用户点击过的物品进行推荐,对于大多数未推荐的物品,并不能获取用户对这些物品的真实反馈,根据这些不能获取真实反馈的物品得到的数据可以称为负样本数据。在实现本发明构思的过程中,发明人发现相关技术中至少存在如下问题:在负样本数据中通常会存在部分被误标注的正样本数据,例如在未推荐的物品中有部分物品是用户感兴趣的物品,但由于未推荐给客户,导致用户并未能与该物品进行交互,进而导致大部分物品和用户的有效数据缺失,尤其是在尾部物品(尾部物品是指需求不频繁,或需求变动大的物品)中,交互数据更为缺失。利用这些包括正样本数据的负样本数据对物品推荐模型进行训练,会降低物品推荐的准确率,尤其降低尾部物品推荐的准确率。
发明内容
鉴于上述问题,本发明提供了一种可以提高物品推荐准确率的基于建模偶然不确定性的物品推荐方法、装置、设备和介质。
本发明的一个方面提供了一种基于建模偶然不确定性的物品推荐方法,包括:响应于物品推荐请求,获取目标用户的历史行为数据;将上述目标用户的历史行为数据输入至推荐模型中,输出目标用户-物品对的预测分值;将上述目标用户的历史行为数据输入至不确定性估计器模型中,输出目标用户-物品对的偶然不确定性数值;根据上述目标用户-物品对的预测分值和上述目标用户-物品对的偶然不确定性数值,确定目标推荐结果。
可选地,上述方法还包括:根据上述目标推荐结果,确定待推荐物品的分值;基于预设排序规则对上述分值进行排序,生成待推荐物品列表;根据上述待推荐物品列表,确定上述目标推荐物品。
可选地,上述将上述目标用户的历史行为数据输入至不确定性估计器模型中,输出目标用户-物品对的偶然不确定性数值包括:根据上述目标用户的历史行为数据,生成历史操作列表,其中,上述历史操作列表中包括多个历史选择物品,上述历史选择物品配置有预设参数;根据上述预设参数,确定上述目标用户-物品对的偶然不确定性数值。
可选地,上述推荐模型是通过如下训练方式得到的:获取训练样本数据集,其中,上述训练样本数据集包括样本用户的样本历史行为数据和样本用户的标签信息;将上述样本用户的样本历史行为数据输入至初始推荐模型中,输出第一训练结果;将上述第一训练结果和上述标签信息输入至第一损失函数中,得到第一损失结果;根据上述第一损失结果调整上述初始推荐模型的模型参数,直至上述第一损失函数收敛;将上述第一损失函数收敛时得到的模型作为上述推荐模型。
可选地,上述训练样本数据集还包括正样本数据和负样本数据;其中,上述将上述样本用户的样本历史行为数据输入至上述初始推荐模型中,输出第一训练结果包括:从上述负样本数据中提取预设比例的训练样本数据,得到目标负样本数据;以及将上述正样本数据和上述目标负样本数据输入至上述初始推荐模型中,输出上述第一训练结果。
可选地,上述不确定性估计器模型是通过如下训练方式得到的:将上述样本用户的样本历史行为数据输入至初始不确定性估计器模型中,输出样本用户-物品对的偶然不确定性数值;将上述样本用户的偶然不确定性数值、上述第一训练结果、上述样本用户的样本历史行为数据和上述标签信息输入至第二损失函数中,得到第二损失结果;根据上述第二损失结果调整上述初始不确定性估计器模型的模型参数,直至上述第二损失函数收敛;将上述第二损失函数收敛时得到的模型作为上述不确定性估计器模型。
可选地,上述将上述样本用户的样本历史行为数据输入至初始不确定性估计器模型中,输出样本用户-物品对的偶然不确定性数值包括:根据上述样本用户的历史行为数据,生成历史操作样本列表,其中,上述历史操作样本列表中包括多个历史选择样本物品,上述历史选择样本物品配置有预设参数;根据上述预设参数,确定上述样本用户-物品对的偶然不确定性数值。
本发明的另一个方面还提供了一种基于建模偶然不确定性的物品推荐装置,包括:第一获取模块,用于响应于物品推荐请求,获取目标用户的历史行为数据;第一输入模块,用于将上述目标用户的历史行为数据输入至推荐模型中,输出目标用户-物品对的预测分值;第二输入模块,用于将上述目标用户的历史行为数据输入至不确定性估计器模型中,输出目标用户-物品对的偶然不确定性数值;第一确定模块,用于根据上述目标用户-物品对的预测分值和上述目标用户-物品对的偶然不确定性数值,确定目标推荐结果。
本发明的另一个方面还提供了一种电子设备,包括:一个或多个处理器;存储装置,用于存储一个或多个程序,其中,当上述一个或多个程序被上述一个或多个处理器执行时,使得上述一个或多个处理器执行上述基于建模偶然不确定性的物品推荐方法。
本发明的另一方面还提供了一种计算机可读存储介质,其上存储有可执行指令,该指令被处理器执行时使处理器执行上述基于建模偶然不确定性的物品推荐方法。
根据本发明的实施例,通过将目标用户的历史行为数据输入至不确定性估计器模型中,输出目标用户-物品对的偶然不确定性数值,在偶然不确定性数值较大的情况下,可以表明历史行为数据中存在被误标注为不感兴趣的行为数据的情况,进一步地,可以在由推荐模型输出的目标用户-物品对的预测分值的基础上结合偶然不确定性数值,向目标用户推荐物品,可以在基于推荐模型得到的未进行推荐的物品中,挖掘到被误标注为不感兴趣的物品,并将该物品推荐给目标用户,至少部分地克服了相关技术中物品推荐准确率低、以及尾部物品推荐准确率低的问题。
附图说明
通过以下参照附图对本发明实施例的描述,本发明的上述内容以及其他目的、特征和优点将更为清楚,在附图中:
图1示意性示出了根据本发明实施例的基于建模偶然不确定性的物品推荐方法、装置的系统架构图;
图2示意性示出了根据本发明实施例的基于建模偶然不确定性的物品推荐方法的流程图;
图3示意性示出了根据本发明实施例的基于建模偶然不确定性的物品推荐装置的结构框图;以及
图4示意性示出了根据本发明实施例的适于实现基于建模偶然不确定性的物品推荐方法的电子设备的方框图。
具体实施方式
以下,将参照附图来描述本发明的实施例。但是应该理解,这些描述只是示例性的,而并非要限制本发明的范围。在下面的详细描述中,为便于解释,阐述了许多具体的细节以提供对本发明实施例的全面理解。然而,明显地,一个或多个实施例在没有这些具体细节的情况下也可以被实施。此外,在以下说明中,省略了对公知结构和技术的描述,以避免不必要地混淆本发明的概念。
在此使用的术语仅仅是为了描述具体实施例,而并非意在限制本发明。在此使用的术语“包括”、“包含”等表明了所述特征、步骤、操作和/或部件的存在,但是并不排除存在或添加一个或多个其他特征、步骤、操作或部件。
在此使用的所有术语(包括技术和科学术语)具有本领域技术人员通常所理解的含义,除非另外定义。应注意,这里使用的术语应解释为具有与本说明书的上下文相一致的含义,而不应以理想化或过于刻板的方式来解释。
在使用类似于“A、B和C等中至少一个”这样的表述的情况下,一般来说应该按照本领域技术人员通常理解该表述的含义来予以解释(例如,“具有A、B和C中至少一个的系统”应包括但不限于单独具有A、单独具有B、单独具有C、具有A和B、具有A和C、具有B和C、和/或具有A、B、C的系统等)。
需要说明的是,本发明的基于建模偶然不确定性的物品推荐方法、装置、设备和存储介质可用于机器学习技术领域和数据挖掘技术领域,也可用于除机器学习技术领域和数据挖掘技术领域之外的任意领域,本发明对基于建模偶然不确定性的物品推荐方法、装置、设备和存储介质的应用领域不做限定。
在本发明的技术方案中,所涉及的用户个人信息的收集、存储、使用、加工、传输、提供、公开和应用等处理,均符合相关法律法规的规定,采取了必要保密措施,且不违背公序良俗。在本发明的技术方案中,在获取或采集用户个人信息之前,均获取了用户的授权或同意。
物品推荐过程中,由于未向用户推荐的物品中也可能存在用户感兴趣的物品,该物品存在被误标注的可能,导致了物品推荐的准确率低的问题,同时也降低了用户的体验感。在训练物品推荐模型的过程中,利用包括正样本数据的负样本数据训练物品推荐模型会降低模型推荐的准确率,尤其降低该模型在尾部物品中的推荐效率。
在训练物品推荐模型时,针对负样本数据中存在被误标注的正样本的情况,可以采用加权策略。但采用加权策略一般需要额外信息或统计特征进行辅助,以识别负样本是否被误标注。但这样的加权策略不仅仍难以准确判断用户感兴趣的物品是否被误标注的情况,同时又使得训练样本的权重及用户/物品表征容易过拟合。
有鉴于此,本发明利用偶然不确定性从负样本数据中挖掘对物品推荐有效的信息,同时可以不受由于误标注问题而带来的影响。在得到负样本数据的整体偶然不确定性数值分布后,如果某一样本的偶然不确定性数值较大,明显不同于该负样本数据的整体分布,可以表明该样本被误标注,即该样本可能是用户感兴趣的,需要被推荐给用户。
因此,本发明的实施例提供了一种基于建模偶然不确定性的物品推荐方法,用于提高物品推荐的准确率,尤其提高尾部物品推荐的准确率。具体地,包括:响应于物品推荐请求,获取目标用户的历史行为数据;将目标用户的历史行为数据输入至推荐模型中,输出目标用户-物品对的预测分值;将目标用户的历史行为数据输入至不确定性估计器模型中,输出目标用户-物品对的偶然不确定性数值;根据目标用户-物品对的预测分值和目标用户-物品对的偶然不确定性数值,确定目标推荐结果。
图1示意性示出了根据本发明实施例的基于建模偶然不确定性的物品推荐方法、装置的系统架构图。
如图1所示,根据该实施例的应用场景100可以包括终端设备101、102、103、网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备101、102、103通过网络104与服务器105交互,以接收或发送物品推荐请求等。终端设备101、102、103上可以安装有各种通讯客户端应用,例如电商应用、短视频应用、新闻应用、购物类应用、网页浏览器应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等(仅为示例)。
终端设备101、102、103可以是具有显示屏,支持网页浏览的各种电子设备,包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。
服务器105可以是提供各种服务的服务器,例如对用户利用终端设备101、102、103所浏览的网站提供支持的后台管理服务器(仅为示例)。后台管理服务器可以对接收到的物品推荐请求等数据进行分析等处理,并将处理结果(例如根据用户请求获取或生成的物品、网页、信息、或数据等)反馈给终端设备。
需要说明的是,本发明实施例所提供的基于建模偶然不确定性的物品推荐方法一般可以由服务器105执行。相应地,本发明实施例所提供的基于建模偶然不确定性的物品推荐装置一般可以设置于服务器105中。本发明实施例所提供的基于建模偶然不确定性的物品推荐方法也可以由不同于服务器105且能够与终端设备101、102、103和/或服务器105通信的服务器或服务器集群执行。相应地,本发明实施例所提供的基于建模偶然不确定性的物品推荐装置也可以设置于不同于服务器105且能够与终端设备101、102、103和/或服务器105通信的服务器或服务器集群中。
应该理解,图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的终端设备、网络和服务器。
以下将基于图1描述的场景,通过图2对公开实施例的基于建模偶然不确定性的物品推荐方法进行详细描述。
图2示意性示出了根据本发明实施例的基于建模偶然不确定性的物品推荐方法的流程图。
如图2所示,该实施例的基于建模偶然不确定性的物品推荐方法包括操作S201~操作S204。
在操作S201,响应于物品推荐请求,获取目标用户的历史行为数据。
在操作S202,将目标用户的历史行为数据输入至推荐模型中,输出目标用户-物品对的预测分值。
在操作S203,将目标用户的历史行为数据输入至不确定性估计器模型中,输出目标用户-物品对的偶然不确定性数值。
在操作S204,根据目标用户-物品对的预测分值和目标用户-物品对的偶然不确定性数值,确定目标推荐结果。
根据本发明的实施例,物品推荐请求可以是终端设备基于目标用户点击过的物品或输入的信息生成的用于请求物品推荐的请求。在另一实施例中,目标用户也可以在电商应用、短视频应用、新闻应用等可以进行物品推荐的应用中通过直接点击物品或输入相关搜索词找到自己所需要的物品。历史行为数据可以是根据目标用户在搜索自己所需要的物品的过程中进行的点击或输入的操作而产生的数据。
根据本发明的实施例,推荐模型可以是用于能够推荐物品的模型,例如可以是任意的协同过滤模型,具体地,可以是矩阵分解模型(MF)、图神经网络模型(LGCN)、变分自编码器模型(VAE)。目标用户-物品对可以是由任意用户和任意物品构成,预测分值可以是由推荐模型预测并输出的关于目标用户对物品的分值。
根据本发明的实施例,目标用户-物品对还可以是由任意用户和任意的用户未点击或者未向用户推荐的物品构成。不确定性估计器模型可以根据目标用户的历史行为数据得到目标用户-物品对的偶然不确定性数值,解决推荐模型中因为误标注而带来的推荐准确率低的问题。
根据本发明的实施例,每个用户-物品对都可以具有不同的偶然不确定性数值,对同一个用户而言,在目标用户-物品对中的物品均是未推荐的物品的情况下,整体的偶然不确定性数值的分布一般较为一致,当某一个目标用户-物品对的偶然不确定性数值越大,可以理解为该目标用户-物品对的不确定性数值和整体的偶然不确定性数值分布有较大偏差,该物品越有可能被误标注为用户不感兴趣的物品。因此,通过确定目标用户-物品对的偶然不确定性数值可以挖掘出未推荐物品中被误标注为不感兴趣的物品,并将该物品推荐给目标用户。
根据本发明的实施例,目标推荐结果可以是根据目标用户-物品对的预测分值和偶然不确定性数值的线性加权和确定的,目标推荐结果可以是用户对物品的最终分值。
根据本发明的实施例,通过将目标用户的历史行为数据输入至不确定性估计器模型中,输出目标用户-物品对的偶然不确定性数值,在偶然不确定性数值较大的情况下,可以表明历史行为数据中存在被误标注为不感兴趣的行为数据的情况,进一步地,可以在由推荐模型输出的目标用户-物品对的预测分值的基础上结合偶然不确定性数值,向目标用户推荐物品,可以在基于推荐模型得到的未进行推荐的物品中,挖掘到被误标注为不感兴趣的物品,并将该物品推荐给目标用户,至少部分地克服了相关技术中物品推荐准确率低、以及尾部物品推荐准确率低的问题。
根据本发明的实施例,上述方法还可以包括:根据目标推荐结果,确定待推荐物品的分值;基于预设排序规则对分值进行排序,生成待推荐物品列表;根据待推荐物品列表,确定目标推荐物品。
根据本发明的实施例,目标推荐结果可以是用户对物品的最终分值,该最终分值可以作为待推荐物品的分值。预设排序规则可以是对得到的待推荐物品的分值进行从高到低的排序,根据排序后的物品生成待推荐物品列表。确定目标推荐物品时,可以根据该待推荐物品列表中的顺序,向用户推荐物品;还可以是从列表中的最高分值开始,选取一定比例的物品,向用户推荐这些物品。
根据本发明的实施例,操作S203还可以包括如下操作:根据目标用户的历史行为数据,生成历史操作列表,其中,历史操作列表中包括多个历史选择物品,历史选择物品配置有预设参数;根据预设参数,确定目标用户-物品对的偶然不确定性数值。
根据本发明的实施例,历史操作列表中可以包括用户点击过的物品,每个物品可以分别配置有两组不同的预设参数,具体地,其中一组参数可以是表征用户的历史兴趣操作,另一组参数可以是表征物品本身的特征。根据预设参数,确定目标用户-物品对的偶然不确定性数值的过程可以如公式(1)所示:
其中,u可以表示用户,i可以表示物品,可以表示用户-物品对之间的偶然不确定数值,k可以是一个固定的超参数,用于控制指数函数的整体取值范围,Nu可以是历史操作列表,pi可以表示用户的历史兴趣操作,qi可以表示物品本身的特征。
根据本发明的实施例,通过得到偶然不确定性数值,可以挖掘出未推荐物品中被误标注为不感兴趣的物品,并将该物品推荐给目标用户。
根据本发明的实施例,推荐模型是通过如下训练方式得到的:获取训练样本数据集,其中,训练样本数据集包括样本用户的样本历史行为数据和样本用户的标签信息;将样本用户的样本历史行为数据输入至初始推荐模型中,输出第一训练结果;将第一训练结果和标签信息输入至第一损失函数中,得到第一损失结果;根据第一损失结果调整初始推荐模型的模型参数,直至第一损失函数收敛;将第一损失函数收敛时得到的模型作为推荐模型。
根据本发明的实施例,初始推荐模型可以是任意协同过滤模型,本发明的实施例分别以MF,LGCN,VAE为初始推荐模型进行实验验证。
根据本发明的实施例,在训练初始推荐模型的过程中,可以假设所有的样本用户-物品对拥有相同的偶然不确定数值,训练过程中可以采用用户-批次策略进行训练。具体地,可以在每一批训练开始前,采样一批用户Ubatc h,并利用均方差损失函数训练该批用户对物品集合I中所有物品进行预测及拟合。
根据本发明的实施例,在输入样本用户的样本历史行为数据前,可以设定初始推荐模型的函数为fθ,在预测用户u对物品i的兴趣时,该初始推荐模型输出的训练结果可以表示为fθ(u,i),第一训练结果可以是由初始推荐模型预测并输出的样本用户对物品的预测训练分值。对于推荐的物品数据,还可以将标签信息二值化,例如,在用户u点击过物品i的情况下,将标签设置为Yui=1;在用户u未点击过物品i的情况下,将标签设置为Yui=0,0和1还可以根据数据集的需要替换为任意0到1间的实数。
根据本发明的实施例,可以将第一训练结果和标签信息输入至第一损失函数中,根据第一损失函数的第一损失结果调整初始推荐模型的模型参数,直至第一损失函数收敛,此时得到的训练好的初始推荐模型可以作为推荐模型。第一损失函数可以如公式(2)所示。
其中,L(Ubact h,D;θ)可以表示第一损失结果,γ1可以是一项正则项系数,wui可以是采样及加权策略,用于控制推荐模型在训练时每个样本所占的权重,具体地,wui可以如公式(3)所示。
其中,Bernoulli(0.1)为伯努利分布,在标签为0的情况下,权重取值可以服从伯努利分布;在标签为1的情况下,权重取值可以为1。
根据本发明的实施例,训练样本数据集还包括正样本数据和负样本数据;其中,将样本用户的样本历史行为数据输入至初始推荐模型中,输出第一训练结果包括:从负样本数据中提取预设比例的训练样本数据,得到目标负样本数据;以及将正样本数据和目标负样本数据输入至初始推荐模型中,输出第一训练结果。
根据本发明的实施例,正样本数据可以是根据用户点击过的物品得到的,负样本数据可以是根据用户未点击过的物品得到的。例如,对于用户u和多个物品i,在此仅以i1和i2两个物品作为举例进行说明,若用户u点击过物品i1,没有点击过物品i2,则正样本数据可以为(u,i1),负样本数据可以为(u,i2)。
根据本公开的实施例,在训练初始推荐模型时,还可以从负样本数据中提取10%(数据仅为示例)的负样本数据作为目标负样本数据,根据正样本数据和目标负样本数据,训练初始推荐模型,通过提取预设比例的负样本数据并和正样本数据一起加入到训练初始推荐模型的过程中,进一步提高推荐模型的准确率,进而可以降低因为误标注问题带来的推荐准确率低的影响。
根据本发明的实施例,不确定性估计器模型是通过如下训练方式得到的:将样本用户的样本历史行为数据输入至初始不确定性估计器模型中,输出样本用户-物品对的偶然不确定性数值;将样本用户的偶然不确定性数值、第一训练结果、样本用户的样本历史行为数据和标签信息输入至第二损失函数中,得到第二损失结果;根据第二损失结果调整初始不确定性估计器模型的模型参数,直至第二损失函数收敛;将第二损失函数收敛时得到的模型作为不确定性估计器模型。
根据本发明的实施例,将样本用户的样本历史行为数据输入至初始不确定性估计器模型中,输出样本用户-物品对的偶然不确定性数值包括:根据样本用户的历史行为数据,生成历史操作样本列表,其中,历史操作样本列表中包括多个历史选择样本物品,历史选择样本物品配置有预设参数;根据预设参数,确定样本用户-物品对的偶然不确定性数值。
根据本发明的实施例,确定样本用户对的偶然不确定性数值可以参考确定目标用户-物品对的偶然不确定性数值的方法,具体地,可以参考公式(1)确定样本用户-物品对的偶然不确定性数值。通过计算样本用户-物品对的偶然不确定性数值,可以挖掘出样本历史行为数据中被误标注的历史行为所对应的物品,并利用该样本用户-物品对的偶然不确定性数值训练不确定性估计器模型,不仅未受到传统训练方式中因为误标注问题而带来的影响,同时还从误标注的数据中提取到更多数据进行辅助推荐。
根据本发明的实施例,在训练初始不确定性估计器模型的过程中,可以将推荐模型的模型参数设置为定值。将样本用户的偶然不确定性数值、由推荐模型得到的第一训练结果、样本用户的样本历史行为数据和标签信息输入至第二损失函数中,得到第二损失结果,根据第二损失结果调整初始不确定性估计器模型的模型参数,直至第二损失函数收敛,此时得到的训练好的初始不确定性估计器模块可以作为不确定性估计器模型。其中,第二损失函数可以如公式(4)所示。
其中,为第二损失结果,可以表示不确定性估计器模型的输出,例如表示样本用户-物品对的偶然不确定性数值,γ2,γ3为正则项系数,γ2,γ3作为模型训练的超参数,用于控制的整体取值范围。γ2控制不确定性估计器模型参数的先验分布,γ3控制偶然不确定性数值本身的先验分布。w′ui控制不确定性估计器在训练时每个样本所占权重,具体地,w′ui可以如公式(5)所示:
其中,当α越大时,不确定性估计器模型在尾部物品的推荐效果会更佳。
根据本发明的实施例,通过将推荐模型和不确定性估计器模型分开训练,在训练推荐模型时,设定每个样本用户-物品对具有相同的偶然不确定性,在训练不确定性估计器模型时,固定推荐模型的模型参数,可以保障模型训练的准确性,提升推荐物品的准确率。
根据本发明的实施例,最终训练结果可以是根据样本用户-物品对的预测训练分值和偶然不确定性数值的线性加权和确定的,得到最终训练结果的过程可以如公式(6)所示,得到最终训练结果的过程也可以是得到目标推荐结果的过程。
其中,rui可以表示最终的训练结果,可以是最终分值,β可以是一个超参数,β对任意用户u与任意物品i均是定值,fθ(u,i)可以表示由推荐模型得到的预测训练分值,可以表示由不确定性估计器模型得到的偶然不确定性数值。
根据本发明的实施例,可以根据分值rui的高低进行排序,得到待推荐物品列表,根据列表的顺序进行物品推荐,还可以选取列表中一定比例的物品进行推荐。
根据本发明的实施例,本发明通过只用推荐模型(MF模型,LGCN模型,VAE模型)进行物品推荐为对比实施例,验证通过本发明实施例提供的推荐模型和不确定性估计器模型(AUR)共同进行物品推荐,可以提高物品推荐准确率。
表1
尾部R@50 | 尾部N@50 | 整体R@50 | 整体N@50 | |
MF | 0.0098 | 0.0043 | 0.0777 | 0.0461 |
MF+AUR | 0.0445 | 0.0222 | 0.1003 | 0.0602 |
LGCN | 0.0190 | 0.0083 | 0.0824 | 0.0489 |
LGCN+AUR | 0.0468 | 0.0224 | 0.0936 | 0.0557 |
VAE | 0.0293 | 0.0126 | 0.0982 | 0.0586 |
VAE+AUR | 0.0543 | 0.0272 | 0.1053 | 0.0635 |
根据本发明的实施例,在验证时,可以通过公开数据进行实验。在训练时将训练样本数据集按实际划分,例如可以是按照将训练样本数据集中的前70%数据作为为训练集,剩下的30%作为测试集进行划分。为了更准确的反映引入偶然不确定性数值后对不同物品群体造成的影响,可以分别度量整体物品(整体)推荐效果与尾部物品(尾部)推荐效果。在两种度量下,可以分别以Recall@50(物品召回率)以及NDCG@50(物品排序)为最终指标,不同推荐模型在不同度量方式及不同数据集中的测试结果可以如表1所示。
根据本发明的实施例,如表1所示,通过本发明实施例提供的采用推荐模型和AUR模型共同进行物品推荐的方法得到的每项指标的分值,均高于只采用推荐模型进行物品推荐的方法得到的每项指标的分值。可以表明,在三种不同推荐模型的实验中,引入AUR模型的头部与尾部测试结果绝大多数情况下皆明显优于推荐模型本身。
根据本发明的实施例,还可以在推荐模型中引入其他模型进行共同推荐,并将此方法作为本发明的另一对比实施例。以推荐模型中的MF模型为例,在MF模型的基础上引入MACR(一种基于因果学习的消除流行度偏差的推荐模型)以及IPS(一种基于加权的无偏推荐模型)作为另一对比实施例,验证通过本发明实施例提供的MF模型和AUR模型共同进行物品推荐,可以提高物品推荐准确率。对比结果可以如表2所示。
表2
尾部R@50 | 整体R@50 | |
MF | 0.0098 | 0.0777 |
MF+IPS | 0.0298 | 0.0790 |
MF+MACR | 0.0183 | 0.0797 |
MF+AUR | 0.0448 | 0.1003 |
根据本发明的实施例,如表2所示,通过本发明实施例提供的采用MF模型和AUR模型共同进行物品推荐的方法得到的每项指标的分值,均高于只采用MF模型进行物品推荐、采用MF模型和IPS模型共同进行物品推荐的方法、采用MF模型和MACR模型共同进行物品推荐的方法得到的分值。可以表明尽管MACR模型和IPS模型在尾部物品的推荐性能上优于MF推荐模型,但本发明实施例提供的采用MF模型和AUR模型共同进行物品推荐的方法无论是在整体性能上,还是在尾部性能上的推荐效果上均优于其他方法。
根据本发明的实施例,本发明提供的基于建模偶然不确定性的物品推荐也可以应用在其他基础模型上,而且在整体推荐和尾部推荐上的推荐效果均有提升;本发明提供的方法还可以应用到不同的推荐场景下,具有较高的普适性和应用价值。
需要说明的是,本发明实施例中的流程图所示的操作除非明确说明不同操作之间存在执行的先后顺序,或者不同操作在技术实现上存在执行的先后顺序,否则,多个操作之间的执行顺序可以不分先后,多个操作也可以同时执行。
基于上述基于建模偶然不确定性的物品推荐方法,本发明还提供了一种基于建模偶然不确定性的物品推荐装置。以下将结合图3对该装置进行详细描述。
图3示意性示出了根据本发明实施例的基于建模偶然不确定性的物品推荐装置的结构框图。
如图3所示,该实施例的基于建模偶然不确定性的物品推荐装置300包括第一获取模块310、第一输入模块320、第二输入模块330和第一确定模块340。
第一获取模块310用于响应于物品推荐请求,获取目标用户的历史行为数据,历史行为数据包括目标用户-物品对。
第一输入模块320用于将目标用户的历史行为数据输入至推荐模型中,输出目标用户-物品对的预测分值。
第二输入模块330用于将目标用户的历史行为数据输入至不确定性估计器模型中,输出目标用户-物品对的偶然不确定性数值。
第一确定模块340用于根据目标用户-物品对的预测分值和目标用户-物品对的偶然不确定性数值,确定目标推荐结果。
根据本发明的实施例,通过将目标用户的历史行为数据输入至不确定性估计器模型中,输出目标用户-物品对的偶然不确定性数值,在偶然不确定性数值较大的情况下,可以表明历史行为数据中存在被误标注为不感兴趣的行为数据的情况,进一步地,可以在由推荐模型输出的目标用户-物品对的预测分值的基础上结合偶然不确定性数值,向目标用户推荐物品,可以在基于推荐模型得到的未进行推荐的物品中,挖掘到被误标注为不感兴趣的物品,并将该物品推荐给目标用户,至少部分地克服了相关技术中物品推荐准确率低、以及尾部物品推荐准确率低的问题。
根据本发明的实施例,基于建模偶然不确定性的物品推荐装置还可以包括第二确定模块、生成模块、第三确定模块。
第二确定模块用于根据目标推荐结果,确定待推荐物品的分值。
生成模块用于基于预设排序规则对分值进行排序,生成待推荐物品列表。
第三确定模块用于根据待推荐物品列表,确定目标推荐物品。
根据本发明的实施例,第二输入模块330还可以包括第一生成单元、第一确定单元。
生成单元用于根据目标用户的历史行为数据,生成历史操作列表,其中,历史操作列表中包括多个历史选择物品,历史选择物品配置有预设参数。
第一确定单元用于根据预设参数,确定目标用户-物品对的偶然不确定性数值。
根据本发明的实施例,基于建模偶然不确定性的物品推荐装置还可以包括第二获取模块、第三输入模块、第四输入模块、第一调整模块。
第二获取模块用于获取训练样本数据集,其中,训练样本数据集包括样本用户的样本历史行为数据和样本用户的标签信息。
第三输入模块用于将样本用户的样本历史行为数据输入至初始推荐模型中,输出第一训练结果。
第四输入模块用于将第一训练结果和标签信息输入至第一损失函数中,得到第一损失结果。
第一调整模块用于根据第一损失结果调整初始推荐模型的模型参数,直至第一损失函数收敛,以及将第一损失函数收敛时得到的模型作为推荐模型。
根据本发明的实施例,第三输入模块还可以包括提取单元、输入单元。
提取单元用于从负样本数据中提取预设比例的训练样本数据,得到目标负样本数据。
输入单元用于将正样本数据和目标负样本数据输入至初始推荐模型中,输出第一训练结果。
根据本发明的实施例,基于建模偶然不确定性的物品推荐装置还可以包括第五输入模块、第六输入模块、第二调整模块。
第五输入模块用于将样本用户的样本历史行为数据输入至初始不确定性估计器模型中,输出样本用户-物品对的偶然不确定性数值。
第六输入模块用于将样本用户的偶然不确定性数值、第一训练结果、样本用户的样本历史行为数据和标签信息输入至第二损失函数中,得到第二损失结果。
第二调整模块用于根据第二损失结果调整初始不确定性估计器模型的模型参数,直至第二损失函数收敛,以及将第二损失函数收敛时得到的模型作为不确定性估计器模型。
根据本发明的实施例,第五输入模块还可以包括第二生成单元、第二确定单元。
第二生成单元用于根据样本用户的历史行为数据,生成历史操作样本列表,其中,历史操作样本列表中包括多个历史选择样本物品,历史选择样本物品配置有预设参数。
第二确定单元用于根据预设参数,确定样本用户-物品对的偶然不确定性数值。
需要说明的是,本发明的实施例中基于建模偶然不确定性的物品推荐装置部分与本发明的实施例中基于建模偶然不确定性的物品推荐方法部分是相对应的,基于建模偶然不确定性的物品推荐装置部分的描述具体参考基于建模偶然不确定性的物品推荐方法部分,在此不再赘述。
根据本发明的实施例,第一获取模块310、第一输入模块320、第二输入模块330和第一确定模块340中的任意多个模块可以合并在一个模块中实现,或者其中的任意一个模块可以被拆分成多个模块。或者,这些模块中的一个或多个模块的至少部分功能可以与其他模块的至少部分功能相结合,并在一个模块中实现。根据本发明的实施例,第一获取模块310、第一输入模块320、第二输入模块330和第一确定模块340中的至少一个可以至少被部分地实现为硬件电路,例如现场可编程门阵列(FPGA)、可编程逻辑阵列(PLA)、片上系统、基板上的系统、封装上的系统、专用集成电路(ASIC),或可以通过对电路进行集成或封装的任何其他的合理方式等硬件或固件来实现,或以软件、硬件以及固件三种实现方式中任意一种或以其中任意几种的适当组合来实现。或者,第一获取模块310、第一输入模块320、第二输入模块330和第一确定模块340中的至少一个可以至少被部分地实现为计算机程序模块,当该计算机程序模块被运行时,可以执行相应的功能。
图4示意性示出了根据本发明实施例的适于实现基于建模偶然不确定性的物品推荐方法的电子设备的方框图。
如图4所示,根据本发明实施例的电子设备400包括处理器401,其可以根据存储在只读存储器(ROM)402中的程序或者从存储部分408加载到随机访问存储器(RAM)403中的程序而执行各种适当的动作和处理。处理器401例如可以包括通用微处理器(例如CPU)、指令集处理器和/或相关芯片组和/或专用微处理器(例如,专用集成电路(ASIC))等等。处理器401还可以包括用于缓存用途的板载存储器。处理器401可以包括用于执行根据本发明实施例的方法流程的不同动作的单一处理单元或者是多个处理单元。
在RAM 403中,存储有电子设备400操作所需的各种程序和数据。处理器401、ROM402以及RAM 403通过总线404彼此相连。处理器401通过执行ROM 402和/或RAM 403中的程序来执行根据本发明实施例的方法流程的各种操作。需要注意,所述程序也可以存储在除ROM 402和RAM 403以外的一个或多个存储器中。处理器401也可以通过执行存储在所述一个或多个存储器中的程序来执行根据本发明实施例的方法流程的各种操作。
根据本发明的实施例,电子设备400还可以包括输入/输出(I/O)接口405,输入/输出(I/O)接口405也连接至总线404。电子设备400还可以包括连接至I/O接口405的以下部件中的一项或多项:包括键盘、鼠标等的输入部分406;包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分407;包括硬盘等的存储部分408;以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分409。通信部分409经由诸如因特网的网络执行通信处理。驱动器410也根据需要连接至I/O接口405。可拆卸介质411,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器410上,以便于从其上读出的计算机程序根据需要被安装入存储部分408。
本发明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可以是上述实施例中描述的设备/装置/系统中所包含的;也可以是单独存在,而未装配入该设备/装置/系统中。上述计算机可读存储介质承载有一个或者多个程序,当上述一个或者多个程序被执行时,实现根据本发明实施例的方法。
根据本发明的实施例,计算机可读存储介质可以是非易失性的计算机可读存储介质,例如可以包括但不限于:便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本发明中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。例如,根据本发明的实施例,计算机可读存储介质可以包括上文描述的ROM 402和/或RAM 403和/或ROM 402和RAM 403以外的一个或多个存储器。
附图中的流程图和框图,图示了按照本发明各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图或流程图中的每个方框、以及框图或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
本领域技术人员可以理解,本发明的各个实施例和/或权利要求中记载的特征可以进行多种组合或/或结合,即使这样的组合或结合没有明确记载于本发明中。特别地,在不脱离本发明精神和教导的情况下,本发明的各个实施例和/或权利要求中记载的特征可以进行多种组合和/或结合。所有这些组合和/或结合均落入本发明的范围。
以上对本发明的实施例进行了描述。但是,这些实施例仅仅是为了说明的目的,而并非为了限制本发明的范围。尽管在以上分别描述了各实施例,但是这并不意味着各个实施例中的措施不能有利地结合使用。本发明的范围由所附权利要求及其等同物限定。不脱离本发明的范围,本领域技术人员可以做出多种替代和修改,这些替代和修改都应落在本发明的范围之内。
Claims (9)
1.一种基于建模偶然不确定性的物品推荐方法,包括:
响应于物品推荐请求,获取目标用户的历史行为数据;
将所述目标用户的历史行为数据输入至推荐模型中,输出目标用户-物品对的预测分值;
将所述目标用户的历史行为数据输入至不确定性估计器模型中,输出目标用户-物品对的偶然不确定性数值,输出所述偶然不确定性数值的过程如公式(1)所示:
其中,u表示所述目标用户,i表示所述物品,表示所述目标用户-物品对的偶然不确定数值,k表示一个固定的超参数,用于控制指数函数的整体取值范围,Nu表示历史操作列表,pi表示所述目标用户的历史行为数据,qi表示所述物品的本身的特征;
根据所述目标用户-物品对的预测分值和所述目标用户-物品对的偶然不确定性数值,确定目标推荐结果,确定所述目标推荐结果的过程如公式(6)所示:
其中,rui表示所述目标推荐结果,β表示一个超参数,β对任意所述目标用户u与任意所述物品i均是定值,fθ(u,i)表示由所述推荐模型得到的所述目标用户-物品对的预测分值,表示由所述不确定性估计器模型得到的所述目标用户-物品对的偶然不确定性数值;
根据所述目标推荐结果,确定待推荐物品的分值;
基于预设排序规则对所述分值进行排序,生成待推荐物品列表;
根据所述待推荐物品列表,确定目标推荐物品。
2.根据权利要求1所述的方法,其中,所述将所述目标用户的历史行为数据输入至不确定性估计器模型中,输出目标用户-物品对的偶然不确定性数值包括:
根据所述目标用户的历史行为数据,生成历史操作列表,其中,所述历史操作列表中包括多个历史选择物品,所述历史选择物品配置有预设参数;
根据所述预设参数,确定所述目标用户-物品对的偶然不确定性数值。
3.根据权利要求1所述的方法,其中,所述推荐模型是通过如下训练方式得到的:
获取训练样本数据集,其中,所述训练样本数据集包括样本用户的样本历史行为数据和样本用户的标签信息;
将所述样本用户的样本历史行为数据输入至初始推荐模型中,输出第一训练结果;
将所述第一训练结果和所述标签信息输入至第一损失函数中,得到第一损失结果,得到所述第一损失结果的过程如公式(2)所示:
其中,L(Ubatc h,D;θ)表示所述第一损失结果,γ1表示一项正则项系数,wui表示采样及加权策略,用于控制所述推荐模型在训练时所述训练样本数据集中每个训练样本所占的权重,wui如公式(3)所示;
其中,Yui表示二值化后的所述标签信息,在所述样本用户的所述样本历史行为数据中,点击过样本物品的情况下,将Yui设置为1;在所述样本用户的所述样本历史行为数据中,未点击过样本物品的情况下,将Yui设置为0,Bernoulli(0.1)为伯努利分布,在所述标签信息Yui设置为0的情况下,所述权重的取值服从伯努利分布;在所述标签信息Yui设置为1的情况下,所述权重的取值为1;
根据所述第一损失结果调整所述初始推荐模型的模型参数,直至所述第一损失函数收敛;
将所述第一损失函数收敛时得到的模型作为所述推荐模型。
4.根据权利要求3所述的方法,其中,所述训练样本数据集还包括正样本数据和负样本数据;
其中,所述将所述样本用户的样本历史行为数据输入至所述初始推荐模型中,输出第一训练结果包括:
从所述负样本数据中提取预设比例的训练样本数据,得到目标负样本数据;以及
将所述正样本数据和所述目标负样本数据输入至所述初始推荐模型中,输出所述第一训练结果。
5.根据权利要求3所述的方法,其中,所述不确定性估计器模型是通过如下训练方式得到的:
将所述样本用户的样本历史行为数据输入至初始不确定性估计器模型中,输出样本用户-物品对的偶然不确定性数值;
将所述样本用户的偶然不确定性数值、所述第一训练结果、所述样本用户的样本历史行为数据和所述标签信息输入至第二损失函数中,得到第二损失结果,得到所述第二损失结果的过程如公式(4)所示,
其中,为所述第二损失结果,表示所述不确定性估计器模型的输出,用于表示所述样本用户-物品对的偶然不确定性数值,γ2,γ3分别为正则项系数,γ2,γ3作为所述不确定性估计器模型的训练的超参数,用于控制的整体取值范围; γ2用于控制所述不确定性估计器模型的参数的先验分布,γ3用于控制所述样本用户-物品对的偶然不确定性数值本身的先验分布; w′ui用于控制所述不确定性估计器模型在训练时所述训练样本数据集中每个训练样本所占的权重,w′ui如公式(5)所示:
其中,在所述标签信息Yui设置为0的情况下,所述权重的取值为1;在所述标签信息Yui设置为1的情况下,所述权重的取值为α;
根据所述第二损失结果调整所述初始不确定性估计器模型的模型参数,直至所述第二损失函数收敛;
将所述第二损失函数收敛时得到的模型作为所述不确定性估计器模型。
6.根据权利要求5所述的方法,其中,所述将所述样本用户的样本历史行为数据输入至初始不确定性估计器模型中,输出样本用户-物品对的偶然不确定性数值包括:
根据所述样本用户的历史行为数据,生成历史操作样本列表,其中,所述历史操作样本列表中包括多个历史选择样本物品,所述历史选择样本物品配置有预设参数;
根据所述预设参数,确定所述样本用户-物品对的偶然不确定性数值。
7.一种基于建模偶然不确定性的物品推荐装置,包括:
第一获取模块,用于响应于物品推荐请求,获取目标用户的历史行为数据;
第一输入模块,用于将所述目标用户的历史行为数据输入至推荐模型中,输出目标用户-物品对的预测分值;
第二输入模块,用于将所述目标用户的历史行为数据输入至不确定性估计器模型中,输出目标用户-物品对的偶然不确定性数值,输出所述偶然不确定性数值的过程如公式(1)所示:
其中,u表示所述目标用户,i表示所述物品,表示所述目标用户-物品对的偶然不确定数值,k表示一个固定的超参数,用于控制指数函数的整体取值范围,Nu表示历史操作列表,pi表示所述目标用户的历史行为数据,qi表示所述物品的本身的特征;
第一确定模块,用于根据所述目标用户-物品对的预测分值和所述目标用户-物品对的偶然不确定性数值,确定目标推荐结果,确定所述目标推荐结果的过程如公式(6)所示:
其中,rui表示所述目标推荐结果,β表示一个超参数,β对任意所述目标用户u与任意所述物品i均是定值,fθ(u,i)表示由所述推荐模型得到的所述目标用户-物品对的预测分值,表示由所述不确定性估计器模型得到的所述目标用户-物品对的偶然不确定性数值;
第二确定模块,用于根据所述目标推荐结果,确定待推荐物品的分值;
生成模块,用于基于预设排序规则对所述分值进行排序,生成待推荐物品列表;
第三确定模块,用于根据所述待推荐物品列表,确定目标推荐物品。
8.一种电子设备,包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,
其中,当所述一个或多个程序被所述一个或多个处理器执行时,使得所述一个或多个处理器执行根据权利要求1~6中任一项所述的方法。
9.一种计算机可读存储介质,其上存储有可执行指令,该指令被处理器执行时使处理器执行根据权利要求1~6中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210512081.8A CN114637921B (zh) | 2022-05-12 | 2022-05-12 | 基于建模偶然不确定性的物品推荐方法、装置和设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210512081.8A CN114637921B (zh) | 2022-05-12 | 2022-05-12 | 基于建模偶然不确定性的物品推荐方法、装置和设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114637921A CN114637921A (zh) | 2022-06-17 |
CN114637921B true CN114637921B (zh) | 2022-09-09 |
Family
ID=81953408
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210512081.8A Active CN114637921B (zh) | 2022-05-12 | 2022-05-12 | 基于建模偶然不确定性的物品推荐方法、装置和设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114637921B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101763442A (zh) * | 2010-02-01 | 2010-06-30 | 上海海事大学 | 基于自适应更新的标准化信息封装定位方法 |
CN109901553A (zh) * | 2019-03-13 | 2019-06-18 | 东北大学 | 基于多视角的异构工业大数据协同建模过程故障监测方法 |
CN112541520A (zh) * | 2019-09-20 | 2021-03-23 | 罗伯特·博世有限公司 | 用于为神经网络生成反事实数据样本的设备和方法 |
WO2021102293A1 (en) * | 2019-11-21 | 2021-05-27 | Mayo Foundation For Medical Education And Research | Assessing gut health using metagenome data |
CN113314100A (zh) * | 2021-07-29 | 2021-08-27 | 腾讯科技(深圳)有限公司 | 口语测试的评估、结果显示方法、装置、设备及存储介质 |
CN114241110A (zh) * | 2022-02-23 | 2022-03-25 | 北京邮电大学 | 基于邻域聚合蒙特卡罗失活的点云语义不确定度感知方法 |
-
2022
- 2022-05-12 CN CN202210512081.8A patent/CN114637921B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101763442A (zh) * | 2010-02-01 | 2010-06-30 | 上海海事大学 | 基于自适应更新的标准化信息封装定位方法 |
CN109901553A (zh) * | 2019-03-13 | 2019-06-18 | 东北大学 | 基于多视角的异构工业大数据协同建模过程故障监测方法 |
CN112541520A (zh) * | 2019-09-20 | 2021-03-23 | 罗伯特·博世有限公司 | 用于为神经网络生成反事实数据样本的设备和方法 |
WO2021102293A1 (en) * | 2019-11-21 | 2021-05-27 | Mayo Foundation For Medical Education And Research | Assessing gut health using metagenome data |
CN113314100A (zh) * | 2021-07-29 | 2021-08-27 | 腾讯科技(深圳)有限公司 | 口语测试的评估、结果显示方法、装置、设备及存储介质 |
CN114241110A (zh) * | 2022-02-23 | 2022-03-25 | 北京邮电大学 | 基于邻域聚合蒙特卡罗失活的点云语义不确定度感知方法 |
Non-Patent Citations (2)
Title |
---|
《基于反事实学习及混淆因子建模的文章个性化推荐》;杨梦月等;《计算机系统应用》;20201013;第29卷(第10期);第【0053】-【0060】页 * |
《大规模图推荐模型的快速优化机制》;杨正一等;《信息安全学报》;20210930;第6卷(第5期);第【0099】-【0109】页 * |
Also Published As
Publication number | Publication date |
---|---|
CN114637921A (zh) | 2022-06-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108345702A (zh) | 实体推荐方法和装置 | |
US9064212B2 (en) | Automatic event categorization for event ticket network systems | |
CN108520470B (zh) | 用于生成用户属性信息的方法和装置 | |
CN110119445B (zh) | 生成特征向量和基于特征向量进行文本分类的方法和装置 | |
CN110390408A (zh) | 交易对象预测方法和装置 | |
CN108121814B (zh) | 搜索结果排序模型生成方法和装置 | |
US20190080352A1 (en) | Segment Extension Based on Lookalike Selection | |
CN111814056A (zh) | 基于信息处理的供应商推荐方法及相关设备 | |
US20220284067A1 (en) | Method for pushing information, electronic device | |
CN111612581A (zh) | 一种物品推荐的方法、装置、设备及存储介质 | |
CN111754278A (zh) | 物品推荐方法、装置、计算机存储介质和电子设备 | |
CN107291774B (zh) | 错误样本识别方法和装置 | |
CN112989146A (zh) | 向目标用户推荐资源的方法、装置、设备、介质和程序产品 | |
CN112966701A (zh) | 目标分类的方法和装置 | |
CN116109373A (zh) | 金融产品的推荐方法、装置、电子设备和介质 | |
CN108647986B (zh) | 一种目标用户确定方法、装置及电子设备 | |
CN109978594B (zh) | 订单处理方法、装置及介质 | |
CN112905885A (zh) | 向用户推荐资源的方法、装置、设备、介质和程序产品 | |
CN114637921B (zh) | 基于建模偶然不确定性的物品推荐方法、装置和设备 | |
CN113159877B (zh) | 数据处理方法、装置、系统、计算机可读存储介质 | |
CN113763075B (zh) | 推送物品的方法、装置、设备及介质 | |
CN112200602B (zh) | 用于广告推荐的神经网络模型训练方法及装置 | |
CN114707068A (zh) | 一种智库知识推荐的方法、装置、设备及介质 | |
CN113094584A (zh) | 推荐学习资源的确定方法和装置 | |
CN113095589A (zh) | 一种人口属性确定方法、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 |