CN117290609A - 产品数据推荐方法及产品数据推荐装置 - Google Patents
产品数据推荐方法及产品数据推荐装置 Download PDFInfo
- Publication number
- CN117290609A CN117290609A CN202311575452.8A CN202311575452A CN117290609A CN 117290609 A CN117290609 A CN 117290609A CN 202311575452 A CN202311575452 A CN 202311575452A CN 117290609 A CN117290609 A CN 117290609A
- Authority
- CN
- China
- Prior art keywords
- parameter
- updated
- target
- recommended product
- product
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 56
- 238000005070 sampling Methods 0.000 claims abstract description 85
- 238000009825 accumulation Methods 0.000 claims description 97
- 238000004891 communication Methods 0.000 claims description 34
- 230000014509 gene expression Effects 0.000 claims description 22
- 239000011159 matrix material Substances 0.000 claims description 14
- 230000001174 ascending effect Effects 0.000 claims description 10
- 238000010187 selection method Methods 0.000 claims description 8
- 238000000605 extraction Methods 0.000 claims description 6
- 230000008901 benefit Effects 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 description 14
- 238000010586 diagram Methods 0.000 description 12
- 238000012512 characterization method Methods 0.000 description 7
- 238000012545 processing Methods 0.000 description 7
- 239000003795 chemical substances by application Substances 0.000 description 6
- 230000000694 effects Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013475 authorization Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004806 packaging method and process Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 239000000758 substrate Substances 0.000 description 1
- 238000012549 training Methods 0.000 description 1
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
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- 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
Abstract
本发明提供了一种产品数据推荐方法及产品数据推荐装置。该方法包括:对多个产品数据的产品编码进行特征提取,得到多个产品特征信息;根据每个产品特征信息、目标用户端的置信度和估计参数生成目标用户端的第t推荐产品序列;在用户点击或不点击第t推荐产品序列中第m推荐产品的情况下,根据第m推荐产品、多个推荐产品特征信息、推荐产品权重和用户端参数,得到更新后的用户端参数;在采样结果满足预设采样条件或目标参数满足预设参数阈值的情况下,计算目标用户端在全连通图中的连通分量,得到多个第t次更新后的服务器参数;根据更新后的服务器参数得到更新后的全连通图和二次更新后的目标用户端;在t=T的情况下生成已推荐产品序列。
Description
技术领域
本申请涉及大数据处理及机器学习领域技术领域,具体地涉及一种产品数据推荐方法及产品数据推荐装置。
背景技术
在联邦Bandit模型中,每个智能体只能与中心服务器发生通讯来进行信息交换,由于本地特征信息往往涉及用户隐私,智能体之间不能进行通讯,智能体所对应的用户的本地特征信息必须始终保存在本地,即不能把本地的特征信息上传给服务器,智能体需要把每轮收集到的信息进行累加然后再上传给服务器,服务器会根据当前收集到的信息来更新最优估计的置信区间,以此来更新整个推荐策略。联邦Bandit可以在保证各智能体在不交换各自本地信息的情况下实现共同训练;大部分联邦Bandit模型都是基于同构群体的,即对每一个智能体其对应的待估计参数都是相同的,然而在现实中,不同的用户群体往往会有不同偏好,对应不同的参数,即真实数据是异构的。
在现实的大数据产品推荐场景下,异步通讯和异构群体都是推荐模型需要考虑的因素,但是由于产品数据资源的庞大,在兼顾用户信息不交换前提下很难考虑到不同用户群体的偏好,导致推荐策略不准确,因此,需要一种可以同时解决这两种问题的更加通用的推荐算法。
发明内容
鉴于上述问题,本发明提供了产品数据推荐方法及产品数据推荐装置。
根据本发明的第一个方面,提供了一种产品数据推荐方法,包括:
响应于数据推荐请求,对从数据库中获取的多个产品数据的产品编码进行特征提取,得到多个产品特征信息;
在第t次迭代时,利用目标用户端根据每个产品特征信息、目标用户端的置信度和估计参数,生成目标用户端的第t推荐产品序列,其中,用户端参数包括计数参数、特征累加参数和权重累加参数,目标用户端是基于预设挑选方法从多个初始用户端中挑选的,多个初始用户端和服务器呈星型链接;
在用户通过目标用户端点击或不点击第t推荐产品序列中第m推荐产品的情况下,根据第m推荐产品、与第t推荐产品序列对应的多个推荐产品特征信息、推荐产品权重和用户端参数,对目标用户端进行更新,得到更新后的用户端参数,在不点击的情况下,所述第m推荐产品为第t推荐产品序列中最后一个推荐产品;
在采样结果满足预设采样条件或目标参数满足预设参数阈值的情况下,利用服务器计算目标用户端在全连通图中的连通分量,并对服务器的多个服务器参数进行更新,得到多个第t次更新后的服务器参数,其中,服务器参数包括第一参数、第二参数、第三参数和第四参数,采样结果是利用根据迭代次数确定的采样概率进行伯努利采样得到的,目标参数是根据第一参数和更新后的计数参数生成的;
根据更新后的第一参数、更新后的第二参数、更新后的第三参数和更新后的第四参数,对全连通图和更新后的用户端参数进行更新,得到更新后的全连通图和二次更新后的目标用户端;
在t=T的情况下,根据t个第m推荐产品生成已推荐产品序列。
根据本发明的实施例,产品数据推荐方法还包括:
基于预设收益方法根据已推荐产品序列中的t个第m推荐产品确定推荐收益数据;
其中,利用目标用户端根据每个产品特征信息、目标用户端的置信度和估计参数,生成目标用户端的第t推荐产品序列,包括:
针对每个产品特征信息,利用目标用户端根据产品特征信息、目标用户端的置信度、估计参数和矩阵范数,生成对应于每个产品特征信息的期望收益估计值,其中,矩阵范数是根据产品特征信息生成的,估计参数是通过第三参数对目标用户端进行更新得到的;
基于预设推荐方法,根据多个期望收益估计值,生成第t推荐产品序列。
根据本发明的实施例,基于预设推荐方法,根据多个期望收益估计值,生成第t推荐产品序列,包括:
基于预设挑选规则从多个期望收益估计值中挑选多个目标收益估计值,其中,预设挑选规则包括估计值最大化、最小化或随机挑选;
基于预设排序规则对多个目标收益估计值进行排序处理,得到多个排序后的目标收益估计值,其中,预设排序规则包括随机排序、按照每个目标收益估计值对应的产品编码进行升序或降序排列、或按照目标收益估计值的大小进行升序或降序排列;
根据与每个排序后的目标收益估计值对应的产品编码,生成第t推荐产品序列。
根据本发明的实施例,在用户通过目标用户端点击第t推荐产品序列中第m推荐产品的情况下,根据第m推荐产品、与第t推荐产品序列对应的多个推荐产品特征信息、推荐产品权重和用户端参数,对目标用户端进行更新,得到更新后的用户端参数,包括:
在用户通过目标用户端点击第m推荐产品的情况下,获取第m推荐产品在第t推荐产品序列中的目标序列编号、目标序列编号对应的目标权重和与目标序列编号关联的关联序列编号的关联权重;
根据目标序列编号、与第t推荐产品序列对应的多个推荐产品特征信息、推荐产品权重和用户端参数,对目标用户端进行更新,得到更新后的第t计数参数、第t特征累加参数和第t权重累加参数。
根据本发明的实施例,根据目标序列编号、与第t推荐产品序列对应的多个推荐产品特征信息、推荐产品权重和用户端参数,对目标用户端进行更新,得到更新后的第t计数参数、第t特征累加参数和第t权重累加参数,包括:
根据第t-1计数参数和目标序列编号,生成第t计数参数;
根据第t-1特征累加参数和多个推荐产品特征信息,生成第t特征累加参数;
根据第t-1权重累加参数、多个推荐产品特征信息和与每个推荐产品特征信息对应的权重,生成第t权重累加参数;
其中,在t=1的情况下,第t-1计数参数、第t-1特征累加参数和第t-1权重累加参数均为第一预设数值。
根据本发明的实施例,采样结果满足预设采样条件或目标参数满足预设参数阈值,包括:
采样结果为预设采样数值即表征采样结果满足预设采样条件;
或
根据第一参数和第t特征累加参数生成目标参数;
根据服务器的第一初始参数和第一参数,生成预设参数阈值;
目标参数大于预设参数阈值即表征目标参数满足预设参数阈值;
其中,产品数据推荐方法还包括:
在采样结果不满足预设采样条件或目标参数不满足预设参数阈值的情况下,执行第t+1次迭代,通过第t+1推荐产品序列以确定推荐收益数据。
根据本发明的实施例,服务器参数还包括第五参数、第六参数、第七参数;
其中,对服务器的多个服务器参数进行更新,得到多个第t次更新后的服务器参数,包括:
针对每个用户端,根据第t-1次迭代时的第五参数和第t特征累加参数,生成第t次迭代时的第五参数;
根据服务器的第二初始参数和多个第t-1次迭代时的第五参数,生成第t次迭代时的第一参数;
根据第t-1次迭代时的第二参数和第t计数参数,生成第t次迭代时的第二参数;
针对每个用户端,根据第t-1次迭代时的第六参数和第t权重累加参数,生成第t次迭代时的第六参数;
根据多个第t-1次迭代时的第六参数,生成第七参数;
根据第t次迭代时的第一参数和第七参数,生成第t次迭代时的第三参数;
根据第二初始参数、第t次迭代时的第五参数和第t次迭代时的第六参数,生成第t次迭代时的第四参数;
其中,在t=1的情况下,第t-1次迭代时的第五参数、第t-1次迭代时的第二参数、第t-1次迭代时的第六参数均为第二预设数值。
根据本发明的实施例,根据更新后的第一参数、更新后的第二参数、更新后的第三参数和更新后的第四参数,对全连通图和更新后的用户端参数进行更新,得到更新后的全连通图和二次更新后的目标用户端,包括:
在全连通图确定与目标用户端对应的关联用户端,其中,目标用户端与关联用户端在全连通图中用连接边连接;
根据与目标用户端对应的更新后的第四参数和与所有用户端对应的第四参数,生成第一表达式;
根据服务器的第三初始参数、与目标用户端对应的更新后的第二参数和与所有用户端对应的第二参数,生成第二表达式;
在第一表达式大于第二表达式的情况下,在全连通图中删除连接边,得到更新后的全连通图;
利用更新后的第一参数和更新后的第三参数对更新后的用户端参数进行更新,得到二次更新后的目标用户端。
根据本发明的实施例,利用更新后的第一参数和更新后的第三参数对更新后的用户端参数进行更新,得到二次更新后的目标用户端,包括:
对计数参数、特征累加参数和权重累加参数进行调整,得到第一数值的计数参数、特征累加参数和权重累加参数;
根据更新后的第一参数生成更新后的矩阵范数;
根据更新后的第三参数生成更新后的估计参数。
本发明的第二方面提供了一种产品数据推荐装置,包括:
获取模块,用于响应于数据推荐请求,对从数据库中获取的多个产品数据的产品编码进行特征提取,得到多个产品特征信息;
产品序列生成模块,用于在第t次迭代时,利用目标用户端根据每个产品特征信息、目标用户端的置信度和估计参数,生成目标用户端的第t推荐产品序列,其中,用户端参数包括计数参数、特征累加参数和权重累加参数,目标用户端是基于预设挑选方法从多个初始用户端中挑选的,多个初始用户端和服务器呈星型链接;
用户端参数更新模块,用于在用户通过目标用户端点击或不点击第t推荐产品序列中第m推荐产品的情况下,根据第m推荐产品、与第t推荐产品序列对应的多个推荐产品特征信息、推荐产品权重和用户端参数,对目标用户端进行更新,得到更新后的用户端参数,在不点击的情况下,所述第m推荐产品为第t推荐产品序列中最后一个推荐产品;
服务器参数更新模块,用于在采样结果满足预设采样条件或目标参数满足预设参数阈值的情况下,利用服务器计算目标用户端在全连通图中的连通分量,并对服务器的多个服务器参数进行更新,得到多个第t次更新后的服务器参数,其中,服务器参数包括第一参数、第二参数、第三参数和第四参数,采样结果是利用根据迭代次数确定的采样概率进行伯努利采样得到的,目标参数是根据第一参数和更新后的计数参数;
第一生成模块,用于根据更新后的第一参数、更新后的第二参数、更新后的第三参数和更新后的第四参数,对全连通图和更新后的用户端参数进行更新,得到更新后的全连通图和二次更新后的目标用户端;
第二生成模块,用于在t=T的情况下,根据t个第m推荐产品生成已推荐产品序列。
根据本发明提供的产品数据推荐方法及产品数据推荐装置,对多个产品数据的产品编码进行特征提取,得到多个产品特征信息;根据每个产品特征信息、目标用户端的置信度和估计参数生成目标用户端的第t推荐产品序列;在用户点击或不点击第t推荐产品序列中第m推荐产品的情况下,根据第m推荐产品、多个推荐产品特征信息、推荐产品权重和用户端参数,得到更新后的用户端参数。通过用户端和服务器星型链接结构和基于预设挑选方法随机挑选用户端方式使每个用户端只与服务器进行信息交换,用户端间不通讯,保证了异步通讯;其次,在采样结果满足预设采样条件或目标参数满足预设参数阈值的情况下去更新服务器端参数,进而更新全连通图和二次更新后的目标用户端,得到每个用户端群体的不同参数,从而根据异构群体的不同用户偏好进行推荐,因此,有效解决了在异构群体中进行异步通讯的产品推荐问题,能将异构用户群体进行有效的划分,进一步提升了产品推荐场景中的应用效果。
附图说明
通过以下参照附图对本发明实施例的描述,本发明的上述以及其他目的、特征和优点将更为清楚,在附图中:
图1示出了根据本发明实施例的产品数据推荐方法的流程图;
图2示出了根据本发明实施例的更新服务器参数的方法流程图;
图3示出了根据本发明实施例的产品数据推荐装置的结构框图。
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)。
在实现本发明的过程中发现,由于本地特征信息往往涉及用户隐私,用户端之间不能进行通讯,同时不同的用户群体往往会有不同偏好,对应不同的参数,联邦算法也不适用于异构群体。在现实的大数据产品推荐场景下,异步通讯和异构群体都是推荐模型需要考虑的因素,所以迫切需要同时解决这两种问题的更加通用的产品数据推荐方法。
有鉴于此,本发明的实施例提供了一种资产品数据推荐方法及产品数据推荐装置。该方法包括:响应于数据推荐请求,对多个产品数据的产品编码进行特征提取,得到多个产品特征信息;在第t次迭代时,利用目标用户端根据每个产品特征信息、目标用户端的置信度和估计参数,生成目标用户端的第t推荐产品序列;在用户通过目标用户端点击或不点击第t推荐产品序列中第m推荐产品的情况下,根据第m推荐产品、与第t推荐产品序列对应的多个推荐产品特征信息、推荐产品权重和用户端参数,对目标用户端进行更新,得到更新后的用户端参数;在采样结果满足预设采样条件或目标参数满足预设参数阈值的情况下,利用服务器计算目标用户端在全连通图中的连通分量,并对服务器的多个服务器参数进行更新,得到多个第t次更新后的服务器参数;根据更新后的第一参数、第二参数、第三参数和第四参数,对全连通图和更新后的用户端参数进行更新,得到更新后的全连通图和二次更新后的目标用户端;在t=T的情况下,根据t个第m推荐产品生成已推荐产品序列。
在本发明的技术方案中,所涉及的用户信息(包括但不限于用户个人信息、用户图像信息、用户设备信息,例如位置信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等),均为经用户授权或者经过各方充分授权的信息和数据,并且相关数据的收集、存储、使用、加工、传输、提供、公开和应用等处理,均遵守相关国家和地区的相关法律法规和标准,采取了必要保密措施,不违背公序良俗,并提供有相应的操作入口,供用户选择授权或者拒绝。
图1示出了根据本发明实施例的产品数据推荐方法的流程图。
如图1所示,该方法100包括操作S110~操作S160。
在操作S110,响应于数据推荐请求,对从数据库中获取的多个产品数据的产品编码进行特征提取,得到多个产品特征信息。
根据本发明的实施例,产品编码可以是指对多个产品类型进行编号,例如手机A01、手机A02等。
根据本发明的实施例,产品特征信息可以包括各产品类型所对应的特征信息,例如外观颜色、内存空间、像素清晰度、价格等特征信息。
在操作S120,在第t次迭代时,利用目标用户端根据每个产品特征信息、目标用户端的置信度和估计参数,生成目标用户端的第t推荐产品序列,其中,用户端参数包括计数参数、特征累加参数和权重累加参数,目标用户端是基于预设挑选方法从多个初始用户端中挑选的,多个初始用户端和服务器呈星型链接。
根据本发明的实施例,所有用户对应|U|个初始用户端,所有初始用户端与一个服务器呈星型链接,一个初始用户端服务一个用户。
根据本发明的实施例,预设挑选方法表征服务器挑选每一个初始用户端进行激活的概率相同。
根据本发明的实施例,目标用户端可以是指服务器随机挑选激活的初始用户端,用于接收本轮推荐中多个产品特征信息。
根据本发明的实施例,针对每一个目标用户端,多个产品会进行t次迭代,即有t轮迭代推荐,在每轮迭代推荐中每个目标用户端会收到每个产品特征信息,然后根据产品特征信息和置信度等,从L个产品中选择K个产品,生成本轮的推荐产品序列。
在操作S130,在用户通过目标用户端点击或不点击第t推荐产品序列中第m推荐产品的情况下,根据第m推荐产品、与第t推荐产品序列对应的多个推荐产品特征信息、推荐产品权重和用户端参数,对目标用户端进行更新,得到更新后的用户端参数,在不点击的情况下,所述第m推荐产品为第t推荐产品序列中最后一个推荐产品。
根据本发明的实施例,目标用户端将本轮生成的推荐产品序列中的产品推荐给其服务的用户,用户再依次检查推荐产品序列中的产品,根据每个产品特征信息挑选并点击第m推荐产品。
根据本发明的实施例,根据第m推荐产品、本轮推荐产品序列对应的多个推荐产品特征信息、推荐产品权重和用户端参数,对目标用户端的各参数进行更新,得到更新后的用户端参数。
根据本发明的实施例,在用户通过目标用户端在不点击的情况下,第m推荐产品为第t推荐产品序列中最后一个推荐产品。
在操作S140,在采样结果满足预设采样条件或目标参数满足预设参数阈值的情况下,利用服务器计算目标用户端在全连通图中的连通分量,并对服务器的多个服务器参数进行更新,得到多个第t次更新后的服务器参数,其中,服务器参数包括第一参数、第二参数、第三参数和第四参数,采样结果是利用根据迭代次数确定的采样概率进行伯努利采样得到的,目标参数是根据第一参数和更新后的计数参数生成的。
根据本发明的实施例,在满足预设采样条件或预设参数阈值的情况下,服务器计算目标用户端在全连通图中的连通分量,同时更新服务器的多个参数,得到第t次更新后的服务器参数。
根据本发明的实施例,服务器根据所有初始用户端生成全连通图,全连通图由节点和连接边构成,服务器和所有初始用户端构成其节点,初始用户端之间在全连通图中用连接边连接,全连通图中的初始用户端均匀分布。
根据本发明的实施例,伯努利采样表征总体中的所有元素都具有相同的概率被包含在样本中。采样结果是利用根据迭代次数确定的采样概率进行伯努利采样得到的,目标参数是根据第一参数和更新后的计数参数生成的,这种判别条件为服务器挑选每个目标用户端进行异步通讯提供了一个较好的理论保证。
在操作S150,根据更新后的第一参数、更新后的第二参数、更新后的第三参数和更新后的第四参数,对全连通图和更新后的用户端参数进行更新,得到更新后的全连通图和二次更新后的目标用户端。
根据本发明的实施例,根据更新后的服务器参数,包括第一参数、第二参数、第三参数和第四参数,更新全连通图和二次更新后的目标用户端。
根据本发明的实施例,全连通图的更新可以过滤掉无效边,目标用户端在更新后的全连通图中会呈现聚类集群的特征,进而针对不同目标用户端聚类集群生成对应的目标用户端参数。
在操作S160,在t=T的情况下,根据t个第m推荐产品生成已推荐产品序列。
根据本发明的实施例,若t=T,迭代终止,根据t个第m推荐产品生成已推荐产品序列,即针对每个目标用户端进行T轮产品迭代推荐,最终汇总t次推荐产品序列中用户一共点击了多少次以及将点击的推荐产品汇总以得到已推荐产品序列。
根据本发明的实施例,通过用户端和服务器星型链接结构和基于预设挑选方法随机挑选用户端方式使每个用户端只能与服务器进行信息交换,用户端间不通讯,保证了异步通讯;其次,在采样结果满足预设采样条件或目标参数满足预设参数阈值的情况下去更新服务器端参数,进而更新全连通图和二次更新后的目标用户端,得到每个用户端群体的不同参数,从而根据异构群体的不同用户偏好进行推荐,因此,有效解决了在异构群体中进行异步通讯的产品推荐问题,能将异构用户群体进行有效的划分,进一步提升了产品推荐场景中的应用效果。
根据本发明的实施例,产品数据推荐方法还包括:
基于预设收益方法根据已推荐产品序列中的T个第m推荐产品确定推荐收益数据;
根据本发明的实施例,目标用户端将第t轮推荐中生成的推荐产品序列呈现给用户,用户依此检查每项推荐产品,根据每个产品特征信息挑选并点击第m推荐产品,之后目标用户端根据用户检查的结果观察到用户在第m推荐产品发生点击和前m推荐产品未点击的权重值。
在一实施例中,根据预设收益方法确定推荐收益数据,计算公式如(1)所示:
(1)
其中,表征第t轮推荐中生成的推荐产品序列,/>表征用户在第m推荐产品发生点击和前m推荐产品未点击各产生的权重值,推荐收益数据值为1表征用户点击了推荐产品序列/>中的某一个,推荐收益数据值为0表征用户没有点击推荐产品序列/>中的任意产品。
更进一步地,,其中,表征生成的推荐产品序列的长度,即选取的K个产品,/>表征第t轮推荐产品序列中的第k产品,/>表征第t轮推荐中此推荐产品/>的权重值,,权重值为1表征第t轮推荐中用户对产品/>感兴趣,权重值为0表征第t轮推荐中用户对产品/>不感兴趣。
其中,利用目标用户端根据每个产品特征信息、目标用户端的置信度和估计参数,生成目标用户端的第t推荐产品序列,包括:
针对每个产品特征信息,利用目标用户端根据产品特征信息、目标用户端的置信度、估计参数和矩阵范数,生成对应于每个产品特征信息的期望收益估计值,其中,矩阵范数是根据产品特征信息生成的,估计参数是通过第三参数对目标用户端进行更新得到的;
基于预设推荐方法,根据多个期望收益估计值,生成第t推荐产品序列。
在一实施例中 ,第i个产品的期望收益估计值计算公式(2)如下所示:
(2)
其中,表征第t轮推荐中用户的偏好,/>表征第t轮推荐中对/>生成的估计参数,在公式(2)中取估计参数的转置值进行运算,/>表征第t轮推荐中所对应的每个产品特征信息,/>表征目标用户端的置信度,/>表征矩阵范数,表征/>。
根据本发明的实施例,运算结果与数值1比较大小,选取最小值作为此产品的期望收益估计值。
根据本发明的实施例,目标用户端将计算得到的传入Oracle,其中,/>,/>表征推荐产品的总个数, Oracle根据所有产品在本轮推荐中的期望收益估计值,生成第t推荐产品序列。
根据本发明的实施例,基于预设推荐方法,根据多个期望收益估计值,生成第t推荐产品序列,包括:
基于预设挑选规则从多个期望收益估计值中挑选多个目标收益估计值,其中,预设挑选规则包括估计值最大化、最小化或随机挑选;
基于预设排序规则对多个目标收益估计值进行排序处理,得到多个排序后的目标收益估计值,其中,预设排序规则包括随机排序、按照每个目标收益估计值对应的产品编码进行升序或降序排列、或按照目标收益估计值的大小进行升序或降序排列;
根据与每个排序后的目标收益估计值对应的产品编码,生成第t推荐产品序列。
根据本发明的实施例,预设挑选规则包括估计值最大化、最小化或随机挑选规则,基于预设挑选规则从第t轮推荐中每个产品的期望收益估计值中挑选多个目标收益估计值。
根据本发明的实施例,预设排序规则包括随机排序、按照每个目标收益估计值对应的产品编码进行升序或降序排列、或按照目标收益估计值的大小进行升序或降序排列,基于预设排序规则对第t轮推荐中挑选的多个目标收益估计值进行排序处理,得到多个排序后的目标收益估计值。
根据本发明的实施例,根据与第t轮排序后的目标收益估计值对应的产品编码,生成第t推荐中的推荐产品序列,即每轮推荐中目标用户端从L个产品中选择K个产品生成推荐产品序列/>,进而推荐给其服务的用户。
根据本发明的实施例,每个目标用户端需要根据产品特征信息把每轮收集到的产品进行挑选生成推荐产品序列,进而推荐给其服务的用户,用户在此基础上挑选并点击产品,从而目标用户端根据本轮收集到的推荐产品结果来更新参数,更好地优化整个推荐策略。
根据本发明的实施例,在用户通过目标用户端点击第t推荐产品序列中第m推荐产品的情况下,根据第m推荐产品、与第t推荐产品序列对应的多个推荐产品特征信息、推荐产品权重和用户端参数,对目标用户端进行更新,得到更新后的用户端参数,包括:
在用户通过目标用户端点击第m推荐产品的情况下,获取第m推荐产品在第t推荐产品序列中的目标序列编号、目标序列编号对应的目标权重和与目标序列编号关联的关联序列编号的关联权重;
根据目标序列编号、与第t推荐产品序列对应的多个推荐产品特征信息、推荐产品权重和用户端参数,对目标用户端进行更新,得到更新后的第t计数参数、第t特征累加参数和第t权重累加参数。
根据本发明的实施例,目标用户端将第t轮推荐中生成的推荐产品序列呈现给用户,用户依此检查每项推荐产品,根据每个产品特征信息挑选并点击第m推荐产品,目标用户端根据用户检查的结果,获取用户点击的第m推荐产品在第t推荐产品序列中的目标序列编号、目标序列编号对应的目标权重和与目标序列编号关联的关联序列编号的关联权重,即发生点击的第m推荐产品和未点击的前m推荐产品所对应的目标序列编号关联的权重值。
根据本发明的实施例,根据目标序列编号、第t推荐产品序列对应的多个推荐产品特征信息、推荐产品权重和用户端参数,更新目标用户端的多个参数,没有被服务器激活的初始用户端不参与本轮参数的更新。
根据本发明的实施例,根据目标序列编号、与第t推荐产品序列对应的多个推荐产品特征信息、推荐产品权重和用户端参数,对目标用户端进行更新,得到更新后的第t计数参数、第t特征累加参数和第t权重累加参数,包括:
根据第t-1计数参数和目标序列编号,生成第t计数参数;
根据第t-1特征累加参数和多个推荐产品特征信息,生成第t特征累加参数;
根据第t-1权重累加参数、多个推荐产品特征信息和与每个推荐产品特征信息对应的权重,生成第t权重累加参数;
其中,在t=1的情况下,第t-1计数参数、第t-1特征累加参数和第t-1权重累加参数均为第一预设数值。
根据本发明的实施例,第t计数参数表征本轮目标用户端获取用户对此推荐产品的点击次数。
在一实施例中,第t计数参数 计算公式(3)如下:
(3)
其中,表征前一轮目标用户端获取当前用户所对应的/>的累加, />表征此推荐产品所对应的目标序列编号,即第t推荐产品序列中第m推荐产品。
根据本发明的实施例,在每轮对目标用户端进行产品推荐中,推荐产品特征信息也在不断更新,第t特征累加参数可以用来更新第t轮推荐中的产品特征信息。
在一实施例中,第t特征累加参数计算公式(4)如下:
(4)
其中,表征前t-1轮此推荐产品的特征累加参数,/>表征此推荐产品特征信息,/>。
根据本发明的实施例,获取用户点击的第m推荐产品在第t推荐产品序列中的目标序列编号、目标序列编号对应的目标权重和与目标序列编号关联的关联序列编号的关联权重,第t权重累加参数可以用来更新第t轮推荐中的权重值。
在一实施例中,第t权重累加参数计算公式(5)如下:/>
(5)
其中,表征前一轮此推荐产品的权重累加参数,/>表征第t轮推荐中此推荐产品/>的权重值。
其中,在t=1的情况下,第t-1计数参数、第t-1特征累加参数和第t-1权重累加参数均为第一预设数值0,即计数参数、特征累加参数和权重累加参数初始的第一预设数值均为0。
根据本发明的实施例,更新目标用户端的多个参数,包括计数参数、特征累加参数和权重累加参数,考虑了产品推荐场景中多个影响要素,累加更新使得参数更加精确,其次没有被服务器激活的初始用户端不参与本轮参数的更新,使每个用户端只与服务器进行信息交换,用户端间不通讯,保证了异步通讯,较好地保护了用户的信息隐私。
根据本发明的实施例,采样结果满足预设采样条件或目标参数满足预设参数阈值,包括:
采样结果为预设采样数值即表征采样结果满足预设采样条件;
或
根据第一参数和第t特征累加参数生成目标参数;
根据服务器的第一初始参数和第一参数,生成预设参数阈值;
目标参数大于预设参数阈值即表征目标参数满足预设参数阈值;
其中,产品数据推荐方法还包括:
在采样结果不满足预设采样条件或目标参数不满足预设参数阈值的情况下,执行第t+1次迭代,通过第t+1推荐产品序列以确定推荐收益数据。
根据本发明的实施例,采样结果是根据产品推荐的迭代次数确定的采样概率进行伯努利采样得到,记录采样结果Y。
在一实施例中,采样概率计算公式(6)如下:
(6)
其中,t表征产品推荐的迭代次数。
采样结果Y计算公式(7)如下:
(7)
其中,例如时,目标用户端与服务器进行通讯。/>
根据本发明的实施例,计算第一参数和第t特征累加参数/>的行列式,得到目标参数/>。
在一实施例中,目标参数满足条件如式(8)所示:
(8)
其中,表征预设参数阈值,/>代表第一初始参数,, />表征第一参数的行列式。
根据本发明的实施例,在采样结果不满足预设采样条件或目标参数不满足预设参数阈值的情况下,执行下一轮产品推荐的迭代,根据第t+1推荐产品序列进而计算推荐收益数据。
根据本发明的实施例,在采样结果满足预设采样条件或目标参数满足预设参数阈值的情况下去建立目标用户端与服务器通讯,进而更新服务器端参数,引入伯努利采样对于服务器挑选每个目标用户端的异步通讯判别条件可以得到一个较好的理论保证。
图2示出了根据本发明实施例的更新服务器参数的方法流程图。
如图2所示,服务器参数还包括第五参数、第六参数、第七参数;其中,对服务器的多个服务器参数进行更新,得到多个第t次更新后的服务器参数,该方法200包括操作S210~操作S270。
在操作S210,针对每个用户端,根据第t-1次迭代时的第五参数和第t特征累加参数,生成第t次迭代时的第五参数。
在操作S220,根据服务器的第二初始参数和多个第t-1次迭代时的第五参数,生成第t次迭代时的第一参数。
在操作S230,根据第t-1次迭代时的第二参数和第t计数参数,生成第t次迭代时的第二参数。
在操作S240,针对每个用户端,根据第t-1次迭代时的第六参数和第t权重累加参数,生成第t次迭代时的第六参数。
在操作S250,根据多个第t-1次迭代时的第六参数,生成第七参数。
在操作S260,根据第t次迭代时的第一参数和第七参数,生成第t次迭代时的第三参数。
在操作S270,根据第二初始参数、第t次迭代时的第五参数和第t次迭代时的第六参数,生成第t次迭代时的第四参数。
根据本发明的实施例,其中,在t=1的情况下,第t-1次迭代时的第五参数、第t-1次迭代时的第二参数、第t-1次迭代时的第六参数均为第二预设数值。
根据本发明的实施例,对服务器的多个服务器参数进行更新,得到多个第t次更新后的服务器参数。
在一实施例中,第t次迭代时的第五参数计算公式(9)如下:
(9)
其中,表征第t-1次迭代时的第五参数,/>表征第t特征累加参数。
第t次迭代时的第一参数计算公式(10)如下:
(10)
其中,表征第二初始参数,/>,/>表征推荐产品的总个数,,/>表征第t-1次迭代时的第五参数。
第t次迭代时的第二参数计算公式(11)如下:
(11)
其中,表征第t-1次迭代时的第二参数,/>表征第t计数参数。
第t次迭代时的第六参数计算公式(12)如下:
(12)
其中,表征第t-1次迭代时的第六参数,/>表征第t权重累加参数。
第t次迭代时的第七参数计算公式(13)如下:
(13)
其中,表征第t-1次迭代时的第六参数。
第t次迭代时的第三参数计算公式(14)如下:
(14)/>
其中,表征第t次迭代时的第一参数,/>表征第t次迭代时的第七参数。
第t次迭代时的第四参数计算公式(15)如下:
(15)
其中,表征第二初始参数,/>代表推荐产品的总个数,/>表征第t次迭代时的第五参数,/>表征第t次迭代时的第六参数。
根据本发明的实施例,在t=1的情况下,第t-1次迭代时的第五参数、第t-1次迭代时的第二参数、第t-1次迭代时的第六参数均为第二预设数值0,即第五参数、第二参数和第六参数初始的第二预设数值均为0。
根据本发明的实施例,根据更新后的第一参数、更新后的第二参数、更新后的第三参数和更新后的第四参数,对全连通图和更新后的用户端参数进行更新,得到更新后的全连通图和二次更新后的目标用户端,包括:
在全连通图确定与目标用户端对应的关联用户端,其中,目标用户端与关联用户端在全连通图中用连接边连接;
根据与目标用户端对应的更新后的第四参数和与所有用户端对应的第四参数,生成第一表达式;
根据服务器的第三初始参数、与目标用户端对应的更新后的第二参数和与所有用户端对应的第二参数,生成第二表达式;
在第一表达式大于第二表达式的情况下,在全连通图中删除连接边,得到更新后的全连通图;
利用更新后的第一参数和更新后的第三参数对更新后的用户端参数进行更新,得到二次更新后的目标用户端。
根据本发明的实施例,目标用户端与关联用户端在全连通图中用连接边连接,在全连通图中确定与目标用户端对应的关联用户端。
根据本发明的实施例,用表征目标用户端,用/>表征连接边集,得到全连通图。
在一实施例中,第一表达式(16)如下:
(16)
其中,表征第t轮迭代中更新的与目标用户端对应的第四参数,/>表征第t轮迭代中更新的与所有用户端对应的第四参数。/>
第二表达式(17)如下:
(17)
其中,表征服务器的第三初始参数,/>表征第t轮迭代中更新的目标用户端对应的更新后的第二参数,/>表征第t轮迭代中更新的与所有用户端对应的第四参数。
根据本发明的实施例,检查边集中与本轮激活的目标用户端/>相连的所有边,在第一表达式大于第二表达式的情况下,在全连通图中删除此连接边,根据更新后的边集得到更新后的全连通图。
根据本发明的实施例,通过服务器端参数的更新,进而更新全连通图,得到每个用户端集群的不同参数,从而根据异构群体的不同用户偏好进行推荐,因此,能将异构用户群体进行有效的划分,进一步提升了产品推荐场景中的应用效果。
根据本发明的实施例,利用更新后的第一参数和更新后的第三参数对更新后的用户端参数进行更新,得到二次更新后的目标用户端,包括:
对计数参数、特征累加参数和权重累加参数进行调整,得到第一数值的计数参数、特征累加参数和权重累加参数;
根据更新后的第一参数生成更新后的矩阵范数;
根据更新后的第三参数生成更新后的估计参数。
根据本发明的实施例,服务器将更新后的第一参数和第三参数传回本轮激活的目标用户端,进而更新目标用户端的参数,得到二次更新后的目标用户端。
根据本发明的实施例,将计数参数、特征累加参数和权重累加参数均置0。
根据本发明的实施例,矩阵范数更新公式(18)如下:
(18)
其中,表征第t轮迭代中更新后的第一参数。
估计参数更新公式(19)如下:
(19)
其中,表征第t轮迭代中更新后的第三参数。
图3示出了根据本发明实施例的产品数据推荐装置的结构框图。
如图3所示,该实施例的产品数据推荐装置300包括获取模块310、产品序列生成模块320、用户端参数更新模块330、服务器参数更新模块340、第一生成模块350和第二生成模块360。
获取模块310,用于响应于数据推荐请求,对从数据库中获取的多个产品数据的产品编码进行特征提取,得到多个产品特征信息。在一实施例中,获取模块310可以用于执行前文描述的操作S110,在此不再赘述。
产品序列生成模块320,用于在第t次迭代时,利用目标用户端根据每个产品特征信息、目标用户端的置信度和估计参数,生成目标用户端的第t推荐产品序列,其中,用户端参数包括计数参数、特征累加参数和权重累加参数,目标用户端是基于预设挑选方法从多个初始用户端中挑选的,多个初始用户端和服务器呈星型链接。在一实施例中,第一生成模块320可以用于执行前文描述的操作S120,在此不再赘述。
用户端参数更新模块330,用于在用户通过目标用户端点击或不点击第t推荐产品序列中第m推荐产品的情况下,根据第m推荐产品、与第t推荐产品序列对应的多个推荐产品特征信息、推荐产品权重和用户端参数,对目标用户端进行更新,得到更新后的用户端参数,在不点击的情况下,所述第m推荐产品为第t推荐产品序列中最后一个推荐产品。在一实施例中,确定模块330可以用于执行前文描述的操作S130,在此不再赘述。
服务器参数更新模块340,用于在采样结果满足预设采样条件或目标参数满足预设参数阈值的情况下,利用服务器计算目标用户端在全连通图中的连通分量,并对服务器的多个服务器参数进行更新,得到多个第t次更新后的服务器参数,其中,服务器参数包括第一参数、第二参数、第三参数和第四参数,采样结果是利用根据迭代次数确定的采样概率进行伯努利采样得到的,目标参数是根据第一参数和更新后的计数参数生成的。在一实施例中,第二生成模块340可以用于执行前文描述的操作S140,在此不再赘述。
第一生成模块350,用于根据更新后的第一参数、更新后的第二参数、更新后的第三参数和更新后的第四参数,对全连通图和更新后的用户端参数进行更新,得到更新后的全连通图和二次更新后的目标用户端。在一实施例中,第三生成模块350可以用于执行前文描述的操作S150,在此不再赘述。
第二生成模块360,用于在t=T的情况下,根据t个第m推荐产品生成已推荐产品序列。在一实施例中,第三生成模块360可以用于执行前文描述的操作S160,在此不再赘述。
根据本发明的实施例,通过用户端和服务器星型链接结构和基于预设挑选方法随机挑选用户端方式使每个用户端只与服务器进行信息交换,用户端间不通讯,保证了异步通讯;其次,在采样结果满足预设采样条件或目标参数满足预设参数阈值的情况下去更新服务器端参数,进而更新全连通图和二次更新后的目标用户端,得到每个用户端群体的不同参数,从而根据异构群体的不同用户偏好进行推荐,因此,有效解决了在异构群体中进行异步通讯的产品推荐问题,能将异构用户群体进行有效的划分,进一步提升了产品推荐场景中的应用效果。
根据本发明的实施例,第二生成模块360还包括推荐收益生成子模块。
推荐收益数据生成子模块,用于基于预设收益方法根据已推荐产品序列中的t个第m推荐产品确定推荐收益数据。
根据本发明的实施例,产品序列生成模块320包括期望收益估计值生成子模块和第一生成子模块。
期望收益估计值生成子模块,用于针对每个产品特征信息,利用目标用户端根据产品特征信息、目标用户端的置信度、估计参数和矩阵范数,生成对应于每个产品特征信息的期望收益估计值,其中,矩阵范数是根据产品特征信息生成的,估计参数是通过第三参数对目标用户端进行更新得到的。
第一生成子模块,用于基于预设推荐方法,根据多个期望收益估计值,生成第t推荐产品序列。
根据本发明的实施例,第一生成子模块包括第一处理单元、第二处理单元和第一生成单元。
第一处理单元,用于基于预设挑选规则从多个期望收益估计值中挑选多个目标收益估计值,其中,预设挑选规则包括估计值最大化、最小化或随机挑选。
第二处理单元,用于基于预设排序规则对多个目标收益估计值进行排序处理,得到多个排序后的目标收益估计值,其中,预设排序规则包括随机排序、按照每个目标收益估计值对应的产品编码进行升序或降序排列、或按照目标收益估计值的大小进行升序或降序排列。
第一生成单元,用于根据与每个排序后的目标收益估计值对应的产品编码,生成第t推荐产品序列。
根据本发明的实施例,用户端参数更新模块330包括第一更新子模块和第二更新子模块。
第一更新子模块,用于在用户通过目标用户端点击第m推荐产品的情况下,获取第m推荐产品在第t推荐产品序列中的目标序列编号、目标序列编号对应的目标权重和与目标序列编号关联的关联序列编号的关联权重。
第二更新子模块,用于根据目标序列编号、与第t推荐产品序列对应的多个推荐产品特征信息、推荐产品权重和用户端参数,对目标用户端进行更新,得到更新后的第t计数参数、第t特征累加参数和第t权重累加参数。
根据本发明的实施例,第二更新子模块包括第二生成单元、第三生成单元、第四生成单元和第五生成单元。
第二生成单元,用于根据第t-1计数参数和目标序列编号,生成第t计数参数。
第三生成单元,用于根据第t-1特征累加参数和多个推荐产品特征信息,生成第t特征累加参数。
第四生成单元,用于根据第t-1权重累加参数、多个推荐产品特征信息和与每个推荐产品特征信息对应的权重,生成第t权重累加参数。
第五生成单元,用于在t=1的情况下,第t-1计数参数、第t-1特征累加参数和第t-1权重累加参数均为第一预设数值。
根据本发明的实施例,服务器参数更新模块340包括第二生成子模块、第三生成子模块、第四生成子模块和第五生成子模块。
第二生成子模块,用于采样结果为预设采样数值即表征采样结果满足预设采样条件;或根据第一参数和第t特征累加参数生成目标参数。
第三生成子模块,用于根据服务器的第一初始参数和第一参数,生成预设参数阈值。
第四生成子模块,用于目标参数大于预设参数阈值即表征目标参数满足预设参数阈值。
第五生成子模块,用于在采样结果不满足预设采样条件或目标参数不满足预设参数阈值的情况下,执行第t+1次迭代,通过第t+1推荐产品序列以确定推荐收益数据。
根据本发明的实施例,服务器参数更新模块340还包括第一迭代子模块、第二迭代子模块、第三迭代子模块、第四迭代子模块、第五迭代子模块、第六迭代子模块、第七迭代子模块和第八迭代子模块。
第一迭代子模块,用于针对每个用户端,根据第t-1次迭代时的第五参数和第t特征累加参数,生成第t次迭代时的第五参数。
第二迭代子模块,用于根据服务器的第二初始参数和多个第t-1次迭代时的第五参数,生成第t次迭代时的第一参数。
第三迭代子模块,用于第一生成子单元,用于根据第t-1次迭代时的第二参数和第t计数参数,生成第t次迭代时的第二参数。
第四迭代子模块,用于针对每个用户端,根据第t-1次迭代时的第六参数和第t权重累加参数,生成第t次迭代时的第六参数。
第五迭代子模块,用于根据多个第t-1次迭代时的第六参数,生成第七参数。
第六迭代子模块,用于根据第t次迭代时的第一参数和第七参数,生成第t次迭代时的第三参数。
第七迭代子模块,用于根据第二初始参数、第t次迭代时的第五参数和第t次迭代时的第六参数,生成第t次迭代时的第四参数。
第八迭代子模块,用于在t=1的情况下,第t-1次迭代时的第五参数、第t-1次迭代时的第二参数、第t-1次迭代时的第六参数均为第二预设数值。
根据本发明的实施例,第一生成模块350包括第六生成子模块、第七生成子模块、第八生成子模块、第九生成子模块和第十生成子模块。
第六生成子模块,用于在全连通图确定与目标用户端对应的关联用户端,其中,目标用户端与关联用户端在全连通图中用连接边连接。
第七生成子模块,用于根据与目标用户端对应的更新后的第四参数和与所有用户端对应的第四参数,生成第一表达式。
第八生成子模块,用于根据服务器的第三初始参数、与目标用户端对应的更新后的第二参数和与所有用户端对应的第二参数,生成第二表达式。
第九生成子模块,用于在第一表达式大于第二表达式的情况下,在全连通图中删除连接边,得到更新后的全连通图。
第十生成子模块,用于利用更新后的第一参数和更新后的第三参数对更新后的用户端参数进行更新,得到二次更新后的目标用户端。
根据本发明的实施例,第十生成子模块包括第六生成单元、第七生成单元和第八生成单元。
第六生成单元,用于对计数参数、特征累加参数和权重累加参数进行调整,得到第一数值的计数参数、特征累加参数和权重累加参数。
第七生成单元,用于根据更新后的第一参数生成更新后的矩阵范数。
第八生成单元,用于根据更新后的第三参数生成更新后的估计参数。
根据本发明的实施例,获取模块310、产品序列生成模块320、用户端参数更新模块330、服务器参数更新模块340、第一生成模块350和第二生成模块360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,获取模块310、产品序列生成模块320、用户端参数更新模块330、服务器参数更新模块340、第一生成模块350和第二生成模块360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,获取模块310、产品序列生成模块320、用户端参数更新模块330、服务器参数更新模块340、第一生成模块350和第二生成模块360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。
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 (10)
1.一种产品数据推荐方法,其特征在于,包括:
响应于数据推荐请求,对从数据库中获取的多个产品数据的产品编码进行特征提取,得到多个产品特征信息;
在第t次迭代时,利用目标用户端根据每个所述产品特征信息、所述目标用户端的置信度和估计参数,生成所述目标用户端的第t推荐产品序列,其中,用户端参数包括计数参数、特征累加参数和权重累加参数,所述目标用户端是基于预设挑选方法从多个初始用户端中挑选的,多个所述初始用户端和服务器呈星型链接;
在用户通过所述目标用户端点击或不点击所述第t推荐产品序列中第m推荐产品的情况下,根据所述第m推荐产品、与所述第t推荐产品序列对应的多个推荐产品特征信息、推荐产品权重和所述用户端参数,对所述目标用户端进行更新,得到所述更新后的用户端参数,在不点击的情况下,所述第m推荐产品为第t推荐产品序列中最后一个推荐产品;
在采样结果满足预设采样条件或目标参数满足预设参数阈值的情况下,利用服务器计算所述目标用户端在全连通图中的连通分量,并对所述服务器的多个服务器参数进行更新,得到多个第t次更新后的服务器参数,其中,所述服务器参数包括第一参数、第二参数、第三参数和第四参数,所述采样结果是利用根据迭代次数确定的采样概率进行伯努利采样得到的,所述目标参数是根据所述第一参数和更新后的计数参数生成的;
根据更新后的第一参数、更新后的第二参数、更新后的第三参数和更新后的第四参数,对所述全连通图和所述更新后的用户端参数进行更新,得到更新后的全连通图和二次更新后的目标用户端;
在t=T的情况下,根据t个第m推荐产品生成已推荐产品序列。
2.根据权利要求1所述的方法,其特征在于,还包括:
基于预设收益方法根据所述已推荐产品序列中的t个第m推荐产品确定推荐收益数据;
其中,利用目标用户端根据每个所述产品特征信息、所述目标用户端的置信度和估计参数,生成所述目标用户端的第t推荐产品序列,包括:
针对每个所述产品特征信息,利用所述目标用户端根据所述产品特征信息、所述目标用户端的置信度、估计参数和矩阵范数,生成对应于每个所述产品特征信息的期望收益估计值,其中,所述矩阵范数是根据所述产品特征信息生成的,所述估计参数是通过所述第三参数对所述目标用户端进行更新得到的;
基于预设推荐方法,根据多个所述期望收益估计值,生成所述第t推荐产品序列。
3.根据权利要求2所述的方法,其特征在于,基于预设推荐方法,根据多个所述期望收益估计值,生成所述第t推荐产品序列,包括:
基于预设挑选规则从多个所述期望收益估计值中挑选多个目标收益估计值,其中,所述预设挑选规则包括估计值最大化、最小化或随机挑选;
基于预设排序规则对多个所述目标收益估计值进行排序处理,得到多个排序后的目标收益估计值,其中,所述预设排序规则包括随机排序、按照每个所述目标收益估计值对应的产品编码进行升序或降序排列、或按照目标收益估计值的大小进行升序或降序排列;
根据与每个所述排序后的目标收益估计值对应的产品编码,生成所述第t推荐产品序列。
4.根据权利要求1所述的方法,其特征在于,在用户通过所述目标用户端点击所述第t推荐产品序列中第m推荐产品的情况下,根据所述第m推荐产品、与所述第t推荐产品序列对应的多个推荐产品特征信息、推荐产品权重和用户端参数,对所述目标用户端进行更新,得到所述更新后的用户端参数,包括:
在所述用户通过所述目标用户端点击所述第m推荐产品的情况下,获取所述第m推荐产品在所述第t推荐产品序列中的目标序列编号、所述目标序列编号对应的目标权重和与所述目标序列编号关联的关联序列编号的关联权重;
根据所述目标序列编号、与所述第t推荐产品序列对应的多个推荐产品特征信息、推荐产品权重和用户端参数,对所述目标用户端进行更新,得到更新后的第t计数参数、第t特征累加参数和第t权重累加参数。
5.根据权利要求4所述的方法,其特征在于,根据所述目标序列编号、与所述第t推荐产品序列对应的多个推荐产品特征信息、推荐产品权重和用户端参数,对所述目标用户端进行更新,得到更新后的第t计数参数、第t特征累加参数和第t权重累加参数,包括:
根据第t-1计数参数和所述目标序列编号,生成所述第t计数参数;
根据第t-1特征累加参数和多个所述推荐产品特征信息,生成所述第t特征累加参数;
根据第t-1权重累加参数、多个所述推荐产品特征信息和与每个所述推荐产品特征信息对应的权重,生成所述第t权重累加参数;
其中,在t=1的情况下,所述第t-1计数参数、第t-1特征累加参数和所述第t-1权重累加参数均为第一预设数值。
6.根据权利要求5所述的方法,其特征在于,采样结果满足预设采样条件或目标参数满足预设参数阈值,包括:
所述采样结果为预设采样数值即表征所述采样结果满足预设采样条件;
或
根据所述第一参数和所述第t特征累加参数生成所述目标参数;
根据所述服务器的第一初始参数和所述第一参数,生成所述预设参数阈值;
所述目标参数大于所述预设参数阈值即表征所述目标参数满足预设参数阈值;
其中,所述方法还包括:
在所述采样结果不满足预设采样条件或目标参数不满足预设参数阈值的情况下,执行第t+1次迭代,通过第t+1推荐产品序列以确定推荐收益数据。
7.根据权利要求1所述的方法,其特征在于,所述服务器参数还包括第五参数、第六参数、第七参数;
其中,对所述服务器的多个服务器参数进行更新,得到多个第t次更新后的服务器参数,包括:
针对每个用户端,根据第t-1次迭代时的第五参数和第t特征累加参数,生成第t次迭代时的第五参数;
根据所述服务器的第二初始参数和多个第t-1次迭代时的第五参数,生成第t次迭代时的第一参数;
根据第t-1次迭代时的第二参数和第t计数参数,生成第t次迭代时的第二参数;
针对每个用户端,根据第t-1次迭代时的第六参数和第t权重累加参数,生成第t次迭代时的第六参数;
根据多个第t-1次迭代时的第六参数,生成第七参数;
根据第t次迭代时的第一参数和所述第七参数,生成第t次迭代时的第三参数;
根据所述第二初始参数、第t次迭代时的第五参数和第t次迭代时的第六参数,生成第t次迭代时的第四参数;
其中,在t=1的情况下,第t-1次迭代时的第五参数、第t-1次迭代时的第二参数、第t-1次迭代时的第六参数均为第二预设数值。
8.根据权利要求2所述的方法,其特征在于,根据更新后的第一参数、更新后的第二参数、更新后的第三参数和更新后的第四参数,对所述全连通图和所述更新后的用户端参数进行更新,得到更新后的全连通图和二次更新后的目标用户端,包括:
在所述全连通图确定与所述目标用户端对应的关联用户端,其中,所述目标用户端与所述关联用户端在所述全连通图中用连接边连接;
根据与所述目标用户端对应的更新后的第四参数和与所有用户端对应的第四参数,生成第一表达式;
根据所述服务器的第三初始参数、与所述目标用户端对应的更新后的第二参数和与所有用户端对应的第二参数,生成第二表达式;
在所述第一表达式大于所述第二表达式的情况下,在所述全连通图中删除所述连接边,得到所述更新后的全连通图;
利用所述更新后的第一参数和更新后的第三参数对所述更新后的用户端参数进行更新,得到二次更新后的目标用户端。
9.根据权利要求8所述的方法,其特征在于,利用所述更新后的第一参数和更新后的第三参数对所述更新后的用户端参数进行更新,得到二次更新后的目标用户端,包括:
对所述计数参数、特征累加参数和权重累加参数行调整,得到第一数值的计数参数、特征累加参数和权重累加参数;
根据所述更新后的第一参数生成更新后的矩阵范数;
根据所述更新后的第三参数生成更新后的估计参数。
10.一种产品数据推荐装置,其特征在于,包括:
获取模块,用于响应于数据推荐请求,对从数据库中获取的多个产品数据的产品编码进行特征提取,得到多个产品特征信息;
产品序列生成模块,用于在第t次迭代时,利用目标用户端根据每个所述产品特征信息、所述目标用户端的置信度和估计参数,生成所述目标用户端的第t推荐产品序列,其中,用户端参数包括计数参数、特征累加参数和权重累加参数,所述目标用户端是基于预设挑选方法从多个初始用户端中挑选的,多个所述初始用户端和服务器呈星型链接;
用户端参数更新模块,用于在用户通过所述目标用户端点击或不点击所述第t推荐产品序列中第m推荐产品的情况下,根据所述第m推荐产品、与所述第t推荐产品序列对应的多个推荐产品特征信息、推荐产品权重和所述用户端参数,对所述目标用户端进行更新,得到所述更新后的用户端参数,在不点击的情况下,所述第m推荐产品为第t推荐产品序列中最后一个推荐产品;
服务器参数更新模块,用于在采样结果满足预设采样条件或目标参数满足预设参数阈值的情况下,利用服务器计算所述目标用户端在全连通图中的连通分量,并对所述服务器的多个服务器参数进行更新,得到多个第t次更新后的服务器参数,其中,所述服务器参数包括第一参数、第二参数、第三参数和第四参数,所述采样结果是利用根据迭代次数确定的采样概率进行伯努利采样得到的,所述目标参数是根据所述第一参数和更新后的计数参数;
第一生成模块,用于根据更新后的第一参数、更新后的第二参数、更新后的第三参数和更新后的第四参数,对所述全连通图和所述更新后的用户端参数进行更新,得到更新后的全连通图和二次更新后的目标用户端;
第二生成模块,用于在t=T的情况下,根据t个第m推荐产品生成已推荐产品序列。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311575452.8A CN117290609B (zh) | 2023-11-24 | 2023-11-24 | 产品数据推荐方法及产品数据推荐装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311575452.8A CN117290609B (zh) | 2023-11-24 | 2023-11-24 | 产品数据推荐方法及产品数据推荐装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117290609A true CN117290609A (zh) | 2023-12-26 |
CN117290609B CN117290609B (zh) | 2024-03-29 |
Family
ID=89241059
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311575452.8A Active CN117290609B (zh) | 2023-11-24 | 2023-11-24 | 产品数据推荐方法及产品数据推荐装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117290609B (zh) |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100257022A1 (en) * | 2009-04-07 | 2010-10-07 | Yahoo! Inc. | Finding Similar Campaigns for Internet Advertisement Targeting |
JP2017033071A (ja) * | 2015-07-29 | 2017-02-09 | 株式会社タカヤコミュニケーションズ | 電子カタログシステムおよびそれに用いられる検索装置 |
CN109471963A (zh) * | 2018-09-13 | 2019-03-15 | 广州丰石科技有限公司 | 一种基于深度强化学习的推荐算法 |
CN109934681A (zh) * | 2019-03-13 | 2019-06-25 | 中国科学技术大学 | 用户感兴趣商品的推荐方法 |
CN110415084A (zh) * | 2019-07-30 | 2019-11-05 | 中国工商银行股份有限公司 | 一种产品智能推荐方法及装置 |
WO2020088126A1 (zh) * | 2018-10-31 | 2020-05-07 | 北京达佳互联信息技术有限公司 | 视频推荐方法、装置和计算机可读存储介质 |
CN111291270A (zh) * | 2020-03-02 | 2020-06-16 | 合肥工业大学 | 一种基于自适应图卷积网络的属性推理和产品推荐方法 |
CN111932342A (zh) * | 2020-08-12 | 2020-11-13 | 中国银行股份有限公司 | 基于Apriori算法的用户冷启动产品推荐方法及系统 |
CN113570437A (zh) * | 2021-07-30 | 2021-10-29 | 中国银行股份有限公司 | 一种产品推荐方法和装置 |
CN113918814A (zh) * | 2021-10-12 | 2022-01-11 | 北京交通大学 | 一种基于对抗学习的高鲁棒隐私保护推荐方法 |
CN114066346A (zh) * | 2020-07-30 | 2022-02-18 | 秀铺菲公司 | 用于从数字消息中获得信息的系统和方法 |
EP3982319A1 (en) * | 2020-10-09 | 2022-04-13 | Rakuten Group, Inc. | Simultaneous learning of inputs and parameters in machine learning-based recommender systems |
WO2022126916A1 (zh) * | 2020-12-18 | 2022-06-23 | 平安科技(深圳)有限公司 | 一种产品推荐方法、系统、计算机设备及存储介质 |
CN116385101A (zh) * | 2023-03-09 | 2023-07-04 | 阿里巴巴(中国)有限公司 | 基于电商平台的商品信息推荐方法、服务器、电商系统及相关设备 |
-
2023
- 2023-11-24 CN CN202311575452.8A patent/CN117290609B/zh active Active
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100257022A1 (en) * | 2009-04-07 | 2010-10-07 | Yahoo! Inc. | Finding Similar Campaigns for Internet Advertisement Targeting |
JP2017033071A (ja) * | 2015-07-29 | 2017-02-09 | 株式会社タカヤコミュニケーションズ | 電子カタログシステムおよびそれに用いられる検索装置 |
CN109471963A (zh) * | 2018-09-13 | 2019-03-15 | 广州丰石科技有限公司 | 一种基于深度强化学习的推荐算法 |
WO2020088126A1 (zh) * | 2018-10-31 | 2020-05-07 | 北京达佳互联信息技术有限公司 | 视频推荐方法、装置和计算机可读存储介质 |
CN109934681A (zh) * | 2019-03-13 | 2019-06-25 | 中国科学技术大学 | 用户感兴趣商品的推荐方法 |
CN110415084A (zh) * | 2019-07-30 | 2019-11-05 | 中国工商银行股份有限公司 | 一种产品智能推荐方法及装置 |
CN111291270A (zh) * | 2020-03-02 | 2020-06-16 | 合肥工业大学 | 一种基于自适应图卷积网络的属性推理和产品推荐方法 |
CN114066346A (zh) * | 2020-07-30 | 2022-02-18 | 秀铺菲公司 | 用于从数字消息中获得信息的系统和方法 |
CN111932342A (zh) * | 2020-08-12 | 2020-11-13 | 中国银行股份有限公司 | 基于Apriori算法的用户冷启动产品推荐方法及系统 |
EP3982319A1 (en) * | 2020-10-09 | 2022-04-13 | Rakuten Group, Inc. | Simultaneous learning of inputs and parameters in machine learning-based recommender systems |
WO2022126916A1 (zh) * | 2020-12-18 | 2022-06-23 | 平安科技(深圳)有限公司 | 一种产品推荐方法、系统、计算机设备及存储介质 |
CN113570437A (zh) * | 2021-07-30 | 2021-10-29 | 中国银行股份有限公司 | 一种产品推荐方法和装置 |
CN113918814A (zh) * | 2021-10-12 | 2022-01-11 | 北京交通大学 | 一种基于对抗学习的高鲁棒隐私保护推荐方法 |
CN116385101A (zh) * | 2023-03-09 | 2023-07-04 | 阿里巴巴(中国)有限公司 | 基于电商平台的商品信息推荐方法、服务器、电商系统及相关设备 |
Non-Patent Citations (2)
Title |
---|
DWIVEDI P等: "E-learning recommender system for a group of learners based on the unified learner profile approach", 《EXPERT SYSTEM》 * |
朱天宇等: "基于认知诊断的个性化试题推荐方法", 《计算机学霸O》 * |
Also Published As
Publication number | Publication date |
---|---|
CN117290609B (zh) | 2024-03-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107358293B (zh) | 一种神经网络训练方法及装置 | |
CN110555050B (zh) | 一种基于元路径的异构网络节点表示学习方法 | |
CN111814977A (zh) | 训练事件预测模型的方法及装置 | |
CN111444966A (zh) | 媒体信息分类方法及装置 | |
CN110661727B (zh) | 数据传输优化方法、装置、计算机设备和存储介质 | |
CN111339818A (zh) | 一种人脸多属性识别系统 | |
CN115455471A (zh) | 提升隐私和鲁棒的联邦推荐方法、装置、设备及存储介质 | |
CN110555378A (zh) | 基于直播视频的天气预测方法、系统及天气预测装置 | |
CN111563560B (zh) | 基于时序特征学习的数据流分类方法及装置 | |
CN116471412B (zh) | 一种基于密度聚类的自适应图像压缩方法及系统 | |
CN110852224B (zh) | 一种表情识别方法及相关装置 | |
CN116708009A (zh) | 一种基于联邦学习的网络入侵检测方法 | |
CN115795535A (zh) | 一种提供自适应梯度的差分私有联邦学习方法及装置 | |
CN115346207A (zh) | 一种基于实例结构相关性的二维图像中三维目标检测方法 | |
CN117290609B (zh) | 产品数据推荐方法及产品数据推荐装置 | |
CN115174237B (zh) | 一种物联网系统恶意流量的检测方法、装置和电子设备 | |
CN116912265A (zh) | 一种遥感图像分割方法和系统 | |
CN110751226A (zh) | 人群计数模型的训练方法、装置和存储介质 | |
CN115238134A (zh) | 用于生成图数据结构的图向量表示的方法及装置 | |
CN115761888A (zh) | 基于nl-c3d模型的塔吊操作人员异常行为检测方法 | |
CN115423393A (zh) | 一种基于lstm的动态自适应调度周期的订单调度方法及装置 | |
CN109801073A (zh) | 风险用户识别方法、装置、计算机设备及存储介质 | |
CN115147633A (zh) | 图像聚类方法、装置、设备及存储介质 | |
CN111935766B (zh) | 一种基于全局空间依赖性的无线网络流量预测方法 | |
CN113139563B (zh) | 一种图像分类模型的优化方法及装置 |
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 |