特征向量计算方法及装置的制造方法
【技术领域】
[0001] 本发明实施例设及物品推荐领域，特别设及一种特征向量计算方法及装置。
【背景技术】
[0002] 歌曲推荐过程中需要使用歌曲的特征向量。特征向量是用于表示物品特征的向 量。歌曲的特征向量需要预先计算得到。
[0003] 矩阵分解方法是用于计算歌曲的特征向量的一种准确率很高的计算方法。矩阵分 解方法需要构建用户与歌曲之间的N*M评分矩阵。
[0004]
[0005] 其中，该评分矩阵中的每一行对应一个用户，每一列对应一首歌曲。Wij表示第i个 用户对第j个物品的评分值。
[0006] 利用矩阵分解方法，能够将Γ#Μ评分矩阵分解为N体矩阵和肿Μ矩阵。该N体矩阵和 Κ*Μ矩阵是使目标函数最小化时的矩阵分解结果。
[0007]
[000引其中，Ν体矩阵中的第i行元素构成了第i个用户的特征向量，Κ*Μ矩阵中的第j列元 素构成了第j个用户的特征向量。
[0009] 在实现本发明实施例的过程中，发明人发现现有技术至少存在W下问题：
[0010] 由于音乐播放器的用户数量可能达到亿级，上述的N*M评分矩阵也会达到亿级，导 致矩阵分解过程的计算量太大，计算资源有限时难W完成该矩阵分解过程。
【发明内容】
[0011] 为了解决用户数量太大使矩阵分解难W完成的问题，本发明实施例提供了一种特 征向量计算方法及装置。所述技术方案如下：
[0012] 根据本公开实施例的第一方面，提供一种特征向量计算方法，该方法包括：
[0013] 使用物品i代表喜欢物品i的一类用户，构建评分矩阵中的行；
[0014] 使用物品j构建评分矩阵中的列；
[0015] 使用物品i与物品j之间的相似度代表喜欢物品i的一类用户对物品j的评分，构建 评分矩阵中的矩阵元素；
[0016] 根据目标函数对评分矩阵进行矩阵分解，得到第一矩阵和第二矩阵；第一矩阵包 括每类用户的特征向量，第二矩阵包括:每种物品的特征向量。
[0017] 可选的，使用物品i与物品j之间的相似度代表喜欢物品i的一类用户对物品j的评 分，构建评分矩阵中的矩阵元素，包括：
[0018] 计算物品i与物品j之间的相似度；
[0019] 使用相似度代表喜欢物品i的一类用户对物品j的评分，作为评分矩阵中的矩阵元 素 Wij的取值。
[0020] 可选的，计算物品i与物品j之间的相似度，包括：
[0021] 计算物品j相对于物品i的置信度，将置信度作为物品i与物品j之间的相似度。
[0022] 可选的，计算物品j相对于物品i的置信度，将置信度作为物品i与物品j之间的相 似度，包括：
[0023]
[0024] 其中，ri,堤物品i与物品j之间的相似度，P( j I i)是物品j相对于物品i的置信度，N α η j)是喜欢物品i且喜欢物品j的用户的个数，N(i)是喜欢物品i的用户的个数，N(i)是正 整数。
[0025] 可选的，根据目标函数对评分矩阵进行矩阵分解，得到第一矩阵和第二矩阵，包 括：
[0026] 使用预定的矩阵分解方法对评分矩阵进行矩阵分解，得到使目标函数取得最小值 时的第一矩阵和第二矩阵；
[0027] 其中，矩阵分解方法包括ALS算法、Pisa算法、LDA算法和SVD算法中的任意一种。
[0028] 根据本公开实施例的第二方面，提供一种特征向量计算装置，该装置包括：
[0029] 第一构建模块，用于使用物品i代表喜欢物品i的一类用户，构建评分矩阵中的行；
[0030] 第二构建模块，用于使用物品j构建评分矩阵中的列；
[0031] 第Ξ构建模块，用于使用物品i与物品j之间的相似度代表喜欢物品i的一类用户 对物品j的评分，构建评分矩阵中的矩阵元素；
[0032] 分解模块，用于根据目标函数对评分矩阵进行矩阵分解，得到第一矩阵和第二矩 阵;第一矩阵包括每类用户的特征向量，第二矩阵包括:每种物品的特征向量。
[0033] 可选的，第Ξ构建模块包括：
[0034] 计算单元，用于计算物品i与物品j之间的相似度；
[0035] 构建单元，用于使用相似度代表喜欢物品i的一类用户对物品j的评分，作为评分 矩阵中的矩阵元素 Wij的取值。
[0036] 可选的，计算单元，用于计算物品j相对于物品i的置信度，将置信度作为物品i与 物品j之间的相似度。
[0037] 可选的，计算单元，用于计算：
[00；3 引
[0039] 其中，ri,堤物品i与物品j之间的相似度，P(j|i)是物品j相对于物品i的置信度，N α η j)是喜欢物品i且喜欢物品j的用户的个数，N(i)是喜欢物品i的用户的个数，N(i)是正 整数。
[0040] 可选的，分解模块，用于使用预定的矩阵分解方法对评分矩阵进行矩阵分解，得到 使目标函数取得最小值时的第一矩阵和第二矩阵；
[0041 ] 其中，矩阵分解方法包括ALS算法、Pisa算法、LDA算法和SVD算法中的任意一种。
[0042] 本发明实施例提供的技术方案带来的有益效果是：
[0043] 通过使用物品i代表喜欢物品i的一类用户，构建评分矩阵中的行，使用物品j构建 评分矩阵中的列，使用物品i与物品j之间的相似度代表喜欢物品i的一类用户对物品j的评 分，构建评分矩阵中的矩阵元素，根据目标函数对评分矩阵进行矩阵分解，得到第一矩阵和 第二矩阵;第一矩阵包括:每类用户的特征向量，第二矩阵包括:每种物品的特征向量;解决 了相关技术中使用用户构建评分矩阵的行，由于用户数量庞大而使矩阵分解难W完成的问 题;达到了使用物品代替一类用户构成评分矩阵的行，减少评分矩阵中的矩阵元素个数，减 少了矩阵分解过程中的计算量的效果。
【附图说明】
[0044] 为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使 用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于 本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可W根据运些附图获得其他 的附图。
[0045] 图1是根据一示例性实施例示出的一种特征向量计算方法的流程图；
[0046] 图2是根据另一示例性实施例示出的一种特征向量计算方法的流程图；
[0047] 图3是根据另一示例性实施例示出的一种评分矩阵的示意图；
[0048] 图4是根据一示例性实施例示出的一种特征向量计算装置的框图；
[0049] 图5是根据另一示例性实施例示出的一种特征向量计算装置的框图。
【具体实施方式】
[0050] 为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明实施方 式作进一步地详细描述。
[0051] 本公开各个实施例提供的特征向量计算方法，可W由安装有至少一个应用程序的 终端来实现，该终端可W是手机、平板电脑、电子书阅读器、MP3 (Moving Picture Experts Group Audio Layer虹，动态影像专家压缩标准音频层面3)播放器、MP4(Moving Picture Experts Group Audio LayerlV，动态影像专家压缩标准音频层面4)播放器、便携式计算机 和台式计算机之类的电子设备。
[0052] 本公开各个实施例提供的特征向量计算方法，可W应用于由计算机软硬件实现的 物品推荐系统中，物品是歌曲、视频、图片、网页、书籍和新闻中的至少一种。
[0053] 图1是根据一示例性实施例示出的一种特征向量计算方法的流程图。本实施例W 该特征向量计算方法应用于上述终端中来举例说明。该方法可W包括W下几个步骤：
[0054] 在步骤101中，使用物品i代表喜欢物品i的一类用户，构建评分矩阵中的行。
[0055] 在步骤102中，使用物品j构建评分矩阵中的列。
[0056] 在步骤103中，使用物品i与物品j之间的相似度代表喜欢物品i的一类用户对物品 j的评分，构建评分矩阵中的矩阵元素。
[0057] 在步骤104中，根据目标函数对评分矩阵进行矩阵分解，得到第一矩阵和第二矩 阵;第一矩阵包括:每类用户的特征向量，第二矩阵包括:每种物品的特征向量。
[0058] 综上所述，本公开实施例提供的特征向量计算方法，使用物品i代表喜欢物品i的 一类用户，构建评分矩阵中的行，使用物品j构建评分矩阵中的列，使用物品i与物品j之间 的相似度代表