专利名称：一种推荐排序的方法及系统的制作方法
一种推荐排序的方法及系统技术领域
本发明属于信息处理技术领域，尤其涉及一种推荐排序的方法及系统。
背景技术：
随着信息技术和互联网的发展，人们逐渐从信息匮乏的时代走入了信息过载 (Information overload)的时代。在这个时代，无论是用户还是作为信息生产者都遇到了 很大的挑战。作为用户，如何从大量的信息中找到自己所感兴趣的信息是一件非常困难的 事情。而作为信息生产者，如何让自己生产的信息脱颖而出，受到用户的欢迎，也是一件非 常困难的事情。
现有的推荐系统可以用基于领域的协同过滤算法、基于内容的算法或矩阵分解算 法生成初步推荐结果，在推荐系统的一般架构中，这个初步推荐结果还不能直接呈现给用 户，我们需要对这个结果进行排列。作为推荐系统的重要一环，如何设计推荐排列，即排序 推荐系统生成的初步推荐结果并展示给用户，一直被忽视。一种常用的方法是根据推荐权 重排序推荐结果。但是，采用这种方法得到的最终推荐结果不能很好的满足用户需求，推荐 结果覆盖度窄，无法体现推荐结果的多样性等。发明内容
本发明实施例提供了一种推荐排序的方法及系统，旨在解决现有推荐排序方法获 得的推荐列表中，推荐项不能很好的满足用户需求、推荐项覆盖度窄，无法体现推荐项的多 样性的问题。
一方面，提供一种推荐排序的方法，所述方法包括
根据预设相关性因素，定义推荐相关性函数、推荐排名函数和相关平均精度RMAP 函数；
根据初步推荐结果和所述RMAP函数，获取最优RMAP及对应的最优推荐解释相关 性、最优实时相关性和最优多样性；
根据所述最优推荐解释相关性、所述最优实时相关性和所述最优多样性，获取所 述最优RMAP对应的推荐项的排名值；
按照所述排名值排列推荐项，生成推荐列表。
另一方面，提供一种推荐排序的系统，所述系统包括
函数定义单元，用于根据预设相关性因素，定义推荐相关性函数、推荐排名函数和 相关平均精度RMAP函数；
最优因素获取单元，用于根据初步推荐结果和所述RMAP函数，获取最优RMAP及对 应的最优推荐解释相关性、最优实时相关性和最优多样性；
排名值计算单元，用于根据所述最优推荐解释相关性、所述最优实时相关性和所 述最优多样性，获取所述最优RMAP对应的推荐项的排名值；
推荐列表生成单元，用于按照所述排名值排列推荐项，生成推荐列表。
在本发明实施例，根据预设相关性因素，定义推荐相关性函数、推荐排名函数和相关平均精度RMAP函数，根据初步推荐结果和所述RMAP函数，获取最优RMAP及对应的最优推荐解释相关性、最优实时相关性和最优多样性，根据所述最优推荐解释相关性、所述最优实时相关性和所述最优多样性，获取所述最优RMAP对应的推荐项的排名值，按照所述排名值排列推荐项，生成推荐列表。本发明，实现了生成的推荐列表中，推荐项满足用户需求、覆盖度宽、多样性。
图1是本发明实施例一提供的推荐排序的方法的实现流程图2是本发明实施例二提供的推荐排序的装置的具体结构框图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
在本发明实施例中，根据预设相关性因素，定义推荐相关性函数、推荐排名函数和相关平均精度RMAP函数，根据初步推荐结果和所述RMAP函数，获取最优RMAP及对应的最优推荐解释相关性、最优实时相关性和最优多样性，根据所述最优推荐解释相关性、所述最优实时相关性和所述最优多样性，获取所述最优RMAP对应的推荐项的排名值，按照所述排名值排列推荐项，生成推荐列表。
以下结合具体实施例对本发明的实现进行详细描述
实施例一
图1示出了本发明实施例一提供的推荐排序的方法的实现流程，详述如下
需要说明的是，本实施例和以下实施例中，推荐系统生成了初步推荐结果，初步推荐结果为一个大小维度为η的向量，初步推荐结果的每一项推荐项包括推荐项id、推荐度。
在步骤SlOl中，根据预设相关性因素，定义推荐相关性函数、推荐排名函数和相关平均精度RMAP函数
在本实施例中，首先需要从众多影响推荐项排序的相关性因素中，确定影响推荐项排序的预设相关性因素，所述预设相关性因素包括但不限于推荐解释相关、实时相关性和多样性，可以根据不同应用场景需要做出调整。本实施例场景选取推荐解释相关、实时相关性和多样性。每推荐项对应一个解释相关性值、实时相关性值、多样性值，如初步推荐结果的第i项及“ 应的三个相关性值为推荐解释相关性re1、实时相关性rt1、多样性rdi。
推荐系统对每个推荐项都有一个推荐解释，也可以称为推荐理由，这个推荐解释一般是产生推荐结果的重要特征。通过提供推荐解释可以加深用户对推荐结果的信任度。 常用的推荐解释是基于用户历史行为，这种推荐解释一般告诉用户之所以给他们推荐物品 A是因为他们曾经喜欢过物品B，而对物品B和A是很相似的，比如视频推荐中，给用户推荐射雕英雄传的原因可能是因为用户曾经看过天龙八部。为了使推荐更加透明化，采用路径方式作为推荐解释，如A->C-> {f 1}，即给用户推荐B是因为他们曾经喜欢过物品A、C，并且 A、B、C物品存在共同特征f I。初步推荐结果的每个推荐项可能有不同的推荐解释(即由不同的路径推荐的)，怎么排列推荐系统生成的初步推荐结果，使用户的体验更友好。因此，在排列模块中考虑了推荐解释相关性，把路径解释相同、类似的项排一块，使推荐列表不会显得凌乱无章。
其中，推荐项的推荐解释相关性re定义
权利要求
1.一种推荐排序的方法，其特征在于，所述方法包括根据预设相关性因素，定义推荐相关性函数、推荐排名函数和相关平均精度RMAP函数；根据初步推荐结果和所述RMAP函数，获取最优RMAP及对应的最优推荐解释相关性、最优实时相关性和最优多样性；根据所述最优推荐解释相关性、所述最优实时相关性和所述最优多样性，获取所述最优RMAP对应的推荐项的排名值；按照所述排名值排列推荐项，生成推荐列表。
2.如权利要求1所述的方法，其特征在于，所述RMAP函数满足下列公式
3.如权利要求1或2所述的方法，其特征在于，所述根据所述最优推荐解释相关性、 所述最优实时相关性和所述最优多样性，获取所述最优RMAP对应的推荐项的排名值，具体为根据所述最优推荐解释相关性、所述最优实时相关性和所述最优多样性，通过下述公式计算最优推荐相关性 f(u, i)=reiw1+rtiw2+rdiw3其中，W1, w2、w3分别权衡推荐解释相关性tv、实时相关性rf1、多样性rsi对所述推荐相关性的影响；根据所述最优推荐相关性和所述推荐排名函数计算所述最优RMAP对应的推荐项的排名值，所述推荐排名函数具体为frank (u, i) = a J (u, i) + a 2p (u, i)其中，CI1, CI2分别为调整相关性及推荐度两个推荐依据的线性融合系数，P (U，i)为推荐系统给用户U推荐项i的推荐值。
4.如权利要求3所述的方法，其特征在于，所述根据初步推荐结果和所述RMAP函数，获取最优RMAP，及对应的最优推荐解释相关性、最优实时相关性和最优多样性，具体为初始化迭代次数，并根据所述RMAP函数，计算初步推荐结果中的第i个推荐项对应的推荐解释相关性、实时相关性、多样性、RMAPt ；根据所述RMAP函数，计算推荐解释相关性偏导值、实时相关性偏导值、多样性偏导值； 根据所述推荐解释相关性、实时相关性、多样性，和对应的所述推荐解释相关性偏导值、实时相关性偏导值、多样性偏导值，计算第j个推荐项对应的推荐解释相关性、实时相关性、多样性和与所述迭代次数对应的RMAPt+1 ；将迭代次数增加I ;对比所述RMAPt+1是否小于RMAPt,首次迭代的RMAPt为初始RMAP，如果是，则终止迭代， 获取最优RMAP为RMAPt+1，和最优RMAP对应的最优推荐解释相关性、最优实时相关性和最优多样性，否则，判断迭代次数是否达到设定迭代次数；判断迭代次数是否达到设定迭代次数，如果达到所述设定迭代次数，则终止迭代，获取最优RMAP，及最优RMAP对应的最优推荐解释相关性、最优实时相关性和最优多样性，否则， 继续进行迭代。
5.一种推荐排序的系统，其特征在于，所述系统包括函数定义单元，用于根据预设相关性因素，定义推荐相关性函数、推荐排名函数和相关平均精度RMAP函数；最优因素获取单元，用于根据初步推荐结果和所述RMAP函数，获取最优RMAP及对应的最优推荐解释相关性、最优实时相关性和最优多样性；排名值计算单元，用于根据所述最优推荐解释相关性、所述最优实时相关性和所述最优多样性，获取所述最优RMAP对应的推荐项的排名值；推荐列表生成单元，用于按照所述排名值排列推荐项，生成推荐列表。
6.如权利要求5所述的系统，其特征在于，所述函数定义单元包括函数定义模块，用于定义RMAP函数，所述RMAP函数满足下列公式
7.如权利要求5或6所述的系统，其特征在于，所述排名值计算单元包括最优相关性获取模块，用于根据所述最优推荐解释相关性、所述最优实时相关性和所述最优多样性，通过下述公式计算最优推荐相关性 f(u, i
8.如权利要求7所述的系统，其特征在于，所述最优因素获取单元包括第一计算模块，用于初始化迭代次数，并根据所述RMAP函数，计算初步推荐结果中的第i个推荐项对应的推荐解释相关性、实时相关性、多样性、RMAPt ；偏导值获取模块，用于根据所述RMAP函数，计算推荐解释相关性偏导值、实时相关性偏导值、多样性偏导值；第二计算模块，用于根据所述推荐解释相关性、实时相关性、多样性，和对应的所述推荐解释相关性偏导值、实时相关性偏导值、多样性偏导值，计算第j个推荐项对应的推荐解释相关性、实时相关性、多样性和与所述迭代次数对应的RMAPt+1 ;将迭代次数增加I ;最优值获取模块，用于对比所述RMAPt+1是否小于RMAPt,首次迭代的RMAPt为初始RMAP， 如果是，则终止迭代，获取最优RMAP为RMAPt+1，和最优RMAP对应的最优推荐解释相关 性、最优实时相关性和最优多样性；否则，判断迭代次数是否达到设定迭代次数，如果达到所述设定迭代次数，则终止迭代，获取最优RMAP，及最优RMAP对应的最优推荐解释相关性、最优实时相关性和最优多样性，否则，继续进行迭代。
全文摘要
本发明适用于信息处理技术领域，提供了一种推荐排序的方法及系统，所述方法包括根据预设相关性因素，定义推荐相关性函数、推荐排名函数和相关平均精度RMAP函数，根据初步推荐结果和所述RMAP函数，获取最优RMAP及对应的最优推荐解释相关性、最优实时相关性和最优多样性，根据所述最优推荐解释相关性、所述最优实时相关性和所述最优多样性，获取所述最优RMAP对应的推荐项的排名值，按照所述排名值排列推荐项，生成推荐列表。本发明，实现了生成的推荐列表中，推荐项满足用户需求、覆盖度宽、多样性。
文档编号G06F17/30GK102999589SQ201210462169
公开日2013年3月27日 申请日期2012年11月15日 优先权日2012年11月15日
发明者郑巧玲, 汪灏泓 申请人:Tcl集团股份有限公司