一种产品信息过滤推荐方法和装置制造方法
【专利摘要】本发明提出了一种产品信息过滤推荐方法和装置，该方法包括步骤：预先获取用户对产品的多种评价数据；根据评价数据，训练推荐模型；输入用户的多种评价数据，应用训练后的推荐模型计算用户对产品的评分预测值，将评分预测值满足预设要求的产品添加到推荐列表。本发明还提供一种产品信息过滤推荐装置，包括数据库、模型训练模块和模型应用模块；数据库，用于预先获取用户对产品的多种评价数据；模型训练模块，用于根据评价数据，训练推荐模型；模型应用模块，用于输入当前用户的多种评价数据，应用训练后的推荐模型计算用户对产品的评分预测值，将评分预测值满足预设要求的产品添加到推荐列表。该方法和装置，能够提高产品信息过滤推荐的准确度。
【专利说明】一种产品信息过滤推荐方法和装置
【技术领域】
[0001] 本发明涉及网络信息【技术领域】，尤其是涉及一种产品信息过滤推荐方法和装置。
【背景技术】
[0002] 随着互联网技术的不断发展，越来越多的产品信息通过网络这一媒体进行传播， 大量产品信息存在于网络当中。当用户面临大量的物品，难以找到或选择适合自己的物品 时，推荐技术根据大量的历史数据和当前实时数据分析计算用户偏好，预测用户对物品的 喜好程度，从而帮助用户找到适合的物品。例如，图书推荐系统可以帮助用户选择合适的书 来阅读，而在线电影租赁网站可以推荐合适的电影提高用户满意度。推荐模型的数据来源 是用户和物品的相关属性和用户对物品的行为数据，比如用户的人口统计学属性、用户的 答题数据、用户对物品的评分、用户对物品的收藏、用户对物品的转发、用户购买记录等数 据。
[0003] 其中，现有技术中，一种应用较为广泛的推荐技术，是协同过滤推荐。协同过滤推 荐，也就是给定某用户，将和该用户具有相似偏好的用户群喜好的物品推荐给他。两个用户 之间的偏好相似度是基于他们对物品的评分记录。协同过滤推荐的算法中的一种是基于模 型的算法。而基于模型的算法是假设数据符合某种特定的模型，然后用历史数据对模型进 行训练，训练结果再用于推荐。基于模型的推荐算法中最著名的"矩阵因子化"算法。该算 法将用户对物品的评分数据投射到一个共同的有限维实数空间，在该空间中将每个用户和 每个物品分别对应到一个向量。基于这些向量，可以计算用户的推荐。
[0004] 传统的协同过滤算法，只考虑用户对物品的评分数据，由于评分数据仅能从一个 角度反应用户的意向，但是不能够全面反应，较为片面，因此，通过传统的协同过滤算法推 荐的产品信息往往具有较大的局限性。
【发明内容】
[0005] 本发明提出了一种产品信息过滤推荐方法和装置，以解决上述问题。
[0006] 为了达到上述目的，本发明的技术方案是这样实现的：
[0007] 本发明提供一种产品信息过滤推荐方法，包括步骤：
[0008] 步骤A，预先获取用户对产品的多种评价数据；
[0009] 步骤B，根据多种所述评价数据，训练推荐模型；
[0010] 步骤C，输入当前用户的多种评价数据，应用训练后的推荐模型计算用户对产品的 评分预测值，将评分预测值满足预设要求的产品添加到推荐列表。
[0011] 其中，所述评价数据，包括评分数据、收藏数据、转发数据和反馈数据；
[0012] 所述评分数据包括用户代号、项代号、评分值、评分时间；
[0013] 所述收藏数据包括用户代号、项代号、收藏时间；
[0014] 所述转发数据包括用户代号、项代号、转发时间；
[0015] 所述反馈数据包括用户代号、题号、用户选择的答案项代号、答题时间。
[0016] 其中，所述步骤B包括步骤：
[0017] 步骤B1，进行推荐模型设定，设定的推荐模型如下：
[0018]
【权利要求】
1. 一种产品信息过滤推荐方法，其特征在于，包括步骤： 步骤A，预先获取用户对产品的多种评价数据； 步骤B，根据多种所述评价数据，训练推荐模型； 步骤C，输入当前用户的多种评价数据，应用训练后的推荐模型计算用户对产品的评分 预测值，将评分预测值满足预设要求的产品添加到推荐列表。
2. 根据权利要求1所述的产品信息过滤推荐方法，其特征在于，所述评价数据，包括评 分数据、收藏数据、转发数据和反馈数据； 所述评分数据包括用户代号、项代号、评分值、评分时间； 所述收藏数据包括用户代号、项代号、收藏时间； 所述转发数据包括用户代号、项代号、转发时间； 所述反馈数据包括用户代号、题号、用户选择的答案项代号、答题时间。
3. 根据权利要求2所述的产品信息过滤推荐方法，其特征在于，所述步骤B包括步骤： 步骤B1，进行推荐模型设定，设定的推荐模型如下：
其中，U为当前用户，i为当前项，在为用户U对项i的预测评分，早为全部评分的平均 值，bu为用户U的基准评分偏移，bi为项i的基准评分偏移，q，X，yW，y?，S均为项i的因 子向量，R(u)为用户u已经评分的项集合，rw为用户u对项i的实际评分，弓为预计算的项 i的基准评分偏移，为预计算的用户U的基准评分偏移，5^,.为预计算的基准评分预测，nW (u)、N?(u)为隐性评分，（1)代表收藏，（2)代表转发，A(u)为用户反馈问题数据的代号集 合； 步骤B2,根据多种所述评价数据，计算出所述推荐模型中的未知参数。
4. 根据权利要求3所述的产品信息过滤推荐方法，其特征在于，所述B2包括步骤： 输入历史评分数据集合s^。,一巧因子的秩f ; 对每个项i，计算Qi，Xi ; 设定循环次数为 20,参数? << 0. 002, 1 << 0. 04, I2 << 25, I3 << 10 ;
计算总平均：
预计算基准评分预测：
初始化模型参数； 计算和项i无关的部分：
若i R(u)，则是,11车卸々/ A，e山I在立' 为Xi梯度步累加信息，/皿Cw g; 对如bu，bi进行梯度步：
若j R(u)则对Xj.进行梯度步：
若j nW (U)则对收藏数据yW进行梯度步：
若j N? (U)则对转发数据y?进行梯度步：
若j A(u)则对答题数据S进行梯度步：
返回参数"F点是，与，卸，X，/>，y2)，--，公的值。
5. 根据权利要求1所述的产品信息过滤推荐方法，其特征在于，所述步骤B中训练推荐 模型为按照预设频率在预设时间段进行训练。
6. 根据权利要求4所述的产品信息过滤推荐方法，其特征在于，所述步骤C包括步骤： 实时计算用户U对项i的评分预测值心?，输入用户U，项i，根据 声….《^ b" bi Qi Pu 输出u对项i的评分预测值元 计算项之间的相似性，输入项il和项i2,根据
输出项il和项i2的相似性； 计算用户i和用户j之间的相似性，输入用户Ui和用户U2,根据
输出用户Ui和用户U2的相似性。
7. 根据权利要求6所述的产品信息过滤推荐方法，其特征在于，所述步骤C还包括步 骤： 给定用户，计算该用户和所有其他用户的相似性，选出相似性为正数，且排名最靠前的 前第一预设数值个添加到相似的用户列表； 给定项，计算该项和所有其他项的相似性，选出相似性为正数，且排名最靠前的前第二 预设数值个添加到相似的项列表； 给定用户U，计算该用户对所有项的评分预测，选出评分大于早bu的前第H预设数值个 添加到项推荐列表。
8. 根据权利要求7所述的产品信息过滤推荐方法，其特征在于，所述步骤C之后还包括 步骤： 用户U登录后，当监测到该用户有评分、收藏、转发行为时，则更新当前用户的各种评 价数据，并更新该用户的项推荐列表和用户推荐列表。
9. 一种产品信息过滤推荐装置，其特征在于，包括数据库、模型训练模块和模型应用模 块； 所述数据库，用于预先获取用户对产品的多种评价数据； 所述模型训练模块，用于根据多种所述评价数据，训练推荐模型； 所述模型应用模块，用于输入当前用户的多种评价数据，应用训练后的推荐模型计算 用户对产品的评分预测值，将评分预测值满足预设要求的产品添加到推荐列表。
10. 根据权利要求8所述的产品信息过滤推荐装置，其特征在于，所述子模型训练模 块，用于： 进行推荐模型设定，设定的推荐模型如下：
其中，U为当前用户，i为当前项，；；,为用户u对项i的预测评分，为全部评分的平均 值，bu为用户U的基准评分偏移，bi为项i的基准评分偏移，q，X，yW，y?，S均为项i的因 子向量，R(u)为用户u已经评分的项集合，rw为用户u对项i的实际评分，&为预计算的项 i的基准评分偏移，4为预计算的用户U的基准评分偏移，gw为预计算的基准评分预测，N<" (u)、N?(u)为隐性评分，（1)代表收藏，（2)代表转发，A(u)为用户反馈问题数据的代号集 合； 根据多种所述评价数据，计算出所述推荐模型中的未知参数。
【文档编号】G06F17/30GK104424247SQ201310380269
【公开日】2015年3月18日 申请日期:2013年8月28日 优先权日:2013年8月28日
【发明者】康友三 申请人:北京闹米科技有限公司