一种个性化推荐方法及装置的制造方法
【技术领域】
[0001 ]本发明涉及数据处理领域，具体地，涉及一种个性化推荐方法及装置。
【背景技术】
[0002] 随着信息技术的不断发展，为了更好的服务于用户，个性化推荐技术应运而生，用 于为用户提供符合其需求的个性化推荐内容。通常，个性化推荐技术以用户行为数据为基 础，再结合一定的数据分析方法，为用户生成个性化推荐内容。
[0003] 具体地，用户行为可以分为显性行为和隐性行为。显性行为可以是用户直观表明 的对物品的喜好程度，如用户为物品进行评分。隐性行为可以是用户对物品执行的操作动 作，如操作动作可以为浏览、购买、评价、收藏、转发、点赞、下载等等。
[0004]在进行个性化推荐时，如基于协同过滤算法实现的个性化推荐方案中，可以先利 用用户对物品的评分值计算用户之间的相似度，确定出与目标用户具有相同或相似兴趣偏 好的邻居用户，再根据邻居用户对物品的评分值来预测目标用户对待推物品的评分值，进 而将预测评分值较高的待推物品作为推荐内容，发送给目标用户。其中，预测评分值较高可 以理解为超过了预设值。
[0005] 由此可知，用户对物品的评分值在个性化推荐方案中起着至关重要的作用。对于 显性行为来说，可以直接利用抓取到的用户对物品的评分值，进行个性化推荐。但是，对于 隐性行为来说，通常只能抓取用户对物品所执行操作动作的操作信息，如，操作动作为浏 览，则操作信息可体现为浏览时长;操作动作为购买，则操作信息可体现为购买次数，等等， 如何利用抓取到的操作信息，进行个性化推荐，成为目前亟待解决的问题。
【发明内容】
[0006] 本发明的目的是提供一种个性化推荐方法及装置，可以基于用户对物品的隐性行 为，实现个性化推荐。
[0007] 本发明实施例提供了 一种个性化推荐方法，所述方法包括：
[0008] 获取待测用户对待测物品所执行操作动作的当前操作信息；
[0009] 获取预测模型，所述预测模型用于表示操作信息与评分值间的对应关系，通过对 样本数据进行训练获得所述预测模型，所述样本数据包括样本用户对样本物品的样本评分 值以及样本用户对样本物品执行的操作动作的样本操作信息；
[0010] 利用所述预测模型，获得所述当前操作信息对应的预测评分值；
[0011] 基于所述预测评分值，进行个性化推荐。
[001 2]可选地，戶斤述预测模型为：y = θ^+θ^+Η. + θ?Χ?+Η. + θηΧη+θο ;
[0013] 其中，y表示评分值;Θ,表示第i个操作动作的权重值;Xl表示第i个操作动作的操作 信息；1 < i <n，n为操作动作的类型数目；θ〇为常量。
[0014] 可选地，所述对样本数据进行训练获得所述预测模型，包括：
[0015] 获取多组所述样本数据；
[0016] 建立原始预测模型，并利用所述原始预测模型，获得每组样本数据中的样本操作 信息对应的预估值；
[0017] 建立损失函数，所述损失函数用于表示每组样本数据中的样本评分值与该组样本 数据中的样本操作信息对应的预估值之间的偏差；
[0018] 调整所述原始预测模型，并在所述损失函数达到最小值时，获得所述预测模型。
[0019] 可选地，所述损失函数为：
[0020]
[0021]其中，J(0)表示损失函数;^表示第j组样本数据中的样本操作信息对应的预估 值;W表示第j组样本数据中的样本评分值，1 < j <m，m为样本数据的数目。
[0022]可选地，所述原始预测模型为：
[0023] y = θηχχ+θυχζ+.Η+θ??Χ?+.Η+θχηΧη+θχο,其中，0U表示第i个操作动作的初始权重 值;θιο表示初始常量;则
[0024] 所述调整所述原始预测模型，并在所述损失函数达到最小值时，获得所述预测模 型，包括：
[0025] 通过以下公式调整所述原始预测模型中的θη: 02i = θη+α (zj-yj)Xji;其中，02i表示 对所述原始预测模型进行一次调整后，第i个操作动作的调整后权重值;α表示学习速率； 由所述损失函数J(9)对θη求偏导获得表示第j组样本数据中的第i个操作动 作的样本操作信息，1 < j <m，m为样本数据的数目；
[0026] 判断所述θ2ι是否使所述损失函数达到最小值，如果是，则将所述θ2ι确定为所述Θ,， 获得所述预测模型；如果否，则在所述θ 2ι的基础上，利用所述α和所述(zm )Xjl，调整获得 所述预测模型。
[0027] 本发明实施例还提供了 一种个性化推荐装置，所述装置包括：
[0028] 操作信息获取单元，用于获取待测用户对待测物品所执行操作动作的当前操作信 息；
[0029] 预测模型获取单元，用于获取预测模型，所述预测模型用于表示操作信息与评分 值间的对应关系，通过对样本数据进行训练获得所述预测模型，所述样本数据包括样本用 户对样本物品的样本评分值以及样本用户对样本物品执行的操作动作的样本操作信息；
[0030] 评分值获得单元，用于利用所述预测模型，获得所述当前操作信息对应的预测评 分值；
[0031 ]个性化推荐单元，用于基于所述预测评分值，进行个性化推荐。
[0032] 可选地，所述预测模型获取单元，具体用于获取如下预测模型：
[0033] y = θιχι+θ2Χ2+· · · + θ?Χ?+· · · + θηχη+θ〇 ；
[0034] 其中，y表示评分值;θ,表示第i个操作动作的权重值;Χι表示第i个操作动作的操作 信息；1 < i <n，n为操作动作的类型数目；θ〇为常量。
[0035] 可选地，所述装置还包括：
[0036] 样本数据获取单元，用于获取多组所述样本数据；
[0037] 模型建立单元，用于建立原始预测模型，并利用所述原始预测模型，获得每组样本 数据中的样本操作信息对应的预估值；
[0038] 损失函数建立单元，用于建立损失函数，所述损失函数用于表示每组样本数据中 的样本评分值与该组样本数据中的样本操作信息对应的预估值之间的偏差；
[0039] 模型调整单元，用于调整所述原始预测模型，并在所述损失函数达到最小值时，获 得所述预测模型。
[0040] 可选地，所述损失函数建立单元，具体用于建立如下损失函数：
[0041；
[0042] 其中，J(0)表示损失函数;^表示第j组样本数据中的样本操作信息对应的预估 值;W表示第j组样本数据中的样本评分值，1 < j <m，m为样本数据的数目。
[0043] 可选地，所述模型建立单元，具体用于建立如下原始预测模型：
[0044] y = Θηχχ+Θυχζ+'Η+Θ??χ?+'Η+Θχηχη+Θ!。，其中，表示第i个操作动作的初始权重 值;θιο表示初始常量;则
[0045] 所述模型调整单元，具体用于通过以下公式调整所述原始预测模型中的θ1ι:θ2ι = 0ll+a(Zm)Xjl;其中，θ2ι表示对所述原始预测模型进行一次调整后，第i个操作动作的调整 后权重值;a表示学习速率；（zm) Xjl由所述损失函数J(0)对θη求偏导获得;Xjl表示第j组 样本数据中的第i个操作动作的样本操作信息，1 < j <m，m为样本数据的数目；判断所述θ2ι 是否使所述损失函数达到最小值，如果是，则将所述θ2ι确定为所述Θ