数目。
[0129] 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：
[0130] y = θηχχ+θυχζ+'Η+θ??Χ?+'Η+θχηΧη+θχ。，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
[0131] 所沭樽型调輅单元，具体用于通过以下公式调整所述原始预测模型中的Θ i i:
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;α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θ 2ι确定为所述，获 得所述预测模型；如果否，则在所述θ2ι的基础上，利用所述α和所述(zm )Xjl，调整获得所 述预测模型。
[0132] 以上结合附图详细描述了本发明的优选实施方式，但是，本发明并不限于上述实 施方式中的具体细节，在本发明的技术构思范围内，可以对本发明的技术方案进行多种简 单变型，这些简单变型均属于本发明的保护范围。
[0133] 另外需要说明的是，在上述【具体实施方式】中所描述的各个具体技术特征，在不矛 盾的情况下，可以通过任何合适的方式进行组合，为了避免不必要的重复，本发明对各种可 能的组合方式不再另行说明。
[0134] 此外，本发明的各种不同的实施方式之间也可以进行任意组合，只要其不违背本 发明的思想，其同样应当视为本发明所公开的内容。
【主权项】
1. 一种个性化推荐方法，其特征在于，所述方法包括： 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； 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W 及样本用户对样本物品执行的操作动作的样本操作信息； 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； 基于所述预测评分值，进行个性化推荐。2. 根据权利要求1所述的方法，其特征在于，所述预测模型为： Y=目1X1+目2X2+... +目iXi+... +目 nXn+目0; 其中，y表示评分值；01表示第i个操作动作的权重值;Xi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；00为常量。3. 根据权利要求1或2所述的方法，其特征在于，所述对样本数据进行训练获得所述预 测模型，包括： 获取多组所述样本数据； 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； 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. 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。4. 根据权利要求3所述的方法，其特征在于，所述损失函数为：其中，J(0)表示损失函数;yj表示第j组样本数据中的样本操作信息对应的预估值;Zj表 示第j组样本数据中的样本评分值，1含j含m，m为样本数据的数目。5. 根据权利要求3所述的方法，其特征在于， 所述原始预测模型为:y = eilXl+012X2+''' + 01iXi+-' + 01nXn+01O,其中，目1康示第i个操作动 作的初始权重值;910表示初始常量;贝。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： 通过W下公式调整所述原始预测模型中的011 其 中，021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；（Zj-yj)xji由所述损失函数J(0)对0ii求偏导获得;Xj康示第j组样本数据中的第i个 操作动作的样本操作信息，1含j含m，m为样本数据的数目； 判断所述021是否使所述损失函数达到最小值，如果是，则将所述021确定为所述01，获得 所述预测模型；如果否，则在所述目21的基础上，利用所述a和所述(Z广yj，调整获得所述 预测模型。6. -种个性化推荐装置，其特征在于，所述装置包括： 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； 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W及样本用户对样本物品执行的操作动作的样本操作信息； 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； 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。7. 根据权利要求6所述的装置，其特征在于，所述预测模型获取单元，具体用于获取如 下预测模型： y 二目1X1+目2X2+... +目iXi+... +目 IiXn+目O ; 其中，y表示评分值；01表示第i个操作动作的权重值;Xi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；0〇为常量。8. 根据权利要求6或7所述的装置，其特征在于，所述装置还包括： 样本数据获取单元，用于获取多组所述样本数据； 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. 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； 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。9. 根据权利要求8所述的装置，其特征在于，所述损失函数建立单元，具体用于建立如 下损失函数：其中，J(0)表示损失函数;yj表示第j组样本数据中的样本操作信息对应的预估值;Zj表 示第j组样本数据中的样本评分值，1含j含m，m为样本数据的数目。10. 根据权利要求8所述的装置，其特征在于， 所述模型建立单元，具体用于建立如下原始预测模型： Y=目11X1 +目12X2+…+目liXi+。'+目InXn+目1日，其中，目Ii表示第i个操作动作的初始权重值；目10 表示初始常量 所述模型调整单元，具体用于通过W下公式调整所述原始预测模型中的011: 目2,二目+ 其中，02康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；（Z广由所述损失函数J(0)对011求偏导 获得;XW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含j含m，m为样本数据的 数目；判断所述921是否使所述损失函数达到最小值，如果是，则将所述021确定为所述01，获 得所述预测模型；如果否，则在所述目21的基础上，利用所述a和所述(Z广yj ，调整获得所 述预测模型。
【专利摘要】本发明公开一种个性化推荐方法及装置。该方法包括：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；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；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；基于所述预测评分值，进行个性化推荐。如此，便可基于用户对物品的隐性行为，实现个性化推荐。
【IPC分类】G06F17/30
【公开号】CN105653683
【申请号】
【发明人】姜立宇
【申请人】东软集团股份有限公司
【公开日】2016年6月8日
【申请日】2015年12月30日