[发明专利]端到端深度协作过滤

权利要求书

1.一种用于预测多个用户中的用户对多个项中的项的偏好的方法，所述方法包括：

利用一个或多个神经网络模型来生成隐用户向量，所述一个或多个神经网络模型被训练以接收多个类型的用户描述符并且输出所述隐用户向量，所述多个类型的用户描述符包括用户偏好向量和用户内容向量，所述用户偏好向量指示所述用户对所述多个项中的其他项的偏好，所述用户内容向量指示针对所述用户的一组标识特性，所述隐用户向量通过以下方式生成：

标识与所述多个用户描述符中的至少一个用户描述符相对应的、针对所述用户的一组用户描述符，和

将所述一组用户描述符应用于所述一个或多个神经网络模型；

利用所述一个或多个神经网络模型来生成隐项向量，所述一个或多个神经网络模型还被训练以接收多个类型的项描述符并且输出所述隐项向量，所述多个类型的项描述符包括项偏好向量和项内容向量，所述项偏好向量指示来自所述多个用户中的其他用户的所述项的偏好，所述项内容向量指示针对所述项的一组标识特性，所述隐项向量通过以下方式生成：

标识与所述多个项描述符中的至少一个项描述符相对应的、针对所述项的一组项描述符，和

将所述一组项描述符应用于所述一个或多个神经网络模型；和

执行所述隐用户向量和所述隐项向量之间的点积，以确定所述用户对所述项的预测偏好。

2.根据权利要求1所述的方法，其中将所述一组用户描述符应用于所述一个或多个神经网络模型进一步包括：

标识所述多个用户描述符中未被包括在所述一组用户描述符中的其他用户描述符；和

将所述其他用户描述符中的每个用户描述符设置为零向量。

3.根据权利要求1所述的方法，其中将所述一组项描述符应用于所述一个或多个神经网络模型进一步包括：

标识所述多个项描述符中未被包括在所述一组项描述符中的其他项描述符；和

将所述其他项描述符中的每个项描述符设置为零向量。

4.根据权利要求1所述的方法，其中所述多个类型的用户描述符进一步包括已评级项向量，所述已评级项向量描述所述多个项中的、存在针对所述用户的偏好信息的项的特性。

5.根据权利要求1所述的方法，其中，所述多个类型的项描述符进一步包括评级用户向量，所述评级用户向量描述所述多个用户中的、与针对所述项的偏好信息相关联的用户的特性。

6.根据权利要求1所述的方法，其中将所述一组用户描述符应用于所述一个或多个神经网络模型包括：将所述一组用户描述符应用于至少第一神经网络模型，以生成所述隐用户向量，并且其中将所述一组项描述符应用于所述一个或多个神经网络模型包括：将所述一组项描述符应用于至少第二神经网络模型，以生成所述隐项向量。

7.根据权利要求6所述的方法，其中所述第一神经网络和所述第二神经网络是相同的。

8.根据权利要求1所述的方法，其中所述用户偏好向量是针对所述用户对其具有偏好信息的项的偏好的加权和。

9.根据权利要求1所述的方法，其中所述隐用户向量和所述隐项向量通过未被机器学习的数学函数来组合。

10.根据权利要求1所述的方法，进一步包括：

修改针对所述用户的所述一组用户描述符；

将修改的所述一组用户描述符应用于所述一个或多个神经网络模型，以生成针对所述用户的另一隐用户向量；和

将其他隐用户向量与所述隐项向量组合，以基于修改的所述一组用户描述符来更新所述用户对所述项的所述预测偏好。

11.根据权利要求10所述的方法，其中针对所述用户的所述一组用户描述符包括用户偏好向量，并且修改所述一组用户描述符包括：基于用户与所述多个项中的另一项的交互来修改所述用户偏好向量。