[发明专利]一种面向动态环境的自适应在线推荐方法

权利要求书

1.一种面向动态环境的自适应在线推荐方法，其特征在于：包括元方法和专家方法；

所述元方法的具体步骤为：

步骤100，获取推荐场景历史数据集H＝{(x_i,y_i),i＝1,2,…,m}，其中x_i表示用户特征和所有候选项目特征拼接而成的向量，y_i表示用户实际选择的项目；

步骤101，选择分类器c(x,w)和损失函数l(p,y)，其中x表示用户特征和所有候选项目特征拼接而成的向量，y表示用户实际选择的项目，w表示分类器的参数，p表示分类器输出的推荐项目；

步骤102，在历史数据集上，根据所选的分类器和损失函数，在分类器参数可行域W中计算最优参数

步骤103，设置步长参数α；

步骤104，设置专家方法个数N；

步骤105，设置每个专家方法的学习率η；

步骤106，初始化每个专家方法的权重

步骤107，在每个推荐回合t＝1,2,…,T执行以下步骤：

步骤108，获取用户特征和所有候选项目特征拼接而成的向量x_t；

步骤109，接收每个专家方法的输出

步骤110，计算分类器参数其中表示学习率为η的专家在第t回合的权重；

步骤111，根据分类器输出的推荐项目c(x_t,w_t)进行推荐；

步骤112，获取该回合用户实际选择的项目y_t；

步骤113，计算第t回合的代价函数f_t(w)＝l(c(x_t,w),y_t)在w_t处的梯度

步骤114，将发送给每个专家方法；

步骤115，构造替代损失函数s_t(·)；

步骤116，更新每个专家方法的权重

每个专家方法的具体步骤为：

步骤200，初始化

步骤201，在每个推荐回合t＝1,2,…,T执行以下步骤，其中T表示回合总数：

步骤202，将发送给元方法；

步骤203，接收

步骤204，更新输出其中Π_W[·]表示投影操作符。

2.如权利要求1所述的面向动态环境的自适应在线推荐方法，其特征在于：所述步骤101中可供选择的分类器包括常用的线性分类器c(x,w)＝w^Tx、softmax分类器和神经网络分类器；可供选择的损失函数为所有凸的可微损失函数，包括平方损失l(p,y)＝(p-y)²、Hinge损失l(p,y)＝max(0,1-yp)和交叉熵损失l(p,y)＝-∑_iy_ilog(p_i)。

3.如权利要求1所述的面向动态环境的自适应在线推荐方法，其特征在于：所述步骤103中步长参数α的设置方式为其中T是回合总数；D是分类器参数可行域W的直径；G是使得下式成立的任意值：

4.如权利要求1所述的面向动态环境的自适应在线推荐方法，其特征在于：所述步骤104中专家方法个数N的设置方式为

5.如权利要求1所述的面向动态环境的自适应在线推荐方法，其特征在于：所述步骤105中每个专家方法的学习率η的设置方式为：第i＝1,2,…,N个专家的学习率为其中T是回合总数；D是分类器参数可行域W的直径；G是使得下式成立的任意值：

6.如权利要求1所述的面向动态环境的自适应在线推荐方法，其特征在于：所述步骤115中构造的替代损失函数s_t(·)的具体定义为

7.如权利要求1所述的面向动态环境的自适应在线推荐方法，其特征在于：所述步骤204中的投影操作符Π_W[·]的具体定义为Π_W[u]＝argmin_v∈W‖u-v‖,u∈W。