[发明专利]一种面向动态环境的自适应在线推荐方法

说明书

本发明公开一种面向动态环境的自适应在线推荐方法，通过将推荐任务建模成一个在线多分类问题，然后使用自适应在线分类方法进行推荐。首先，获取应用场景的历史数据集。接着，选择分类器和损失函数，并计算出分类器在历史数据集上的最优参数作为初始值。然后，在每个回合根据分类器的预测决定推荐项目，并通过一个自适应方法更新分类器参数。该自适应方法包含一个元方法和多个专家方法。与现有技术相比，本发明能自适应地进行在线推荐，适用于变化速度和幅度无法事先预测的动态环境。

技术领域

本发明涉及数据挖掘和机器学习领域中的在线推荐方法，特别涉及在动态环境中进行自适应在线推荐的方法，可应用于新闻推荐、广告推荐和商品推荐等场景。

背景技术

在线推荐方法能够在进行推荐的同时从与用户的交互数据中学习兴趣偏好，并且实时地调整推荐策略以适应用户的兴趣偏好。在每个推荐回合，推荐方法先观察到用户和所有候选项目的特征，然后根据推荐策略决定推荐项目，最后根据用户实际所选项目更新推荐策略。随着可观测数据量的急速增长和硬件计算能力的大幅度提高，在线推荐方法已经被大量地应用在经济、教育、游戏和多媒体等领域。如在互联网广告投放中，在线推荐方法可以在每个用户到来的时候根据用户和所有候选广告的特征决定投放的广告，并且在用户进行反馈(点击某一个广告)后更新模型以提高接下来的投放效果。在新闻推荐系统中，在线推荐方法可以在每个用户到来的时候根据用户和所有候选新闻的特征预测用户感兴趣的新闻类别从而进行推荐，并在用户进行反馈(阅读某一类别新闻)后更新模型以提高接下来的推荐效果。在股票投资中，在线推荐方法可以在每个投资周期开始的时候根据市场特征预测接下来的市场涨跌情况从而推荐优质标的，并在投资周期结束的时候根据实际涨跌情况更新模型以提高在下一周期的投资收益。

传统的在线推荐方法主要致力于在降低运算开销的同时达到静态离线推荐方法的性能。虽然有很多在线推荐方法已经在理论上被证明当推荐回合足够多的时候，平均意义上其性能与最好的离线推荐方法相当，但是对于一个动态变化的环境来说，静态离线推荐方法往往表现很差，这些在线推荐方法的理论保证也就没有了实际意义。最近也有一些可以应用于动态环境、具有理论保证的在线推荐方法被提出，但是这些方法都要求环境的变化速度和幅度可以事先确定，这些要求限制了他们的适用范围。在很多现实场景中，推荐方法面对的环境的变化情况难以提前控制和估计。如在股票投资中，当有重大事件发生的时候，股票的价格往往变化十分剧烈；在互联网广告投放和新闻推荐系统中，用户流充满了随机性和偶然性。为了能够应用于高度变化、不可事先确定的动态环境，我们需要一种自适应的在线推荐方法。

发明内容

发明目的：目前的在线推荐方法只适用于有先验知识、变化缓慢的动态环境，而现实中很多场景下环境的变化是快速且无法提前预知的。针对此问题，本发明提供了一种面向动态环境的自适应在线推荐方法。

技术方案：一种面向动态环境的自适应在线推荐方法，用于新闻推荐、广告推荐和商品推荐等应用场景。具体来说，首先，获取应用场景的历史数据集。接着，选择分类器和损失函数，并计算出分类器在历史数据集上的最优参数作为初始值。然后，在每个回合根据分类器的预测决定推荐项目，并通过一个自适应方法更新分类器参数。该自适应方法包含一个元方法和多个专家方法。每个专家方法针对一类可能的动态环境，被配置不同的学习率，在每个回合用梯度下降的方式更新决策；元方法在每个回合接收所有专家方法的决策，然后按照每个专家方法在动态环境中的近期推荐表现给每个专家方法赋予不同的权值，最后基于这些权值组合专家方法的决策确定最终的推荐项目。

一种面向动态环境的自适应在线推荐方法，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；