[发明专利]一种对评分矩阵中的未知评分进行预测的方法及装置

说明书

公开了一种对评分矩阵中的未知评分进行预测的方法及装置。采用矩阵分解方法，将评分矩阵分解为表征每个用户的潜在偏好特征的第一矩阵与表征每个物品的潜在偏好特征的第二矩阵。其中，针对任一用户与任一物品，将该用户的潜在偏好特征与物品的潜在偏好特征进行结合，就可以准确预测出该用户对该物品的偏好评分。可以通过机器学习的方式，以所述评分矩阵中的已知评分为样本，训练所述第一矩阵与所述第二矩阵。具体地，采用预设的损失函数表征训练效果，并据此迭代调整所述第一矩阵与所述第二矩阵。训练结束后，就可以基于所述第一矩阵与所述第二矩阵，预测所述评分矩阵中的未知评分。

技术领域

本说明书实施例涉及信息技术领域，尤其涉及一种对评分矩阵中的未知评分进行预测的方法及装置。

背景技术

目前，很多机构(如电商平台)通常会使用物品推荐系统为用户进行物品推荐。物品推荐系统的推荐策略是以评分矩阵为依据的。而所谓评分矩阵，是以每个用户对每个物品的偏好评分为元素的矩阵。用户对物品的偏好程度越高，相应的评分也就越高。

假设评分矩阵是一个m*n矩阵(m行、n列)，那么，评分矩阵实际上包含了m个用户对n个物品的偏好评分。评分矩阵的每个n维行向量实际上表示一个用户依次针对n个物品的偏好评分。

举例来说，物品推荐系统当想要针对用户张三进行物品推荐时，一般会从评分矩阵中查询用户张三对应的行向量，并读取用户张三对每个物品的评分，评分越高的物品被推荐给用户张三的可能性也越高。

然而，实际应用中，获取到每个用户对每个物品的偏好评分是不现实的，也就是说，评分矩阵中的很多元素的取值是未知的。

发明内容

为了对评分矩阵中的未知评分进行准确预测，本说明书实施例提供一种对评分矩阵中的未知评分进行预测的方法及装置，技术方案如下：

根据本说明书实施例的第1方面，提供一种对评分矩阵中的未知评分进行预测的方法，所述方法包括：

初始化第一矩阵与第二矩阵；其中，所述第一矩阵由每个用户对应的潜在偏好向量组成，所述第二矩阵由每个物品对应的潜在偏好向量组成；针对任一用户与任一物品，该用户对应的潜在偏好向量与该物品对应的潜在偏好向量的乘积表征该用户对该物品的偏好评分的预测值；

迭代执行以下步骤，直至满足指定条件：

以减小预设的损失函数的函数值为目标，根据所述第一矩阵、所述第二矩阵、评分矩阵以及用户社交数据，调整所述第一矩阵与所述第二矩阵；其中，所述评分矩阵中各已知评分的实际值与预测值越接近，所述损失函数的函数值越小；所述第一矩阵表征的各用户之间的关联关系与所述用户社交数据表征的各用户之间的关联关系越相似，所述损失函数的函数值越小；

若确定满足指定条件，则基于所述第一矩阵与所述第二矩阵，得到所述评分矩阵中的各未知评分的预测值。

根据本说明书实施例的第2方面，提供一种对评分矩阵中的未知评分进行预测的装置，所述装置包括：

初始化模块，初始化第一矩阵与第二矩阵；其中，所述第一矩阵由每个用户对应的潜在偏好向量组成，所述第二矩阵由每个物品对应的潜在偏好向量组成；针对任一用户与任一物品，该用户对应的潜在偏好向量与该物品对应的潜在偏好向量的乘积表征该用户对该物品的偏好评分的预测值；

执行模块，迭代执行以下步骤，直至满足指定条件：以减小预设的损失函数的函数值为目标，根据所述第一矩阵、所述第二矩阵、评分矩阵以及用户社交数据，调整所述第一矩阵与所述第二矩阵；其中，所述评分矩阵中各已知评分的实际值与预测值越接近，所述损失函数的函数值越小；所述第一矩阵表征的各用户之间的关联关系与所述用户社交数据表征的各用户之间的关联关系越相似，所述损失函数的函数值越小；

预测模块，若确定满足指定条件，则基于所述第一矩阵与所述第二矩阵，得到所述评分矩阵中的各未知评分的预测值。