[发明专利]一种融合方面隐式反馈的试题可解释Top-K推荐方法在审

专利信息
申请号: 201910303594.6 申请日: 2019-04-16
公开(公告)号: CN110020207A 公开(公告)日: 2019-07-16
发明(设计)人: 不公告发明人 申请(专利权)人: 中森云链(成都)科技有限责任公司
主分类号: G06F16/9535 分类号: G06F16/9535
代理公司: 暂无信息 代理人: 暂无信息
地址: 610041 四川省成都市高*** 国省代码: 四川;51
权利要求书: 查看更多 说明书: 查看更多
摘要:
搜索关键词: 隐式反馈 矩阵分解 隐式反馈信息 习题 融合 排序 观测 贝叶斯 试题 个性化 解释信息 评论文本 学习能力 因子矩阵 用户提供 负反馈 正反馈 挖掘 引入 恢复
【说明书】:

发明公开了一种融合方面隐式反馈的试题可解释Top‑K推荐方法。习题可解释Top‑K推荐方法旨在为用户提供一个可提升学习能力的习题推荐列表,同时对推荐的习题给出解释信息。针对基于隐式反馈的Top‑K推荐问题,将评论文本中的隐式反馈信息融合到基于贝叶斯个性化排序的矩阵分解中,从而提升Top‑K推荐的性能。为了挖掘未观测的隐式反馈,本发明将观测到的用户隐式反馈(正反馈)编码到矩阵分解的因子矩阵中,并通过矩阵分解来恢复未观测到的隐式反馈(负反馈和缺失值)。为了融合隐式反馈信息用于排序,本文将贝叶斯个性化排序引入融合了用户隐式反馈信息的矩阵分解中。

技术领域

本发明属于在线推荐领域的试题推荐方法,具体是一种融合方面隐式反馈的试题可解释Top-K推荐方法。

背景技术

随着互联网的飞速发展,信息过载问题越来越成为用户的痛点。例如,在某在线编程教育平台上,某初中生欲通过平台上的试题提升自身的编程水平,而该生在对自身编程能力不确定的情况下是难以精准地找到试题的。因此,如何通过智能推荐算法自动地捕捉用户的兴趣偏好、编程能力为其进行针对性地推荐成为受关注的问题。由于显式反馈不容易获取,所以常见的基于显式反馈的推荐方法就会因为面临数据稀疏性问题而失效。因此,本发明提供一种融合方面隐式反馈的试题可解释Top-K推荐方法。

近几年来,现有工作提出了多种基于方面隐式反馈的试题可解释Top-K推荐方法。但是,它们存在着一个问题:辅助信息(如用户评论文本信息)中未观测到的用户隐式反馈都视为负反馈,忽略了其中的缺失值,致使这些方法对用户偏好建模有偏差,从而影响到Top-K推荐的性能。

本发明一种融合方面隐式反馈的试题可解释Top-K推荐方法,它的思想是将评论中的隐式反馈信息融合到基于贝叶斯个性化排序的矩阵分解中,从而提升Top-K排序的性能。为了挖掘评论文本中的未观测的隐式反馈,本章将评论文本中观测到的隐式反馈(正反馈)编码到矩阵分解的因子矩阵中,并通过矩阵分解来恢复未观测到的隐式反馈(负反馈和缺失值),由此区分负反馈和缺失值。为了融合隐式反馈信息提升Top-K排序的性能,本章将贝叶斯个性化排序引入到融合了隐式反馈信息的矩阵分解中。

发明内容

本发明的目的在于克服上述现有的推荐方法的不足,提供一种融合方面隐式反馈的试题可解释Top-K推荐方法。本系统首先收集用户的评论文本,然后挖掘用户的隐式反馈信息并融合到基于贝叶斯个性化排序的矩阵分解中并进行离线训练,最后将试题推荐列表和可解释信息保存到内存服务器中供在线实时推荐。

本发明是一种融合方面隐式反馈的试题可解释Top-K推荐方法,包括以下步骤:

步骤1:通过日志系统收集用户的隐式反馈数据,并保存到数据库中。

步骤2:基于用户的隐式反馈信息构建(用户,试题,方面)三元隐式反馈集P、(用户,试题,方面)三元正隐式反馈集P+、(用户,试题)二元隐式反馈集Q、(用户,试题)二元正隐式反馈集Q+

步骤3:构建用户隐式方面兴趣。

步骤4:通过最小化损失函数学习得到模型的参数wm、ha、hb,其中wm表示用户m的因子向量,ha表示已观察到的试题的因子向量,hb表示未观察到的试题的因子向量。

步骤5:利用Precision@K和Recall@K评价本方法的性能,其中Precision@K为查准率,Recall@K为查全率,K代表推荐列表的长度。

步骤6:对用户和试题的因子向量进行内积运算,得到重构后的隐式反馈矩阵

步骤7:利用重构后的隐式反馈矩阵为每个用户推荐评分最高的K个试题,同时基于用户对试题的方面兴趣给出推荐结果的解释信息,并一同保存到内存服务器中。

下载完整专利技术内容需要扣除积分,VIP会员可以免费下载。

该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于中森云链(成都)科技有限责任公司,未经中森云链(成都)科技有限责任公司许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服

本文链接:http://www.vipzhuanli.com/pat/books/201910303594.6/2.html,转载请声明来源钻瓜专利网。

×

专利文献下载

说明:

1、专利原文基于中国国家知识产权局专利说明书;

2、支持发明专利 、实用新型专利、外观设计专利(升级中);

3、专利数据每周两次同步更新,支持Adobe PDF格式;

4、内容包括专利技术的结构示意图流程工艺图技术构造图

5、已全新升级为极速版,下载速度显著提升!欢迎使用!

请您登陆后,进行下载,点击【登陆】 【注册】

关于我们 寻求报道 投稿须知 广告合作 版权声明 网站地图 友情链接 企业标识 联系我们

钻瓜专利网在线咨询

周一至周五 9:00-18:00

咨询在线客服咨询在线客服
tel code back_top