[发明专利]一种融合推荐的方法、系统和设备

说明书

本公开涉及一种融合推荐的方法，包括获取多个用户对多个产品的行为数据；基于行为数据，确定多个产品中每两个产品之间的相似度；基于高于阈值的相似度来生成多个产品的相似产品候选集；基于行为数据，计算对于相似产品候选集中的产品的至少部分用户打分以获得稀疏的高维用户‑产品打分矩阵；通过对稀疏的高维用户‑产品打分矩阵进行矩阵分解来挖掘多个用户的隐含特征并获得分解出的低维用户‑隐含特征矩阵和低维隐含特征‑产品打分矩阵；以及将低维用户‑隐含特征矩阵和低维隐含特征‑产品打分矩阵相乘以获得高维逼近矩阵，高维逼近矩阵通过补全稀疏的高维用户‑产品打分矩阵来预测多个用户对多个产品的打分。本公开还涉及相应的系统和设备。

技术领域

本公开涉及大数据计算，尤其涉及推荐系统。

背景技术

推荐系统在各种系统中广泛使用。在大数据时代，协同过滤(CF)是推荐领域广泛运用的算法。协同过滤算法通过对用户的历史行为数据进行挖掘来发现用户的偏好，再基于不同的偏好为用户推荐品味相似的商品。

协同过滤推荐算法通常可分为两类，分别是基于用户的协同过滤算法(userCF)和基于物品的协同过滤算法(itemCF)。

基于用户的协同过滤算法是通过用户的历史行为数据发现用户对商品或内容的偏好(例如，如商品购买、收藏、内容评论或分享等)，并根据不同用户对相同/相似商品或内容的态度和偏好程度计算用户之间的关系，以在有相同偏好的用户间进行商品推荐。

基于物品的协同过滤算法与基于用户的协同过滤算法类似，区别在于将商品和用户互换。即，基于用户对不同物品的态度和偏好来获得物品间的关系，然后基于物品间的关系对用户进行相似物品的推荐。

ALS是交替最小二乘(alternating least squares)的简称。在推荐领域，ALS通常指使用交替最小二乘来求解的协同推荐算法。该算法通过观察到的所有用户给产品的打分，来推断每个用户的喜好并向用户推荐适合的产品。从协同过滤的分类来说，ALS算法属于user-item CF，即一种混合CF，因其同时考虑了User和Item两个方面

本领域中需要效率更高、结果更准确的推荐系统。

发明内容

本公开的一方面涉及一种融合推荐的方法，包括获取多个用户对多个产品的行为数据；基于所述行为数据，确定所述多个产品中每两个产品之间的相似度；基于高于阈值的相似度来生成所述多个产品的相似产品候选集；基于所述行为数据，计算对于所述相似产品候选集中的产品的至少部分用户打分以获得稀疏的高维用户-产品打分矩阵；通过对所述稀疏的高维用户-产品打分矩阵进行矩阵分解来挖掘所述多个用户的隐含特征并获得分解出的低维用户-隐含特征矩阵和低维隐含特征-产品打分矩阵；以及将所述低维用户-隐含特征矩阵和所述低维隐含特征-产品打分矩阵相乘以获得高维逼近矩阵，所述高维逼近矩阵通过补全所述稀疏的高维用户-产品打分矩阵来预测所述多个用户对所述多个产品的打分。

根据一示例性实施例，该方法还包括挖掘所述多个用户对所述多个产品的历史行为数据，以获得所述多个用户对每个产品发生行为的频次，其中所述多个产品中每两个产品之间的相似度基于用户对该两个产品发生行为的频次来计算。

根据进一步的示例性实施例，所述挖掘还包括获得一个或多个用户行为序列，并且其中所述多个产品中每两个产品之间的相似度还基于所述一个或多个用户行为序列来确定。

根据进一步的示例性实施例，所述多个产品中每两个产品之间的相似度还基于所述一个或多个用户行为序列来计算进一步包括：基于所述一个或多个用户行为序列确定衰减因子，所述衰减因子包含要计算相似度的该两个产品在所述一个或多个用户行为序列中的时序信息，其中所述衰减因子被设置成当该两个产品在用户行为序列中是正时序时提高该两个产品的相似度，而当该两个产品在用户行为序列中是逆时序时降低该两个产品的相似度；以及基于所述衰减因子来计算该两个产品之间的相似度。