[发明专利]用于使用分层贝叶斯的个性化产品推荐的系统及方法

权利要求书

1.一种用于产品推荐的方法，包括：

由计算设备定义具有潜在因素的分层贝叶斯模型；

由所述计算设备使用多个训练事件来训练所述分层贝叶斯模型，以获得经训练的分层贝叶斯模型，每个事件包括产品的特征、产品的品牌、用户的特征、以及用户对于产品的动作；

由所述计算设备使用所述经训练的分层贝叶斯模型来预测目标用户执行关于目标产品的动作的概率；以及

基于所述概率向所述目标用户提供产品推荐。

2.根据权利要求1所述的方法，其中，定义所述分层贝叶斯模型的步骤是通过以下操作执行的：

将事件t定义为四元组(X_t，b_t，u_t，y_t)，其中，X_t表示事件t的与产品相关联的特征，b_t是所述产品的品牌，u_t是与事件t相关联的用户，以及y_t是与事件t相关联的用户动作的概率；

定义超参数α_w、β_w、α_s、β_s、α_b、β_b、α_u、β_u和γ，其中，在所述分层贝叶斯模型的初始化期间，α_w＝β_w＝α_s＝β_s＝α_b＝β_b＝α_u＝β_u＝0，γ＝1/S，以及S是预先确定的样式总数；

定义方差参数δ_w、δ_s、δ_b和δ_u，其中，超参数α_w和β_w确定方差参数δ_w，α_s和β_s确定方差参数δ_s，α_b和β_b确定方差参数δ_b，以及α_u和β_u确定方差参数δ_u；

定义用户k的用户变量U_k，U_k具有形式的多变量高斯先验，k是从1到U的正整数，以及I是单位矩阵；

定义具有形式的多变量高斯先验的权重变量w；

定义样式j的样式变量S_j，S_j具有形式的多变量高斯先验，j是从1到S的正整数；

将品牌i的样式比例分布θ定义为狄利克雷分布Dir(γ)，i是1至B的范围中的正整数；

将品牌i的样式分配变量Z_i定义为多项式函数Mult(θ)，其中，品牌i的样式分配变量Z_i在与品牌i的样式S_p相对应的位置p具有值1：

定义品牌i的品牌变量B_i，B_i具有形式的多变量高斯先验；以及

将用户动作变量y_t定义为伯努利分布，其中，对于每个事件t，用户动作y_t的概率被定义为

3.根据权利要求2所述的方法，其中，所述用户动作是对产品的电子商务网页的点击。

4.根据权利要求2所述的方法，其中，B处于30-1000的范围中，以及S处于2-10的范围中。

5.根据权利要求4所述的方法，其中，B是大约200，以及S是大约4-7。

6.根据权利要求2所述的方法，其中，事件t的用户动作y_t的概率是通过以下计算的：

其中，σ(·)是标准logistic函数，是X_t的矢量转置，表示在分层贝叶斯中针对用户u_t编码的用户特定的信息，以及表示品牌特定的信息。