[发明专利]实现用户相关推荐的系统和方法

说明书

公开了一种实现用户相关推荐的系统和方法。所述方法包括：在由针对目标函数的超参数的候选取值构成的超参数搜索空间中搜索针对所述目标函数的超参数集合；基于使用所述超参数集合的目标函数，确定构成预测矩阵的第一优化子矩阵和第二优化子矩阵；使用由第一优化子矩阵和第二优化子矩阵构成的优化预测矩阵来推导评价矩阵中的缺失矩阵元素；以及基于补全了缺失矩阵元素的评价矩阵来执行用户相关推荐，其中，所述目标函数用于评估评价矩阵和预测矩阵之间的差异，所述评价矩阵的行对应于用户，列对应于对象，并且所述评价矩阵中的矩阵元素表示该矩阵元素的对应行的用户对对应列的对象的评价，预测矩阵用于推导评价矩阵中的缺失矩阵元素。

技术领域

本申请涉及用户相关推荐技术，更具体地讲，涉及一种使用矩阵补全来实现用户相关推荐的系统和方法。

背景技术

推荐系统被广泛应用于各种场景。例如，推荐系统可以利用电子商务网站向客户提供商品信息和建议，帮助用户决定应该购买什么产品，模拟销售人员帮助客户完成购买过程。个性化推荐是根据用户的兴趣特点和购买行为，向用户推荐用户感兴趣的信息和商品。可进行推荐的对象包括商品、广告、新闻、音乐等等。

可通过在用户和对象之间建立评价矩阵来实现用户相关推荐。对于评价矩阵，其行对应于用户，列对应于对象，并且所述评价矩阵中的矩阵元素表示该矩阵元素的对应行的用户对对应列的对象的评价。然而，由于用户通常只与少量的对象进行交互，因此评价矩阵中会有大量的缺失矩阵元素。

矩阵补全旨在补全评价矩阵中的缺失矩阵元素(即，未知的矩阵元素)。在给定用户和对象的评价矩阵的情况下，矩阵补全可获得一个与评价矩阵近似的近似矩阵(或称为预测矩阵)并使用该近似矩阵中的矩阵元素来填补(或预测)评价矩阵中的相应缺失矩阵元素，由此使得能够基于补全了缺失矩阵元素的评价矩阵，估计用户对尚未探索的对象的偏好从而进行用户相关推荐。

低秩矩阵补全是一种常见矩阵补全技术。低秩矩阵补全可通过低秩假设来恢复数据不完整的矩阵，在许多应用中得到广泛应用。现有的低秩矩阵补全方法主要分为正则化方法和矩阵分解方法。非凸(nonconvex)正则化方法通常可获得较好得的矩阵补全效果，但是训练时间长，而矩阵分解方法虽然训练速度快，但是矩阵补全效果较差。因此，需要一种又快又好的低秩矩阵补全方法。

另一方面，在现有的矩阵补全方法中，通常不重视超参数搜索，这在很大程度上影响了模型的性能。对于小规模矩阵，通常可通过网格搜索、随机搜索等来训练多个不同的超参数的模型，然后根据这些模型在验证数据集上的效果选择最佳的超参数。然而，对于近年来频繁出现的大规模矩阵补全问题，其任务的数据量大，因此相应的超参数的设置要么需要代价高昂的搜索，要么严重依赖于专业知识。因此，高效的超参数搜索也成为一个挑战。

发明内容

根据本公开的示例性实施例，提供了一种实现用户相关推荐的方法，所述方法包括：在由针对目标函数的超参数的候选取值构成的超参数搜索空间中搜索针对所述目标函数的超参数集合；基于使用所述超参数集合的目标函数，确定构成预测矩阵的第一优化子矩阵和第二优化子矩阵；使用由第一优化子矩阵和第二优化子矩阵构成的优化预测矩阵来推导评价矩阵中的缺失矩阵元素；以及基于补全了缺失矩阵元素的评价矩阵来执行用户相关推荐，其中，所述目标函数用于评估评价矩阵和预测矩阵之间的差异，其中，所述评价矩阵的行对应于用户，所述评价矩阵的列对应于对象，并且所述评价矩阵中的矩阵元素表示该矩阵元素的对应行的用户对对应列的对象的评价，其中，所述预测矩阵用于推导评价矩阵中的缺失矩阵元素。

可选地，所述目标函数可由以下表达式(1)表示：