[发明专利]一种融合物品内在与外在特性的推荐方法

说明书

一个物品的功能特性(内在因素)和视觉信息(外在因素)不仅深刻影响着用户的消费行为，而且在不同领域其影响程度相差甚远。因此，在构建一个电子商务推荐系统时，物品的内在和外在因素应该被同时考虑。进一步，在不同领域中物品的不同特性对于用户购买决策的影响有所不同，为解决该问题，本发明公开了一种融合物品内在与外在特性的推荐方法。由于额外信息的融入，使得本发明中极富表达力的推荐方法在学习模型参数时，却面临着效率问题。为使得模型能够满足实际环境的需求，本发明公开了一种快速交替优化算法。

技术领域

本发明涉及机器学习领域，尤其是联合物品内在与外在特性的推荐方法。

背景技术

一个物品的功能特性(内在因素)和视觉信息(外在因素)不仅深刻影响着用户的消费行为，而且在不同领域其影响程度相差甚远。特别地，对于视觉非感知的物品领域(如办公用品)，用户更加关注物品的功能方面；而对于视觉感知的物品领域(如时尚衣服)，用户购买决策过程却迥然不同。比如，无论某物品的评分有多高，只要未看到该物品，相信多数用户是不会购买的。

另外，对于工业级推荐系统而言，由于海量的用户与物品的交互行为以及实时数据的生成，推荐方法的可扩展性日益成为推荐系统研究关注的重点问题。目前，多数方法依靠交替最小二乘法或随机梯度下降来优化相应的推荐模型。然而，标准的交替最小二乘法因矩阵求逆操作的存在，使其时间复杂度与特征向量的维度呈立方相关，这导致在大规模数据上难以被快速训练。随机梯度下降是一个更为泛化的优化器且对于在线学习是个合适的选择，但面临着收敛缓慢的问题。更为重要的是，基于随机梯度下降方法的精度高度敏感于学习速率和负样本的选取。

因此，亟需一种能够考虑不同领域中物品的不同特性对于用户购买决策影响的推荐模型和相应的快速优化算法来解决该问题。

发明内容

本发明针对在不同领域中物品的不同特性对于用户购买决策的影响有所不同，公开了一种融合物品内在与外在特性的推荐方法。

首先，提出一种内外兼并的概率矩阵分解模型，该模型同时考虑物品的内在和外在因素，以更细粒度的方式来捕获物品的不同特性对于用户偏好的影响。

其次，由于额外信息的融入，使得发明所公开的极富表达力的推荐方法在学习模型参数时，却面临着效率问题。为使得本发明所公开的模型能够满足实际环境的需求，本发明针对物品排序任务公开了一种快速交替最小二乘算法用于高效学习内外兼并的概率矩阵分解模型的参数。

最后，引入一种在线更新模型参数的策略使得本发明所公开的算法可适用于真实推荐环境。

附图说明

为了更清楚的说明本发明的技术方案，下面将对实施例或现有技术描述中所需要使用的附图简单地介绍。

图1是本发明实施例的内外兼并的概率矩阵分解模型的图模型。

图2是本发明所公开的快速交替最小二乘法的详细优化步骤。

图3是本发明所公开的快速交替最小二乘法的在线学习优化步骤。

图4是本发明实施例提供的在推荐列表长度为10的情况下，物品精确度的比较图。

图5是本发明实施例提供的不同推荐列表长度下物品精确度的比较图。

具体实施

以下将结合具体实例及附图对本发明的技术方案进行清楚、完整地描述。图 1是本发明实施例的图模型，此处的实例与描述仅用于解释本发明，并不用于限定本发明。

1.定义：

本发明实施例从两个方面显示建模一个物品的属性：外在特性和内在特性。

定义1(外在特性)外在特性是物品属性的外在方面且由物品的制造商来决定。