[发明专利]基于森林的端到端的隐式反馈推荐方法

权利要求书

1.一种基于森林的端到端的隐式反馈推荐方法，其特征在于，所述方法包括：

用U＝{u₁，u₂，…，u_M}表示用户集合，I＝{i₁，i₂，…，i_N}表示商品集合，s(u，i)表示打分模型给出的用户u对商品i的打分；其中，s(·，·)为任意复杂的打分模型；用T表示一棵树，商品与树T的叶子节点一一对应，即π(i)＝leaf_i表示商品i与叶子节点leaf_i对应；用b^j(π(i))表示叶子节点π(i)在第j层的祖先节点，并且，叶子节点在最底层的祖先节点记为该叶子节点本身，打分模型进一步地表示用户对树上的节点的打分；

步骤1、假定π固定，学习打分模型和树的表征用到的参数θ；

步骤2、固定打分模型s(·，·)和树的表征的参数，学习商品和叶子节点的映射π；

步骤3、交替运行步骤1和步骤2，生成多棵树以及对应的打分模型，并且生成的树组成一个森林；在推荐时，用每棵树对应的打分模型在树上做beam search产生候选集，每个树上产生的候选集组成一个更大的候选集；用一个预先训练好的判别器来排序该候选集，选择靠前的top-k个商品为针对用户的推荐商品。

2.根据权利要求1所述的方法，其特征在于，步骤1包括：

给定一个用户和商品的交互对(u，i)作为一个训练样本，此样本用于在树的每一层做一个多分类任务；在树的第j层，b^j(π(i))为该层的正样本，其对应的标签为1，该层的其余节点为负样本，对应的标签为0，那么训练该层节点和打分模型的损失函数为多分类的交叉熵，即

其中，c(j)表示第j层节点的数目，表示第j层的第k个节点，表示树的第j层第k个节点的标签，且有

计算损失函数L^j(u，i)时根据一个给定的分布q可重复采样m个负样本，即在计算时用到共m+1个样本，包括一个正样本和m个负样本，其中m是一个可调的超参数；此时，将这m+1个样本记作即第j层用到的训练节点；针对用户对这些训练节点的打分做出入下调整：

此时损失函数变为：

其中，这样在每层就只需要计算用户对m+1个节点的打分；

如果每个负样本节点n被采样到的概率q_n∝exp s(u，n)，则有其中，θ是打分模型和树的表征所需要的参数，即此时变化后的损失函数的期望梯度等价于原始的损失函数的梯度；然而，要使得q_n∝exp s(u，n)的计算量与原始损失函数的计算量相同，则需要计算用户对每层的所有节点的打分；按照如此的训练方法，可以学习好打分模型以及树的表征需要用到的参数θ。

3.根据权利要求1所述的方法，其特征在于，步骤2包括：

设定根节点所在的层为第0层，初始时根节点代表一个包含所有商品的集合；接着，把商品分配到第d层所在的节点，其每个节点所分的商品数目恰好是以该节点为根节点的子树所包含的叶子节点的数目，第d层每个节点分配到的商品不相交且并集恰好为根节点所表示商品集合，其中d是一个可调的超参数；由于第d层最多包含2^d个节点，这样根节点所包含的商品最多可以分配给c≤2^d个节点；定义商品i与第d层中的某个节点n的匹配程度如下：

其中，表示所有与商品i有交互的用户商品对；对于商品i，可获得c个这样的匹配分数，那么将商品i分配给最大匹配分数所对应的节点，如果最大匹配分数所对应的节点分配得到的商品超过了限制，即该节点分配得到得的商品不能超过以该节点根节点的子树所包含的叶子节点的数目时，则将该商品分配给第二大匹配分数所对应的节点；如果此节点所分配得到的商品仍然超过限制，则将商品分配给第三大匹配分数所对应的节点，以次类推，直到将商品成功地分配给某个节点；这样，根节点所包含的全部商品分别分配给第d层上的节点，对于第d层上的每个节点，将其当作以此节点为根节点的子树，重复此步骤，直到恰好树的每个叶子节点分配到一个商品。