本发明专利技术实施例提供了一种消费对象的推荐方法及装置。所述方法包括：获得待推荐消费对象的第一用户；根据保存的每个用户对应的每个待推荐消费对象的第一分数，从所述第一分数中确定所述第一用户对应的每个待推荐消费对象的第二分数；其中，所述第一分数是根据保存的用户针对待推荐消费对象给出的用户评论中的总评分和消费价格，以及预设第一公式确定的；根据确定的第二分数，从所述待推荐消费对象中选择目标消费对象，并推荐给所述第一用户。本实施例能够使向用户推荐的消费对象更准确。
【技术实现步骤摘要】
本专利技术涉及网络
，特别涉及一种消费对象的推荐方法及装置。
技术介绍
随着万维网的高速发展，特别是第二代互联网Web 2.0的到来，人们被各种信息包围着。为了去解决信息过载的问题，推荐类客户端中被用于帮助用户快速、准确地找到他们感兴趣的消费对象，提高用户体验。这里，消费对象可以包括餐厅、宾馆等商户，也可以包括笔记本电脑、手机等物品。推荐类客户端被广泛利用在电子商户中，并且变成了一个万维网上的基本工具。举个例子，亚马逊购物网站可以向用户推荐物品，以便帮助用户找到他们想买的物品；美国的点评网站Yelp可以向用户推荐餐厅，以便帮助用户找到一个餐厅去消费。推荐客户端的一个基本问题是预测用户对于可选消费对象的评分，并根据评分对用户进行推荐。现有技术中，很多研究利用各种信息去改善推荐结果，所利用的信息包括用户的地理位置、用户的情感信息或用户之间的社交关系信息等。例如，当用户搜索电饭煲时，亚马逊购物网站可以根据用户的喜好信息来为用户推荐各种样式的电饭煲，以帮助用户快速、准确地找到他们想要的电饭煲。但是，现有研究中为用户推荐消费对象时采用的信息还不够全面，得到的推荐结果即消费对象还不够准确，用户的体验不高。
技术实现思路
本专利技术实施例的目的在于提供了一种消费对象的推荐方法及装置，能够使向用户推荐的消费对象更准确。为了达到上述目的，本专利技术公开了一种消费对象的推荐方法，应用于客户端，所述方法包括：获得待推荐消费对象的第一用户；根据保存的每个用户对应的每个待推荐消费对象的第一分数，从所述第一分数中确定所述第一用户对应的每个待推荐消费对象的第二分数；其中，所述第一分数是根据保存的用户针对待推荐消费对象给出的用户评论中的总评分和消费价格，以及预设第一公式确定的；根据确定的第二分数，从所述待推荐消费对象中选择目标消费对象，并推荐给所述第一用户。较佳的，所述第一分数是采用以下步骤确定的：根据保存的用户针对待推荐消费对象给出的用户评论中的总评分和消费价格，以及确定每个用户对应的每个待推荐消费对象的第一分数；其中，中的元素表示第i个用户对第j个待推荐消费对象的第一分数，Pm×k为m个用户在k个方面的第一评分矩阵，Qn×k为n个待推荐消费对象在k个方面的第二评分矩阵，Wm×T为m个用户与T个价格区间的第一相关度矩阵，Dn×T为n个待推荐消费对象与T个价格区间的第二相关度矩阵，k和T均为预设的整数。较佳的，所述第二相关度矩阵Dn×T中的第j个待推荐消费对象与第t个价格区间的相关度tjt是采用下述步骤确定的：根据保存的用户针对待推荐消费对象给出的用户评论中的总评分和消费价格，确定评分矩阵Rm×n和价格矩阵Cm×n，其中m为用户的数量，n为待推荐消费对象的数量，Rm×n中的元素rij表示第i个用户对第j个待推荐消费对象的总评分，Cm×n中的元素cij表示第i个用户在第j个待推荐消费对象上的消费价格；根据所述Cm×n以及预设的价格区间的数量T，采用最大期望算法EM算法，确定与每个价格区间对应的混合高斯函数；根据所述Cm×n，确定n个待推荐消费对象的平均消费价格；针对第j个待推荐消费对象，根据确定的T个价格区间对应的混合高斯函数以及所述第j个待推荐消费对象的平均消费价格，确定所述第j个待推荐消费对象与第t个价格区间的相关度tjt。较佳的，所述第一评分矩阵Pm×k、第二评分矩阵Qn×k和第一相关度矩阵Wm×T是采用以下步骤确定的：根据确定的第二相关度矩阵Dn×T、评分矩阵Rm×n和价格矩阵Cm×n，以及预设第二公式，确定所述第一评分矩阵Pm×k、第二评分矩阵Qn×k和第一相关度矩阵Wm×T。较佳的，所述根据确定的第二相关度矩阵Dn×T、评分矩阵Rm×n和价格矩阵Cm×n，以及预设第二公式，确定所述第一评分矩阵Pm×k、第二评分矩阵Qn×k和第一相关度矩阵Wm×T包括：根据确定的第二相关度矩阵Dn×T、评分矩阵Rm×n和价格矩阵Cm×n，以及确定所述第一评分矩阵Pm×k、第二评分矩阵Qn×k和第一相关度矩阵Wm×T；其中，所述Pm×k、Qn×k和Wm×T为采用随机梯度下降算法迭代得到的当L(P,Q,W)取最小值时对应的Pm×k、Qn×k和Wm×T，γ和β为权衡参数，||·||F为弗罗贝尼乌斯范数，T为矩阵的转置，⊙为矩阵的点积，Im×n为指示矩阵，Im×n中的元素Iij取0或1，当第i个用户对第j个待推荐消费对象给出总评分时，Iij取1，当第i个用户没有对第j个待推荐消费对象给出总评分时，Iij取0。为了达到上述目的，本专利技术公开了一种消费对象的推荐装置，应用于客户端，所述装置包括：获得模块，用于获得待推荐消费对象的第一用户；确定模块，用于根据保存的每个用户对应的每个待推荐消费对象的第一分数，从所述第一分数中确定所述第一用户对应的每个待推荐消费对象的第二分数；其中，所述第一分数是根据保存的用户针对待推荐消费对象给出的用户评论中的总评分和消费价格，以及预设第一公式确定的；推荐模块，用于根据确定的第二分数，从所述待推荐消费对象中选择目标消费对象，并推荐给所述第一用户。较佳的，所述确定模块还用于采用以下步骤确定所述第一分数：根据保存的用户针对待推荐消费对象给出的用户评论中的总评分和消费价格，以及确定每个用户对应的每个待推荐消费对象的第一分数；其中，中的元素表示第i个用户对第j个待推荐消费对象的第一分数，Pm×k为m个用户在k个方面的第一评分矩阵，Qn×k为n个待推荐消费对象在k个方面的第二评分矩阵，Wm×T为m个用户与T个价格区间的第一相关度矩阵，Dn×T为n个待推荐消费对象与T个价格区间的第二相关度矩阵，k和T均为预设的整数。较佳的，所述确定模块还用于采用下述步骤确定第二相关度矩阵Dn×T中的第j个待推荐消费对象与第t个价格区间的相关度tjt：根据保存的用户针对待推荐消费对象给出的用户评论中的总评分和消费价格，确定评分矩阵Rm×n和价格矩阵Cm×n，其中m为用户的数量，n为待推荐消费对象的数量，Rm×n中的元素rij表示第i个用户对第j个待推荐消费对象的总评分，Cm×n中的元素cij表示第i个用户在第j个待推荐消费对象上的消费价格；根据所述Cm×n以及预设的价格区间的数量T，采用最大期望算法EM算法，确定与每个价格区间对应的混合高斯函数；根据所述Cm×n，确定n个待推荐消费对象的平均消费价格；针对第j个待推荐消费对象，根据确定的T个价格区间对应的混合高斯函数以及所述第j个待推荐消费对象的平均消费价格，确定所述第j个待推荐消费对象与第t个价格区间的相关度tjt。较佳的，所述确定模块还用于采用以下步骤确定第一评分矩阵Pm×k、第二评分矩阵Qn×k和第一相关度矩阵Wm×T：根据确定的第二相关度矩阵Dn×T、评分矩阵Rm×n和价格矩阵Cm×n，以及预设第二公式，确定所述第一评分矩阵Pm×k、第二评分矩阵Qn×k和第一相关度矩阵Wm×T。较佳的，所述确定模块具体用于：根据确定的第二相关度矩阵Dn×T、评分矩阵Rm×n和价格矩阵Cm×n，以及确定所述第一评分矩阵Pm×k、第二评分矩阵Qn×k和第一相关度矩阵Wm×T；其中，所述Pm×k、Qn×k和Wm×T为采用随机梯度下降算法迭代得到的当L(P,Q,W)取最小值时对应的Pm×k、Qn×k和Wm×T，γ和本文档来自技高网...
【技术保护点】
一种消费对象的推荐方法，其特征在于，应用于客户端，所述方法包括：获得待推荐消费对象的第一用户；根据保存的每个用户对应的每个待推荐消费对象的第一分数，从所述第一分数中确定所述第一用户对应的每个待推荐消费对象的第二分数；其中，所述第一分数是根据保存的用户针对待推荐消费对象给出的用户评论中的总评分和消费价格，以及预设第一公式确定的；根据确定的第二分数，从所述待推荐消费对象中选择目标消费对象，并推荐给所述第一用户。
【技术特征摘要】
1.一种消费对象的推荐方法，其特征在于，应用于客户端，所述方法包括：获得待推荐消费对象的第一用户；根据保存的每个用户对应的每个待推荐消费对象的第一分数，从所述第一分数中确定所述第一用户对应的每个待推荐消费对象的第二分数；其中，所述第一分数是根据保存的用户针对待推荐消费对象给出的用户评论中的总评分和消费价格，以及预设第一公式确定的；根据确定的第二分数，从所述待推荐消费对象中选择目标消费对象，并推荐给所述第一用户。2.根据权利要求1所述的推荐方法，其特征在于，所述第一分数是采用以下步骤确定的：根据保存的用户针对待推荐消费对象给出的用户评论中的总评分和消费价格，以及确定每个用户对应的每个待推荐消费对象的第一分数；其中，中的元素表示第i个用户对第j个待推荐消费对象的第一分数，Pm×k为m个用户在k个方面的第一评分矩阵，Qn×k为n个待推荐消费对象在k个方面的第二评分矩阵，Wm×T为m个用户与T个价格区间的第一相关度矩阵，Dn×T为n个待推荐消费对象与T个价格区间的第二相关度矩阵，k和T均为预设的整数。3.根据权利要求2所述的推荐方法，其特征在于，所述第二相关度矩阵Dn×T中的第j个待推荐消费对象与第t个价格区间的相关度tjt是采用下述步骤确定的：根据保存的用户针对待推荐消费对象给出的用户评论中的总评分和消费价格，确定评分矩阵Rm×n和价格矩阵Cm×n，其中m为用户的数量，n为待推荐消费对象的数量，Rm×n中的元素rij表示第i个用户对第j个待推荐消费对象的总评分，Cm×n中的元素cij表示第i个用户在第j个待推荐消费对象上的消费价格；根据所述Cm×n以及预设的价格区间的数量T，采用最大期望算法EM算法，确定与每个价格区间对应的混合高斯函数；根据所述Cm×n，确定n个待推荐消费对象的平均消费价格；针对第j个待推荐消费对象，根据确定的T个价格区间对应的混合高斯函数以及所述第j个待推荐消费对象的平均消费价格，确定所述第j个待推荐消费对象与第t个价格区间的相关度tjt。4.根据权利要求2所述的推荐方法，其特征在于，所述第一评分矩阵Pm×k、第二评分矩阵Qn×k和第一相关度矩阵Wm×T是采用以下步骤确定的：根据确定的第二相关度矩阵Dn×T、评分矩阵Rm×n和价格矩阵Cm×n，以及预设第二公式，确定所述第一评分矩阵Pm×k、第二评分矩阵Qn×k和第一相关度矩阵Wm×T。5.根据权利要求4所述的推荐方法，其特征在于，所述根据确定的第二相关度矩阵Dn×T、评分矩阵Rm×n和价格矩阵Cm×n，以及预设第二公式，确定所述第一评分矩阵Pm×k、第二评分矩阵Qn×k和第一相关度矩阵Wm×T包括：根据确定的第二相关度矩阵Dn×T、评分矩阵Rm×n和价格矩阵Cm×n，以及确定所述第一评分矩阵Pm×k、第二评分矩阵Qn×k和第一相关度矩阵Wm×T；其中，所述Pm×k、Qn×k和Wm×T为采用随机梯度下降算法迭代得到的当L(P,Q,W)取最小值时对应的Pm×k、Qn×k和Wm×T，γ和β为权衡参数，||·||F为弗罗贝尼乌斯范数，T为矩阵的转置，⊙为矩阵的点积，Im×n为指示矩阵，Im×n中的元素Iij取0或1，当第i个用户对第j个待推荐消费对象给出总评分时，Iij取1，当第i个用户没有对第j个待推...
【专利技术属性】
技术研发人员：石川，何博威，
申请(专利权)人：北京邮电大学，
类型：发明
国别省市：北京;11
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。