通过应用有效的自适应矩阵分解进行推荐的方法和装置制造方法及图纸

公开了用于通过应用有效的自适应矩阵分解来确定一个或多个推荐的方法、装置和计算机可读存储介质。所述方法包括至少部分地使得迭代执行以下步骤：使用当前数据集优化用于在当前时段结束时适应当前矩阵分解模型的参数；以及基于优化的参数，在当前时段结束时训练当前矩阵分解模型和当前数据集，以获得用于下一时段中的服务的适应的矩阵分解模型。

【技术实现步骤摘要】
【国外来华专利技术】
技术介绍
服务提供商和设备制造商(例如，无线、蜂窝等)不断地受到挑战以例如通过提供引人注目的网络服务来为消费者传递价值和提供便利。一个这样的引人注目的网络服务是向用户提供关于推荐内容的推荐的服务。特定的推荐系统(例如，协同推荐模型)可以使得对用户的推荐基于其他用户或基于各种活动与用户相关联的其它项目。收集关于用户、项目和活动的信息允许推荐服务提供商收集大量信息进行处理并随后使用以生成推荐。然而，基于处理所有信息所需要的大量计算问题，尤其是如与用户和项目相关联的额外活动的新信息被收集，存在由这种推荐模型导致的可扩展性问题。存在推荐模型的其它问题，例如，基于推荐源提供用户可能更安心地依赖的推荐。因此，服务提供商和设备制造商在如下方面面临重大技术挑战：处理推荐模型的可扩展性同时维持用户可以安心地依赖的准确推荐。
技术实现思路
因此，需要一种通过应用有效的自适应矩阵分解确定一个或多个推荐的方法。根据一个实施例，一种方法包括至少部分地使得迭代执行以下步骤：使用当前数据集优化用于在当前时段结束时适应当前矩阵分解模型的参数；以及基于优化的参数，在当前时段结束时训练当前矩阵分解模型和当前数据集，以获得用于下一时段中的服务的适应的矩阵分解模型。所述方法还包括：训练当前数据集以获得临时矩阵分解模型；以及将当前数据集分裂为至少两个部分，使用所述至少两个部分中的一个用于测试并使用剩下的用于训练，以便获得所述参数。根据另一实施例，一种装置包括：至少一个处理器；以及至少一个存储器，其包括用于一个或多个计算机程序的计算机程序代码，所述至少一个存储器和计算机程序代码被配置为通过至少一个处理器至少部分地使得所述装置迭代执行：使用当前数据集优化用于在当前时段结束时适应当前矩阵分解模型的参数；以及基于优化的参数，在当前时段结束时训练当前矩阵分解模型和当前数据集，以获得用于下一时段中的服务的适应的矩阵分解模型。根据另一实施例，一种计算机可读存储介质携带一条或多条指令的一个或多个序列，当被一个或多个处理器执行时，所述指令至少部分地使得装置迭代地执行：使用当前数据集优化用于在当前时段结束时适应当前矩阵分解模型的参数；以及基于优化的参数，在当前时段结束时训练当前矩阵分解模型和当前数据集，以获得用于下一时段中的服务的适应的矩阵分解模型。另外，对于本专利技术的各个示例性实施例，以下是适用的：一种包括促进处理和/或加工数据和/或信息和/或至少一个信号的方法，所述数据和/或信息和/或至少一个信号至少部分地基于(或至少部分地源自)在本申请中关于本专利技术的任意实施例公开的方法(或过程)中的任意一个或任意组合。对于本专利技术的各种示例性实施例，以下也是适用的：一种包括促进访问被配置为允许访问至少一个服务的至少一个接口的方法，所述至少一个服务被配置为执行在本申请中公开的网络或服务提供商方法(或过程)中的任意一个或任意组合。对于本专利技术的各种示例性实施例，以下也是适用的：一种包括促进创建和/或促进修改至少一个设备用户接口元件和/或至少一个设备用户接口功能的方法，所述至少一个设备用户接口元件和/或至少一个设备用户接口功能至少部分地基于由在本申请中关于本专利技术的任意实施例公开的方法或过程中的一个或任意组合生成的数据和/或信息，和/或由在本申请中关于本专利技术的任意实施例公开的方法(或过程)中的一个或任意组合生成的至少一个信号。对于本专利技术的各种示例性实施例，以下也是适用的：一种包括创建和/或修改至少一个设备用户接口元件和/或至少一个设备用户接口功能的方法，所述至少一个设备用户接口元件和/或至少一个设备用户接口功能至少部分地基于由在本申请中关于本专利技术的任意实施例公开的方法(或过程)中的一个或任意组合生成的数据和/或信息，和/或由在本申请中关于本专利技术的任意实施例公开的方法(或过程)中的一个或任意组合生成的至少一个信号。在各种示例性实施例中，所述方法(或过程)可以实现于服务提供商侧或移动设备侧，或者在服务提供商和移动设备之间通过在两侧执行的动作以任意共享方式实现。对于各种示例性实施例，以下是适用的：一种包括用于执行原始提交的权利要求1-12、25-36以及42-44中任一项的方法的器件的装置。本申请提出了一种有效且新颖的协同过滤方法(例如，矩阵分解算法)并提供以下新颖性/优点：-显著减小了数据存储、存储器占用面积，以增强处理大数据的效率；-显著减少了计算复杂性，以增强处理大数据的效率；-能够处理流式数据；-能够根据用户兴趣和行为转移适应模型；-在产品系统中实际上有价值的实现。简单地通过示出多个特定实施例和实现方式(包括构思用于执行本专利技术的最佳模式)，可以根据下文的详细描述容易地理解本专利技术的其它方面、特征和优点。本专利技术还能够进行其它的且不同的实施例，并且可以在各种明显的方面对其若干细节进行修改，这些都不背离本专利技术的精神和范围。相应地，将附图和描述视为本质上说明性的而不是限制性的。附图说明通过举例而非限制的方式图示了本专利技术的实施例，在附图的图中：图1是根据一个实施例的能够通过应用有效的自适应矩阵分解确定一个或多个推荐的系统的示意图；图2是根据一个实施例的增量式平台的部件的示意图；图3是根据一个实施例的通过应用有效的自适应矩阵分解确定一个或多个推荐的过程的流程图；图4是根据一个实施例的用于确定用于适应矩阵分解的参数的最优值的过程的流程图；图5示出了根据一个实施例的用于确定用于适应矩阵分解的参数的最优值的示意图；图6是根据一个实施例的通过应用有效的自适应矩阵分解来确定初始推荐的过程的流程图；图7是根据一个实施例的用于提供具有关联信息的一个或多个推荐的过程的流程图；图8A-8C示出了根据各种实施例的用于流式数据的基于高效矩阵分解的推荐算法的性能；图9是能够用于实现本专利技术的实施例的硬件的示意图；图10是能够用于实现本专利技术的实施例的芯片组的示意图；以及图11是能够用于实现本专利技术的实施例的移动终端(例如，手机)的示意图。具体实施方式公开了通过应用有效的自适应矩阵分解确定一个或多个推荐的方法、装置和计算机程序的例子。在后续描述中，出于解释的目的，阐述了多个具体细节以便提供对本专利技术实施例的透彻理解。然而，对于本领域技术人员而言显然的是，可以在没有这些具体细节的情况下或通过等价布置来实践本专利技术的实施例。在其它实例中，以框图形式示出了公知的结构和设备，以避免不必要地模糊本专利技术的实施例。图1是根据一个实施例的能够通过应用有效的自适应矩阵分解确定一个或多个推荐的系统的示意图。如上文所讨论的，信息时代已经生成了用户可以电子访问的大量信息。大量信息可能使得用户感到超负荷，或者可能阻止用户发现他们可能发现有用或相关的信息。为了减轻信息超负荷，服务提供商已经创建了推荐模型以向用户推荐内容。这种推荐模型可以收集关于用户、各种项目以及在用户、项目和/或用户和项目之间的相关联的活动的信息。然后，推荐模型可以使用收集到的信息来生成一个或多个推荐。举例来说，基于用户的协同过滤推荐模型可以确定用户-用户相似性来发现历史上对项目和/或内容具有相似品味的用户的给定邻居。因此，可以将给定的用户邻居具有相关联活动的项目推荐给用户。类似地，在基于项目的协同过滤中，可以确定项目-项目相似性来发现历史上吸引类似用本文档来自技高网...

【技术保护点】
一种包括促进处理和/或加工数据和/或信息和/或至少一个信号的方法，所述数据和/或信息和/或至少一个信号至少部分地基于以下：迭代执行以下步骤：使用当前数据集优化用于在当前时段结束时适应当前矩阵分解模型的参数；以及基于优化的参数，在当前时段结束时训练当前矩阵分解模型和当前数据集，以获得用于下一时段中的服务的适应的矩阵分解模型。

【技术特征摘要】
【国外来华专利技术】1.一种包括促进处理和/或加工数据和/或信息和/或至少一个信号的方法，所述数据和/或信息和/或至少一个信号至少部分地基于以下：迭代执行以下步骤：使用当前数据集优化用于在当前时段结束时适应当前矩阵分解模型的参数；以及基于优化的参数，在当前时段结束时训练当前矩阵分解模型和当前数据集，以获得用于下一时段中的服务的适应的矩阵分解模型。2.根据权利要求1所述的方法，其中对于参数，所述数据和/或信息和/或至少一个信号还至少部分地基于以下：训练当前数据集以获得临时矩阵分解模型；将当前数据集分裂为至少两个部分，使用所述至少两个部分中的一个用于测试并使用剩下的用于训练，以便获得所述参数。3.根据权利要求2所述的方法，其中所述数据和/或信息和/或至少一个信号还至少部分地基于以下：其中，通过使用当前矩阵分解模型和临时矩阵分解模型，获得适应的矩阵分解模型。4.根据权利要求3所述的方法，其中所述数据和/或信息和/或至少一个信号还至少部分地基于以下：在迭代执行之前，将初始数据集训练为初始矩阵分解模型；以及使用所述初始矩阵分解模型作为在当前时段中的当前矩阵分解模型。5.根据权利要求4所述的方法，其中所述数据和/或信息和/或至少一个信号还至少部分地基于以下：在将初始数据集训练为初始矩阵分解模型之后删除所述初始数据集。6.根据权利要求1所述的方法，其中所述数据和/或信息和/或至少一个信号还至少部分地基于以下：在获得适应的矩阵分解模型之后，删除所述当前数据集。7.根据权利要求1所述的方法，其中所述数据和/或信息和/或至少一个信号还至少部分地基于以下：其中所述当前数据集是在当前时段中收集到的活动信息的集合。8.根据权利要求1所述的方法，其中所述数据和/或信息和/或至少一个信号还至少部分地基于以下：其中使用适应的矩阵分解模型作为在下一时段期间的推荐模型。9.根据权利要求1-8中任一项所述的方法，其中所述数据和/或信息和/或至少一个信号还至少部分地基于以下：至少部分地基于推荐的至少一个广告；关于所述至少一个广告与一个或多个用户相关联的活动信息，其中所述一个或多个用户与至少一个用户相关联；以及向所述至少一个用户呈现至少一个广告，所述至少一个广告包括至少部分地基于所述活动信息的指示。10.根据权利要求9所述的方法，其中所述数据和/或信息和/或至少一个信号还至少部分地基于以下：至少部分地基于在所述至少一个用户和一个或多个用户之间通过一个或多个社交网络站点、一个或多个网站、一个或多个组织或其组合的一个或多个连接，至少一次确定与所述至少一个用户相关联的一个或多个用户。11.根据权利要求9和10中任一项所述的方法，其中所述数据和/或信息和/或至少一个信号还至少部分地基于以下：至少部分地基于至少一种颜色、至少一个符号、至少一个评价、对应于一个或多个用户中的一个或多个的至少一个标识符、或其组合，来可视化所述指示。12.根据权利要求1所述的方法，其中所述数据和/或信息和/或至少一个信号还至少部分地基于以下：使用当前数据集来在当前时段结束时验证当前矩阵分解。13.一种装置，包括：至少一个处理器；以及至少一个存储器，其包括用于一个或多个程序的计算机程序代码，所述至少一个存储器和计算机程序代码被配置为通过至少一个处理器使得所述装置至少执行以下：至少部分地使得迭代执行以下：使用当前数据集优化用于在当前时段结束时适应当前矩阵分解模型的参数；以及基于优化的参数，在当前时段结束时训练当前矩阵分解模型和当前数据集，以获得用于下一时段中的服务的适应的矩阵分解模型。14.根据权利要求13所述的装置，其中使用当前数据集优化参数至少部分地包括还使得所述装置用于：通过使用至少两个训练-测试对，训练和/或促进训练当前数据集以获得临时矩阵分解模型；以及将当前数据集分裂和/或促进分裂为至少两个部分，使用所述至少两个部分中的一个用于测试并使用剩下的用于训练，以便获得所述参数。15.根据权利要求14所述的装置，其中还使得所述装置用于：通过使用当前矩阵分解模型和临时矩阵分解模型，获得适应的矩阵分解模型。16.根据权利要求15所述的装置，其中还使得所述装置用于：在迭代执行之前，将初始数据集训练和/或促进训练为初始矩阵分解模型；以及使用和/或促进使用所述初始矩阵分解模型作为在当前时段中的当前矩阵分解模型。17.根据权利要求13所述的装置，其中还使得所述装置用于：在将初始数据集训练为初始矩阵分解模型之后删除和/或促进删除所述初始数据集。18.根据权利要求13所述的装置，其中还使得所述装置用于：在获得适应的矩阵分解模型之后，删除和/或促进删除所述当前数据集。19.根据权利要求13所述的装置，其中所述当前数据集是在当前时段中收集到的活动信息的集合。20.根据权利要求13所述的装置，其中还使得所述装置用于：使用和/或促进使用适应的矩阵分解模型作为在下一时段期间的推荐模型。21.根据权利要求13-20中任一项所述的装置，其中还使得所述装置用于：至少部分地基于推荐确定至少一个广告；关于所述至少一个广告确定与一个或多个用户相关联的活动信息，其中所述一个或多个用户与至少一个用户相关联；以及至少部...

【专利技术属性】
技术研发人员：曾广翔，田继雷，曹阳，A·秦，
申请(专利权)人：诺基亚技术有限公司，
类型：发明
国别省市：芬兰;FI