一种整合性推荐方法及装置制造方法及图纸

本发明专利技术适用于推荐技术领域，提供了一种整合性推荐方法及装置，所述整合性推荐方法包括：获取多项物品的数据；根据预先训练的整合性推荐模型以及所述物品的数据，生成所述物品的推荐概率，所述整合性推荐模型为基于用户生成数据和打分数据的模型；根据所述推荐概率，对所述物品进行排序，按所述推荐概率的大小，从高至低取至少一项所述物品作为推荐物品。本发明专利技术解决了现有的推荐系统缺乏有效性、全面性以及无法减轻冷启动问题带来的负面影响的问题，扩大了适用范围，同时增加了可信度，从而既提高了全面性和有效性，也减轻了冷启动问题带来的负面影响。

【技术实现步骤摘要】

本专利技术属于推荐
，尤其涉及一种整合性推荐方法及装置。
技术介绍
很多电子商务网站上都安装有推荐系统，通过推荐系统，根据用户的信息需求、兴趣等，将用户感兴趣的信息、产品等推荐给用户，以减少用户找到所需物品的时间。在现有的推荐系统中，根据推荐系统的类型，分为基于内容的推荐系统和基于用户反馈的推荐系统，基于内容的推荐系统需要系统对物品的内容进行分析，基于用户反馈的推荐系统有很多种不同的实现方式，其中以基于矩阵分解的方法最为成功。基于矩阵分解的方法将用户的反馈规则化成为一个用户打分的稀疏矩阵。然后利用低秩矩阵分解的数学方法对这个稀疏矩阵进行扩充，尽量填充满整个矩阵。通常，现有的推荐系统，有以下主要的缺点：1、缺乏全面性。由于物品的内容存在不可行性和不完整性的情况，因此推荐范围小，推荐效果难以令人满意，此外，物品的内容中大量存在用户的用户生成数据，而基于内容的推荐系统一般不能处理用户生成数据，进一步局限了推荐系统的适用范围，因此适用范围小，缺乏全面性。2、缺乏有效性。矩阵分解方法能够对一个用户的未来喜好进行预测，推荐系统并不能给出任何可识别的原因来证实这是个合理的推荐。换句话说，矩阵分解的产物，两个低秩矩阵并没有任何物理意义。这会对推荐系统的可信度产生负面影响，因此推荐的可信度低，缺乏有效性。3、无法减轻冷启动问题带来的负面影响。其中，当一个新的用户刚刚加入推荐系统时，由于没有关于他的任何反馈，因此推荐系统在这种情况下不能做出任何有效的推荐，这个问题被称作冷启动问题。而现有的推荐系统无法减轻冷启动问题带来的负面影响。
技术实现思路
本专利技术实施例的目的在于提供一种整合性推荐方法，旨在解决现有的推荐系统缺乏有效性、全面性以及无法减轻冷启动问题带来的负面影响的问题。本专利技术实施例是这样实现的，一种整合性推荐方法，包括：获取多项物品的数据；根据预先训练的整合性推荐模型以及所述物品的数据，生成所述物品的推荐概率，所述整合性推荐模型为基于用户生成数据和打分数据的模型；根据所述推荐概率，对所述物品进行排序，按所述推荐概率的大小，从高至低取至少一项所述物品作为推荐物品。本专利技术实施例的另一目的在于提供一种整合性推荐装置，包括：数据获取模块，用于获取多项物品的数据；推荐概率生成模块，用于根据预先训练的整合性推荐模型以及所述物品的数据，生成所述物品的推荐概率，所述整合性推荐模型为基于用户生成数据和打分数据的模型；推荐模块，用于根据所述推荐概率，对所述物品进行排序，按所述推荐概率的大小，从高至低取至少一项所述物品作为推荐物品。在本专利技术实施例中，根据预先训练的整合性推荐模型以及所述物品的数据，生成所述物品的推荐概率，所述整合性推荐模型为基于用户生成数据和打分数据的模型，根据所述推荐概率，对所述物品进行排序，按所述推荐概率的大小，从高至低取至少一项所述物品作为推荐物品。将基于内容的推荐系统和基于用户反馈的推荐系统整合，利用闲置的大量用户生成数据，减轻冷启动问题带来的负面影响，并达到对低秩矩阵的每一个维度提供物理意义的文字云，解决了现有的推荐系统缺乏有效性、全面性以及无法减轻冷启动问题带来的负面影响的问题，扩大了适用范围，同时增加了可信度，从而既提高了全面性和有效性，也减轻了冷启动问题带来的负面影响。附图说明图1是本专利技术实施例提供的一种整合性推荐方法的实现流程图；图2是本专利技术实施例提供的训练整合性推荐模型的实现流程图；图3是本专利技术实施例提供训练整合性推荐模型中的步骤S203的实施流程图；图4是本实施例提供的整合式推荐方法的系统图；图5是本专利技术实施例提供的整合性推荐装置的第一结构框图；图6是本专利技术实施例提供的整合性推荐装置第二结构框图；图7是本专利技术实施例提供的整合性推荐装置中整合性推荐模型训练模块的结构框图；图8是本专利技术实施例提供的整合性推荐模型训练单元的结构框图；图9是本专利技术实施例提供的整合性推荐装置第三结构框图。具体实施方式为了使本专利技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本专利技术进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本专利技术，并不用于限定本专利技术。实施例一图1是本专利技术实施例提供的一种整合性推荐方法的实现流程图，详述如下：在步骤S101中，获取多项物品的数据；其中，获取多项物品的数据，可采用现有技术的任一种方式获取，如通过上网的方式获取，或通过本地数据库导入的方式获取。在步骤S102中，根据预先训练的整合性推荐模型以及所述物品的数据，生成所述物品的推荐概率，所述整合性推荐模型为基于用户生成数据和打分数据的模型；在步骤S102之前，包括：训练整合性推荐模型。在步骤S103中，根据所述推荐概率，对所述物品进行排序，按所述推荐概率的大小，从高至低取至少一项所述物品作为推荐物品。其中，从高至低取K项物品作为推荐物品，输出前K个作为针对当前用户的推荐物品。K的大小可以为用户自设，也可以采用系统默认。在本专利技术实施例中，将基于内容的推荐系统和基于用户反馈的推荐系统整合，利用闲置的大量用户生成数据，减轻冷启动问题带来的负面影响，并达到对低秩矩阵的每一个维度提供物理意义的文字云，解决了现有的推荐系统缺乏有效性、全面性以及无法减轻冷启动问题带来的负面影响的问题，扩大了适用范围，同时增加了可信度，从而既提高了全面性和有效性，也减轻了冷启动问题带来的负面影响。实施例二图2是本专利技术实施例提供的训练整合性推荐模型的实现流程图，详述如下：在步骤S201中，获取用户生成数据和打分数据；用户生成数据为对物品的文字性描述，其中包含了用户对物品的描述和评价。通过对描述的分析，我们能够训练得到物品的属性和用户的喜好。在步骤S202中，对所述用户生成数据和打分数据进行预处理，生成所述用户生成数据的词汇矩阵和所述打分数据的稀疏打分矩阵；在步骤S203中，根据所述词汇矩阵和稀疏打分矩阵，训练预先建立的整合性推荐模型。在本专利技术实施例中，与其它推荐系统相比，本推荐系统利用了用户生成数据，能够改善整体推荐的效率。实施例三图3是本专利技术实施例提供训练整合性推荐模型中的步骤S203的实施流程图，详述如下：在步骤S301中，在所述词汇矩阵和稀疏打分矩阵中，利用吉布斯采样框架采样，生成所述词汇矩阵和稀疏打分矩阵的隐变量采样值；在步骤S302中，根据所述隐变量本文档来自技高网...

【技术保护点】
一种整合性推荐方法，其特征在于，包括：获取多项物品的数据；根据预先训练的整合性推荐模型以及所述物品的数据，生成所述物品的推荐概率，所述整合性推荐模型为基于用户生成数据和打分数据的模型；根据所述推荐概率，对所述物品进行排序，按所述推荐概率的大小，从高至低取至少一项所述物品作为推荐物品。

【技术特征摘要】
1.一种整合性推荐方法，其特征在于，包括：
获取多项物品的数据；
根据预先训练的整合性推荐模型以及所述物品的数据，生成所述物品的推
荐概率，所述整合性推荐模型为基于用户生成数据和打分数据的模型；
根据所述推荐概率，对所述物品进行排序，按所述推荐概率的大小，从高
至低取至少一项所述物品作为推荐物品。
2.根据权利要求1所述的整合性推荐方法，其特征在于，在所述根据预先
训练的整合性推荐模型以及所述物品的数据之前，包括：
训练整合性推荐模型。
3.根据权利要求2所述的整合性推荐方法，其特征在于，所述训练整合性
推荐模型，具体为：
获取用户生成数据和打分数据；
对所述用户生成数据和打分数据进行预处理，生成所述用户生成数据的词
汇矩阵和所述打分数据的稀疏打分矩阵；
根据所述词汇矩阵和稀疏打分矩阵，训练预先建立的整合性推荐模型。
4.如权利要求3所述的整合性推荐方法，其特征在于，所述根据所述词汇
矩阵和稀疏打分矩阵，训练预先建立的整合性推荐模型，具体为：
在所述词汇矩阵和稀疏打分矩阵中，利用吉布斯采样框架采样，生成所述
词汇矩阵和稀疏打分矩阵的隐变量采样值；
根据所述隐变量采样值，训练预先建立的整合性推荐模型的参数。
5.如权利要求2所述的整合性推荐方法，其特征在于，在所述训练整合性
推荐模型之前，包括：
建立整合性推荐模型，所述整合性推荐模型为：
P(w,x|Θ;α,β,μ0,σ02,σ2)]]>∝Πj=1MP(θj|α)Πj∈Uj(Πl=1Li,jΣz=1KP(z|θj)P(w1|ψ2))(Σf=1KP(f|θj)P(xi,j|μi,f,σ2))]]>其中，w为用户对物品评价的词汇，x为用户对物品的评分，Θ为物品主题
的参数，α为物品主题分布的Dirichlet先验参数，β为主题词汇分布Dirichlet
先验，μ0为用户对主题喜爱程度高斯分布的先验平均参数，为用户对主题喜
爱程度高斯分布的先验方差参数，σ2为用户打分高斯分布的方差参数。
其中，j为物品矩阵列数，M为物品的数量，θj为当前物品j的主题分布参数，
P(θj|α)为物品j的主题分布，Uj为对物品j打过分的用户集合，l为物品词汇矩阵
列数，Li,j为物品j收到评价词汇的总个数，z为词汇j对应的隐变量，K为主题的
个数，wl为当前评价词汇，zz为主题z的词汇分布，f为评价j对应的隐变量，xi,j为
用户i对物品j的评分，μi,f为用户对物品打分分布的平均参数；
其中，公式左侧为物品的推荐概率，所述推荐概率正比于公式右侧，公式
右侧第一项为物品的主题分布，右侧第二项为处理用户生成数据的模型，所述
用户生成数据包括物品的评价文字，右侧第三项为处理打分数据的模型，所述
打分数据包括物品的打分。
6.一种整合性推荐装置，其特征在于，包括：
数据获取模块，用于获取多项物...

【专利技术属性】
技术研发人员：凌光，吕荣聪，金国庆，
申请(专利权)人：香港中文大学深圳研究院，
类型：发明
国别省市：广东;44