一种融合显隐式反馈的协同推荐模型制造技术

本发明专利技术公开了一种融合显隐式反馈的协同推荐模型，从模拟用户真实的购物流程的角度出发，通过两步完成我们的推荐任务，首先通过面向排序的推荐模型分析用户隐式反馈数据来建模后，从待排序物品集中选出用户最有可能浏览的物品，接着采用面向评分的推荐模型通过用户显式反馈数据，学习出用户特征矩阵和物品特征矩阵用于预测评分，然后基于评分对之前选出的物品集重新排列先后顺序，作为最后的推荐列表返回给目标用户，从而极大地提高推荐的准确性，具有广泛的商业应用价值。

【技术实现步骤摘要】
一种融合显隐式反馈的协同推荐模型
本专利技术属于计算机软件
，具体是一种融合显隐式反馈的协同推荐模型。
技术介绍
在当前的大多数在线购物平台中，用户的历史行为数据(如评分、点赞、浏览记录)隐式地包含用户的偏好信息，很多推荐系统都将其作为输入数据的重要来源之一。根据用户的反馈机制，可以将用户的在线行为数据分为显式反馈数据和隐式反馈数据，并且对于当前的电商领域，这两者数据是并存的，很少独立存在显式反馈或者隐式反馈数据。然而，之前大多数个性化推荐技术都把重心集中在单独的显式反馈或者隐式反馈，很难应对当前电商对于推荐技术的迫切需求，如何融合显隐式反馈用于推荐任务一直是研究的难点之一。此外，最终产生的推荐物品集里面的先后顺序会影响人们的购买意图，普遍认为靠前的物品是用户最想购买的，因此，推荐任务也应该考虑推荐结果中不同物品之间的先后顺序。在本专利技术中，我们认为用户在现实场景下的购买流程是这样的：用户先经过长时间浏览商品，最后才会挑选出自己想买的商品。用户在浏览过程会留下很多隐式反馈数据(如点击、浏览、购买记录等)，而在购买后的评价信息是用户的显式反馈数据(如评分、评级等)，所以最终的推本文档来自技高网...

【技术保护点】
1.一种融合显隐式反馈的协同推荐模型，其特征在于从模拟用户真实的购物流程的角度出发，具体步骤如下：步骤1、利用隐式反馈数据训练所需要的面向排序的推荐模型，并选出用户最有可能浏览的物品集I；步骤2、在面向评分的模型加入显式反馈数据和隐式反馈数据来训练模型，，学习出用户特征矩阵和物品特征矩阵用于预测评分；对步骤1得到的物品集I进行重新排序，得到用户最可能购买的物品集II，将物品集II作为最终的推荐结果返回给目标用户；步骤1中面向排序的推荐模型使用的推荐算法，采用目前对级排序学习算法中应用于隐式反馈数据中的BPR算法，具体实现如下：首先，对用户的历史评分数据进行数据pair化预处理：BPR算法将用户...

【技术特征摘要】
1.一种融合显隐式反馈的协同推荐模型，其特征在于从模拟用户真实的购物流程的角度出发，具体步骤如下：步骤1、利用隐式反馈数据训练所需要的面向排序的推荐模型，并选出用户最有可能浏览的物品集I；步骤2、在面向评分的模型加入显式反馈数据和隐式反馈数据来训练模型，，学习出用户特征矩阵和物品特征矩阵用于预测评分；对步骤1得到的物品集I进行重新排序，得到用户最可能购买的物品集II，将物品集II作为最终的推荐结果返回给目标用户；步骤1中面向排序的推荐模型使用的推荐算法，采用目前对级排序学习算法中应用于隐式反馈数据中的BPR算法，具体实现如下：首先，对用户的历史评分数据进行数据pair化预处理：BPR算法将用户对物品的评分数据处理为一个pair对的集合＜i，j＞，其中i为评分为1的物品，j为评分为0的物品；用三元组＜u，i，j＞来表达：用户“u”喜欢物品“i”多于物品“j”；用户有过交互的物品记为“1”，没有交互的物品记为“0”；面向排序的推荐模型的前提条件：①用户之间的偏好行为各自独立；②同一用户对不同物品的偏序关系各自独立；因此，定义需要极大化的目标：Πp(Θ|i＞uj)∝Πp(i＞uj|Θ)p(Θ...

【专利技术属性】
技术研发人员：汤景凡，龚泽鑫，张旻，姜明，杜炼，
申请(专利权)人：杭州电子科技大学，
类型：发明
国别省市：浙江,33