一种面向动态环境的自适应在线推荐方法技术

本发明专利技术公开一种面向动态环境的自适应在线推荐方法，通过将推荐任务建模成一个在线多分类问题，然后使用自适应在线分类方法进行推荐。首先，获取应用场景的历史数据集。接着，选择分类器和损失函数，并计算出分类器在历史数据集上的最优参数作为初始值。然后，在每个回合根据分类器的预测决定推荐项目，并通过一个自适应方法更新分类器参数。该自适应方法包含一个元方法和多个专家方法。与现有技术相比，本发明专利技术能自适应地进行在线推荐，适用于变化速度和幅度无法事先预测的动态环境。

【技术实现步骤摘要】
一种面向动态环境的自适应在线推荐方法
本专利技术涉及数据挖掘和机器学习领域中的在线推荐方法，特别涉及在动态环境中进行自适应在线推荐的方法，可应用于新闻推荐、广告推荐和商品推荐等场景。
技术介绍
在线推荐方法能够在进行推荐的同时从与用户的交互数据中学习兴趣偏好，并且实时地调整推荐策略以适应用户的兴趣偏好。在每个推荐回合，推荐方法先观察到用户和所有候选项目的特征，然后根据推荐策略决定推荐项目，最后根据用户实际所选项目更新推荐策略。随着可观测数据量的急速增长和硬件计算能力的大幅度提高，在线推荐方法已经被大量地应用在经济、教育、游戏和多媒体等领域。如在互联网广告投放中，在线推荐方法可以在每个用户到来的时候根据用户和所有候选广告的特征决定投放的广告，并且在用户进行反馈(点击某一个广告)后更新模型以提高接下来的投放效果。在新闻推荐系统中，在线推荐方法可以在每个用户到来的时候根据用户和所有候选新闻的特征预测用户感兴趣的新闻类别从而进行推荐，并在用户进行反馈(阅读某一类别新闻)后更新模型以提高接下来的推荐效果。在股票投资中，在线推荐方法可以在每个投资周期开始的时候根据市场特征预测接下来的市场涨跌情况本文档来自技高网...

【技术保护点】
1.一种面向动态环境的自适应在线推荐方法，其特征在于：包括元方法和专家方法；所述元方法的具体步骤为：步骤100，获取推荐场景历史数据集H＝{(xi，yi)，i＝1，2，...，m}，其中xi表示用户特征和所有候选项目特征拼接而成的向量，yi表示用户实际选择的项目；步骤101，选择分类器c(x，w)和损失函数l(p，y)，其中x表示用户特征和所有候选项目特征拼接而成的向量，y表示用户实际选择的项目，w表示分类器的参数，p表示分类器输出的推荐项目；步骤102，在历史数据集上，根据所选的分类器和损失函数，在分类器参数可行域W中计算最优参数

【技术特征摘要】
1.一种面向动态环境的自适应在线推荐方法，其特征在于：包括元方法和专家方法；所述元方法的具体步骤为：步骤100，获取推荐场景历史数据集H＝{(xi，yi)，i＝1，2，...，m}，其中xi表示用户特征和所有候选项目特征拼接而成的向量，yi表示用户实际选择的项目；步骤101，选择分类器c(x，w)和损失函数l(p，y)，其中x表示用户特征和所有候选项目特征拼接而成的向量，y表示用户实际选择的项目，w表示分类器的参数，p表示分类器输出的推荐项目；步骤102，在历史数据集上，根据所选的分类器和损失函数，在分类器参数可行域W中计算最优参数步骤103，设置步长参数α；步骤104，设置专家方法个数N；步骤105，设置每个专家方法的学习率η；步骤106，初始化每个专家方法的权重步骤107，在每个推荐回合t＝1，2，...，T执行以下步骤：步骤108，获取用户特征和所有候选项目特征拼接而成的向量xt；步骤109，接收每个专家方法的输出步骤110，计算分类器参数步骤111，根据分类器输出的推荐项目c(xt，wt)进行推荐；步骤112，获取该回合用户实际选择的项目yt；步骤113，计算函数ft(w)＝l(c(xt，w)，yt)在wt处的梯度步骤114，将发送给每个专家方法；步骤115，构造替代损失函数st(·)；步骤116，更新每个专家方法的权重每个专家方法的具体步骤为：步骤200，初始化步骤201，在每个...

【专利技术属性】
技术研发人员：张利军，卢世银，周志华，
申请(专利权)人：南京大学，
类型：发明
国别省市：江苏,32