推荐方法、装置、设备及计算机可读存储介质制造方法及图纸

本发明专利技术实施例提供一种推荐方法、装置、设备及计算机可读存储介质。该方法包括：基于推荐系统中第一用户的多个已评分对象的属性张量和多个未评分对象的属性张量，计算第一用户对每个未评分对象的第一预测评分；对确定的第一用户的多个待推荐对象，计算第一用户对每个待推荐对象的第二预测评分；基于第一预测评分和第二预测评分，在多个未评分对象和多个待推荐对象中确定至少一个目标推荐对象，以进行推荐。本发明专利技术实施例能够提高推荐多样性。

Recommended methods, devices, devices and computer readable storage media

【技术实现步骤摘要】
推荐方法、装置、设备及计算机可读存储介质
本专利技术实施例涉及互联网
，尤其涉及一种推荐方法、装置、设备及计算机可读存储介质。
技术介绍
随着互联网技术的高速发展，在线信息也呈爆炸式增长。用户在面临海量的选择时往往会无从下手，推荐系统的提出，能够帮助用户快速定位到其感兴趣的目标。一方面推荐系统可以有效提升用户在面临海量选择时的体验，另一方面，推荐系统可以帮助平台进行用户导流，并吸引来更多的用户。目前，现有的推荐方法主要有基于内容的方法、基于协同过滤的方法以及混合方法。基于内容的方法是根据物品本身的内容信息，如物品的文本描述，属性标签等，然后基于这些内容信息计算文本相似度，从而得到物品间相似度，最后将与用户历史物品相似的物品推荐给用户。但基于内容的方法对于相似度的计算是物品在一维空间中的相似度，从而导致推荐多样性较低。
技术实现思路
本专利技术实施例提供一种推荐方法、装置、设备及计算机可读存储介质，以提高推荐多样性。第一方面，本专利技术实施例提供一种推荐方法，包括：基于推荐系统中第一用户的多个已评分对象的属性张量和多个未评分对象的属性张量，计算第一用户对未评分对象的第一预测评分；对确定的第一用户的多个待推荐对象，计算第一用户对待推荐对象的第二预测评分；基于第一预测评分和第二预测评分，在多个未评分对象和多个待推荐对象中确定至少一个目标推荐对象，以进行推荐。第二方面，本专利技术实施例提供一种推荐装置，包括：第一计算模块，用于基于推荐系统中第一用户的多个已评分对象的属性张量和多个未评分对象的属性张量，计算第一用户对未评分对象的第一预测评分；第二计算模块，用于对确定的第一用户的多个待推荐对象，计算第一用户对待推荐对象的第二预测评分；确定模块，用于基于第一预测评分和第二预测评分，在多个未评分对象和多个待推荐对象中确定至少一个目标推荐对象，以进行推荐。第三方面，本专利技术实施例提供一种推荐设备，包括：存储器；处理器；以及计算机程序；其中，计算机程序存储在存储器中，并被配置为由处理器执行以实现如第一方面的方法。第四方面，本专利技术实施例提供一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行以实现第一方面的方法。本专利技术实施例提供的推荐方法、装置、设备及计算机可读存储介质，通过基于推荐系统中第一用户的多个已评分对象的属性张量和多个未评分对象的属性张量，计算第一用户对未评分对象的第一预测评分；对确定的第一用户的多个待推荐对象，计算第一用户对待推荐对象的第二预测评分；基于第一预测评分和第二预测评分，在多个未评分对象和多个待推荐对象中确定至少一个目标推荐对象，以进行推荐。由于已评分对象和未评分对象分别表达为属性张量，使得第一预测评分的计算考虑了推荐系统中各个对象的属性之间的关联，因此，能够缓解数据稀疏性问题，实现推荐结果的多样化。附图说明图1为本专利技术实施例提供的推荐方法流程图；图2为本专利技术另一实施例提供的推荐方法流程图；图3为本专利技术另一实施例提供的推荐方法流程图；图4为本专利技术实施例提供的用户、对象和标签的节点关系图；图5为本专利技术实施例提供的用户、对象-标签对的节点关系图；图6为本专利技术实施例提供的原理图；图7为本专利技术另一实施例提供的推荐方法流程图；图8为本专利技术实施例提供的推荐装置的结构示意图；图9为本专利技术实施例提供的推荐设备的结构示意图。通过上述附图，已示出本公开明确的实施例，后文中将有更详细的描述。这些附图和文字描述并不是为了通过任何方式限制本公开构思的范围，而是通过参考特定实施例为本领域技术人员说明本公开的概念。具体实施方式这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。现有技术中，基于协同过滤的方法大体上是为用户找到与之兴趣相似的其他用户，将他们感兴趣的内容推荐给原用户。它不需要处理用户和物品的属性和内容信息。混合方法是将多类型推荐方法以一定的方法结合，或是将多种推荐方法得到的结果进行融合，或是将多种方法融合成一个混合框架。而基于协同过滤的方法算法存在以下两个问题：1、数据稀疏性问题，即对于不活跃的用户，很难单纯根据其历史记录获取其兴趣；2、效率问题，即目前大多数的协同过滤方法很容易面临大规模计算和高维矩阵存储的问题。而混合策略大多数是预定义的，混合的策略都较为生硬，不能根据实际情况进行适应性的调整。本专利技术实施例提供的推荐方法，旨在解决现有技术的如上至少一个技术问题。下面以具体地实施例对本专利技术的技术方案以及本申请的技术方案如何解决上述技术问题进行详细说明。下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例中不再赘述。下面将结合附图，对本专利技术的实施例进行描述。图1为本专利技术实施例提供的推荐方法流程图。本专利技术实施例针对现有技术的如上技术问题，提供了推荐方法，该方法具体步骤如下：步骤101、基于推荐系统中第一用户的多个已评分对象的属性张量和多个未评分对象的属性张量，计算第一用户对每个未评分对象的第一预测评分。具体的，推荐系统包括多个用户和多个对象，推荐系统能够根据用户的兴趣特点和购买行为，向用户推荐用户感兴趣的对象，从而实现个性化推荐。其中，每一用户可以对应多个对象，对象可以是信息，也可以是物品，例如一部影片、一首音乐、一本书、一个商品等等。第一用户是指待进行推荐的用户，可以是推荐系统中的任一个用户。用户对对象可以进行评分，例如，某一用户对一部影片、一首音乐、一本书或一个商品进行评分。可选的，用户对一部影片、一首音乐、一本书或一个商品的评分可以是用户对该影片、音乐、书或商品的直接打分，也可以是平台根据用户对该影片、音乐、书或商品的评价信息计算得到的评分，本专利技术对此不做具体限定。可选的，每一对象具有多个属性。例如，某一部电影的属性可以包括电影名称、导演、演员、类型等属性信息。某一首音乐的属性可以包括音乐名称、歌手名称、风格等属性信息。某一件商品的属性可以包括商品名称、商品价格、商品类别等属性信息。总之，属性构成对某一对象的表达，本专利技术在此不再一一列举。在本专利技术实施例中，已评分对象的属性张量是指将推荐系统中第一用户已进行评分的对象的属性采用张量来表达。假设已评分对象为X，则该已评分对象X可以表达为一个N阶张量，该N阶张量的每一个维度，即每一阶对应已评分对象X的一个属性，Ii表示第i个属性的所有取值的集合大小。未评分对象的属性张量与已评分对象的属性张量类似，具体可参见已评分对象的属性张量的介绍，在此不再赘述。本专利技术实施例中，未评分对象可以作为第一用户的待推荐对象，推荐系统可以计算第一用户对每个未评分对象的第一预测评分，来预测第一用户对该未评分对象的兴趣程度。步骤102、对确定的第一用户的多个待推荐对象，计算第一用户对每个待推荐对象的第二预测评分。具体的，可以是通过协同过滤方法来确定的第一用户的多个待推荐对象。例如，首先找到第一用户的兴趣对象和/或第一用户对该兴趣对象标注的标签，进而通过第一用户的兴趣对象和/或第一用户对该兴趣对象标注的标签找到与第一用户具有相同本文档来自技高网...

【技术保护点】
1.一种推荐方法，其特征在于，包括：基于推荐系统中第一用户的多个已评分对象的属性张量和多个未评分对象的属性张量，计算所述第一用户对所述未评分对象的第一预测评分；对确定的所述第一用户的多个待推荐对象，计算所述第一用户对所述待推荐对象的第二预测评分；基于所述第一预测评分和所述第二预测评分，在多个所述未评分对象和多个所述待推荐对象中确定至少一个目标推荐对象，以进行推荐。

【技术特征摘要】
1.一种推荐方法，其特征在于，包括：基于推荐系统中第一用户的多个已评分对象的属性张量和多个未评分对象的属性张量，计算所述第一用户对所述未评分对象的第一预测评分；对确定的所述第一用户的多个待推荐对象，计算所述第一用户对所述待推荐对象的第二预测评分；基于所述第一预测评分和所述第二预测评分，在多个所述未评分对象和多个所述待推荐对象中确定至少一个目标推荐对象，以进行推荐。2.根据权利要求1所述的方法，其特征在于，所述基于推荐系统中第一用户的多个已评分对象的属性张量和多个未评分对象的属性张量，计算所述第一用户对所述未评分对象的第一预测评分，包括：基于推荐系统中第一用户的多个已评分对象和多个未评分对象各自的属性张量，计算所述已评分对象和所述未评分对象之间的相似度；基于所述已评分对象和所述未评分对象之间的相似度，以及所述第一用户对所述已评分对象的评分，计算所述第一用户对所述未评分对象的第一预测评分。3.根据权利要求2所述的方法，其特征在于，所述基于推荐系统中第一用户的多个已评分对象和多个未评分对象各自的属性张量，计算所述已评分对象和所述未评分对象之间的相似度，包括：分别对将所述已评分对象和所述未评分对象进行张量表达得到的属性张量分别进行张量分解；根据所述已评分对象和所述未评分对象各自的张量分解结果，计算所述已评分对象和所述未评分对象之间的相似度。4.根据权利要求1-3任一项所述的方法，其特征在于，所述对确定的所述第一用户的多个待推荐对象，计算所述第一用户对所述待推荐对象的第二预测评分，包括：确定所述待推荐对象的多个关联关系，所述关联关系是所述第一用户、所述第一用户的兴趣对象和/或对所述兴趣对象标注的标签、与所述第一用户具有相同兴趣对象和/或相同标签的第二用户以及所述第二用户的兴趣对象之间的关联关系；将所述第二用户的兴趣对象作为所述待推荐对象，计算所述待推荐对象在每一所述关联关系下的正面率；将所述待推荐对象在多个所述关联关系下的正面率累加，得到所述第二预测评分。5.根据权利要求1-3任一项所述的方法，其特征在于，所述对确定的所述第一用户的多个待推荐对象，计算所述第一用户对所述待推荐对象的第二预测评分，包括：将所述推荐系统中所有用户与所有对象的交互采用第一矩阵表示；将所述多个待推荐对象在每一关联关系下的正面率采用第二矩阵表示；根据所述第一矩阵、所述第一矩阵的转置矩阵和所述第二矩阵，计算得到第三矩阵，所述第三矩阵包括所述第一用户对所述待推荐对象的第二预测评分。6.根据权利要求4或5所述的方法，其特征在于，所述待推荐对象在每一关联关系下的正面率是根据第一预设参数、第二预设参数，以及每一所述待推荐对象的正面评分数量和负面评分数量计算得到。7.根据权利要求6所述的方法，其特征在于，所述第一预设参数和所述第二预设参数是根据所述推荐系统中所有对象的正面评分的概率平均值确定。8.根据权利要求1-7任一项所述的方法，其特征在于，所述基于所述第一预测评分和所述第二预测评分，在所述多个未评分对象和多个待推荐对象中确定至少一个目标推荐对象，包括：基于所述第一预测评分和所述第二预测评分，计算所述第一用户对每个所述未评分对象和每个所述待推荐对象的综合预测评分；根据所述综合预测评分在所述未评分对象和所述待推荐对象中确定至少一个目标推荐对象。9.根据权利要求8所述的方法，其特征在于，所述基于所述第一预测评分和所述第二预测评分，计算所述第一用户对每个所述未评分对象和每个所述待推荐对象的综合预测评分，包括：确定所述第一用户的活跃度和所述未评分对象的新鲜度；根据所述第一用户的活跃度和所述未评分对象的新鲜度，确定所述第一预测评分的权重以及所述第二预测评分的权重；根据所述第一预测评分的权重、所述第一预测评分、所述第二预测评分的权重和所述第二预测评分，确定所述第一用户分别对每个所述未评分对象和每个所述待推荐对象的综合预测评分...

【专利技术属性】
技术研发人员：杨佳莉，李直旭，陈志刚，何莹，
申请(专利权)人：科大讯飞苏州科技有限公司，
类型：发明
国别省市：江苏,32