实现用户相关推荐的系统和方法技术方案

公开了一种实现用户相关推荐的系统和方法。所述方法包括：在由针对目标函数的超参数的候选取值构成的超参数搜索空间中搜索针对所述目标函数的超参数集合；基于使用所述超参数集合的目标函数，确定构成预测矩阵的第一优化子矩阵和第二优化子矩阵；使用由第一优化子矩阵和第二优化子矩阵构成的优化预测矩阵来推导评价矩阵中的缺失矩阵元素；以及基于补全了缺失矩阵元素的评价矩阵来执行用户相关推荐，其中，所述目标函数用于评估评价矩阵和预测矩阵之间的差异，所述评价矩阵的行对应于用户，列对应于对象，并且所述评价矩阵中的矩阵元素表示该矩阵元素的对应行的用户对对应列的对象的评价，预测矩阵用于推导评价矩阵中的缺失矩阵元素。

【技术实现步骤摘要】
实现用户相关推荐的系统和方法
本申请涉及用户相关推荐技术，更具体地讲，涉及一种使用矩阵补全来实现用户相关推荐的系统和方法。
技术介绍
推荐系统被广泛应用于各种场景。例如，推荐系统可以利用电子商务网站向客户提供商品信息和建议，帮助用户决定应该购买什么产品，模拟销售人员帮助客户完成购买过程。个性化推荐是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信息和商品。可进行推荐的对象包括商品、广告、新闻、音乐等等。可通过在用户和对象之间建立评价矩阵来实现用户相关推荐。对于评价矩阵，其行对应于用户，列对应于对象，并且所述评价矩阵中的矩阵元素表示该矩阵元素的对应行的用户对对应列的对象的评价。然而，由于用户通常只与少量的对象进行交互，因此评价矩阵中会有大量的缺失矩阵元素。矩阵补全旨在补全评价矩阵中的缺失矩阵元素(即，未知的矩阵元素)。在给定用户和对象的评价矩阵的情况下，矩阵补全可获得一个与评价矩阵近似的近似矩阵(或称为预测矩阵)并使用该近似矩阵中的矩阵元素来填补(或预测)评价矩阵中的相应缺失矩阵元素，由此使得能够基于补全了缺失矩阵元素的评价矩阵，估计用户对尚未探索的对象的偏好从而进行用户相关推荐。低秩矩阵补全是一种常见矩阵补全技术。低秩矩阵补全可通过低秩假设来恢复数据不完整的矩阵，在许多应用中得到广泛应用。现有的低秩矩阵补全方法主要分为正则化方法和矩阵分解方法。非凸(nonconvex)正则化方法通常可获得较好得的矩阵补全效果，但是训练时间长，而矩阵分解方法虽然训练速度快，但是矩阵补全效果较差。因此，需要一种又快又好的低秩矩阵补全方法。另一方面，在现有的矩阵补全方法中，通常不重视超参数搜索，这在很大程度上影响了模型的性能。对于小规模矩阵，通常可通过网格搜索、随机搜索等来训练多个不同的超参数的模型，然后根据这些模型在验证数据集上的效果选择最佳的超参数。然而，对于近年来频繁出现的大规模矩阵补全问题，其任务的数据量大，因此相应的超参数的设置要么需要代价高昂的搜索，要么严重依赖于专业知识。因此，高效的超参数搜索也成为一个挑战。
技术实现思路
根据本公开的示例性实施例，提供了一种实现用户相关推荐的方法，所述方法包括：在由针对目标函数的超参数的候选取值构成的超参数搜索空间中搜索针对所述目标函数的超参数集合；基于使用所述超参数集合的目标函数，确定构成预测矩阵的第一优化子矩阵和第二优化子矩阵；使用由第一优化子矩阵和第二优化子矩阵构成的优化预测矩阵来推导评价矩阵中的缺失矩阵元素；以及基于补全了缺失矩阵元素的评价矩阵来执行用户相关推荐，其中，所述目标函数用于评估评价矩阵和预测矩阵之间的差异，其中，所述评价矩阵的行对应于用户，所述评价矩阵的列对应于对象，并且所述评价矩阵中的矩阵元素表示该矩阵元素的对应行的用户对对应列的对象的评价，其中，所述预测矩阵用于推导评价矩阵中的缺失矩阵元素。可选地，所述目标函数可由以下表达式(1)表示：其中，F(U,V)是目标函数，U是第一子矩阵并且V是第二子矩阵，并且UVT为用于推导评价矩阵中的缺失矩阵元素的预测矩阵，并且其秩为k，G(U,V；θ,k)是用于使所述预测矩阵保持低秩的非凸低秩正则项，并且O是评价矩阵且评价矩阵O中的矩阵元素Oij是表示用户i对对象j的评价的标量，m表示用户数量，n表示对象的数量，1≤i≤m，1≤j≤n，并且i、j、m和n均为正整数，β＝{λ,θ,k}是针对目标函数F(U,V)预先确定的超参数集合并且λ≥0，θ∈(0,1]≥0且k＜＜min{m,n}，Ω是指示评价矩阵O中的能够观察到的矩阵元素的位置的矩阵且Ω∈{0,1}m×n，并且如果Oij是能够观察到的矩阵元素，则对应的Ωij＝1，如果Oij不是能够观察到的矩阵元素，则对应的Ωij＝0，其中，当Ωij＝1时，[PΩ(A)]ij＝Aij，并且当Ωij≠1时，[PΩ(A)]ij＝0，其中，Aij为不为0的值。可选地，所述超参数集合β＝{λ,θ,k}可以是基于以下表达式(2)在由超参数λ、θ和k的候选取值构成的超参数搜索空间中搜索出的：s.t.其中，，并且其中，Ω1是训练集并且由矩阵Ω的一部分构成，Ω2是验证集并且由矩阵Ω的另一部分构成，βp＝{λp,θp,kp}是所述超参数搜索空间中的第p个集合，λp,θp,kp分别是λ、θ和k的候选取值之一，1≤p≤D且p和D为整数，D是超参数搜索空间中的超参数集合的总数量，选择超参数a＝[αp]用于在超参数搜索空间选择一组超参数集合，C＝{a|||a||0＝1,0≤αp≤1}，超参数集合βp＝{λp,θp,kp}与αp对应并且αp＝1时超参数集合βp＝{λp,θp,kp}被选择，其中，是基于选择超参数a，使用训练集Ω1对训练损失函数L({(Up,Vp)},a)进行训练所获得的第一子矩阵和第二子矩阵的优化矩阵对，是用于基于所述优化矩阵对和验证集Ω2来测量选择超参数a的性能的验证损失函数，a*是在验证集上具有最佳性能的选择超参数，其中，β＝{λ,θ,k}是超参数搜索空间中与a*对应的优化超参数集合。可选地，可通过以下操作来确定超参数集合β＝{λ,θ,k}：获得选择超参数a的离散结构表示通过执行至少一次迭代更新操作来更新将执行了所述至少一次迭代更新操作之后获得的超参数确定为满足表达式(2)的选择超参数a*，并将与选择超参数a*对应的超参数集合确定为β＝{λ,θ,k}。每次迭代更新操作可包括以下操作：确定其中，w＝(Up,Vp)并且(Up,Vp)是与选择超参数a对应的第一子矩阵和第二子矩阵的矩阵对；对选择超参数a进行更新，使得使用更新的选择超参数a对超参数进行更新，使得并且基于更新后的超参数使用基于梯度的优化按照梯度对w进行更新，其中，C1＝{a|||a||0＝1}，C2＝{a|0≤αp≤1}，ε>0是预设步长，C＝C1∩C2，表示关于参数w对函数L(w,a)求一阶导数的结果。可选地，第一优化子矩阵和第二优化子矩阵可以是满足以下表达式(3)的子矩阵：(U*,V*)＝argminU,VF(U,V),…(3)，其中，U*是第一优化子矩阵，V*是第二优化子矩阵。可选地，确定构成预测矩阵的第一优化子矩阵和第二优化子矩阵的步骤可包括：随机选择初始第一子矩阵U1和初始第二子矩阵V1，并确定预定步长η；基于初始第一子矩阵U1和初始第二子矩阵V1，通过执行至少一次迭代梯度下降操作来确定第一优化子矩阵U*和第二优化子矩阵V*，其中，在每次迭代梯度下降操作中，可使得：并且其中，并且其中，η是预定步长，1≤t≤T且t为整数，T表示所述至少一次迭代梯度下降操作的总次数，Ut(Vt)T≠0，并且执行了T次梯度下降操作之后所返回的UT+1和VT+1分别被确定为第一优化子矩阵U*和第二优化子矩阵V*。根据本公开的另一示例性实施例，提供了一种实现用户相关推荐的系统，所述系统包括：超参数搜索装置，被配置为在由针对目标函数的本文档来自技高网...

【技术保护点】
1.一种实现用户相关推荐的方法，所述方法包括：/n在由针对目标函数的超参数的候选取值构成的超参数搜索空间中搜索针对所述目标函数的超参数集合；/n基于使用所述超参数集合的目标函数，确定构成预测矩阵的第一优化子矩阵和第二优化子矩阵；/n使用由第一优化子矩阵和第二优化子矩阵构成的优化预测矩阵来推导评价矩阵中的缺失矩阵元素；以及/n基于补全了缺失矩阵元素的评价矩阵来执行用户相关推荐，/n其中，所述目标函数用于评估评价矩阵和预测矩阵之间的差异，/n其中，所述评价矩阵的行对应于用户，所述评价矩阵的列对应于对象，并且所述评价矩阵中的矩阵元素表示该矩阵元素的对应行的用户对对应列的对象的评价，/n其中，所述预测矩阵用于推导评价矩阵中的缺失矩阵元素。/n

【技术特征摘要】
1.一种实现用户相关推荐的方法，所述方法包括：
在由针对目标函数的超参数的候选取值构成的超参数搜索空间中搜索针对所述目标函数的超参数集合；
基于使用所述超参数集合的目标函数，确定构成预测矩阵的第一优化子矩阵和第二优化子矩阵；
使用由第一优化子矩阵和第二优化子矩阵构成的优化预测矩阵来推导评价矩阵中的缺失矩阵元素；以及
基于补全了缺失矩阵元素的评价矩阵来执行用户相关推荐，
其中，所述目标函数用于评估评价矩阵和预测矩阵之间的差异，
其中，所述评价矩阵的行对应于用户，所述评价矩阵的列对应于对象，并且所述评价矩阵中的矩阵元素表示该矩阵元素的对应行的用户对对应列的对象的评价，
其中，所述预测矩阵用于推导评价矩阵中的缺失矩阵元素。


2.如权利要求1所述的方法，其中，所述目标函数由以下表达式(1)表示：



其中，F(U,V)是目标函数，U是第一子矩阵并且V是第二子矩阵，并且UVT为用于推导评价矩阵中的缺失矩阵元素的预测矩阵，并且其秩为k，
G(U,V；θ,k)是用于使所述预测矩阵保持低秩的非凸低秩正则项，并且
O是评价矩阵且评价矩阵O中的矩阵元素Oij是表示用户i对对象j的评价的标量，m表示用户数量，n表示对象的数量，1≤i≤m，1≤j≤n，并且i、j、m和n均为正整数，
β＝{λ,θ,k}是针对目标函数F(U,V)预先确定的超参数集合并且λ≥0，θ∈(0,1]≥0且k＜＜min{m,n}，Ω是指示评价矩阵O中的能够观察到的矩阵元素的位置的矩阵且Ω∈{0,1}m×n，并且如果Oij是能够观察到的矩阵元素，则对应的Ωij＝1，如果Oij不是能够观察到的矩阵元素，则对应的Ωij＝0，
其中，当Ωij＝1时，[PΩ(A)]ij＝Aij，并且当Ωij≠1时，[PΩ(A)]ij＝0，其中，Aij为不为0的值。


3.如权利要求2所述的方法，其中，
所述超参数集合β＝{λ,θ,k}是基于以下表达式(2)在由超参数λ、θ和k的候选取值构成的超参数搜索空间中搜索出的：



s.t.



其中，

，
并且



其中，Ω1是训练集并且由矩阵Ω的一部分构成，Ω2是验证集并且由矩阵Ω的另一部分构成，
其中，βp＝{λp,θp,kp}是所述超参数搜索空间中的第p个集合，λp,θp,kp分别是λ、θ和k的候选取值之一，1≤p≤D且p和D为整数，D是超参数搜索空间中的超参数集合的总数量，
其中，选择超参数a＝[αp]用于在超参数搜索空间选择一组超参数集合，C＝{a|||a||0＝1,0≤αp≤1}，超参数集合βp＝{λp,θp,kp}与αp对应并且αp＝1时超参数集合βp＝{λp,θp,kp}被选择，
其中，是基于选择超参数a，使用训练集Ω1对训练损失函数L({(Up,Vp)},a)进行训练所获得的第一子矩阵和第二子矩阵的优化矩阵对，是用于基于所述优化矩阵对和验证集Ω2来测量选择超参数a的性能的验证损失函数，a*是在验证集上具有最佳性能的选择超参数，
其中，β＝{λ,θ,k}是超参数搜索空间中与a*对应的优化超参数集合。


4.如权利要求3所述的方法，其中，通过以下操作来确定超参数集合β＝{λ,θ,k}：
获得选择超参数a的离散结构表示
通过执行至少一次迭代更新操作来更新
将执行了所述至少一次迭代更新操作之后获得的超参数确定为满足表达式(2)的选择超参数a*，并将与选择超参数a*对应的超参数集合确定为β＝{λ,θ,k}，
其中，每次迭代更新操作包括以下操作：
确定其中，w＝(Up,Vp)并且(Up,Vp)是与选择超参数a对应的第一子矩阵和第二子矩阵的矩阵对；
对选择超参数a进行更新，使得
使用更新的选择超参数a对超参数...

【专利技术属性】
技术研发人员：姚权铭，
申请(专利权)人：第四范式北京技术有限公司，
类型：发明
国别省市：北京;11