基于协同滤波模型的物品推荐方法和系统技术方案

提供了一种基于协同滤波模型的物品推荐方法和系统，其中，所述物品推荐方法包括：获得训练数据集和协同滤波模型集合；建立用于预测协同滤波模型的模型性能的初始的性能预测模型；基于所述训练数据集和所述协同滤波模型集合，迭代更新建立的性能预测模型；基于迭代更新后的性能预测模型，从所述协同滤波模型集合中选择至少一个协同滤波模型；基于选择的所述至少一个协同滤波模型执行物品推荐。至少一个协同滤波模型执行物品推荐。至少一个协同滤波模型执行物品推荐。

【技术实现步骤摘要】
基于协同滤波模型的物品推荐方法和系统


[0001]本申请涉及用户相关推荐技术，更具体地讲，涉及一种基于协同滤波模型的物品推荐方法和系统。

技术介绍

[0002]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物品，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。
[0003]协同滤波(CF)是推荐系统的一种关键技术，用于进行用户相关推荐，例如，估计用户对物品的偏好。
[0004]为了保证协同滤波的效果，需要根据待处理的数据类型、数据维度、数据规模、以及结果评定标准等，设计不同的协同滤波模型(例如，基于矩阵分解等的传统机器学习模型、基于深度神经网络等的深度学习模型)。
[0005]现有的协同滤波模型通常通过专家来设计，而且在使用中需要不断调整设计的协同滤波模型(例如，根据任务调整初始的协同滤波模型)，因此，如何自动选择有效的协同滤波模型以进行物品推荐已经成为一个非常重要的问题。

技术实现思路

[0006]根据本公开的示例性实施例，提供了一种基于协同滤波模型的物品推荐方法，其中，所述物品推荐方法包括：获得训练数据集和协同滤波模型集合；建立用于预测协同滤波模型的模型性能的初始的性能预测模型；基于所述训练数据集和所述协同滤波模型集合，迭代更新建立的性能预测模型；基于迭代更新后的性能预测模型，从所述协同滤波模型集合中选择至少一个协同滤波模型；基于选择的所述至少一个协同滤波模型执行物品推荐。
[0007]可选的，基于迭代更新后的性能预测模型，从所述协同滤波模型集合中选择至少一个协同滤波模型的步骤包括：产生所述协同滤波模型集合中的每个协同滤波模型的独热编码向量；将产生的独热编码向量输入迭代更新后的性能预测模型，预测所述协同滤波模型集合中的每个协同滤波模型的模型性能；从所述协同滤波模型集合中选择模型性能靠前的至少一个协同滤波模型。
[0008]可选的，训练数据集包括训练输入数据和训练输出标签数据，其中，迭代更新建立的性能预测模型的步骤中的每一轮迭代过程包括：从所述协同滤波模型集合中随机选择K个协同滤波模型，其中，K小于或等于所述协同滤波模型集合中包含的协同滤波模型数量；产生与所述K个协同滤波模型中的每个协同滤波模型对应的独热编码向量；通过将产生的独热编码向量输入到性能预测模型，预测所述K个协同滤波模型中的每个协同滤波模型的模型性能，其中，在第一轮迭代过程中，产生的独热编码向量被输入到初始的性能预测模型，在除了第一轮迭代过程之外的任意一轮迭代过程中，产生的独热编码向量被输入到在
所述任意一轮迭代过程的前一轮迭代过程中更新的性能预测模型；选择模型性能靠前的K1个协同滤波模型，其中，K1＜K；利用训练数据集中的训练输入数据，获得选择的K1个协同滤波模型中的每个协同滤波模型的模型输出；针对选择的K1个协同滤波模型中的每个协同滤波模型，利用性能评价函数获得性能评价结果，其中，性能评价结果用于评价获得的模型输出相对于训练数据集中的对应训练输出标签数据之间的差异；利用选择的K1个协同滤波模型的性能评价结果和预测的模型性能，基于预设的损失函数，更新性能预测模型；判断是否满足迭代终止条件，是则终止迭代，否则进入下一轮迭代。
[0009]可选的，迭代更新建立的性能预测模型的步骤中的每一轮迭代过程还包括：将选择的K1个协同滤波模型和相应的性能评价结果存储到模型集合中；其中，更新性能预测模型的步骤包括：从模型集合中选择协同滤波模型和相应的性能评价结果；利用从模型集合中选择的性能评价结果和相应的模型性能，基于预设的损失函数，更新性能预测模型。
[0010]可选的，更新性能预测模型的步骤包括：利用所述预设的损失函数，计算性能预测模型所预测的模型性能与对应的性能评价结果之间的差异；基于计算出的差异，更新性能预测模型中的参数。
[0011]可选的，获得的协同滤波模型集合中的每个协同滤波模型包括：输入编码函数，被配置为对用户数据和物品数据进行编码，以获得用户数据向量和物品数据向量；嵌入函数，被配置为将用户数据向量和物品数据向量分别转化为用户特征向量和物品特征向量；交互函数，被配置为基于用户特征向量和物品特征向量获得用户与物品之间的匹配关系；预测函数，被配置为基于所述匹配关系来预测物品推荐结果。
[0012]可选的，产生与所述K个协同滤波模型中的每个协同滤波模型对应的独热编码向量的步骤包括：获得所述K个协同滤波模型中的每个协同滤波模型的输入编码函数、嵌入函数、交互函数、以及预测函数；确定获得的输入编码函数、嵌入函数、交互函数、以及预测函数中的每个函数的候选函数集合；基于候选函数集合，获得独热编码向量，其中，获取的输入编码函数、嵌入函数、交互函数、以及预测函数中的任意一个函数的候选函数集合中所包括的多个候选函数中的一个候选函数被编码成值为1的向量元素，所述任意一个函数的候选函数集合中所包括的多个候选函数中的其余候选函数被编码成值为0的向量元素。
[0013]可选的，性能预测模型被表示为：P(x
o
)＝MLP(Concat(x
o
))，其中，x
o
∈{x1，x2，x3，x4}，x1、x2、x3和x4分别对应于输入编码函数的独热编码向量、嵌入函数的独热编码向量、交互函数的独热编码向量以及预测函数的独热编码向量，Concat(x
o
)表示对向量x1、向量x2、向量x3和向量x4进行合并，MLP(Concat(x
o
))表示计算与合并后的向量对应的多层感知机输出。
[0014]可选的，所述终止条件包括以下条件中的至少一个条件：迭代轮数达到预设轮数；在经过当前迭代过程和当前迭代过程之前的各轮迭代过程之后，所述协同滤波模型集合中的每个协同滤波模型都曾经通过随机选择而被选择过。
[0015]根据本公开的另一示例性实施例，提供了一种基于协同滤波模型的物品推荐系统，其中，所述物品推荐系统包括：初始化模块，被配置为获得训练数据集和协同滤波模型集合；性能预测模型建立模块，被配置为建立用于预测协同滤波模型的模型性能的初始的性能预测模型；性能预测模型更新模块，被配置为基于所述训练数据集和所述协同滤波模型集合，迭代更新建立的性能预测模型；模型选择模块，被配置为基于迭代更新后的性能预
测模型，从所述协同滤波模型集合中选择至少一个协同滤波模型；物品推荐模块，被配置为基于选择的所述至少一个协同滤波模型执行物品推荐。
[0016]可选的，模型选择模块被配置为：产生所述协同滤波模型集合中的每个协同滤波模型的独热编码向量；将产生的独热编码向量输入迭代更新后的性能预测模型，预测所述协同滤波模型集合中的每个协同滤波模型的模型性能；从所述协同滤波模型集合中选择模型性能靠前的至少一个协同滤波模型。
[0017]可选的，训练数据集包括训练输入数据和训本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于协同滤波模型的物品推荐方法，其中，所述物品推荐方法包括：获得训练数据集和协同滤波模型集合；建立用于预测协同滤波模型的模型性能的初始的性能预测模型；基于所述训练数据集和所述协同滤波模型集合，迭代更新建立的性能预测模型；基于迭代更新后的性能预测模型，从所述协同滤波模型集合中选择至少一个协同滤波模型；基于选择的所述至少一个协同滤波模型执行物品推荐。2.如权利要求1所述的物品推荐方法，其中，基于迭代更新后的性能预测模型，从所述协同滤波模型集合中选择至少一个协同滤波模型的步骤包括：产生所述协同滤波模型集合中的每个协同滤波模型的独热编码向量；将产生的独热编码向量输入迭代更新后的性能预测模型，预测所述协同滤波模型集合中的每个协同滤波模型的模型性能；从所述协同滤波模型集合中选择模型性能靠前的至少一个协同滤波模型。3.如权利要求1所述的物品推荐方法，其中，训练数据集包括训练输入数据和训练输出标签数据，其中，迭代更新建立的性能预测模型的步骤中的每一轮迭代过程包括：从所述协同滤波模型集合中随机选择K个协同滤波模型，其中，K小于或等于所述协同滤波模型集合中包含的协同滤波模型数量；产生与所述K个协同滤波模型中的每个协同滤波模型对应的独热编码向量；通过将产生的独热编码向量输入到性能预测模型，预测所述K个协同滤波模型中的每个协同滤波模型的模型性能，其中，在第一轮迭代过程中，产生的独热编码向量被输入到初始的性能预测模型，在除了第一轮迭代过程之外的任意一轮迭代过程中，产生的独热编码向量被输入到在所述任意一轮迭代过程的前一轮迭代过程中更新的性能预测模型；选择模型性能靠前的K1个协同滤波模型，其中，K1＜K；利用训练数据集中的训练输入数据，获得选择的K1个协同滤波模型中的每个协同滤波模型的模型输出；针对选择的K1个协同滤波模型中的每个协同滤波模型，利用性能评价函数获得性能评价结果，其中，性能评价结果用于评价获得的模型输出相对于训练数据集中的对应训练输出标签数据之间的差异；利用选择的K1个协同滤波模型的性能评价结果和预测的模型性能，基于预设的损失函数，更新性能预测模型；判断是否满足迭代终止条件，是则终止迭代，否则进入下一轮迭代。4.如权利要求3所述的物品推荐方法，其中，迭代更新建立的性能预测模型的步骤中的每一轮迭代过程还包括：将选择的K1个协同滤波模型和相应的性能评价结果存储到模型集合中；其中，更新性能预测模型的步骤包括：从模型集合中选择协同滤波模型和相应的性能评价结果；利用从模型集合中选择...

【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：