基于矩阵分解的楼宇推荐方法和系统技术方案

本发明专利技术提供了一种基于矩阵分解的楼宇推荐方法和系统，包括：步骤1：获取楼宇画像和品牌方案；步骤2：根据楼宇画像和品牌方案建立品牌

【技术实现步骤摘要】
基于矩阵分解的楼宇推荐方法和系统


[0001]本专利技术涉及矩阵分解
，具体地，涉及一种基于矩阵分解的楼宇推荐方法和系统。

技术介绍

[0002]近年来随着线下广告业务的迅猛发展，广告主对于线下广告的精细化服务提出了更多的需求。尤其在对线下广告进行资源筛选的场景中，一直缺乏一个清晰的参考方案，为广告主提供智能的一站式的推荐服务。
[0003]专利文献CN113868462A(申请号：CN202111065891.5)公开了一种基于矩阵分解的歌曲推荐系统及方法，涉及数据分析
；将预处理后的歌曲特征数据和用户行为数据利用矩阵分解模型进行数据的矩阵分解，根据分解后的数据矩阵利用伯努利概率分布模型获得用户对歌曲的偏好度指标，根据偏好度指标对用户进行歌曲的推荐。
[0004]随着线下广告业务数据量质量的不断提升，现有的数据已经可以满足广告主对资源层面的精细化需求，所以如果能够结合线上电商等平台的推荐方案和线下资源的自有特性完成线下资源的智能推荐，这无疑对线下投放广告提供了投放最优解，同时为资源配置和整合带来巨大的好处，所以迫切需要一个基于线下资源的智能推荐方案。

技术实现思路

[0005]针对现有技术中的缺陷，本专利技术的目的是提供一种基于矩阵分解的楼宇推荐方法和系统。
[0006]根据本专利技术提供的基于矩阵分解的楼宇推荐方法，包括：
[0007]步骤S1：获取楼宇画像和品牌方案，包括楼宇受众人群属性、自有标签、广告主的投放偏好、品牌规则和历史投放计划；
[0008]步骤S2：根据楼宇画像和品牌方案建立品牌
‑
楼宇打分矩阵；
[0009]步骤S3：通过矩阵分解对品牌
‑
楼宇进行打分预测；
[0010]步骤S4：将打分矩阵和权重矩阵进行融合，将所有品牌对于楼宇的分数进行加权；
[0011]步骤S5：将矩阵分解后的楼宇稠密特征向量用于楼宇相似度计算，将矩阵分解后的品牌稠密特征向量用于品牌相似度计算；
[0012]步骤S6：根据抽取的强规则为品牌召回楼宇，并根据分数从高到低进行排序，然后进行楼宇推荐。
[0013]优选的，所述品牌
‑
楼宇打分矩阵的表达式为：
[0014][0015]其中：M为生成的打分矩阵；score＝P/T，P为所选点位数量，T为楼宇的点位总数；
[0016]根据品牌规则建立规则矩阵，表达式为：
[0017][0018]其中：w代表品牌的规则权重，当需要规避不符合预设条件的楼宇时，将w置为0。优选的，打分预测的表达式为：
[0019]y(t)＝g(t)+s(t)+h(t)+ε
t
[0020]其中：g(t)为趋势项，s(t)为周期项，h(t)为节假日项，ε
t
为噪音项，将数据带入到模型，生成预测值t时刻预测值y。
[0021]优选的，步骤S4中的加权表达式为：
[0022]优选的，相似度计算表达式为：
[0023][0024]其中：cosθ为相似度，为特征向量n，为特征向量n
‑
1，||B
n
||和||B
n
‑
||分别代表它们的模。
[0025]根据本专利技术提供的基于矩阵分解的楼宇推荐系统，包括：
[0026]模块M1：获取楼宇画像和品牌方案，包括楼宇受众人群属性、自有标签、广告主的投放偏好、品牌规则和历史投放计划；
[0027]模块M2：根据楼宇画像和品牌方案建立品牌
‑
楼宇打分矩阵；
[0028]模块M3：通过矩阵分解对品牌
‑
楼宇进行打分预测；
[0029]模块M4：将打分矩阵和权重矩阵进行融合，将所有品牌对于楼宇的分数进行加权；
[0030]模块M5：将矩阵分解后的楼宇稠密特征向量用于楼宇相似度计算，将矩阵分解后的品牌稠密特征向量用于品牌相似度计算；
[0031]模块M6：根据抽取的强规则为品牌召回楼宇，并根据分数从高到低进行排序，然后进行楼宇推荐。
[0032]优选的，所述品牌
‑
楼宇打分矩阵的表达式为：
[0033][0034]其中：M为生成的打分矩阵；score＝P/T，P为所选点位数量，T为楼宇的点位总数；
[0035]根据品牌规则建立规则矩阵，表达式为：
[0036][0037]其中：w代表品牌的规则权重，当需要规避不符合预设条件的楼宇时，将w置为0。优选的，打分预测的表达式为：
[0038]y(t)＝g(t)+s(t)+h(t)+ε
t
[0039]其中：g(t)为趋势项，s(t)为周期项，h(t)为节假日项，ε
t
为噪音项，将数据带入到模型，生成预测值t时刻预测值y。
[0040]优选的，模块M4中的加权表达式为：E＝M
°
R。
[0041]优选的，相似度计算表达式为：
[0042][0043]其中：cosθ为相似度，为特征向量n，为特征向量n
‑
1，||B
n
||和||B
n
‑
||分别代表它们的模。
[0044]与现有技术相比，本专利技术具有如下的有益效果：
[0045]1、本专利技术能够适配线下广告投放的场景，将一直被广泛用于线上电商作业的推荐任务一直到线下广告资源的推荐中去，实现了线上模型和线下业务的完美结合；
[0046]2、本专利技术设计的权重模块是对传统推荐算法应用到线下广告投放场景的一个有力补充，广告主的业务需求通常加入强规则，偏好打分等外部特性，权重矩阵的补充使得推荐的结果根据解释性更加贴近业务本身；
[0047]3、本专利技术的数据副产品可以用来进行广告主和项目资源本身的聚类分析和相似度计算，更有助于公司的资源整合；
[0048]4、本专利技术设计的方法拥有一套完整的闭环链路进行模型的修正，能够不断地自我强化和自我修正，最终不断增进业务发展。
附图说明
[0049]通过阅读参照以下附图对非限制性实施例所作的详细描述，本专利技术的其它特征、目的和优点将会变得更明显：
[0050]图1为本专利技术的流程示意图；
[0051]图2为本专利技术的核心算法模块图；
[0052]图3为本专利技术的模型修正流程图。
具体实施方式
[0053]下面结合具体实施例对本专利技术进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本专利技术，但不以任何形式限制本专利技术。应当指出的是，对本领域的普通技术人员来说，在不脱离本专利技术构思的前提下，还可以做出若干变化和改进。这些都属于本专利技术的保护范围。
[0054]实施例：
[0055]如图1，本专利技术提供了一种基于矩阵分解的楼宇推荐方案，方法的实现和部署方式包括以下步骤：
[0056]步骤S1：生成楼宇画像和品牌方案，包括楼宇本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于矩阵分解的楼宇推荐方法，其特征在于，包括：步骤S1：获取楼宇画像和品牌方案，包括楼宇受众人群属性、自有标签、广告主的投放偏好、品牌规则和历史投放计划；步骤S2：根据楼宇画像和品牌方案建立品牌
‑
楼宇打分矩阵；步骤S3：通过矩阵分解对品牌
‑
楼宇进行打分预测；步骤S4：将打分矩阵和权重矩阵进行融合，将所有品牌对于楼宇的分数进行加权；步骤S5：将矩阵分解后的楼宇稠密特征向量用于楼宇相似度计算，将矩阵分解后的品牌稠密特征向量用于品牌相似度计算；步骤S6：根据抽取的强规则为品牌召回楼宇，并根据分数从高到低进行排序，然后进行楼宇推荐。2.根据权利要求1所述的基于矩阵分解的楼宇推荐方法，其特征在于，所述品牌
‑
楼宇打分矩阵的表达式为：其中：M为生成的打分矩阵；score＝P/T，P为所选点位数量，T为楼宇的点位总数；根据品牌规则建立规则矩阵，表达式为：其中：w代表品牌的规则权重，当需要规避不符合预设条件的楼宇时，将w置为0。3.根据权利要求1所述的基于矩阵分解的楼宇推荐方法，其特征在于，打分预测的表达式为：y(t)＝g(t)+s(t)+h(t)+ε
t
其中：g(t)为趋势项，s(t)为周期项，h(t)为节假日项，ε
t
为噪音项，将数据带入到模型，生成预测值t时刻预测值y。4.根据权利要求2所述的基于矩阵分解的楼宇推荐方法，其特征在于，步骤S4中的加权表达式为：5.根据权利要求1所述的基于矩阵分解的楼宇推荐方法，其特征在于，相似度计算表达式为：其中：cosθ为相似度，为特征向量n，为特征向量n
‑
1，||B
n
||和||B
n
‑
||分别代表它们的模。6.一种基于矩...

【专利技术属性】
技术研发人员：曲洋，代光英，孙亮，宁玉杰，
申请(专利权)人：驰众信息技术上海有限公司，
类型：发明
国别省市：