CN105580043A - 用于推荐***的基于强度的建模 - Google Patents

Abstract

示例装置和方法向用户提供关于他们可能希望考虑购买的产品的推荐。一种方法产生关于用户与该用户与其交互的项目之间的关系的单个指示。该单个指示标识用户是否喜欢该项目以及用户喜欢该项目的程度。该单个指示独立于被处理以计算该单个指示的用户信号。该单个指示由松散耦合至用户和项目的模型的信号导出器来产生。该模型可以是可对其执行矩阵因式分解的矩阵。尽管矩阵因式分解被执行，但它是对其元素独立于被信号导出器处理的信号的向量执行的。由于用户在不同时间可能具有不同偏好，因此用户喜欢项目的程度可***纵。

Description

用于推荐***的基于强度的建模

背景

常规推荐***基于用户兴趣、偏好、历史和其他因素作出关于用户(例如，购物者)与项目(例如，书籍、视频、游戏)之间的匹配的推荐。例如，如果用户先前获取了(例如，购买、租赁、借阅)项目集合，则推荐***可以基于用户自己的动作标识类似项目并且将它们推荐给用户。常规推荐***还可确定用户之间的相似性并且基于那些相似性来作出附加推荐。例如，如果某一人口统计内且具有相似获取历史和偏好的用户获取了项目集合，则推荐***可以基于其他用户的动作来标识项目并且将它们推荐给用户。

常规推荐***可以对用户信号建模。用户信号可以是显式的或隐式的。显式信号可包括用户给予产品的评级。例如，读者可以对第一作者写的第一本书给予五星评级，并且可以对第二作者写的第二本书给予一星评级。另外，读者可以“喜欢”社交媒体站点上的第一本书并且“不喜欢”该社交媒体站点上的第二本书。常规推荐***可以对这些显式信号建模以确定要推荐以及要避免哪些书籍和作者。隐式信号可包括例如，观察到的用户行为、获取历史、浏览历史、搜索模式、一个项目(例如，视频游戏)被播放的时间量、一个项目被查看的次数、一个视频被观看的百分比、或其他因素。推荐***还可对这些隐式信号建模以确定要推荐哪些其他项目。

常规推荐***通过对其中存储关于可用信号的数据的单个大型矩阵执行矩阵因式分解来对用户信号建模。然而，当矩阵具有N个因子的行和列时，N为整数，则数据可能仅可用于这些因子中的M个因子，M为小于N的整数。矩阵因式分解因此可在可用数据上使用以标识丢失数据。一旦矩阵因式分解产生了丢失信号的数据，则业务逻辑可以处理实际信号和预测信号以作出推荐。常规推荐***可以因变于从用户信号中推断的因子向量来表征项目和用户。项目和因子之间的高对应性可导致推荐。矩阵因式分解模型可以将用户和项目两者映射到联合因子空间并且将用户－项目交互建模为该联合因子空间中的内积。项目可以与项目向量相关联，该项目向量的元素测量该项目拥有一些因子的程度。类似地，用户可以与用户向量相关联，该用户向量的元素测量用户对在对应因子中为高的项目所拥有的兴趣程度。这些向量的点积可以描述用户与项目之间的交互，并且可以被业务逻辑用来确定是否要作出推荐。

不幸的是，常规推荐***面临若干挑战。例如，可能难以确定项目因子和用户因子的映射。即便映射被确定，只要新信号被添加或移除，该映射、模型和业务逻辑就可能需要被改变以计及所添加或移除的信号。另外，随着信号数量增长，模型和业务逻辑两者均可能变得令人无法接受地复杂或麻烦。当业务逻辑变得无法接受地复杂或麻烦时，即便可能但也可能是难以验证该业务逻辑正在产生有效或有用的推荐。业务逻辑可能至少部分地由于它输入由矩阵因式分解所预测的信号而非依赖于实际用户信号的事实而变得无法验证。

概述

提供本概述是为了以简化的形式介绍将在以下详细描述中进一步描述的一些概念。本概述并不旨在标识所要求保护主题的关键特征或必要特征，也不旨在用于限制所要求保护主题的范围。

示例装置和方法使用两个松散耦合组件来产生关于项目(例如，电影、游戏、书籍、衣物)的推荐。数据存储可以存储所获取的关于用户与项目的交互的信号。用户是否喜欢该项目的指示可以从信号中计算。该指示是信号无关的，并且该指示因变于特定于该用户或项目的亲和性假设来计算。还计算该指示的置信水平。置信水平是信号无关的，并且因变于特定于该用户或项目的强度假设来计算。该指示和置信水平被存储在基于强度的模型中。基于强度的模型提供数据(例如，指示符和置信水平的集合)，从该数据中可以计算用户与项目之间的预测关系。包括关于要获取的项目的推荐的电子数据可以至少部分地基于该预测关系来产生。

在一个示例中，向候选用户生成关于候选项目的推荐。产生推荐包括产生描述第一用户与第一项目之间的关系的第一电子数据点。关系按标识第一用户是否喜欢第一项目的亲和性值以及与该亲和性值相关联的置信水平来定义。亲和性值和置信水平因变于观察到的关于第一用户与第一项目之间的交互的数据来计算。产生推荐还包括将第一电子数据存储在数据结构(例如，矩阵)中，该数据结构根据基于强度的模型来存储用户与项目之间的关系。产生推荐还包括因变于存储在数据结构中的数据来产生推荐。该推荐取决于候选用户对候选项目的预测亲和性值。

附图简述

附图示出本文所述的各种示例装置、方法和其他实施例。将理解到附图中所示的元素边界(如框、框组、或其他形状)表示边界的一个示例。在某些示例中，一个元素可被设计成多个元素，或者多个元素可被设计成一个元素。在某些示例中，示为另一元素的内部组件的某一元素可被实现为外部组件，且反之亦然。此外，元素可不被按比例绘制。

图1解说创建示例数据结构。

图2解说使用示例数据结构。

图3解说与用于推荐***的基于强度的建模相关联的示例方法。

图4解说与用于推荐***的基于强度的建模相关联的示例方法。

图5解说与用于推荐***的基于强度的建模相关联的示例装置。

图6解说与用于推荐***的基于强度的建模相关联的示例装置。

图7解说示例云操作环境。

图8是描绘被配置成参与用于推荐***的基于强度的建模的示例性移动通信设备的***图。

详细描述

示例装置和方法提供了具有两个松散耦合部件的推荐***。两个松散耦合部件通过明确定义的接口来通信，该接口使用由一个部件产生并且由另一部件使用的数据结构。第一部件负责信号导出，这指的是理解用户与项目之间的关系。可用信号根据某些亲和性和强度假设来被处理以作出关于用户是否喜欢项目的确定。一旦信号导出确定用户是否喜欢项目，则第一部件还可产生该确定的置信水平。信号导出接着可以产生提供用户：项目关系的单个指示的电子数据。该单个指示可以是例如<user,item,likes？,strength>(<用户，项目，喜欢？强度>)形式的元组，其中strength(强度)是喜欢/不喜欢确定中的置信水平。在不同实施例中，可以提供不同指示。注意，该指示独立于从中计算该指示的信号，因为该指示不包括从中计算出该指示的任何信号。

多个指示可以被存储在数据结构中，并且接着该数据结构可以被第二部件使用。数据结构可以存储关于用户、亲和性、和强度的信息。因此，数据结构可以支持用于推荐***的基于强度的模型。第二部件可以使用例如矩阵因式分解来计算用户与项目之间的预测关系。预测关系可以是喜欢/不喜欢关系。推荐接着可以根据预测关系来作出。两个部件通过它们到数据结构的接口松散耦合。

与常规***不同，从中计算预测关系的模型独立于已在模型中处理的用户信号。例如，该模型独立于观察到的信号的类型和数目。另外，第一部件现在能够被验证。例如，由信号导出产生的单个指示可以被呈现给用户，并且从用户获取关于喜欢/不喜欢确定以及该喜欢/不喜欢确定的置信水平的反馈。在信号导出中使用的假设接着可以基于该反馈来适配。

示例装置和方法还可计及不同时间或地点处的不同行为或条件。例如，基于新近性的模型可以增大最近获取(例如，购买、借阅、租赁)的项目的强度，同时它可减小较不新近获取的项目的强度。另外，基于时间的模型可以给予在特定时间窗期间(例如，早晨、周末、在超级碗期间)消费的项目较高的强度。更一般地，时间和其他参数可以被考虑以影响与喜欢/不喜欢关系相关联的强度。

图1解说从中可以获取隐式信号110或显式信号120的设备100。尽管解说了单个设备100，但信号也可从多个设备获取。设备100可以是例如用户通过其来获取和玩视频游戏的游戏控制台。用户还可以使用设备100来对视频游戏评级、发布关于视频游戏的博客、或者执行其他动作。

显式信号120可以是例如用户生成的主观评级。例如，用户可以向第一游戏给出10分中的1分评级以指示他们不喜欢第一游戏，但可以向第二游戏给出10分中的9分评级以指示他们喜欢第二游戏。隐式信号100可以是例如从用户与游戏的交互中生成的客观数据。客观数据可包括例如用户玩游戏的次数、用户上一次玩游戏之后过了多久、用户多频繁地玩游戏、用户多频繁地玩其他游戏、用户为游戏的插件支付了多少费用、或其他数据。用户可以确定允许报告哪些隐式信号(如果有的话)。

显式信号120可以由信号限定器125处理，而隐式信号可以由信号导出器115处理。尽管解说了两个分开的装置，但在一个实施例中，显式信号120和隐式信号110可以由致力于理解喜欢/不喜欢关系的一个或多个装置或进程来处理。不用用户可以产生不同数据。因此，在一个实施例中，信号导出可以在每个用户的基础上来定制。不同项目(例如，视频游戏、视频、书籍、衣物)也可产生不同数据。因此，在一个实施例中，信号导出可以在每个项目的基础上来定制。用户可以在不同时间、在不同位置、并且在用于不同时间或项目类型的不同情况之下展现出不同的倾向和偏好。因此，在一个实施例中，信号导出可以为在不同情况下的用户和项目来定制。

信号导出过程将产生单个指示130。单个指示130使用喜欢/不喜欢指示符以及强度或置信指示符来描述用户：项目关系。强度指示符提供关于与喜欢/不喜欢指示符相关联的确定性或置信的信息。

单个指示符可以被收集到数据结构150中。在一个实施例中，数据结构150是存储基于强度的模型的矩阵。该矩阵可以存储关于用户是否喜欢项目、关于用户是否不喜欢项目、以及关于喜欢/不喜欢关系的置信水平的信息。该矩阵还可存储没有信息可用于特定用户特定项目的指示。在数据结构150中，Y表示用户喜欢项目，N表示用户不喜欢项目，而？指示用于该用户该项目的信息不可用。示例装置和方法可以试图填充用户和项目的丢失信息。例如，基于数据结构150中的其他指示，示例装置和方法可以试图预测用户U1和项目I3的关系。该关系可以从数据结构150中的其他数据中预测。

图2解说被用于预测用户和项目的关系的数据结构250。例如，数据结构250不具有关于用户U1和项目I3的喜欢/不喜欢关系的信息。示例装置和方法可以在255执行矩阵因式分解以促进理解用户与项目之间的关系。矩阵因式分解可以标识用户或项目之间的相似性，并且接着基于那些标识出的相似性来预测喜欢/不喜欢关系。图形260解说用户1和项目A、项目B和项目C的向量。关于用户1与项目A之间的关系的信息可以通知关于用户1与项目B的决策。

相似性可取决于一天中的时间、位置、可用设备、或其他因素。来自两个分开人口统计的两个用户在某些时间可能更详细而在其他时间可能不太相似。例如，住在公寓中的蓝领工人和在办公室工作的白领工人可以来自非常不同的人口统计，并且在他们日常生活的大多数方面中可能已经展现出非常不同的喜欢和不喜欢。然而，在某些条件下，这两个用户可以非常相似。例如，如果两个用户都在去往体育比赛的公共交通上，则在该趟搭乘的历时期间这两个用户可以非常相似。因而，示例装置和方法在确定相似性时可以计及时间、位置、进行中或待决的事件、以及其他属性。

下文的详细描述的某些部分是按照算法和对存储器内的数据位的运算的符号表示来给出的。这些算法描述和表示被本领域技术人员使用来将其作品的实质传达给其他人。算法被认为是产生结果的运算序列。运算可包括创建和操纵采用电子值的形式的物理量。创建或操纵采用电子值形式的物理量产生了具体的、有形的、有用的、真实世界结果。

原则上出于常见用法的原因将这些信号称作位、值、元素、符号、字符、项、数字、分布以及其它术语被证明有时是方便的。然而，应当记住，这些和类似术语都应与适当的物理量相关联并且仅仅是应用于这些量的方便标签。除非另外具体声明，否则应理解贯穿本说明书，包括处理、计算以及确定在内的术语指的是计算机***、逻辑、处理器、片上***(SoC)、或操纵和变换被表示为物理量的数据(如电子值)的类似电子设备的动作和过程。

参考流程图可更好地理解示例方法。出于简化，所示的方法被示出并描述为一系列框。然而，方法可不受框的顺序的限制，因为在某些实施例中，框可以与所示和所描述的不同顺序出现。而且，为了实现某一示例方法，可能要求比全部所示框少的框。框可被组合或分成多个组件。此外，附加的或替代的方法可采用附加的、未示出的框。

图3解说与用于推荐***的基于强度的建模相关联的示例方法300。方法300可包括在310访问存储了所获取的关于用户与项目的交互的信号的数据存储。这些信号可包括由用户提供的主观信息以及所获取的关于用户与项目的交互的客观信息。访问数据存储可包括打开文件、打开表格、读取文件、从表格中进行读取、通过管道或套接口来接收数据、通过远程规程调用来接收信息、接收存储器地址、或其他动作。主观信息可包括由用户生成的关于项目的数据。例如，用户可以在社交媒体站点上点击“喜欢”按钮，可以在博客上发布正面评论，或其他动作。客观信息可以报告关于用户与项目的交互。例如，客观信息可以报告用户何时购买了电子书、用户何时开始阅读该电子书、用户阅读该书籍花费了多长时间、以及用户何时完成该电子书。

方法300还可包括在320从这些信号中计算用户是否喜欢项目的指示。该指示可以是例如二元的是/否值。由于该指示不包括任何显式信号或隐式信号，因此该指示是信号无关的。在一个实施例中，该指示可以因变于特定于该用户或项目的亲和性假设来计算。亲和性假设可以是例如要应用于可用信号的权重和运算(例如，加法、乘法、对数)集合。不用用户可以具有不同假设。类似地，不同项目可以具有不同假设。最初，假设可以是关于如何计算指示的推理估计。随着时间推移，假设可以基于接收自用户的反馈而改变。

方法300还可包括在330计算来自信号的指示的置信水平。与指示类似，置信水平是信号无关的。置信水平可以因变于特定于该用户或项目的强度假设来计算。与亲和性假设类似，强度假设可包括要应用于可用信号的权重和运算集合。

一旦亲和性值和置信水平已经被计算，方法300还可包括在360将指示和置信水平存储在基于强度的模型中。将指示和置信水平存储在基于强度的模型中促进了将相似性计算和产品预测与观察到的信号解耦。因而，当新的信号被添加到观察到的信号时、当现有信号从观察到的信号中移除时、或者当用于计算亲和性值或置信水平的假设改变时，用于计算预测关系以及提供推荐的方法和装置不必被重制。

方法300还可包括在370计算用户与第二不同项目之间的预测关系。尽管描述了用户与第二不同项目之间的关系，但方法300可计算不同用户和不同项目的预测关系。预测关系可以从存储在基于强度的模型中的指示符和置信水平的集合中计算。指示符和置信水平可以与在320为其计算指示的用户以及在330从中计算置信水平的项目相关联。指示符和置信水平还可与其他用户和其他项目相关联。当指示符和置信水平被存储在矩阵中时，计算预测关系可包括对从基于强度的模型中的数据中形成的向量执行矩阵因式分解。由于指示和置信水平独立于观察到的信号，因此向量的元素也独立于观察到的信号。

方法300还可包括在380选择性地向用户提供包括关于第二项目的推荐的电子数据。尽管描述了单个推荐，但在不同示例中，可以提供多个推荐或推荐列表。提供电子数据可包括例如在屏幕上显示信息、向存储器写入信息、向设备发送对象、生成中断、或在计算机中或由计算机执行的其他动作。推荐至少部分地基于预测关系。

图4解说与用于推荐***的基于强度的建模相关联的示例方法400。方法400包括与结合方法300描述的那些动作(图3)类似的若干动作。例如，方法400包括在410访问信号，在420计算指示，在430计算置信，在450将指示添加到基于强度的模型，在470计算预测关系，以及在480提供推荐。然而，方法400还包括附加动作。

例如，方法400包括在440作出指示是否被验证的确定。在一个示例中，可以通过向用户呈现指示并且要求反馈来验证指示。反馈可以是是/否回答，对指示的评分，或其他反馈。在另一示例中，指示可以通过基于稍后观察到的动作的机器学***的反馈来选择性地更新强度假设。更新假设可包括改变权重、改变运算、标识要从计算中丢弃的观察到的信号、标识要添加到计算的观察到的信号、或其他动作。

方法400还可包括在450作出置信水平是否要被适配的确定。置信水平可以基于例如要作出推荐时存在的情况来适配。如果450的确定为否，则处理在460继续。但如果450的确定为是，则处理在455继续，其中置信可以被适配。在455适配置信可包括基于计及用户有多新近与项目交互的新近性模型来改变置信水平。例如，置信水平可以针对较新近的交互被增大并且针对较不新近的交互被减小。置信可以使用线性函数、指数函数、不规则函数或用其他方式来改变。在455适配置信还可包括基于计及用户与项目交互的时间的时间模型来改变置信水平。例如，如果观察到的信号在特定时间段(例如，周末)期间被获取，并且要作出关于周末的推荐，则置信水平可以被增大。但如果观察到的信号在周末期间被获取并且要作出关于星期三的推荐，则置信水平可以被降低。在一个实施例中，在455适配置信可包括基于计及用户位置、对用户可用的设备、或用户参与的活动的环境模型来改变置信水平。基于用户在哪里用户可能对不同事物感兴趣。因此，置信水平可以基于推荐是否向被知晓在家中、在工作、在路上、在城外、或其他位置中的用户来改变。用户可以选择是否提供这一类型的个人信息或使得这一类型的信息可用。如果用户决定提供这一信息，则该信息可被用于适配置信并且接着被丢弃。置信水平还可基于正被使用的设备类型来改变。例如，基于用户是否正在正在使用游戏控制台、计算机、平板、膝上型计算机、智能电话、或其他类型的设备，用户可能具有不同的偏好或甚至兴趣。如果用户决定提供或共享这一类型的信息，则该信息可被用于适配置信并且接着被丢弃。另外，置信水平可以基于例如可能正在发生或即将到来的事件来适配。例如，在超级碗期间、在行进中、在玩某一游戏时、在孩子在学校时、或者在孩子在学校外时，用户可具有不同兴趣或偏好。再一次，用户可以决定是否要贡献可被使用并丢弃的这一类型的信息。

尽管图3和4示出了按顺序发生的各种动作，但是要理解图3和4中所示的各种动作可基本上并行发生。作为解说，第一过程可获取信号，第二过程可计算亲和性值，第三过程可计算置信值，第四过程可使用矩阵因式分解来生成预测关系，而第五过程可作出推荐。尽管描述了五个进程，但是要理解可采用更多或更少数量的进程，以及可采用轻量进程、常规进程、线程以及其他方法。

在一个示例中，方法可被实现为计算机可执行指令。从而，在一个示例中，计算机可读存储介质可存储计算机可执行指令，如果机器(如计算机)执行，计算机可执行指令使得机器执行本文所述或要求保护的方法，如方法300或400。尽管与上述方法相关联的可执行指令被描述为存储在计算机可读存储介质上，但是要理解与本文所述或要求保护的其他示例方法相关联的可执行指令也可被存储在计算机可读存储介质上。在不同实施例中，本文所述的示例方法可以不同方式被触发。在一个实施例中，一种方法可由用户手动触发。在另一示例中，一种方法可被自动触发。

在一个实施例中，一种计算机可读存储介质可存储计算机可执行指令，该计算机可执行指令在由计算机执行时控制该计算机执行一种方法。该方法可包括产生关于用户与项目之间的关系的单个指示。该单个指示标识用户是否喜欢该项目以及用户喜欢该项目的程度。该单个指示独立于被处理以计算该单个指示的用户信号。该方法可包括将该单个指示存储在数据结构(例如，矩阵)中。向量可以从数据结构中的数据中产生。向量将独立于被用于计算该单个指示的信号。该方法还可包括向用户提供关于针对其的单个指示被存储在矩阵中的另一项目的推荐。该推荐可以基于从存储在矩阵中的数据中产生的向量的矩阵因式分解。

如本文所使用的，“计算机可读存储介质”指的是存储指令或数据的介质。“计算机可读存储介质”不指代传播信号本身。计算机可读存储介质可以采取包括但不限于非易失性介质以及易失性的形式。非易失性介质可包括例如光盘、磁盘、磁带、闪存、ROM、以及其他介质。易失性介质可包括例如半导体存储器、动态存储器(例如，动态随机存取存储器(DRAM)、同步动态随机存取存储器(SDRAM)、双数据率同步动态随机存取存储器(DDRSDRAM)等)、以及其它介质。计算机可读存储介质的常见形式可包括但不限于软盘(floppydisk)、软磁盘(flexibledisk)、硬盘、磁带、其他磁介质、紧致盘(CD)、其他光学介质、随机存取存储器(RAM)、只读存储器(ROM)、存储器芯片或卡、存储棒、以及计算机、处理器或其他电子设备可以读取的其他介质。

图5示出装置500，装置500包括处理器510、存储器520、逻辑集合530、以及连接处理器510、存储器520以及逻辑集合530的接口540。处理器510可以是例如计算机中的微处理器、专门设计的电路、场可编程门阵列(FPGA)、专用集成电路(ASIC)、移动设备中的处理器、片上***、双核处理器或四合处理器、或其他计算机硬件。逻辑集合530可被配置成使用松散耦合的办法以产生推荐，该推荐包括根据从数据结构中形成的与信号无关的向量中预测用户：项目关系，该数据结构用从用户信号中导出的数据来填充。装置500可例如是计算机、膝上型计算机、平板计算机、个人电子设备、智能电话、片上***(SoC)或可访问并处理数据的其它设备。

在一个实施例中，装置500可以是已通过包含逻辑集合530而被转换成专用计算机的通用计算机。装置500可通过例如计算机网络与其他装置、过程和服务交互。

逻辑集合530可包括第一逻辑532，它被配置成产生描述第一用户与第一项目之间的关系的第一电子数据。第一电子数据可包括标识第一用户的用户标识符、标识第一项目的项目标识符、标识第一用户是否喜欢第一项目的亲和性值、以及与亲和性值相关联的置信水平。用户标识符可以是例如用户姓名、用户号、与用户相关联的链接、或其他信息。项目标识符可以是例如项目名称、项目号、与项目相关联的链接、或其他信息。在一个示例中，第一逻辑532因变于观察到的关于第一用户与第一项目之间的交互的数据来计算亲和性值和置信水平。

观察到的数据可包括显式信号或隐式信号。显式信号可包括例如第一用户对第一项目的评级、第一用户对第一项目的打分、或第一用户对第一项目的批评。隐式信号可包括例如，第一用户已经使用第一项目的时间量、第一用户已经使用第一项目的次数、第一用户是否使用过搜索引擎来搜索第一项目、第一用户有多少次使用搜索引擎来搜索第一项目、第一用户是否获取(例如，购买、借阅、租赁)了第一项目、第一用户是否向社交媒体站点发布关于第一项目的信息、或第一用户是否推荐了第一项目。其他隐式或显式信号可被采用。用于计算亲和性值或置信水平的假设可以向不同信号赋予不同权重，可以向不同信号赋予不同运算，并且可包括可用信号的不同子集。因而，在一个示例中，第一逻辑532可被配置成从少于全部观察到的数据中产生第一电子数据。在不同示例中，第一逻辑532可被配置成使用特定于该第一用户的函数、使用特定于该第一项目的函数、使用特定于该第一用户和第一项目的函数或其他函数来计算亲和性值和置信水平。

逻辑结合530还可包括第二逻辑534，它被配置成将第一电子数据存储在数据结构中，该数据结构根据基于强度的模型来存储用户与项目之间的关系。该数据结构可以是例如矩阵。关系可以关于亲和性值以及亲和性值的置信水平。由于关系是从不包括从中计算亲和性值和置信水平的信号的亲和性值和置信水平中构建的，因此关系独立于从中计算亲和性值和置信水平的观察到的数据。使得关系独立于观察到的信号促进将信号导出与关系预测解耦，这进而促进了使***的两个部件与对***的单个部件而言本地的改变绝缘。

在一个示例中，第二逻辑534可被配置成在将第一电子数据存储在数据结构中之前验证第一电子数据。验证第一电子数据可包括从用户接收关于第一电子数据的反馈。该反馈可导致电子数据以不同方式来计算。例如，权重可以被改变、信号可以被添加到计算或从计算中丢弃、运算(例如，加法、乘法)可以被改变、或其他可以采取其他动作。因而，在一个示例中，第一逻辑532可被配置成基于来自第一用户的关于亲和性值的反馈来改变如何计算亲和性值，或者基于来自第一用户的关于置信水平的反馈来改变如何计算置信水平。

逻辑集合530还可包括第三逻辑536，它被配置成因变于存储在数据结构中的数据来产生推荐。在一个示例中，推荐取决于候选用户候选项目的预测亲和性值。预测亲和性值可以因变于存储在数据结构中的一个或多个关系来计算。因而，对项目的推荐可以因变于用户与其他项目之间的关系，可以因变于该项目与其他用户之间的关系，或者可以因变于其他关系。

在一个示例中，第三逻辑536可被配置成从存储在数据结构中的数据中产生多个向量，并且通过对多个向量中的两个或更多个向量执行矩阵因式分解来计算预测亲和性值。由于向量从矩阵中的数据中产生，并且由于矩阵存储独立于观察到的信号的数据，因此多个向量的成员具有独立于观察到的数据的元素。这促进了使得当用于计算值的模型或逻辑改变时所需的改变局部化。

在不同实施例中，某些处理可在装置500上执行，而某些处理可由外部服务或装置执行。因而，在一个实施例中，装置500还可包括被配置成与外部源通信的通信电路。在一个实施例中，第三逻辑536可与呈现服务560交互来促成使用不同设备的不同呈现来显示数据。例如，描述被推荐给用户的项目的信息可以被呈现。

图6解说类似于装置500(图5)的装置600。例如，装置600包括处理器610、存储器620、与逻辑集合530(图5)相对应的逻辑集合630(例如，632、634、636)以及接口640。然而，装置600包括附加的第四逻辑638。第四逻辑638可被配置成执行附加处理。

例如，第四逻辑638可被配置成因变于未被用于计算亲和性值或置信水平的属性来操纵亲和性值的置信水平。该属性可以是例如第一用户与第一项目交互的时间。与项目的交互可包括购买项目、使用项目、评论项目、评级项目、返回项目、销售项目、或其他动作。对于不同项目，可存在不同交互。例如，用户可以具有与视频游戏的第一交互集、与书籍的第二交互集、以及与衣物的第三交互集。该属性还可以是例如第一用户与第一项目交互的位置。位置可包括地理位置(例如，美国、加拿大、英国)或逻辑位置(例如，家、办公室)。该属性还可以是例如当第一用户与第一项目交互时进行中的活动。该活动可以是例如，玩游戏、看电影、读书、浏览、工作、或其他活动。该属性还可以包括例如第一用户有多新近地与第一项目交互。较新近的交互可以被更重地因子化，而较不新近的交互可以被不那么重地因子化。该属性还可关于可以向其提供推荐的用户。因此，该属性可包括例如，候选用户可以与候选项目交互的时间、候选用户可以与候选项目交互的位置、或者当候选用户与候选项目交互时可能在进行中的活动。

图7示出示例云操作环境700。云操作环境700支持将计算、处理、存储、数据管理、应用、以及其他功能作为抽象服务而不是作为独立产品来提供。服务可由可被实现为一个或多个计算设备上的一个或多个进程的虚拟服务器来提供。在某些实施例中，进程可在服务器之间迁移而不中断云服务。在云中，共享资源(如计算、存储)可通过网络被提供给包括服务器、客户机、以及移动设备的计算机。不同的网络(如以太网、Wi-Fi、802.x、蜂窝)可被用于访问云服务。与云交互的用户可能不需要知道实际上正在提供服务(如计算、存储)的设备的细节(如位置、名称、服务器、数据库)。用户可经例如web浏览器、瘦客户端、移动应用、或以其他方式来访问云服务。

图7解说驻留在云中的示例推荐服务760。推荐服务760可依赖于服务器702或服务704来执行处理，且可依赖于数据存储706或数据库708来存储数据。尽管解说单个服务器702、单个服务704、单个数据存储706以及单个数据库708，但是服务器、服务、数据存储以及数据库的多个实例可驻留在云中，并可因此被推荐服务760所使用。

图7解说访问云中的推荐服务760的各种设备。设备包括计算机710、平板720、膝上型计算机730、个人数字助理740、以及移动设备(如蜂窝电话、卫星电话、可佩戴计算设备)750。推荐服务760可以使用松散耦合至关系预测过程的信号导出过程来为用户产生关于潜在获取(例如，购买、租赁、借阅)的推荐。

不同位置处使用不同设备的不同用户就可能通过不同的网络或接口来访问推荐服务760。在一个示例中，推荐服务760可由移动设备750访问。在另一示例中，推荐服务760的某些部分可驻留在移动设备750上。

图8是描绘示例性移动设备800的***图，该移动设备包括各种可选的硬件和软件组件，总地示于802处。移动设备800中的组件802可与其它组件通信，但出于容易例示的目的而未示出所有连接。该移动设备800可以是各种计算设备(例如，蜂窝电话、智能电话、手持式计算机、个人数字助理(PDA)、可穿戴计算设备等)，并且可允许与诸如蜂窝或卫星网络的一个或多个移动通信网络804进行无线双向通信。

移动设备800可包括用于执行包括信号编码、数据处理、输入/输出处理、电力控制、或其他功能的任务的控制器或处理器810(例如，信号处理器、微处理器、ASIC、或其他控制和处理逻辑电路)。操作***812可控制对组件802的分配和使用，并支持应用程序814。应用程序814可包括移动计算应用(例如，电子邮件应用、日历、联系人管理器、web浏览器、消息收发应用)、视频游戏、推荐应用或其他计算应用。

移动设备800可包括存储器820。存储器820可包括不可移动存储器822或可移动存储器824。不可移动存储器822可包括随机存取存储器(RAM)、只读存储器(ROM)、闪存、硬盘、或其它存储器存储技术。可移动存储器824可包括闪存或订户身份模块(SIM)卡，其在GSM通信***中是众所周知的，或者其它存储器存储技术，诸如“智能卡”。存储器820可用于存储数据或用于运行操作***812和应用814的代码。示例数据可包括隐式信号、显式信号、单个指示、向量、或推荐。存储器820可用于存储诸如国际移动订户身份(IMSI)等订户标识符，以及诸如国际移动设备标识符(IMEI)等设备标识符。可将所述标识符传送给网络服务器以标识用户或设备。

移动设备800可支持一个或多个输入设备830，包括但不限于：触摸屏832、话筒834、相机836、物理键盘838、或跟踪球840。移动设备800还可支持输出设备850，包括但不限于：扬声器852以及显示器854。其他可能的输出设备(未示出)可包括压电或其他触觉输出设备。一些设备可提供一个以上的输入/输出功能。例如，触摸屏832和显示器854可被组合在单个输入/输出设备中。输入设备830可包括自然用户接口(NUI)。NUI是使得用户能够以“自然”方式与设备交互而不受由诸如鼠标、键盘、遥控器及其它等输入设备强加的人为约束的接口技术。NUI方法的示例包括依赖于语音识别、触摸和指示笔识别、(屏幕上和屏幕附近的)姿势识别、空中姿势、头部和眼睛跟踪、嗓音和语音、视觉、触摸、姿势、以及机器智能的那些方法。NUI的其它示例包括使用加速计/陀螺仪、脸部识别、三维(3D)显示、头、眼以及凝视跟踪、身临其境的增强现实和虚拟现实***的运动姿势检测(所有这些都提供更为自然的接口)，以及用于通过使用电场感测电极(EEG和相关方法)感测脑部活动的技术。由此，在一特定示例中，操作***812或应用814可包括作为允许用户经由语音命令来操作设备800的语音用户界面的一部分的语音识别软件。此外，设备800可包括允许经由用户的空间姿势进行用户交互(诸如检测和解释姿势以向游戏应用提供输入)的输入设备和软件。

无线调制解调器860可耦合至天线891。在一些示例中，射频(RF)滤波器被使用且处理器810不需要针对所选频带选择天线配置。无线调制解调器860可支持处理器810和外部设备之间的双向通信。调制解调器860被一般性地示出，并且可包括用于与移动通信网络804进行通信的蜂窝调制解调器和/或其它基于无线电的调制解调器(例如蓝牙864或Wi-Fi862)。无线调制解调器860可被配置用于与一个或多个蜂窝网络(诸如，用于在单个蜂窝网络内、蜂窝网络之间、或移动设备与公共交换电话网络(PSTN)之间的数据和语音通信的全球移动通信***(GSM)网络)进行通信。NFC逻辑892促进具有近场通信(NFC)。

移动设备800可包括至少一个输入/输出端口880、电源882、诸如全球定位***(GPS)接收机之类的卫星导航***接收机884、或物理连接器890，该物理连接器可以是通用串行总线(USB)端口、IEEE1394(火线)端口、RS-232端口、或其它端口。所示组件802不是必需的或穷举的，因为其它组件可被删除或添加。

移动设备800可包括配置成为移动设备800提供功能的推荐逻辑899。例如，推荐逻辑899可提供用于与服务(例如服务760，图7)交互的客户端。此处描述的示例方法的各部分可由推荐逻辑899执行。类似地，推荐逻辑899可实现本文描述的装置的各部分。

下文包括本文所采用的所选项目的定义。这些定义包括落在某一术语的范围内且可被用于实现的组件的各种示例或形式。示例不旨在是限制性的。单数和复数形式的术语两者可都在定义的范围内。

对“一个实施例”、“一实施例”、“一个示例”、“一示例”的引用指示出如此所述的实施例或示例可包括某一特征、结构、特性、属性、元素或限制，但并非每一个实施例或示例必然包括该特征、结构、特性、属性、元素或限制。此外，对短语“在一个实施例中”的重复使用不必涉及同一实施例，但是它可涉及同一实施例。

如本文所使用的“数据存储”指的是可存储电子数据的物理或逻辑实体。数据存储可以是例如数据库、表、文件、列表、队列、堆、存储器、寄存器、或其他物理储存库。在不同示例中，数据存储可驻留在一个逻辑或物理实体中，或可分布在两个或更多个逻辑或物理实体之间。将电子数据存储在数据存储中导致数据存储的物理变换。

如本文所使用的“逻辑”包括但不限于机器上执行的硬件、固件、软件，或各自的组合来执行功能或动作或引起来自另一逻辑、方法或***的功能或动作。逻辑可包括软件控制的微处理器、分立逻辑(如ASIC)、模拟电路、数字电路、编程的逻辑设备、包含指令的存储器设备、以及其他类型的物理设备。逻辑可包括一个或多个门、门的组合、或其他电路组件。在描述多个逻辑性逻辑时，可能的是将该多个逻辑性逻辑合并成一个物理逻辑。类似地，在描述单个逻辑性逻辑的情况下，可能的是将该单个逻辑化的逻辑分布在多个物理对象之间。

就在详细描述或权利要求书中使用术语“包括”而言，这一术语旨在以与术语“包含”在被用作权利要求书中的过渡词时所解释的相似的方式为包含性的。

就在详细描述或权利要求书中使用术语“或”而言(如A或B)，意图意味着“A或B或两者”。当申请人意图执行“只有A或B而不是两者”时，于是将采用术语“只有A或B而不是两者”。从而，本文对术语“或”的使用是包含性的而非排他性的使用。见BryanA.Garner现代法律用途字典624(ADictionaryofModernLegalUsage624)(1995年第2版)。

就本文采用短语“A、B和C中的一个”而言，(例如配置成存储A、B和C中的一个的数据存储)，意图表达可能性A、B、C的集合(例如，该数据存储可仅存储A、仅存储B、或仅存储C)。并不意图要求A之一、B之一以及C之一。当申请人意图致使出“A的至少一个、B的至少一个、以及C的至少一个”时，将采用短语“A的至少一个、B的至少一个、以及C的至少一个”。

就本文采用短语“A、B和C中的一个或多个”而言，(例如配置成存储A、B和C中的一个或多个的数据存储器)，意图表达可能性A、B、C、AB、AC、BC、ABC、AA…A、BB…B、CC…C、AA…ABB…B、AA…ACC…C、BB…BCC…C或AA…ABB…BCC…C的集合(如数据存储可仅存储A、仅存储B、仅存储C、A&B、A&C、、A&B&C或包括A、B或C的多个实例的其其它组合)。并不意图要求A之一、B之一以及C之一。当申请人意图致使出“A的至少一个、B的至少一个、以及C的至少一个”时，将采用短语“A的至少一个、B的至少一个、以及C的至少一个”。

尽管用对结构特征或方法动作专用的语言描述了本主题，但可以理解，所附权利要求书中定义的主题不必限于上述具体特征或动作。更确切而言，上述具体特征和动作是作为实现权利要求的示例形式公开的。

Claims (15)

1.一种装置，包括：

处理器；

存储器；

逻辑集合，被配置成向候选用户产生关于所述候选用户是否会喜欢候选项目的推荐；以及

连接所述处理器、所述存储器和所述逻辑集合的接口；

所述逻辑集合包括：

第一逻辑集合，产生描述第一用户与第一项目之间的关系的第一电子数据，

其中所述第一电子数据可包括标识第一用户的用户标识符、标识第一项目的项目标识符、标识第一用户是否喜欢第一项目的亲和性值、以及与所述亲和性值相关联的置信水平，并且

其中所述第一逻辑因变于观察到的关于第一用户与第一项目之间的交互的数据来计算所述亲和性值和所述置信水平；

第二逻辑，将所述第一电子数据存储在数据结构中，所述数据结构根据基于强度的模型来存储用户与项目之间的关系，其中所述关系关于亲和性值和亲和值的置信水平，并且其中所述关系独立于从中计算所述亲和性值和置信水平的观察到的数据；以及

第三逻辑，所述第三逻辑因变于存储在所述数据存储中的数据来产生所述推荐，其中所述推荐取决于候选用户对候选项目的预测亲和性值，并且其中所述预测亲和性值因变于存储在所述数据结构中的一个或多个关系来计算。

2.如权利要求1所述的装置，其特征在于，所述观察到的数据包括显式信号，所述显式信号包括第一用户对第一项目的评级、第一用户对第一项目的打分、或第一用户对第一项目的批评。

3.如权利要求1所述的装置，其特征在于，所述观察到的数据包括隐式信号，所述隐式信号包括第一用户已经使用第一项目的时间量、第一用户已经使用第一项目的次数、第一用户是否使用过搜索引擎来搜索第一项目、第一用户有多少次使用搜索引擎来搜索第一项目、第一用户是否购买了第一项目、第一用户购买过第一项目多少次、第一用户是否租赁过第一项目、第一用户租赁过第一项目多少次、第一用户是否借阅过第一项目、第一用户借阅过第一项目多少次、第一用户是否向社交媒体站点发布过关于第一项目的信息、第一用户是否推荐过第一项目、或者第一用户向谁推荐过第一项目。

4.如权利要求1所述的装置，其特征在于，所述第一逻辑从少于全部观察到的数据中产生所述第一电子数据，并且使用特定于第一用户的函数来计算所述亲和性值和所述置信水平。

5.如权利要求1所述的装置，其特征在于，所述第一逻辑使用特定于第一项目或者特定于第一用户和第一项目的函数来计算所述亲和性值和所述置信水平。

6.如权利要求1所述的装置，其特征在于，所述第二逻辑在将所述第一电子数据存储在所述数据存储中之前向所述第一用户验证所述第一电子数据。

7.如权利要求6所述的装置，其特征在于，所述第一逻辑基于来自第一用户的关于所述亲和性值的反馈来改变如何计算所述亲和性值，或者基于来自第一用户的关于所述置信水平的反馈来改变如何计算所述置信水平。

8.如权利要求1所述的装置，其特征在于，所述第三逻辑从存储在所述数据结构中的数据中产生多个向量，并且通过对所述多个向量中的两个或更多个向量执行矩阵因式分解来计算所述预测亲和性值，其中所述多个向量的成员具有独立于所述观察到的数据的元素。

9.如权利要求1所述的装置，其特征在于，包括第四逻辑，所述第四逻辑因变于未被用于计算所述亲和性值或置信水平的属性来操纵亲和性值的置信水平。

10.如权利要求9所述的装置，其特征在于，所述属性是第一用户与第一项目交互的时间、第一用户与第一项目交互的位置、当第一用户与第一项目交互时在进行中的活动、第一用户有多新近地与第一项目交互、候选用户可以与候选项目交互的时间、候选用户可以与候选项目交互的位置、或者当候选用户与候选项目交互时可能在进行中的活动。

11.一种方法，包括：

访问数据存储，所述数据存储存储所获取的关于用户与项目的交互的信号；

从所述信号中计算所述用户是否喜欢所述项目的指示，其中所述指示独立于所述信号并且其中所述指示因变于特定于所述用户或项目的一个或多个亲和性假设来计算；

从所述信号中计算所述指示的置信水平，其中所述置信水平独立于所述信号并且其中所述置信水平因变于特定于所述用户或项目的一个或多个强度假设来计算；

将所述指示和置信水平存储在基于强度的模型中；

计算所述用户与第二不同项目之间的预测关系，其中所述预测关系从存储在基于强度的模型中的指示符和置信水平的集合中计算，以及

至少部分地基于所述预测关系来选择性地向用户提供包括关于所述第二项目的推荐的电子数据。

12.如权利要求11所述的方法，其特征在于，所述信号包括由所述用户提供的主观信息以及所获取的关于所述用户与所述项目的交互的客观信息。

13.如权利要求11所述的方法，其特征在于，包括：

基于来自所述用户的关于所述指示的反馈来选择性地更新所述一个或多个亲和性假设；以及

基于来自所述用户的关于所述置信水平的反馈来选择性地更新所述一个或多个强度假设。

14.如权利要求11所述的方法，其特征在于，计算所述预测关系包括对从所述基于强度的模型中的数据中形成的向量执行矩阵因式分解，其中所述向量的元素独立于所述信号。

15.如权利要求11所述的方法，其特征在于，包括基于计及所述用户有多新近地与所述项目交互的新近性模型、或者基于计及所述用户与所述项目交互的时间的时间模型、或者基于计及所述用户的位置、对所述用户可用的设备、或所述用户参与的活动的环境模型来改变所述置信水平。