CN110781389A - 用于为用户生成推荐的方法和*** - Google Patents
用于为用户生成推荐的方法和*** Download PDFInfo
- Publication number
- CN110781389A CN110781389A CN201910994809.3A CN201910994809A CN110781389A CN 110781389 A CN110781389 A CN 110781389A CN 201910994809 A CN201910994809 A CN 201910994809A CN 110781389 A CN110781389 A CN 110781389A
- Authority
- CN
- China
- Prior art keywords
- social
- user
- view
- model
- recommendation
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 48
- 238000012549 training Methods 0.000 claims abstract description 8
- 230000006870 function Effects 0.000 claims description 51
- 230000006855 networking Effects 0.000 claims description 22
- 239000011159 matrix material Substances 0.000 claims description 16
- 238000012546 transfer Methods 0.000 claims description 13
- 238000000354 decomposition reaction Methods 0.000 claims description 8
- 238000011478 gradient descent method Methods 0.000 claims description 6
- 238000011176 pooling Methods 0.000 claims description 6
- 238000012935 Averaging Methods 0.000 claims description 5
- 230000010365 information processing Effects 0.000 claims description 2
- 239000013598 vector Substances 0.000 description 12
- 238000010586 diagram Methods 0.000 description 11
- 238000004891 communication Methods 0.000 description 7
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9536—Search customisation based on social or collaborative filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9535—Search customisation based on user profiles and personalisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0631—Item recommendations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/01—Social networking
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Marketing (AREA)
- General Engineering & Computer Science (AREA)
- Finance (AREA)
- Data Mining & Analysis (AREA)
- Accounting & Taxation (AREA)
- General Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Primary Health Care (AREA)
- Computing Systems (AREA)
- Tourism & Hospitality (AREA)
- Human Resources & Organizations (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Development Economics (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请涉及一种用于为用户生成推荐的方法，所述方法包括：生成推荐模型，所述推荐模型用于为用户推荐物品；生成多视图社交模型，所述多视图社交模型对应于多个社交关系类型；组合所述推荐模型与所述多视图社交模型以得到多视图社交推荐模型；训练所述多视图社交推荐模型；以及使用经训练的多视图社交推荐模型来为所述用户生成推荐。本申请还公开了相关的***和计算机存储介质。本申请能够更好地为用户生成推荐。
Description
技术领域
本发明涉及推荐，尤其涉及用于为用户生成推荐的方法和***。
背景技术
目前，社交网络已经越来越普及。例如，微信、微博等专门的社交网站提供社交网络服务。此外，诸如支付宝、Office 365等服务也支持社交网络功能。在这些社交网络中，用户之间存在社交关系。
随着社交网络的普及，基于社交网络的推荐***也已经被开发出来。例如，在一些社交网络中，基于用户的朋友所浏览的内容向用户推荐内容。又例如，在一些社交网络中，基于用户的亲人所关注的商品来向用户推荐商品。
然而，在目前的基于社交网络的推荐***中，通常仅考虑一种类型的社交关系。部分原因在于有些社交网络只具备单一类型的社交关系。例如，微博只具有关注关系。然而，即便是在拥有或能够访问用户的多种类型的网络关系的***中，现有***仍旧仅考虑一种类型的社交关系。仅考虑一种社交关系使得为用户生成的推荐不具备足够的准确性。
发明内容
为了提升社交网络推荐的准确性，本发明提供了为用户生成推荐的方法和***。
本发明通过以下技术方案来实现其上述目的。
在一个方面中，公开了一种用于为用户生成推荐的方法，所述方法包括：
生成推荐模型，所述推荐模型用于为用户推荐物品；
生成多视图社交模型，所述多视图社交模型对应于多个社交关系类型；
组合所述推荐模型与所述多视图社交模型以得到多视图社交推荐模型；
训练所述多视图社交推荐模型；以及
使用经训练的多视图社交推荐模型来为所述用户生成推荐。
优选地，生成所述多视图社交模型包括：
生成多个单视图社交模型，每个单视图社交模型对应于一个社交关系类型；
组合所述多个单视图社交模型以得到多视图社交模型。
优选地，所述多个单视图社交模型对应于多个社交网络服务。
优选地，所述多个单视图社交模型中的每一个均对应于一不同的社交网络服务。
优选地，所述多个社交关系类型包括朋友关系、亲情关系、通信关系和转账关系中的两个或更多个。
优选地，组合所述多个单视图社交模型包括对所述多个单视图社交模型的目标函数求和。
优选地，组合所述多个单视图社交模型包括对所述多个单视图社交模型的目标函数求平均。
优选地，组合所述多个单视图社交模型包括对所述多个单视图社交模型的目标函数加权求和。
优选地，组合所述多个单视图社交模型包括对所述多个单视图社交模型的目标函数执行池化操作。
优选地，将多个单视图社交模型进行组合包括确定用于组合所述多个单视图社交模型的组合函数。
优选地，使用经训练的多视图社交推荐模型来为所述用户生成推荐包括：
获取所述用户的用户信息，所述用户信息包括用户对物品的已知评分信息以及用户与用户的多个社交关系类型的社交信息；
基于所述用户的用户信息，使用经训练的多视图社交推荐模型来确定多个候选物品的评分；以及
基于所述多个候选物品的评分向用户推荐物品。
优选地，所述推荐模型为矩阵分解模型。
优选地，训练所述多视图社交推荐模型包括：使用梯度下降法对所述多视图社交推荐模型的目标函数进行迭代求解，以确定所述多视图社交推荐模型的参数。
优选地，使用经训练的多视图社交推荐模型来为所述用户生成推荐包括：使用所确定的参数来确定候选物品的评分。
优选地，为所述用户生成推荐包括为所述用户生成推荐的商品或推荐的内容。
在另一方面中，公开了一种用于为用户生成推荐的***，所述***包括：
用户信息获取模块，所述用户信息获取模块用于获取所述用户的用户信息，所述用户信息包括用户对物品的已知评分信息以及用户与用户的多个社交关系类型的社交信息；
多视图社交推荐模块，所述多视图社交推荐模块用于基于所述用户的用户信息来确定多个候选物品的评分，所述多视图社交推荐模块包括推荐模块和多视图社交模块，其中：
所述推荐模块实现推荐模型，所述推荐模型用于为用户推荐物品，
所述多视图社交推荐模块包括多个单视图社交模块和组合模块，所述多个单视图社交模块实现多个单视图社交模型，所述多个单视图社交模型对应于多个社交关系类型，且所述组合模块用于将所述多个单视图社交模块组合为所述多视图社交模块。
在又一方面中，公开了一种存储指令的计算机可读存储介质，所述指令当被计算机执行时，使所述计算机执行如上所述的方法。
在再一方面中，公开了一种***，包括用于执行如上所述的方法的装置。
与现有技术相比，本发明可具有如下有益效果：
本发明能够充分利用多种不同类型的社交关系，来更准确地为用户生成推荐。
附图说明
本发明的以上发明内容以及下面的具体实施方式在结合附图阅读时会得到更好的理解。需要说明的是，附图仅作为所请求保护的发明的示例。在附图中，相同的附图标记代表相同或类似的元素。
图1A是示出具有单个视图的社交图的示意图。
图1B是示出具有多个视图的社交图的示意图。
图2示出单视图社交推荐模型的示意图。
图3示出根据本说明书实施例的多视图社交推荐模型的示意图。
图4是示出根据本发明的实施例的用于为用户生成推荐的方法的流程图。
图5示出根据本发明的实施例的用于为用户生成推荐的***的示意图。
具体实施方式
以下在具体实施方式中详细叙述本发明的详细特征以及优点，其内容足以使任何本领域技术人员了解本发明的技术内容并据以实施，且根据本说明书所揭露的说明书、权利要求及附图，本领域技术人员可轻易地理解本发明相关的目的及优点。
为了充分利用社交网络***中的多种类型的社交关系，提升推荐的准确性，本发明提供了能够多视图社交模型来为用户生成推荐的方法、***和计算机可读介质。
本申请中所称的社交网络或社交网络服务包括但不限于纯粹的社交网站(例如微信、微博等)，也包括其它任何具备社交网络功能的***(例如支付宝等)。
本申请中所称的社交关系包括但不限于朋友关系、亲情关系、转账关系、通信关系等。
在下文中，首先介绍社交推荐模型的基本概念，随后分别介绍推荐模型和社交模型，随后介绍单视图社交推荐模型和多视图社交推荐模型，最后介绍根据本发明的实施例的多视图社交推荐方法。
社交推荐模型
所谓社交推荐模型，是基于已知的用户和用户之间的关系以及用户对物品的评分，来预测用户对物品的评分，并基于这样的评分生成推荐。
社交推荐模型可被表述为以下形式：
社交推荐模型＝推荐模型+社交模型公式(1)
参见图2，其示出了单视图社交推荐模型的示意图。下面将会进行更全面的描述。
下面分别介绍推荐模型和社交模型。
推荐模型
本说明书所述的推荐模型(例如图2所示的推荐模型202)，是向用户推荐物品的机器学习模型。向用户推荐的物品可以是商品，也可以是内容等其它物品。
可采用各种推荐模型。一种常见的推荐模型是隐语义模型。矩阵分解模型是隐语义模型的最广泛的实现。下面以矩阵分解模型为例进行说明。
基于矩阵分解的推荐算法的核心假设是用潜在向量来表示用户和物品。这些潜在向量代表了用户和物品一部分共有的特征。例如，对用户而言，潜在向量可表现为用户偏好特征；对物品而言，潜在向量可表现为物品属性特征。在许多情况下，潜在向量可能并不具有实际意义，也不一定具有非常好的可解释性，每一个维度也没有确定的标签名字，因此被称为“潜在向量”。通过矩阵分解，可得到的两个包含潜在向量的小矩阵，一个代表用户的隐含特征，一个代表物品的隐含特征，矩阵的元素值代表着相应用户或物品对各项隐因子的符合程度，有正面的也有负面的。
假设存在用户集合u和物品集合v。还存在用户对物品的评分矩阵R，其中矩阵R中的每个元素Rij表示用户ui对物品vj的评分。利用矩阵分解算法，评分矩阵可被分解为用户-潜在因子矩阵和物品潜在因子矩阵。假设用Ui和Vj分别表示用户ui和物品vj的潜在向量，则简化的推荐模型的目标函数的示例可被表示如下：
上述目标函数旨在最小化真实评分与预测评分的误差。
可以领会，上述目标函数是一种简单示例，还可采用其他目标函数，例如添加正则项，在此不再赘述。
利用比如梯度下降法等方法，可对公式2求解。例如，利用梯度下降法通过迭代，可求得U和V。随后，对于特定用户，可获取该特定用户的用户信息，例如用户对各种物品的已知评分信息，以及用户与用户的社交信息。随后，可基于用户信息使用所求得的U和V来对候选物品进行评分。基于各候选物品的评分，可生成对用户的推荐。
还可采用其它推荐模型。例如，可采用的推荐模型的示例包括但不限于：基于领域的协同过滤模型、诸如潜在语义分析、主题模型等其它隐语义模型等。优选地，本说明书所采用的推荐模型是基于用户-物品关系的推荐模型或基于用户的推荐模型。
单视图社交模型
参见图1A，其中示出了现有技术的具有单个视图的社交图。如图1A所示，该社交图仅具有一个视图，即仅表示单一社交关系类型(例如朋友关系)。例如，在图1A中，用户102与用户106和110互为朋友，且用户104与用户106和108互为朋友。需要指出的是，虽然图1A中显示的都是双向关系，但本领域技术人员可以领会，所述社交关系可具有单向关系(例如单向关注、单向转账等)。
在一些示例中，社交关系可具有强度。例如，在用户102和用户106之间的关系是朋友关系的情况下，所述社交关系的强度可基于用户102和用户106的亲进度。例如，所述亲进度可基于用户102和用户106的相似度、互动频率、所使用的问候语等来确定。
又例如，在用户102和用户106之间的关系是亲情关系的情况下，所述社交关系的强度可基于用户102和用户106之间的亲情关系。例如，可认为父子关系比叔侄关系具有更大的强度。
再例如，在用户102和用户106之间的关系是转账关系的情况下，所述社交关系的强度可基于用户102和用户106之间的转账频率、转账数额等。
可以理解，两个用户的关系越强，基于其中一个用户的相关信息(例如用户对物品的偏好等)来对另一用户进行推荐，会有更好的效果。
在上面的示例中，是以用户之间的关系的强度为例进行说明的。本领域技术人员可以领会，社交关系还可具有其它维度，例如两个用户之间的相似度。两个相似的用户可能对物品具有相似的偏好，从而可以利用反映用户之间相似度的社交模型来进行基于社交网络的推荐。
为了描述这种单视图社交图，存在许多的社交模型(例如图2所示的单视图社交模型204或者图3所示的单视图社交模型312、314……316)。例如，假设用S表示用户-用户之间的社交关系矩阵，该矩阵S的每个元素Sif表示用户ui与用户uf的社交关系的强度和/或相似度，则一种类型的社交模型的目标函数可被表示如下：
还存在采用其他约束的社交模型。例如，在另一社交模型中，可对用户ui与用户uf之间的平均关系进行约束，这种模型的目标函数可被表示如下：
这些单视图社交模型是本领域技术人员所公知的，在此不再详细描述。
以上面的示例为例，基于单视图社交模型中的用户的已知的关系强度和/或相似度，可预测两个用户的未知的关系强度和/或相似度。
单视图社交推荐模型
参见图2，其示出了单视图社交推荐模型206的示意图。如图2所示，通过将推荐模型(基于用户-物品关系)202和单视图社交模型(基于用户-用户关系)204相结合，可实现单视图社交推荐模型206。
通过上面的单视图社交推荐模型，在生成推荐时不仅考虑用户-物品之间的关系，还考虑了单个视图中的用户-用户之间的关系，从而与单纯的推荐模型相比，单视图社交推荐模型提供了一个新的维度，从而实现了更优的推荐。
继续上面的示例，基于上面的公式1、公式2和公式3，可以确定单视图社交推荐模型的目标函数可被表示如下：
上述单视图社交推荐模型同样可利用梯度下降法，通过多次迭代不断更新来求解目标函数，以对上述单视图社交推荐模型进行训练。经过训练的单视图社交推荐模型可被用于针对新的用户提供推荐。
多视图社交模型
参见图1B，其中示出了具有多个视图的社交图。与图1A中的具有单个视图的社交图不同，图1B中所示的社交图具有多个视图，例如每个社交图可对应于一个社交关系类型。优选地，不同视图对应于不同社交关系类型。例如，可能一个视图对应于某个社交网络中的朋友关系，另一视图对应于转账关系，又一视图对应于通信关系等等。优选地，该多个视图来自多于一个社交网络服务。在一些示例中，所述多个视图中的一个或多个视图来自同一个社交网络服务。例如，支付宝可同时提供与朋友关系相关联的视图和与转账关系相关联的视图。在其它示例中，所述多个视图中的每个视图来自不同的社交网络服务。例如，可从电话簿获得通信关系，可从支付宝获得支付关系等等。优选地，社交图1B构成异构网络。
例如，如图1B中所示，用户102与用户106和110之间不仅具有朋友关系，而且具有转账关系，但用户102与用户108之间仅具有转账关系。又例如，如图1B中所示，用户104与用户106之间仅具有朋友关系，用户104与用户108之间仅具有通信关系，单用户104和用户106之间具有朋友关系和通信关系。同样地，虽然图1B中显示的都是双向关系，但本领域技术人员可以领会，所述社交关系可具有单向关系(例如单向关注、单向转账等)。
与图1A类似，图1B中所示的各种类型的社交关系都可具有强度。社交关系的强度的示例在上面已经参考图1A进行了描述，在此不再赘述。
可以理解，图1B的多视图社交图与图1A的单视图社交图相比，所包含的信息更加丰富。例如，在图1B的示例中，假设用户104与用户108之间的通信关系的强度和用户104与用户110之间的通信关系的强度相同的情况下，用户104与用户108之间的附加的朋友关系可意味着用户104与用户108的关系比与用户110的关系更加亲密。当然，这仅是一个简单的示例，本领域技术人员基于该社交图的多个视图能够挖掘出更加复杂的信息。
同样地，除了用户之间的关系的强度之外，用户之间的关系还可具有其它维度，例如用户之间的相似度等等。
为了对这些更丰富的信息加以利用，本申请提出了多视图社交模型，以描述多视图社交图。在本发明的实施例中，多视图社交模型(例如图3的多视图社交模型304)是通过使用组合函数来组合多个单视图社交模型(例如图3的单视图社交模型1 312、单视图社交模型2 314、……单视图社交模型M 316)来构造的。优选地，每个单视图社交模型可对应于一个社交关系类型。优选地，不同单视图社交模型所对应的社交关系类型可相同或不同，但该多个单视图社交模型至少对应于两个社交关系类型。该多个社交关系类型例如可包括朋友关系、亲情关系、通信关系和转账关系中的两个或更多个。优选地，该多个单视图社交模型对应于多个社交网络服务。优选地，该多个单视图社交模型中的每一个均基于一不同的社交网络服务。替代地，该多个单视图社交模型中的两个或更多个基于同一社交网络服务(例如，支付宝社交网络服务可提供转账和朋友两种社交关系类型，从而可用于生成两个单视图社交模型)。
例如，假设用m∈{1,2,…,M}来表示M个单视图社交模型，每个单视图社交模型表示一种类型的社交关系，则多视图社交模型的目标函数可被表示如下：
其中
表示用户i和用户f之间的单视图社交模型m所表示的社交关系的强度和/或两个用户的相似度。
表示用组合函数
来组合多个单视图社交模型m∈{1,2,…,}。所述组合函数
可以是各种函数，即可用各种不同方式来组合该多个单视图社交模型。
在本发明的一个实施例中，组合函数可以是求和函数
可以领会，虽然上面的组合函数采用的是普通求和函数，但是也可采用加权求和函数，以向不同的单视图社交模型赋予不同的权重值。例如，在某些社交网络视图比其它社交网络视图对推荐更有价值的情况下，可为这些社交网络视图赋予更高的权重值。
在本发明的另一实施例中，组合函数
可以是求平均函数
在本发明的又一实施例中，组合函数
可以是池化函数
池化函数是卷积网络中的一种常见函数，本领域技术人员理解其含义和实现方式，在此不再详细描述。
本领域技术人员可以理解，还可以采用其它组合函数来将多个视图进行组合。
具体采用哪种类型的组合函数，可由开发人员根据需要进行选择。
需要指出的是，虽然在上面的示例中，每个视图都是用相同的单视图社交模型(例如矩阵分解模型)来表示的，但可以领会，可针对不同的视图采用不同的社交模型。在此情况下，仍旧可以按如上面所例示的方式对多个单视图社交模型进行组合。例如可对多个不同的单视图社交模型进行求和、加权求和、求平均、池化等操作。
多视图社交推荐模型
为了充分利用本发明提出的多视图社交图所提供的更为丰富的信息来生成推荐从而提高推荐的准确性，本发明提出了多视图社交推荐模型。
参见图3，其示出了根据本说明书实施例的多视图社交推荐模型的示意图。如图3所示，通过将推荐模型(基于用户-物品关系)和多视图社交模型(基于多种类型的用户-用户关系)相结合，可充分利用各种不同的用户关系，打破了不同类型的社交关系之间的壁垒，进一步提升了所利用到的维度数量，从而相对于单视图社交推荐模型提供了更优的推荐效果。
具体而言，多视图社交推荐模型306将推荐模型302与多视图社交模型304进行组合，以为用户生成推荐。
继续上面的示例，将公式(1)中的社交模型替换为多视图社交模型，即可得到多视图社交推荐模型的公式：
多视图社交推荐模型＝推荐模型+多视图社交模型 公式(10)
以上面的示例目标函数为例，基于上面的公式10、公式2和公式6，可确定多视图社交推荐模型的目标函数可被表示如下：
上面的组合函数可以是上面公式7中的求平均函数求和函数池化函数
等等。
如上面已经解释过的，具体选择哪种组合函数可由开发人员根据需要进行选择。
基于多视图社交推荐模型生成推荐
在得到多视图社交推荐模型之后，可用训练数据对多视图社交推荐模型进行训练，并迭代更新该多视图社交推荐模型。在训练多视图社交推荐模型之后，可用经训练的社交推荐模型来针对用户生成推荐。
以上面的示例目标函数为例，对于上面介绍的多视图社交推荐模型的目标函数，可使用梯度下降法进行求解。例如，对于如公式11所示的目标函数，可对其求导，通过更新迭代，可以得到U和V，即可得到该多视图社交推荐模型的参数。利用该参数，基于特定用户的用户潜在向量和特定物品的物品潜在向量，根据公式R＝UTV可以预测该特定用户对该特定物品的评分。随后，可基于该特定用户对候选物品集合中的物品的评分进行推荐。例如，可向用户推荐评分最高的一个物品。替代地，可向用户推荐评分靠前的多个物品。例如，可向用户推荐评分排名前三的物品。
需要指出，尽管在上面的示例中以物品(商品)为例来进行说明，但应当理解，被推荐的可以是商品(例如实物商品或虚拟商品)或内容(例如音频、视频、微博帖子等)。
多视图社交推荐方法
参考图4，其示出了根据本发明的实施例的用于为用户生成推荐的方法400的流程图。
方法400可包括：在步骤402，生成推荐模型，所述推荐模型用于为用户推荐物品。如上面已经详细描述的，推荐模型可采用任何合适的已知推荐模型，例如矩阵分解模型。
方法400还可包括：在步骤404，生成多视图社交模型，所述多视图社交模型对应于多个社交关系类型。具体而言，生成多视图社交模型可包括：生成多个单视图社交模型，其中每个单视图社交模型可对应于一个社交关系类型。优选地，不同单视图社交模型所对应的社交关系类型可相同或不同，但该多个单视图社交模型至少对应于两个社交关系类型。如上所述，所述多个单视图社交模型可对应于多个社交网络服务。优选地，该多个单视图社交模型中的每一个均对应于一不同的社交网络服务。替代地，该多个单视图社交模型中的两个或更多个可基于同一社交网络服务。优选地，该多个社交关系类型包括朋友关系、亲情关系、通信关系和转账关系中的两个或更多个。
生成多视图社交模型可包括：还可包括：组合所述多个单视图社交模型以得到多视图社交模型。
可根据组合函数来组合单视图社交模型。例如，组合所述多个单视图社交模型可包括对所述多个单视图社交模型的目标函数求和(例如上面的公式7)、求加权和、求平均(例如上面的公式8)、执行池化操作(例如上面的公式9)。将多个单视图社交模型进行组合可包括确定用于组合所述多个单视图社交模型的组合函数。优选地，可从开发者接收对用于组合单视图社交模型的组合函数的选择。
方法400还可包括：在步骤406，组合所述推荐模型与所述多视图社交模型以得到多视图社交推荐模型。组合推荐模型与多视图社交模型的方式例如可与组合推荐模型与单视图社交模型的方式相同。
可选地，方法400还可包括：在步骤408，训练所述多视图社交推荐模型。训练所述多视图社交推荐模型例如可包括：使用梯度下降法对所述多视图社交推荐模型的目标函数进行迭代求解，以确定所述多视图社交推荐模型的参数。该参数稍后可用于确定待推荐的候选物品的评分。
方法400还可包括：在步骤410，使用经训练的多视图社交推荐模型来为所述用户生成推荐。
此步骤可包括：获取用户的用户信息，所述用户信息包括用户对物品的已知评分信息以及用户与用户的多个社交关系类型的社交信息。该用户信息例如可被表示为用户的向量表示，例如one-hot向量等。
此步骤还可包括：基于所述用户的用户信息，使用经训练的多视图社交推荐模型来确定多个候选物品中的每个物品的评分。例如，基于所述多视图社交推荐模型的参数，可求解所述用户对所述物品的评分。
此步骤还可包括：基于所述多个候选物品的评分向用户推荐物品。例如，可向用户推荐评分最高的一个物品。替代地，可向用户推荐评分靠前的多个物品。例如，可向用户推荐评分排名前三的物品。所述推荐可包括但不限于对商品的推荐或对内容的推荐等。
使用经训练的推荐模型来生成推荐可采用本领域技术人员知晓的任何方式来执行，在此不再详述其过程。
多视图社交推荐***
参考图5，其示出了根据本发明的实施例的用于为用户生成推荐的***500的示意图。
如图5所示，***500可包括用户信息获取模块502。该用户信息获取模块502可获取用户信息，所述用户信息包括用户对物品的已知评分信息以及用户与用户的多个社交关系类型的社交信息。该用户信息例如可以是基于用户ID获得的用户的向量表示。
***500还可包括多视图社交推荐模块506。该多视图社交推荐模块506可包括推荐模块508和多视图社交模块510。该推荐模块508可实现如上所述的推荐模型302。该多视图社交推荐模块510可包括多个单视图社交模块512和组合模块514。每个单视图社交模块512可实现一个单视图社交模型。该组合模块514用于将该多个单视图社交模块512组合为多视图社交模块510，例如可采用如上所述的多种组合函数的任何一种来执行组合。该多视图社交推荐模块506可基于来自用户信息获取模块502的用户信息来为用户生成推荐。
本申请还公开了一种包括存储于其上的计算机可执行指令的计算机可读存储介质，所述计算机可执行指令在被处理器执行时可使得所述处理器执行本文所述的各实施例的方法。
本申请还公开了一种***，所述***可包括用于执行本文所述的各实施例的方法的装置。
可以理解，根据本发明的各实施例的方法可以用软件、固件或其组合来实现。
应该理解，所公开的方法中各步骤的具体次序或阶层是示例性过程的解说。基于设计偏好，应该理解，可以重新编排这些方法中各步骤的具体次序或阶层。所附方法权利要求以样本次序呈现各种步骤的要素，且并不意味着被限定于所呈现的具体次序或阶层，除非在本文中有特别叙述。
应该理解，本文用单数形式描述或者在附图中仅显示一个的元件并不代表将该元件的数量限于一个。此外，本文中被描述或示出为分开的模块或元件可被组合为单个模块或元件，且本文中被描述或示出为单个的模块或元件可被拆分为多个模块或元件。
还应理解，本文采用的术语和表述方式只是用于描述，本发明并不应局限于这些术语和表述。使用这些术语和表述并不意味着排除任何示意和描述(或其中部分)的等效特征，应认识到可能存在的各种修改也应包含在权利要求范围内。其他修改、变化和替换也可能存在。相应的，权利要求应视为覆盖所有这些等效物。
同样，需要指出的是，虽然本发明已参照当前的具体实施例来描述，但是本技术领域中的普通技术人员应当认识到，以上的实施例仅是用来说明本发明，在没有脱离本发明精神的情况下还可做出各种等效的变化或替换，因此，只要在本发明的实质精神范围内对上述实施例的变化、变型都将落在本申请的权利要求书的范围内。
Claims (15)
1.一种用于为用户生成推荐的方法，其特征在于，所述方法包括：
生成推荐模型，所述推荐模型用于为用户推荐物品；
生成多视图社交模型，所述多视图社交模型对应于多个社交关系类型；
组合所述推荐模型与所述多视图社交模型以得到多视图社交推荐模型；
训练所述多视图社交推荐模型；以及
使用经训练的多视图社交推荐模型来为所述用户生成推荐。
2.如权利要求1所述的方法，其特征在于，生成所述多视图社交模型包括：
生成多个单视图社交模型，每个单视图社交模型对应于一个社交关系类型；
组合所述多个单视图社交模型以得到多视图社交模型。
3.如权利要求2所述的方法，其特征在于，所述多个单视图社交模型对应于多个社交网络服务。
4.如权利要求2所述的方法，其特征在于，所述多个单视图社交模型中的每一个均对应于一不同的社交网络服务。
5.如权利要求1所述的方法，其特征在于，所述多个社交关系类型包括朋友关系、亲情关系、通信关系和转账关系中的两个或更多个。
6.如权利要求2所述的方法，其特征在于，组合所述多个单视图社交模型包括对所述多个单视图社交模型的目标函数求和、加权求和、求平均、或执行池化操作。
7.如权利要求1所述的方法，其特征在于，组合所述多个单视图社交模型包括包括确定用于组合所述多个单视图社交模型的组合函数。
8.如权利要求1所述的方法，其特征在于，使用经训练的多视图社交推荐模型来为所述用户生成推荐包括：
获取所述用户的用户信息，所述用户信息包括用户对物品的已知评分信息以及用户与用户的多个社交关系类型的社交信息；
基于所述用户的用户信息，使用经训练的多视图社交推荐模型来确定多个候选物品的评分；以及
基于所述多个候选物品的评分向用户推荐物品。
9.如权利要求1所述的方法，其特征在于，所述推荐模型为矩阵分解模型。
10.如权利要求1所述的方法，其特征在于，训练所述多视图社交推荐模型包括：
使用梯度下降法对所述多视图社交推荐模型的目标函数进行迭代求解，以确定所述多视图社交推荐模型的参数。
11.如权利要求10所述的方法，其特征在于，使用经训练的多视图社交推荐模型来为所述用户生成推荐包括：
使用所确定的参数来确定候选物品的评分。
12.如权利要求1所述的方法，其特征在于，为所述用户生成推荐包括为所述用户生成推荐的商品或推荐的内容。
13.一种用于为用户生成推荐的***，其特征在于，所述***包括：
用户信息获取模块，所述用户信息获取模块用于获取所述用户的用户信息，所述用户信息包括用户对物品的已知评分信息以及用户与用户的多个社交关系类型的社交信息；
多视图社交推荐模块，所述多视图社交推荐模块用于基于所述用户的用户信息来确定多个候选物品的评分，所述多视图社交推荐模块包括推荐模块和多视图社交模块，其中：
所述推荐模块实现推荐模型，所述推荐模型用于为用户推荐物品，
所述多视图社交推荐模块包括多个单视图社交模块和组合模块，所述多个单视图社交模块实现多个单视图社交模型，所述多个单视图社交模型对应于多个社交关系类型，且所述组合模块用于将所述多个单视图社交模块组合为所述多视图社交模块。
14.一种存储指令的计算机可读存储介质，所述指令当被计算机执行时，使所述计算机执行如权利要求1-12中任一项所述的方法。
15.一种***，包括用于执行如权利要求1-12中任一项所述的方法的装置。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910994809.3A CN110781389A (zh) | 2019-10-18 | 2019-10-18 | 用于为用户生成推荐的方法和*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910994809.3A CN110781389A (zh) | 2019-10-18 | 2019-10-18 | 用于为用户生成推荐的方法和*** |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110781389A true CN110781389A (zh) | 2020-02-11 |
Family
ID=69385999
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910994809.3A Pending CN110781389A (zh) | 2019-10-18 | 2019-10-18 | 用于为用户生成推荐的方法和*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110781389A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2022262561A1 (zh) * | 2021-06-17 | 2022-12-22 | 腾讯科技（深圳）有限公司 | 多媒体资源的处理方法、装置、设备及存储介质 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105653535A (zh) * | 2014-11-13 | 2016-06-08 | 中国科学院沈阳计算技术研究所有限公司 | 一种媒体资源推荐方法 |
| CN105956093A (zh) * | 2016-04-29 | 2016-09-21 | 浙江大学 | 一种基于多视图锚点图哈希技术的个性化推荐方法 |
| CN108346067A (zh) * | 2018-01-23 | 2018-07-31 | 中国科学技术大学苏州研究院 | 基于自然语言处理的社交网络广告推送方法 |
| CN110245301A (zh) * | 2018-11-29 | 2019-09-17 | 腾讯科技（深圳）有限公司 | 一种推荐方法、装置及存储介质 |
-
2019
- 2019-10-18 CN CN201910994809.3A patent/CN110781389A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105653535A (zh) * | 2014-11-13 | 2016-06-08 | 中国科学院沈阳计算技术研究所有限公司 | 一种媒体资源推荐方法 |
| CN105956093A (zh) * | 2016-04-29 | 2016-09-21 | 浙江大学 | 一种基于多视图锚点图哈希技术的个性化推荐方法 |
| CN108346067A (zh) * | 2018-01-23 | 2018-07-31 | 中国科学技术大学苏州研究院 | 基于自然语言处理的社交网络广告推送方法 |
| CN110245301A (zh) * | 2018-11-29 | 2019-09-17 | 腾讯科技（深圳）有限公司 | 一种推荐方法、装置及存储介质 |
Non-Patent Citations (1)
| Title |
|---|
| 胡吉明: "《社会网络环境下基于用户关系的信息推荐服务研究》", 31 March 2015 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2022262561A1 (zh) * | 2021-06-17 | 2022-12-22 | 腾讯科技（深圳）有限公司 | 多媒体资源的处理方法、装置、设备及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111061946B (zh) | 场景化内容推荐方法、装置、电子设备及存储介质 | |
| US11734717B2 (en) | Dynamic predictive similarity grouping based on vectorization of merchant data | |
| CN109785062B (zh) | 一种基于协同过滤模型的混合神经网络推荐*** | |
| CN102067119B (zh) | 电子资料开发、存储、使用以及基于其采取行动的*** | |
| CN111259263B (zh) | 一种物品推荐方法、装置、计算机设备及存储介质 | |
| CN110162693A (zh) | 一种信息推荐的方法以及服务器 | |
| CN107688605B (zh) | 跨平台数据匹配方法、装置、计算机设备和存储介质 | |
| CN110209922A (zh) | 对象推荐方法、装置、存储介质及计算机设备 | |
| CN102576438A (zh) | 用于执行推荐的方法和设备 | |
| US9489638B2 (en) | Method and apparatus for propagating user preference information in a communications network | |
| CN110413888B (zh) | 一种书籍推荐方法及装置 | |
| Díez et al. | Towards explainable personalized recommendations by learning from users’ photos | |
| Gao et al. | Mining human mobility in location-based social networks | |
| CN101635009A (zh) | 基于海量数据的用户年龄估算方法及*** | |
| US11783436B2 (en) | Magellan: a context-aware itinerary recommendation system built only using card-transaction data | |
| CN110008397A (zh) | 一种推荐模型训练方法及装置 | |
| CN110019650A (zh) | 提供搜索联想词的方法、装置、存储介质及电子设备 | |
| CN111611499A (zh) | 协同过滤方法、协同过滤装置及*** | |
| Kim et al. | Improving a recommender system by collective matrix factorization with tag information | |
| CN113656699B (zh) | 用户特征向量确定方法、相关设备及介质 | |
| CN110929172A (zh) | 信息选择方法、装置、电子设备及可读存储介质 | |
| CN110781389A (zh) | 用于为用户生成推荐的方法和*** | |
| CN111353001B (zh) | 对用户进行分类的方法和装置 | |
| CN112465593A (zh) | 通过图神经网络实现时尚套装推荐的方法 | |
| Zhao et al. | Service objective evaluation via exploring social users' rating behaviors |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200211 |
|
| RJ01 | Rejection of invention patent application after publication |