TWI613606B

TWI613606B - 使用者喜好之預測方法

Info

Publication number: TWI613606B
Application number: TW105141763A
Authority: TW
Inventors: 王恩慈; 左聰文
Original assignee: 財團法人工業技術研究院
Priority date: 2016-12-16
Filing date: 2016-12-16
Publication date: 2018-02-01
Also published as: CN108205776A; US20180174162A1; TW201824109A

Abstract

一種使用者喜好之預測方法，包括：取得一使用者群及其之一歷史選購紀錄，歷史選購紀錄關聯於複數個商品。選擇一種商品參數，每一商品均具有商品參數。依據歷史選購紀錄選擇商品參數的多個第一參數值。依據歷史選購紀錄與第一參數值從使用者群決定一使用者代表群，使用者代表群包括複數個代表使用者。計算一使用者與使用者代表群中之每一代表使用者之一相關度。依據相關度與代表使用者之喜好紀錄，估計使用者的喜好。使用者代表群包括一代表群歷史選購紀錄，代表群歷史選購紀錄涵蓋部分歷史選購紀錄，代表群歷史選購紀錄涵蓋第一參數值。

Description

使用者喜好之預測方法

本揭露係關於一種使用者喜好之預測方法。

在例如電子商務或資訊檢索領中，協同過濾(Collaborative Filtering)係為一常用之演算法來過濾及篩選資訊。例如於電子商務中，係透過協同過濾演算法來根據某顧客以往的購買行為以及從具有相似購買行為的顧客群的購買行為去推薦這個顧客其「可能喜歡的品項」，也就是藉由社群的喜好提供個人化的資訊、商品等的推薦服務。

其他應用領或可再如線上媒體播放服務，例如音樂播放服務或影視播放服務等，亦可藉由協同過濾演算法來達到相同的目的。而隨著使用者數量、商品及服務項目的增加，協同過濾演算法所需處理的資料量亦隨之增加，這也意味著資料處理的時間以及儲存這些資料的記憶體空間也跟著增加。

然而，資料處理的時間以及所需的記憶體往往高達數十個小時及數十億位元。因此，如何減化資料處理量成為業界極需改善的問題。

本揭露在於提供一種使用者喜好之預測方法，藉由結合使用者基礎式協同過濾與模式基礎式協同過濾，有效地降低協同過濾演算法所需處理的資料量，進而減少資料處理所需的時間以及降低儲存資料的記憶體空間。本揭露所揭露的使用者喜好之預測方法，包括：取得一使用者群及使用者群之一歷史選購紀錄，使用者群包括複數個用戶會員，歷史選購紀錄關聯於複數個商品；選擇一種商品參數，每一商品均具有商品參數；依據歷史選購紀錄選擇種商品參數的多個第一參數值；依據歷史選購紀錄與第一參數值，從使用者群決定一使用者代表群，使用者群包括複數個代表使用者；計算一使用者與使用者代表群中之每一代表使用者之一相關度；以及依據相關度與代表使用者之喜好紀錄，估計使用者的喜好；其中，使用者代表群包括一代表群歷史選購紀錄，且代表群歷史選購紀錄係涵蓋部分歷史選購紀錄，且代表群歷史選購紀錄涵蓋該些第一參數值。

以上之關於本揭露內容之說明及以下之實施方式之說明係用以示範與解釋本揭露之精神與原理，並且提供本揭露之專利申請範圍更進一步之解釋。

以下在實施方式中詳細敘述本揭露之詳細特徵以及優點，其內容足以使任何熟習相關技藝者了解本揭露之技術內容並據以實施，且根據本說明書所揭露之內容、申請專利範圍及圖式，任何熟習相關技藝者可輕易地理解本揭露相關之目的及優點。以下之實施例係進一步詳細說明本揭露之觀點，但非以任何觀點限制本揭露之範疇。

請參照圖1，圖1係為根據本揭露第一實施例所繪示之使用者喜好之預測方法示意圖。本實施例係以一音樂服務提供平台為例。需注意的是，本發明並不僅限於應用在音樂服務提供平台，亦可應用於一影視播放服務提供平台、多媒體服務提供平台或其他網路購物平台等。本案所屬技術領域之通常知識者係可藉以下述說明而將本發明應用於不同之多媒體服務提供平台或其他網路購物平台。如圖1所示，一使用者群101中係包括有所有使用者，使用者係為音樂服務提供平台中註冊之用戶會員。使用者群101中更包括一歷史選購紀錄，而此歷史選購紀錄中紀錄有所有用戶會員點選播放音樂之使用紀錄。

使用者代表群102係經由挑選使用者群101中之部份使用者而組成，而被挑選至使用者代表群102中之使用者則被稱為代表使用者。被挑選至使用者代表群102中之使用者較佳為重度音樂服務提供平台使用者，例如，長時間地聆聽及播放音樂、登入音樂服務提供平台次數繁多、或是聽取多種不同音樂類型之使用者。挑選使用者代表群並不限於上述聆聽、播時間或聽取音樂類型等，可視需求而有不同挑選方式。使用者代表群包括一代表群歷史選購紀錄，而此代表群歷史選購紀錄中紀錄有所有代表使用者點選、播放及使用音樂之使用紀錄。

使用者代表群102中之代表使用者的數目係少於使用者群101中之所有使用者，而使用者代表群102將被用來代表使用者群101。也就是說，對音樂服務提供平台的提供者而言，使用者群101係包括全部使用者，使用者群101中可包括重度使用者、中度使用者以及輕度使用者等，以及所有的播放紀錄，資料量相當的大；而本實施例則以使用者代表群102來代表使用者群101，以較少但具有較重要訊息的部分資料來代表全部資料，藉此降低所需處理的資料量。

使用者群101以及使用者代表群102皆被傳送至一協同過濾模組103中，協同過濾模組103係執行一協同過濾運算。於本實施例中，協同過濾運算係計算一使用者與一代表使用者之一相關度。計算相關度之方式並無限定，例如何為使用者與代表使用者之相關係數，且本技術領域之通常知識者可視需求而選用其他相關度計算方法。

協同過濾模組103藉由協同過濾運算，並依據相關度將代表使用者之一喜好紀錄指定給使用者。其中，協同過濾模組103會計算每一個使用者群101中的使用者與每一個使用者代表群102中的代表使用者的相關度。再計算出相關度之後，則選用與一使用者相關度最高的代表使用者來代表此使用者，並將代表使用者之一喜好紀錄指定給使用者(喜好預測104)，或是依據相關度與代表使用者之喜好紀錄，估計此使用者的喜好。

更詳細的說，喜好紀錄可包括，但不限於，代表使用者常聽的音樂、對某些音樂或歌手的評分評價、或關注的歌手動態等。而上述之將喜好紀錄指定給使用者，係可包括，但不限於下列數種動作，將代表使用者常聽的音樂推薦給使用者、將代表使用者對某些音樂或歌手評分評價推薦給使用者、或將代表使用者的播放行為推薦給使用者等。

值得注意的是，於本實施例中，使用者代表群之代表群歷史選購紀錄係大於等於歷史選購紀錄的一第一比例。更明確的說，代表群歷史選購紀錄較佳，例如但不限於，涵蓋90%(第一比例)歷史選購紀錄。

音樂服務提供平台的使用者對平台的使用有不同程度的分別，如前所述可略分為重度、中度與輕度。而重度使用者的歷史選購紀錄應相對為較大的資料量，而輕度使用者的歷史選購紀錄相對為較小的資料量。再者，輕度使用者的歷史選購紀錄可能與重度使用者的歷史選購紀錄部分重疊或相同。基於上述原因，以重度使用者的歷史選購紀錄來代表所有使用者的歷史選購紀錄(如前所述代表歷史選購紀涵蓋90%歷史選購紀錄)係捨棄部分訊息含量較少的資料，藉此藉此降低所需處理的資料量。

舉例來說，請參照下表1，其係依據本揭露一實施例的商品參數分組表，於此實施例中，商品為歌曲，而商品參數例如為歌手名稱，因此蔡依林是一個參數值，而周杰倫是另一個參數值，如表1所示，第1組的參數值最多(群組编號1)，但是歷史選購紀錄顯示第一組的參數值對應的商品的平均被選購次數(聽歌次數)最少(平均被選購次數1.7)。而第10組的參數值最少(群組编號10)，相對的歷史選購紀錄顯示的第10組的參數值對應的商品的平均被選購次數最多(平均被選購次數63677.19)。舉例來說，也就是例如張學友所有的歌曲總計在過去一段時間中，被選購的次數為七萬次，則張學友屬於第10組。再者，第10組中的參數值(歌手)為最受歡迎的歌手，而第1組中的使用者為受歡迎程度最低的歌手。在選取代表商品參數(歌手)的候選名單時，首先選擇第10組的所有商品參數(歌手)，並分析第10組的歌手所對應的商品(被播放過的歌曲)是否已經涵蓋了所有的歷史選購紀錄中的商品的90%。如果答案為否，則繼續選擇第9組的所有歌手，並將第9組的所有歌手加入候選名單中，並重複同樣的分析。直到所選擇的所有組別中的歌手總合起來，其對應的被播放過的歌曲已經涵蓋了所有歷史選購紀錄中的歌曲的90%為止。值得注意的是，上述之涵蓋90%的播放紀錄的歌曲，係指涵蓋的播放紀錄(play log)比例。假設在過去的歷史紀錄中，歌曲S1被撥放了99次，而歌曲S2被撥了1次，因此若選取了演唱歌曲S1的歌手，如此就有99%的播放紀錄被涵蓋，然而只有50%的歌曲被含蓋(因歌曲S2被忽略)。 <TABLE border="1" borderColor="#000000" width="85%"><TBODY><tr><td> 群組編號 </td><td> 歌手數目 </td><td> 平均被選購次數 </td></tr><tr><td> 1 </td><td> 22900 </td><td> 1.7 </td></tr><tr><td> 2 </td><td> 8322 </td><td> 4.83 </td></tr><tr><td> 3 </td><td> 6477 </td><td> 8.7 </td></tr><tr><td> 4 </td><td> 7746 </td><td> 18.33 </td></tr><tr><td> 5 </td><td> 7300 </td><td> 55.58 </td></tr><tr><td> 6 </td><td> 3982 </td><td> 247.15 </td></tr><tr><td> 7 </td><td> 1799 </td><td> 1155.2 </td></tr><tr><td> 8 </td><td> 555 </td><td> 5392.7 </td></tr><tr><td> 9 </td><td> 222 </td><td> 21400.03 </td></tr><tr><td> 10 </td><td> 40 </td><td> 63677.19 </td></tr></TBODY></TABLE>表1

以表1而言，當選取至第3組時(意即將第10組至第3組的使用者全部加總)，其參數對應的商品已經涵蓋了所有歷史選購紀錄中的商品的90%，故即以此時被選擇的歌手群來代表全部歌手。

需再注意的是，90%的涵蓋率不應限制本揭露的範圍，本技術領域之通常知識者係可根據不同需求，如實際使用者數量等，來調整代表歷史選購紀錄應至少涵蓋多少比例之歷史選購紀錄。

再來，要依據歷史選購紀錄與前述選出來的多個第一參數值來選擇代表使用者。首先，先挑選作為代表使用者的候選者。如表2所示，第1組的使用者最多(群組编號1)，但是歷史選購紀錄顯示第一組的使用者的平均選購次數(聽歌次數)最少(平均選購次數1.76)。而第18組的使用者人數最少(群組编號18)，相對的歷史選購紀錄顯示的第18組的使用者的平均選購次數最多(平均選購次數3131.89)。也就是說，第18組中的使用者為最重度使用者，而第1組中的使用者為最輕度使用者。在選取代表使用者的候選名單時，首先選擇第18組的所有使用者，並分析第18組的使用者所選購的商品(被播放過的歌曲)是否已經涵蓋了所有前述被選擇出來的參數值(歌手)。如果答案為否，則繼續選擇第17組的所有使用者，並將第17組的所有使用者加入候選名單中，並重複同樣的分析。直到所選擇的所有組別總合起來，其使用者所選購的商品已經涵蓋了所有前述被選出來的歌手為止。 <TABLE border="1" borderColor="#000000" width="85%"><TBODY><tr><td> 群組編號 </td><td> 使用者數目 </td><td> 平均選購次數 </td></tr><tr><td> 1 </td><td> 32144 </td><td> 1.76 </td></tr><tr><td> 2 </td><td> 27310 </td><td> 6.2 </td></tr><tr><td> 3 </td><td> 21098 </td><td> 13.18 </td></tr><tr><td> 4 </td><td> 21306 </td><td> 23.1 </td></tr><tr><td> 5 </td><td> 17863 </td><td> 36.1 </td></tr><tr><td> 6 </td><td> 17344 </td><td> 52.15 </td></tr><tr><td> 7 </td><td> 14826 </td><td> 71.02 </td></tr><tr><td> 8 </td><td> 14390 </td><td> 93.2 </td></tr><tr><td> 9 </td><td> 13127 </td><td> 118.86 </td></tr><tr><td> 10 </td><td> 12413 </td><td> 149.35 </td></tr><tr><td> 11 </td><td> 12399 </td><td> 186.98 </td></tr><tr><td> 12 </td><td> 12444 </td><td> 236.79 </td></tr><tr><td> 13 </td><td> 12505 </td><td> 305.48 </td></tr><tr><td> 14 </td><td> 12193 </td><td> 409.63 </td></tr><tr><td> 15 </td><td> 10209 </td><td> 582.1 </td></tr><tr><td> 16 </td><td> 6409 </td><td> 987.16 </td></tr><tr><td> 17 </td><td> 2654 </td><td> 1553.38 </td></tr><tr><td> 18 </td><td> 620 </td><td> 3131.89 </td></tr></TBODY></TABLE>表2

以表2而言，當選取至第7組時(意即將第18組至第16組的使用者全部加總)，其使用者所選購的商品已經涵蓋了所有被選擇出來的歌手，故即以此時被挑選之使用者代表群來做為使用者代表群的候選者。以上面的例子來說，總計有將近三十萬個使用者，從中挑出的候選者只剩下一萬人，接下來就從這一萬人中挑出使用者代表群。

需注意的是，表2中之分群為18群，係以使用者群中之使用者的一聽歌廣度來分群。然而，分群的基礎並不限於聽歌廣度，亦可為使用者的一聽歌頻率或一登入頻率為基礎。再者，若以影視播放服務平台為例，分群的基礎可為以使用者群中之使用者的一收視廣度來分群。然而，分群的基礎並不限於收視廣度，亦可為使用者的一收視頻率或一登入頻率為基礎。

首先先從候選者群體(即上述一萬人)中的每個使用者(候選者)，假設其所選購的商品(歌曲)對應到50~70個參數值(50~70個歌手)，挑選其選購最多歌曲的30個歌手作為此一使用者的特徵值。上述的數值僅為舉例而非限制。接下來挑選一個使用者進入使用者代表群，則此時使用者代表群所對應的參數值共計30個。當要繼續挑選下一個候選者進入使用者代表群時，首先計算每個候選者對應的參數值與現有使用者代表群的重合程度。並且優先挑選重合程度最低的一個候選者進入使用者代表群。依照此原則反覆執行，直到使用者代表群所對應的參數值涵蓋了所有被挑選出來的參數值(歌手)。以這樣的原則，則挑選出來的使用者代表群的數量最少，便於後述的計算。

於本實施例中，重合程度係指，當挑選一個使用者進入使用者代表群後(如前述，此時使用者代表群所對應的參數值共計30個)，當要再挑選下一個候選者進入使用者代表群時，假設候選者A對應的參數值中已有10個參數值與已見於上述30個參數值中(重合程度即為10)，而候選者B對應的參數值中已有5個參數值與已見於上述30個參數值中(重合程度即為5)，則挑選候選者B進入使用者代表群。

於本實施例中，協同過濾模組103係為一使用者基礎式協同過濾與模式基礎式協同過濾之協同過濾模組。其中，使用者基礎式協同過濾係基於，再推測出兩使用者為相似使用者(例如具有相似使用行為，相似喜好等)後，例如將一使用者X之使用行為推薦給另一使用者Y(或將使用者Y之使用行為推薦給使用者X)；而模式基礎式協同過濾則是藉由歷史資訊(歷史選購紀錄)來預測一使用者的可能使用行為與可能喜好。

需注意的是，於本實施例中，上述商品並不限為歌曲，亦可為電影、電視節目或其他多媒體等。

再者，商品參數並不限於歌手名稱；以商品為歌曲為例，商品參數除歌手名稱外，亦可為該歌曲作詞人、該歌曲作曲人或該歌曲發行公司等。而若以商品為電影為例，商品參數則可為演員名稱、該電影之導演、該電影之製作人或該電影之發行公司等。

再者，以商品參數為歌手名稱為例，此時參數值則如前所述，為蔡依林或周杰倫等歌手的名字。而若以商品參數為歌曲作詞人為例，此時參數值則可為方文山或林夕等歌曲作詞人的名字。

圖2係為根據本揭露一實施例所繪示之使用者喜好之預測方法流程圖。本實施例以係音樂服務提供平台為例。如圖2所示，步驟S201，取得一使用者群及該使用者群之一歷史選購紀錄，該使用者群包括複數個用戶會員，該歷史選購紀錄關聯於複數個商品。其中，用戶會員即為所有在音樂服務提供平台登記註冊的使用者，歷史選購紀錄則為所有使用者的使用行為(例如登入次數、登入時間、點播過的歌曲等)。再者，於本實施例中，商品即為歌曲。

接著步驟S202，選擇一種商品參數，每一該商品均具有該種商品參數。其中，於本實施例中，商品參數即為歌手名稱。接著步驟S203，依據該歷史選購紀錄選擇該種商品參數的多個第一參數值。其中，而商品參數即如前述般，蔡依林是一個參數值，而周杰倫是另一個參數值。

步驟S204，依據該歷史選購紀錄與該些第一參數值，從該使用者群決定一使用者代表群，該使用者代表群包括複數個代表使用者。其中，從該使用者群決定一使用者代表群之方法係前述(見如表1-2及相關說明)。

接步驟S205，計算一使用者與該使用者代表群中之每一該些代表使用者之一相關度；以及步驟S206，依據該些相關度與該些代表使用者之喜好紀錄，估計該使用者的喜好。其中，該使用者代表群包括一代表群歷史選購紀錄，且該代表群歷史選購紀錄係涵蓋部分該歷史選購紀錄，且該代表群歷史選購紀錄涵蓋該些第一參數值。

值得注意的是，步驟S206中，其係基於一使用者基礎式協同過濾以及一模式基礎式協同過濾來執行。其中，使用者基礎式協同過濾係基於相似使用者(例如相似使用行為，相似喜好等)，將一使用者之使用行為推薦給另一使用者；而模式基礎式協同過濾則是藉由歷史資訊(歷史選購紀錄)來預測一使用者的可能使用行為與可能喜好。

需注意的是，計算相關度之方式並無限定，例如何為使用者與代表使用者之相關係數，且本技術領域之通常知識者可視需求而選用其他相關度計算方法。

此外，喜好紀錄可包括，但不限於，代表使用者常聽的音樂、對某些音樂或歌手的評分評價、或關注的歌手動態等。而將喜好紀錄指定給使用者則可包括，但不限於，將代表使用者常聽的音樂推薦給使用者、將代表使用者對某些音樂或歌手評分評價推薦給使用者、或將代表使用者的播放行為推薦給使用者等。

請再參閱圖3以及前述步驟。圖3係為根據本揭露第一實施例所繪示之挑選使用者代表群之方法流程圖。如圖3所示，步驟S301，選取一代表商品參數以及步驟S302，判斷該代表商品參數對應的商品是否涵蓋該歷史選購紀錄中的該商品的一第一比例。其中，相關說明請參見表1之相關說明。

接著步驟S303，自該使用者群選取一候選者群以及步驟S304，判斷該候選者群對應的該商品是否涵蓋該代表商品參數對應的商品。其中，相關說明請參見表2之相關說明。

最後步驟S305，自該候選者群挑選一使用者進入該使用者代表群以及步驟S306，根據一重合程度再挑選一使用者進入該使用者代表群。其中，相關說明請參見第[0022]段中之說明。

綜上所述，本揭露在於提供一種使用者喜好之預測方法，藉由結合使用者基礎式協同過濾與模式基礎式協同過濾，有效地降低協同過濾演算法所需處理的資料量，進而減少資料處理所需的時間以及降低儲存資料的記憶體空間。

雖然本揭露以前述之實施例揭露如上，然其並非用以限定本揭露。在不脫離本揭露之精神和範圍內，所為之更動與潤飾，均屬本揭露之專利保護範圍。關於本揭露所界定之保護範圍請參考所附之申請專利範圍。

101‧‧‧使用者群
102‧‧‧使用者代表群
103‧‧‧協同過濾模組
104‧‧‧喜好預測
S201～S206‧‧‧步驟
S301～S306‧‧‧步驟

圖1係為根據本揭露第一實施例所繪示之使用者喜好之預測方法示意圖。圖2係為根據本揭露第一實施例所繪示之使用者喜好之預測方法流程圖。圖3係為根據本揭露第一實施例所繪示之挑選使用者代表群之方法流程圖。

101‧‧‧使用者群

102‧‧‧使用者代表群

103‧‧‧協同過濾模組

104‧‧‧喜好預測

S201~S206‧‧‧步驟

S301~S306‧‧‧步驟

Claims

一種使用者喜好之預測方法，包括：取得一使用者群及該使用者群之一歷史選購紀錄，該歷史選購紀錄關聯於複數個商品；選擇一種商品參數，每一該商品均具有該種商品參數；依據該歷史選購紀錄選擇該種商品參數的多個第一參數值；依據該歷史選購紀錄與該些第一參數值，從該使用者群決定一使用者代表群，該使用者代表群包括複數個代表使用者；計算一使用者與該使用者代表群中之每一該些代表使用者之一相關度；以及依據該些相關度與該些代表使用者之喜好紀錄，估計該使用者的喜好；其中，該使用者代表群包括一代表群歷史選購紀錄，且該代表群歷史選購紀錄係涵蓋部分該歷史選購紀錄，且該代表群歷史選購紀錄涵蓋該些第一參數值。
如請求項1所述之使用者喜好之預測方法，其中該依據該歷史選購紀錄與該些第一參數值，從該使用者群決定一使用者代表群之步驟更包括：選取一代表商品參數；判斷該代表商品參數對應的商品是否涵蓋該歷史選購紀錄中的該商品的一第一比例；自該使用者群選取一候選者群；判斷該候選者群對應的該商品是否涵蓋該代表商品參數對應的商品；自該候選者群挑選一使用者進入該使用者代表群；以及根據一重合程度再挑選一使用者進入該使用者代表群。
如請求項2所述之使用者喜好之預測方法，其中該自該使用者群選取一候選者群之步驟更包括：根據該使用者群之一聽歌廣度選取一侯選使用者進入該候選者群。
如請求項3所述之使用者喜好之預測方法，其中，該使用者群包括複數個用戶會員，而該自該使用者群選取一侯選使用者進入該使用者代表群之步驟更包括：根據該用戶會員之一聽歌廣度、一聽歌頻率或一登入頻率選取該侯選使用者進入該使用者代表群。
如請求項2所述之使用者喜好之預測方法，其中該自該使用者群選取一候選者群之步驟更包括：根據該使用者群之一收視廣度選取一侯選使用者進入該候選者群。
如請求項5所述之使用者喜好之預測方法，其中，該使用者群包括複數個用戶會員，而該自該使用者群選取一候選者群之步驟更包括：根據該用戶會員之一收視廣度、一收視頻率或一登入頻率選取該侯選使用者進入該使用者代表群。
如請求項1所述之使用者喜好之預測方法，其中該依據該些相關度與該些代表使用者之喜好紀錄，估計該使用者的喜好之步驟係根據一使用者基礎式協同過濾(user-based collaborative filtering)。
如請求項1所述之使用者喜好之預測方法，其中該依據該些相關度與該些代表使用者之喜好紀錄，估計該使用者的喜好之步驟係根據一模式基礎式協同過濾(model-based collaborative filtering)。
如請求項1所述之使用者喜好之預測方法，其中該商品參數係為歌手名稱。
如請求項1所述之使用者喜好之預測方法，其中該商品參數係為演員名稱。
一種內儲程式之電腦可讀取記錄媒體，當一電腦載入該程式並執行後，完成如請求項1-10任一項所述之方法。