專(zhuān)利名稱(chēng)：用于面向排序的協(xié)同過(guò)濾的推薦方法和設(shè)備的制作方法
技術(shù)領(lǐng)域：
本發(fā)明一般地涉及信息過(guò)濾，并且更具體地，涉及用于面向排序的協(xié)同過(guò)濾的推 薦方法和設(shè)備。
背景技術(shù)：
隨著互聯(lián)網(wǎng)上可訪(fǎng)問(wèn)信息的爆炸性增長(zhǎng)，幫助人們有效地篩選大量信息的信息過(guò) 濾技術(shù)變得不可或缺，以便能夠克服由于所獲得的信息量過(guò)大而造成的信息過(guò)載問(wèn)題。推 薦系統(tǒng)就是這樣一種信息過(guò)濾技術(shù)，其基于用戶(hù)過(guò)去的反饋，從大量數(shù)據(jù)項(xiàng)目中自動(dòng)生成 項(xiàng)目推薦列表以供用戶(hù)選擇和參考。構(gòu)成推薦系統(tǒng)的現(xiàn)有技術(shù)一般分為基于內(nèi)容的過(guò)濾和協(xié)同過(guò)濾兩大類(lèi)。相比較于 基于內(nèi)容的過(guò)濾，協(xié)同過(guò)濾不需要關(guān)于項(xiàng)目的任何內(nèi)容信息，其通過(guò)收集大量用戶(hù)對(duì)項(xiàng)目 的反饋(如評(píng)分)，并且基于其他用戶(hù)的偏好模式向用戶(hù)做出推薦。除了避免需要收集廣泛 的關(guān)于項(xiàng)目或用戶(hù)的內(nèi)容信息以外，協(xié)同過(guò)濾不要求特殊的領(lǐng)域知識(shí)并且其容易被應(yīng)用在 不同的推薦系統(tǒng)中。因此，協(xié)同過(guò)濾已經(jīng)成為當(dāng)前推薦系統(tǒng)中普遍使用的算法。推薦系統(tǒng)的任務(wù)是根據(jù)用戶(hù)興趣生成項(xiàng)目的排序列表，用戶(hù)最感興趣的項(xiàng)目應(yīng)當(dāng) 被排在該列表的頂部。對(duì)于項(xiàng)目排序，大多數(shù)的協(xié)同過(guò)濾算法首先預(yù)測(cè)用戶(hù)對(duì)該項(xiàng)目的評(píng) 分，然后利用評(píng)分對(duì)項(xiàng)目進(jìn)行排序。然而，此類(lèi)基于評(píng)分預(yù)測(cè)的協(xié)同過(guò)濾算法由于在評(píng)分預(yù) 測(cè)方面不總是與排序有效性相一致、在排序中未將多個(gè)項(xiàng)目間的關(guān)系納入考慮而存在預(yù)測(cè) 準(zhǔn)確度不高的缺陷。在例如互聯(lián)網(wǎng)搜索的許多交互式應(yīng)用中，評(píng)分形式的顯式用戶(hù)反饋經(jīng)常是難以獲 得的，而收集大量如用戶(hù)點(diǎn)擊的隱式反饋是很容易的，從中可以容易地提取用戶(hù)關(guān)于項(xiàng)目 的成對(duì)偏好。因此，針對(duì)偏好的模型是更加通用的，其可以處理隱式和顯式的用戶(hù)反饋。在針對(duì)偏好的模型中，N. N. Lii^PQ. Yang在國(guó)際信息檢索年會(huì)2008 (SIGIR-08)上 發(fā)表了 Eigenrank —種用于協(xié)同過(guò)濾的面向排序的方法。該論文提出一種稱(chēng)為EigenRank 的基于鄰域的協(xié)同過(guò)濾算法，其將協(xié)同過(guò)濾視作排序問(wèn)題而不是評(píng)分預(yù)測(cè)問(wèn)題。該基于鄰 域的方法執(zhí)行某些形式的最近鄰搜索，通過(guò)融合用戶(hù)鄰居的偏好來(lái)產(chǎn)生針對(duì)用戶(hù)的排序推 薦列表。經(jīng)驗(yàn)表明這種面向排序的方法可以產(chǎn)生比傳統(tǒng)的評(píng)分預(yù)測(cè)方法更好的排序。盡管基于鄰域的方法因?yàn)楦拍钌虾?jiǎn)單并且直觀(guān)而被廣泛使用，但此類(lèi)方法也存在 不足。第一，基于鄰域的方法的準(zhǔn)確性通常不是最佳的。第二，盡管基于鄰域的方法可以產(chǎn) 生預(yù)測(cè)，但它們并不涉及太多的學(xué)習(xí)，因而只能從數(shù)據(jù)中獲得很少的關(guān)于用戶(hù)或項(xiàng)目的知 識(shí)。第三，基于鄰域的方法經(jīng)常要求在預(yù)測(cè)時(shí)直接操縱整個(gè)訓(xùn)練數(shù)據(jù)集，這會(huì)造成很大的計(jì) 算開(kāi)銷(xiāo)。最后，因?yàn)闆](méi)有合適的模型，采用基于鄰域的方法來(lái)優(yōu)化與特定任務(wù)或應(yīng)用領(lǐng)域相 關(guān)聯(lián)的不同對(duì)象是困難的。

發(fā)明內(nèi)容
本發(fā)明所要解決的技術(shù)問(wèn)題之一是提供一種能夠使用觀(guān)測(cè)到的用戶(hù)對(duì)項(xiàng)目對(duì)的偏好來(lái)直接預(yù)測(cè)用戶(hù)對(duì)其他項(xiàng)目的偏好排序，從而不需要對(duì)整個(gè)偏好數(shù)據(jù)庫(kù)進(jìn)行搜索而即 時(shí)地做出排序預(yù)測(cè)。為了解決上述的技術(shù)問(wèn)題，根據(jù)本發(fā)明的一個(gè)方面，提供一種用于面向排序的協(xié) 同過(guò)濾的推薦方法。該方法可以包括獲取用戶(hù)對(duì)排序的項(xiàng)目對(duì)的偏好數(shù)據(jù)；根據(jù)所述偏 好數(shù)據(jù)以及用戶(hù)和項(xiàng)目相關(guān)數(shù)據(jù)，構(gòu)建基于用戶(hù)偏好的概率潛在偏好分析模型；以及利用 所述概率潛在偏好分析模型，預(yù)測(cè)基于用戶(hù)偏好的項(xiàng)目排序，以便向用戶(hù)進(jìn)行推薦。根據(jù)本發(fā)明的另一方面，提供一種用于面向排序的協(xié)同過(guò)濾的推薦設(shè)備。該設(shè)備 可以包括獲取裝置，用于獲取用戶(hù)對(duì)排序的項(xiàng)目對(duì)的偏好數(shù)據(jù)；構(gòu)建裝置，用于根據(jù)所述 偏好數(shù)據(jù)以及用戶(hù)和項(xiàng)目相關(guān)數(shù)據(jù)，構(gòu)建基于用戶(hù)偏好的概率潛在偏好分析模型；以及預(yù) 測(cè)裝置，用于利用所述概率潛在偏好分析模型，預(yù)測(cè)基于用戶(hù)偏好的項(xiàng)目排序以便向用戶(hù) 進(jìn)行推薦。根據(jù)本發(fā)明的用于面向排序的協(xié)同過(guò)濾的推薦方法和設(shè)備，可以使用觀(guān)測(cè)到的用 戶(hù)對(duì)項(xiàng)目對(duì)的偏好(即，排序?qū)?來(lái)訓(xùn)練預(yù)測(cè)排序模型，從而可以經(jīng)由模型預(yù)測(cè)排序而不用 像基于鄰域的方法那樣在整個(gè)偏好數(shù)據(jù)庫(kù)中進(jìn)行搜索，這顯著地降低了計(jì)算成本。另外，盡 管在該預(yù)測(cè)排序過(guò)程中涉及到可以在離線(xiàn)時(shí)完成的額外的模型構(gòu)建階段，但通過(guò)將全部的 數(shù)據(jù)壓縮進(jìn)非常緊湊的統(tǒng)計(jì)模型，可以做出即時(shí)的排序預(yù)測(cè)。此外，通過(guò)設(shè)計(jì)合適的損失函 數(shù)和優(yōu)化程序，模型可以被系統(tǒng)地調(diào)整從而適應(yīng)不同領(lǐng)域的應(yīng)用。優(yōu)選地，當(dāng)訓(xùn)練數(shù)據(jù)是評(píng)分集合而非排序?qū)蠒r(shí)，可以根據(jù)不同的策略從評(píng)分 集合自動(dòng)地產(chǎn)生合適的排序?qū)?。?yōu)選地，可以將非評(píng)分的用戶(hù)反饋(隱式反饋)轉(zhuǎn)換為排序?qū)ψ鳛橛?xùn)練數(shù)據(jù)以改 進(jìn)本發(fā)明的概率潛在偏好分析(PLPA)模型。由于許多用戶(hù)并不對(duì)他們感興趣的每一個(gè)項(xiàng) 目都進(jìn)行評(píng)分，當(dāng)缺少訓(xùn)練數(shù)據(jù)時(shí)，收集隱式反饋的方法是非常重要的。根據(jù)本發(fā)明的技術(shù)方案，不僅能夠減小計(jì)算開(kāi)銷(xiāo)，而且提高了向用戶(hù)推薦的準(zhǔn)確 性和便利性。


通過(guò)以下結(jié)合附圖的說(shuō)明，并且隨著對(duì)本發(fā)明的更全面了解，本發(fā)明的其他目的 和效果將變得更加清楚和易于理解，其中圖1是示意性示出根據(jù)本發(fā)明的一個(gè)實(shí)施方式的用于面向排序的協(xié)同過(guò)濾的推 薦方法的流程圖；圖2是示意性示出根據(jù)本發(fā)明的一個(gè)實(shí)施方式的基于pLPA的面向排序的協(xié)同過(guò) 濾推薦系統(tǒng)的框圖；圖3是為了便于理解而分別示出的現(xiàn)有概率潛在語(yǔ)義分析(pLSA)和根據(jù)本發(fā)明 的pLPA的圖形化模型示圖；圖4是示意性示出根據(jù)本發(fā)明的另一實(shí)施方式的基于pLPA的面向排序的協(xié)同過(guò) 濾推薦系統(tǒng)的框圖；圖5是示意性示出根據(jù)本發(fā)明的又一實(shí)施方式的基于pLPA的面向排序的協(xié)同過(guò) 濾推薦系統(tǒng)的框圖；以及圖6是示意性示出根據(jù)本發(fā)明的用于面向排序的協(xié)同過(guò)濾的推薦設(shè)備的框圖。
在所有的上述附圖中，相同的標(biāo)號(hào)表示具有相同、相似或相應(yīng)的特征或功能。
具體實(shí)施例方式下面將結(jié)合附圖詳細(xì)描述本發(fā)明的多個(gè)實(shí)施方式。圖1是示意性示出根據(jù)本發(fā)明的用于面向排序的協(xié)同過(guò)濾的推薦方法的流程圖。如圖1中所示，在步驟110處，獲取用戶(hù)對(duì)排序的項(xiàng)目對(duì)的偏好數(shù)據(jù)。在步驟120 處，根據(jù)所述偏好數(shù)據(jù)以及用戶(hù)和項(xiàng)目相關(guān)數(shù)據(jù)，構(gòu)建基于用戶(hù)偏好的PLPA模型(將在下 文中詳細(xì)地描述)。在步驟130處，利用所述pLPA模型，預(yù)測(cè)基于用戶(hù)偏好的項(xiàng)目排序以便 向用戶(hù)進(jìn)行推薦。圖2是示意性示出根據(jù)本發(fā)明的一個(gè)實(shí)施方式的基于pLPA的面向排序的協(xié)同過(guò) 濾推薦系統(tǒng)200的框圖。如圖2中所示，該系統(tǒng)主要包括pLPA模型生成單元230和概率潛在偏好計(jì)算單元 260。另外，為了便于更好的理解本發(fā)明，同時(shí)在該系統(tǒng)框圖中示出了與上述兩個(gè)單元進(jìn)行 數(shù)據(jù)遞送的排序?qū)蠅K210、項(xiàng)目和用戶(hù)集合塊220、pLPA模型塊M0、用戶(hù)描述文件塊 250和用戶(hù)推薦列表塊270。其中，排序?qū)蠅K210以< 用戶(hù)u，項(xiàng)目i，項(xiàng)目j >的形式 存儲(chǔ)用戶(hù)偏好數(shù)據(jù)，該存儲(chǔ)形式表示相比較于項(xiàng)目j，用戶(hù)u更偏好于項(xiàng)目i。項(xiàng)目和用戶(hù) 集合塊220存儲(chǔ)項(xiàng)目和用戶(hù)的描述文件。pLPA模型生成單元230基于排序?qū)蠅K和用 戶(hù)和項(xiàng)目描述文件塊中所存儲(chǔ)的數(shù)據(jù)(即偏好數(shù)據(jù)以及用戶(hù)和項(xiàng)目相關(guān)數(shù)據(jù))來(lái)構(gòu)建出本 發(fā)明的PLPA模型并存儲(chǔ)到pLPA模型塊M0。接著，將pLPA模型塊240和用戶(hù)描述文件塊 250中的數(shù)據(jù)遞送至概率潛在偏好計(jì)算單元沈0。在概率潛在偏好計(jì)算單元260中，基于生 成的PLPA模型和用戶(hù)u的描述文件生成針對(duì)用戶(hù)u的未評(píng)價(jià)項(xiàng)目的偏好排序(將在稍后 詳細(xì)描述排序預(yù)測(cè)過(guò)程)，以便在用戶(hù)推薦列表塊270中將基于偏好的推薦列表呈現(xiàn)給用 戶(hù)U。圖3是為了便于理解本發(fā)明而分別示出的現(xiàn)有概率潛在語(yǔ)義分析(pLSA)和根據(jù) 本發(fā)明的PLPA的圖形化模型示圖。如圖3中所示，在左側(cè)部分示出了 pLSA的模型圖，正如 本領(lǐng)域技術(shù)人員所已知的，該模型是一種廣泛使用的用于建模共現(xiàn)數(shù)據(jù)的基于混合分布的 潛在變量模型，右側(cè)示出了本發(fā)明的PLPA的模型圖。在該圖及下文中，u表示用戶(hù)，i和j 表示項(xiàng)目，ζ表示潛在用戶(hù)類(lèi)(S卩，用于表示用戶(hù)所屬的用戶(hù)組類(lèi)別)、rui表示用戶(hù)u對(duì)項(xiàng) 目i的評(píng)分、《表示用戶(hù)u對(duì)于項(xiàng)目i和項(xiàng)目j的成對(duì)偏好變量，如果用戶(hù)u相對(duì)于項(xiàng)目j 更偏好于項(xiàng)目i，則《=1，否則《=0，k表示潛在用戶(hù)類(lèi)ζ的個(gè)數(shù)。pLSA是基于評(píng)分?jǐn)?shù)據(jù)(即用戶(hù)對(duì)項(xiàng)目的評(píng)分，如用戶(hù)對(duì)項(xiàng)目A評(píng)以5分，對(duì)項(xiàng)目B評(píng)以3分)來(lái)建模的，其模型為kP(rUi\u, i) = P(rUi\i, >ε)Ρ(ζ| )(1)其中P(rui|i，z)用高斯分布建模，即kP(rui\uJ-) = y^ P(z\u)P(Tui] μζ , σζ )
P(rui\fiziexpΔπσZtJ^ui — β:σ2 可以使用現(xiàn)有技術(shù)中的EM (期望最大化)算法對(duì)上述模型的未知參數(shù)值ρ (z I u)、 μ zi和σ〗.進(jìn)行估計(jì)。EM算法是Dempster、Laind和Rubin于1977年提出的求參數(shù)極大似 然估計(jì)的一種方法，它可以從非完整數(shù)據(jù)集中對(duì)參數(shù)進(jìn)行極大似然估計(jì)，是機(jī)器學(xué)習(xí)中常 用的經(jīng)典參數(shù)估計(jì)算法。該算法是一個(gè)迭代算法，每次迭代由兩個(gè)步驟組成
1)期望步驟，在該步驟中按下式計(jì)算潛在用戶(hù)類(lèi)ζ的后驗(yàn)概率。2)最大化步驟，在該步驟中最大化下面的對(duì)數(shù)似然函數(shù)的期望。kE[￡c] 二 H P(z\u, ) log [P(rui^zi, azi)P(ziu)}(u,i)€n ^=I(3)限定P (z I U)求和等于1，則可按下列公式直接估計(jì)參數(shù)P (ζ ι u)、μ zi和IlΛ/J--I■---:·■;-:-ZΓνP_-_4g___
(u' ,i)eTZ:uf=u
f^zi =CT - =
^(u.i'yen-.i'-iOIM:lP(z\u,i)
(4)在得到估計(jì)的參數(shù)值后，通過(guò)下式預(yù)測(cè)出用戶(hù)對(duì)未評(píng)分的項(xiàng)目的可能評(píng)分t . k A r'ui = J rP(r、u，i) =y^ Ρ(ζ\η)μζ Z二.
ζ[ζ\ι / rP(r\ μΖ ,σζ ) Γ(5)相對(duì)于上述的pLSA，本發(fā)明的pLPA是基于排序數(shù)據(jù)(即，用戶(hù)對(duì)項(xiàng)目的偏好，例如 項(xiàng)目A >項(xiàng)目B，則表示用戶(hù)更偏好于項(xiàng)目A。用戶(hù)對(duì)所有項(xiàng)目的偏好可以表示為一個(gè)排序 列表，如A>C>B>E>···)來(lái)建模的，其模型為kIHj^J) = ^PiSijIi J, ζ)P(Z\U)ζ二i(6) 在上式中，p(z|u)表示用戶(hù)u屬于潛在用戶(hù)類(lèi)ζ的概率，尸(《IU,ζ)表示潛在用 戶(hù)類(lèi)Z的用戶(hù)U對(duì)項(xiàng)目i和項(xiàng)目j產(chǎn)生偏好巧的概率丨",?！?)表示用戶(hù)U對(duì)項(xiàng)目i和項(xiàng)目j產(chǎn)生偏好《的概率。在本發(fā)明的pLPA模型中，ΙΟ 項(xiàng)用Bradley-Terry模型建模，下面將首先 描述 Bradley-Terry 模型?？紤]一個(gè)包含η個(gè)項(xiàng)目的集合，該集合中的η個(gè)項(xiàng)目成對(duì)地彼此比較以產(chǎn)生二元 結(jié)果δ。。如果用戶(hù)u相對(duì)于j更偏好于i，則δ u取值為1，否則δ u取值為0，這就形 成了上文所提到的排序的項(xiàng)目對(duì)的偏好數(shù)據(jù)。針對(duì)具有非負(fù)參數(shù)Y的δ"的概率分布的 Bradley-Terry 模型如下
權(quán)利要求
1.一種用于面向排序的協(xié)同過(guò)濾的推薦方法，該方法包括獲取用戶(hù)對(duì)排序的項(xiàng)目對(duì)的偏好數(shù)據(jù)；根據(jù)所述偏好數(shù)據(jù)以及用戶(hù)和項(xiàng)目相關(guān)數(shù)據(jù)，構(gòu)建基于用戶(hù)偏好的概率潛在偏好分析 模型；以及利用所述概率潛在偏好分析模型，預(yù)測(cè)基于用戶(hù)偏好的項(xiàng)目排序以便向用戶(hù)進(jìn)行推薦。
2.根據(jù)權(quán)利要求1所述的方法，其中，獲取用戶(hù)對(duì)排序的項(xiàng)目對(duì)的偏好數(shù)據(jù)進(jìn)一步包 括根據(jù)不同的策略從評(píng)分集合中生成所述排序的項(xiàng)目對(duì)。
3.根據(jù)權(quán)利要求2所述的方法，其中，所述不同的策略包括根據(jù)對(duì)項(xiàng)目的評(píng)分從所有 的項(xiàng)目生成全部的排序的項(xiàng)目對(duì)、根據(jù)對(duì)項(xiàng)目的評(píng)分生成具有權(quán)重的排序的項(xiàng)目對(duì)或根據(jù) 給定的評(píng)分差值閾值生成排序的項(xiàng)目對(duì)。
4.根據(jù)權(quán)利要求1所述的方法，其中，獲取用戶(hù)對(duì)排序的項(xiàng)目對(duì)的偏好數(shù)據(jù)進(jìn)一步包 括基于針對(duì)推薦的用戶(hù)反饋來(lái)生成新的偏好數(shù)據(jù)以供在構(gòu)建概率潛在偏好分析模型步驟 中使用。
5.根據(jù)權(quán)利要求1所述的方法，其中，所述概率潛在偏好分析模型公式化表達(dá)如下
6.根據(jù)權(quán)利要求5所述的方法，其中，利用Bradley-Terry模型對(duì)公式化表達(dá)的概率潛 在偏好分析模型的
7.根據(jù)權(quán)利要求6所述的方法，其中，利用期望最大化方法求解概率潛在偏好分析模 型的未知參數(shù)P (Z I U)和Yz0
8.根據(jù)權(quán)利要求6所述的方法，其中，利用概率潛在偏好分析模型預(yù)測(cè)用戶(hù)對(duì)項(xiàng)目的 偏好排序時(shí)，利用下面的公式計(jì)算與用戶(hù)u和項(xiàng)目i相關(guān)聯(lián)的分值θ ui
9.一種用于面向排序的協(xié)同過(guò)濾的推薦設(shè)備，該設(shè)備包括獲取裝置，用于獲取用戶(hù)對(duì)排序的項(xiàng)目對(duì)的偏好數(shù)據(jù)；構(gòu)建裝置，用于根據(jù)所述偏好數(shù)據(jù)以及用戶(hù)和項(xiàng)目相關(guān)數(shù)據(jù)，構(gòu)建基于用戶(hù)偏好的概 率潛在偏好分析模型；以及預(yù)測(cè)裝置，利用所述概率潛在偏好分析模型，預(yù)測(cè)基于用戶(hù)偏好的項(xiàng)目排序以便向用 戶(hù)進(jìn)行推薦。
10.根據(jù)權(quán)利要求9所述的設(shè)備，其中，所述獲取裝置進(jìn)一步包括用于根據(jù)不同的策略 從評(píng)分集合中生成所述排序的項(xiàng)目對(duì)的裝置。
11.根據(jù)權(quán)利要求10所述的設(shè)備，其中，所述不同的策略包括根據(jù)對(duì)項(xiàng)目的評(píng)分從所 有的項(xiàng)目生成全部的排序的項(xiàng)目對(duì)、根據(jù)對(duì)項(xiàng)目的評(píng)分生成具有權(quán)重的排序的項(xiàng)目對(duì)或根 據(jù)給定的評(píng)分差值閾值生成排序的項(xiàng)目對(duì)。
12.根據(jù)權(quán)利要求9所述的設(shè)備，其中，所述獲取裝置進(jìn)一步包括用于基于針對(duì)推薦的 用戶(hù)反饋來(lái)生成新的偏好數(shù)據(jù)以供構(gòu)建裝置使用的裝置。
13.根據(jù)權(quán)利要求9所述的設(shè)備，其中，所述構(gòu)建裝置所構(gòu)建的概率潛在偏好分析模型 公式化表達(dá)如下
14.根據(jù)權(quán)利要求13所述的設(shè)備，其中，所述構(gòu)建裝置進(jìn)一步包括用于利用 Bradley-Terry模型對(duì)公式化表達(dá)的概率潛在偏好分析模型的I J，z)項(xiàng)進(jìn)行建模的裝 置，該建模公式化表達(dá)如下
15.根據(jù)權(quán)利要求14所述的設(shè)備，其中，所述構(gòu)建裝置進(jìn)一步包括利用期望最大化方 法求解概率潛在偏好分析模型的未知參數(shù)P (z I u)和Yz的裝置。
16.根據(jù)權(quán)利要求14所述的設(shè)備，其中，所述預(yù)測(cè)裝置進(jìn)一步包括用于利用下面的公 式計(jì)算與用戶(hù)u和項(xiàng)目i相關(guān)聯(lián)的分值θ ui
全文摘要
本發(fā)明公開(kāi)了一種用于面向排序的協(xié)同過(guò)濾的推薦方法和設(shè)備。所述方法可以包括獲取用戶(hù)對(duì)排序的項(xiàng)目對(duì)的偏好數(shù)據(jù)；根據(jù)所述偏好數(shù)據(jù)以及用戶(hù)和項(xiàng)目相關(guān)數(shù)據(jù)，構(gòu)建基于用戶(hù)偏好的概率潛在偏好分析模型；以及利用所述概率潛在偏好分析模型，預(yù)測(cè)基于用戶(hù)偏好的項(xiàng)目排序以便向用戶(hù)進(jìn)行推薦。利用本發(fā)明的推薦方法和設(shè)備，能夠使用觀(guān)測(cè)到的用戶(hù)對(duì)項(xiàng)目對(duì)的偏好來(lái)直接預(yù)測(cè)用戶(hù)對(duì)其他項(xiàng)目的偏好排序，從而不需要對(duì)整個(gè)偏好數(shù)據(jù)庫(kù)進(jìn)行搜索而即時(shí)地做出排序預(yù)測(cè)。這不僅能夠減小計(jì)算開(kāi)銷(xiāo)，而且提高了向用戶(hù)推薦的準(zhǔn)確性和便利性。
文檔編號(hào)G06F17/30GK102053971SQ200910207100
公開(kāi)日2011年5月11日 申請(qǐng)日期2009年10月30日 優(yōu)先權(quán)日2009年10月30日
發(fā)明者劉楠, 趙岷 申請(qǐng)人:日電(中國(guó))有限公司