專利名稱：用于利用用戶群體和項目集合使用基于模型的協(xié)作過濾來進行推薦的系統(tǒng)和方法
技術領域：
本發(fā)明涉及用于利用用戶群體和項目集合使用基于模型的協(xié)作過濾來進行推薦的系統(tǒng)和方法。
背景技術：
已變得老生常談的是，關注而非內(nèi)容是任何互聯(lián)網(wǎng)市場模型中的稀缺資源。搜索引擎是用于應對關注稀缺的不完美的手段，這是因為它們要求用戶已經(jīng)關于他或她希望關注的項目進行了足夠的商談(reasoning)而已經(jīng)附加某種類型的描述性關鍵詞。推薦器引擎尋求通過隱性地或顯性地推斷用戶的興趣和偏好并且推薦適當?shù)膬?nèi)容項目以顯示給用戶和被用戶關注來取代對用戶商談的需要。推薦器引擎如何準確地推斷用戶的興趣和偏好保持是活躍的研究課題，其與理解機器學習的更廣泛的問題有關。在過去兩年中，由于大規(guī)模的web應用已并入推薦技術，因此機器學習中的這些領域發(fā)展到包括數(shù)據(jù)中心規(guī)模的大量并發(fā)計算中的問題。同時，推薦器架構(gòu)的精密度增加到包括用于推薦器使用的知識的基于模型的表示，以及特別地包括如下模型所述模型基于社會網(wǎng)絡和用戶之間的其他關系以及預先指定或?qū)W習的項目之間的關系(包括補充或替換關系)來設計推薦。根據(jù)這些近來的趨勢，我們描述用于利用用戶群體和項目集合使用基于模型的協(xié)作過濾來進行推薦的系統(tǒng)和方法，所述協(xié)作過濾適合數(shù)據(jù)中心規(guī)模的大量并發(fā)計算。


圖1 (a)是用戶-項目-因子圖。圖1 (b)是項目-項目-因子圖。圖2是用在用于進行推薦的系統(tǒng)和方法中的包括用戶群體和項目集合的數(shù)據(jù)模型的實施例。圖3是用在用于進行推薦的系統(tǒng)和方法中的包括用戶群體和項目集合的數(shù)據(jù)模型的實施例。圖4是用于進行推薦的系統(tǒng)和方法的實施例。
具體實施例方式通過下面參照附圖進行的優(yōu)選實施例的詳細描述，本發(fā)明的另外的方面和優(yōu)點將是明顯的。本文開始于基于記憶的系統(tǒng)的簡要回顧以及基于模型的系統(tǒng)和方法的更詳細的描述。本文結(jié)束于計算時變條件概率的自適應的基于模型的系統(tǒng)和方法的描述。推薦問題的形式描述圖1(a)中示出的分為三部分的圖^7sf對用戶與項目的匹配建模。方形節(jié)點 U = 表示用戶并且圓形節(jié)點5 = [S11S2 }表示項目。在該背景下，用戶可以是物理的人。用戶也可以是計算實體，其將使用所推薦的內(nèi)容項目用于進一步處理。 兩個或更多個用戶可以形成具有共同的性質(zhì)、特性或?qū)傩缘拇鼗蚪M。相似地，項目可以是任何貨物或服務。兩個或更多個項目可以形成具有共同的性質(zhì)、特性或?qū)傩缘拇鼗蚪M。項目組的共同的性質(zhì)、特性或?qū)傩钥梢耘c用戶或者用戶簇關聯(lián)。例如，推薦器引擎可以基于具有相似的書籍購買歷史的其他用戶購買的書籍來向用戶推薦書籍。函數(shù)C(U; τ)表示在時刻τ的關于用戶U的在類別C上測量的用戶興趣的向量。 相似地，函數(shù)a (S ； τ)表示在時刻τ的項目s的項目屬性d的向量。邊權h (u，S; τ)是以某種方式指示在時刻τ用戶u對項目s的興趣的測量數(shù)據(jù)。經(jīng)常地，h(u, s ；η)是訪問數(shù)據(jù)，但是可以是其他數(shù)據(jù)，諸如購買歷史。為了使表述簡單，除非需要澄清討論，否則我們通常將省略時間索引τ。^7sf圖中的八邊形節(jié)點2 = (ZliZ2^Zif)是用于用戶興趣和項目之間的關系
的底層模型中的因子。直覺認為推薦的值追溯到表示用戶和項目的有用的聚簇或分組的模型的存在。聚簇提供了用于解決識別其興趣與用戶的興趣相關的其他用戶感興趣的項目， 并且用于識別與已知用戶感興趣的項目相關的項目的協(xié)作過濾問題的原則性手段。對用戶興趣和項目之間的關系建?？赡軤可嬉环N或兩種類型的協(xié)作過濾算法?；谟洃浀乃惴ū举|(zhì)上考慮沒有圖1(a)的^zw中的八邊形因子節(jié)點的圖Gus以使最近鄰回歸與高維數(shù)據(jù)擬合。相反，基于模型的算法提出了推薦器問題的解決方案實際存在于由八邊形節(jié)點表示的較低維流形(manifold)上?；谟洃浀乃惴ㄈ缟衔亩x的，基于記憶的算法使用于訓練算法的原始數(shù)據(jù)與某種形式的最近鄰回歸擬合，該最近鄰回歸以對于進行推薦具有效用的方式使項目和用戶相關。這些系統(tǒng)的一個重要的類可以由如下非線性形式表示X =f (h(u1 S1), ···, h(uM, sN), C(U1), ..., c (uM), a (S1), ···, a(sN) , X) (1)其中X是關系度量的適當集合。該形式可以被解釋為將推薦器問題作為固定點問題嵌入在|u| + |s|維數(shù)據(jù)空間中。經(jīng)由線性嵌入的隱性分類嵌入方法尋求由度量空間中的距離表示用戶和項目之間的吸引力(affinity)的強度。高吸引力與較小的距離對應，從而用戶和項目被隱性地分類為與項目接近的用戶分組以及與用戶接近的項目分組。線性凸嵌入可以被一般化為
權利要求
1.一種計算機實現(xiàn)的方法，包括 將一個或多個處理器編程為訪問存儲在一個或多個用戶數(shù)據(jù)庫中的用戶列表以及存儲在一個或多個項目數(shù)據(jù)庫中的項目列表；構(gòu)造其間具有關聯(lián)的兩個或更多個用戶的用戶群體； 構(gòu)造其間具有關聯(lián)的兩個或更多個項目的項目集合； 估計所述用戶群體和所述項目集合之間的關聯(lián)；以及響應于估計所述關聯(lián)提供一個或多個推薦；以及在顯示器上顯示所述一個或多個推薦。
2.根據(jù)權利要求1所述的計算機實現(xiàn)的方法，進一步包括將所述一個或多個處理器編程為訪問一個或多個存儲器中的用戶列表或項目列表。
3.根據(jù)權利要求1所述的計算機實現(xiàn)的方法，進一步包括將所述一個或多個處理器編程為通過響應于用戶-用戶對的時變列表構(gòu)造時變用戶群體來構(gòu)造所述用戶群體。
4.根據(jù)權利要求3所述的計算機實現(xiàn)的方法，進一步包括將所述一個或多個處理器編程為響應于所述用戶群體和所述用戶列表、所述項目列表、項目集合或者它們的組合之間的時變關系概率來構(gòu)造所述用戶群體。
5.根據(jù)權利要求3所述的計算機實現(xiàn)的方法，進一步包括將所述一個或多個處理器編程為通過在時間τ創(chuàng)建將用戶-用戶對的時變列表Duv(Tn)并入到Euv(Tlri)中的更新列表Euv(Tn)來構(gòu)造所述用戶群體71(、)，72(、)，…，Υι(τη)，其中1和η是整數(shù)。
6.根據(jù)權利要求5所述的計算機實現(xiàn)的方法，進一步包括將所述一個或多個處理器編程為通過以下方式來構(gòu)造所述用戶群體Y1(Tn)，y2( τ η)，...,Υι(τη)對于Euv( τ -!)中的每個三元組(Ui, Vj, eij)，將(U” Vj, α eiJ)添加到Euv( τ n)；以及對于 Duv( τ η)中的每個對(Ui，Vj)，如果(Ui，Vj, eiJ)在 Euv( τ n)中，則將(Ui, Vj, e^·)替換為(Ui, Vj, eiJ+i3 )，否則將(Ui, Vj, β )添加到 Euv( τ η)； 其中β是預定變量；以及其中l(wèi)、n、i和j是整數(shù)。
7.根據(jù)權利要求5所述的計算機實現(xiàn)的方法，進一步包括將所述一個或多個處理器編程為通過使用所述更新列表Euv( τ n)和條件概率Qly1Iui, Vj ； τ ^1)估計概率I5Hy1Iui ； τ η) _或ft· (Vj I yi ； τ n ) _中的至少一個來構(gòu)造所述用戶群體Y1 ( τ n)，y2 ( τ n)，-,Υι(τη), 其中l(wèi)、n、i和j是整數(shù)。
8.根據(jù)權利要求7所述的計算機實現(xiàn)的方法，進一步包括將所述一個或多個處理器編程為通過以下方式來構(gòu)造所述用戶群體Y1(Tn)，y2( τ η)，...,Υι(τη)對于每介Y1和Euv ( τ n)中的每個(Ui，Vj, eiJ)，將ft· (Vj I γι;τη)-估計為PrN/PrD，其中 PrN是跨越Ui’的eijQ*(yi |Ui’，Vj ； τ ^1)的和以及其中Pr11是跨越y(tǒng)/和ν/的AjQly1' Iui, Vj' ； Tiri)的和。
9.根據(jù)權利要求7所述的計算機實現(xiàn)的方法，進一步包括將所述一個或多個處理器編程為通過以下方式來構(gòu)造所述用戶群體Y1(Tn)，y2( τ η)，...,Υι(τη)對于每個Y1和Euv ( τ η)中的每個(Ui，Vj, eiJ)，將ft· (Yl I Ui ； τη)-估計為PrN/PrD，其中 Ρι·Ν 是跨越 V/ 的 AjQly11Ui,ν/; τ n_i)的和以及其中 Pi~D 是跨越 yi’和 ν/ WeijQ^y1' |ui Vj' ； Tirf)的和。
10.根據(jù)權利要求7所述的計算機實現(xiàn)的方法，進一步包括將所述一個或多個處理器編程為通過對于每個力和Euv(Tn)中的每個(Ui，Vj，eij)估計條件概率Qly11 Ui, Vj ； τη)來構(gòu)造所述用戶群體Y1 ( τ η)，y2 ( τ η)，···，&(、)。
11.根據(jù)權利要求10所述的計算機實現(xiàn)的方法，進一步包括將所述一個或多個處理器編程為通過以下方式來構(gòu)造所述用戶群體Y1(Tn)，y2( τ η)，-,Υι(τη)將 Q* (Yl I Ui, Vj ； τ n)設定為 ft· (Vj I γι;τη) Tr (Yl | Ui ； τ n) 7Q*d，其中 Q*D 是跨越 y/ 的 Pr (VjIy1' ； τη )Τγ(Υι' Ui ； τ η )_ 的和。
12.根據(jù)權利要求10所述的計算機實現(xiàn)的方法，進一步包括將所述一個或多個處理器編程為通過對于每個力和Euv“n)中的每個(Ui，Vj, eiJ)估計概率I3Hy1Iui ； τη)+和 Pr (Vj I γι;τη) + 來構(gòu)造所述用戶群體 Y1(Tn),y2(xn),…，Y1 ( τ η)。
13.根據(jù)權利要求12所述的計算機實現(xiàn)的方法，進一步包括將所述一個或多個處理器編程為通過以下方式來構(gòu)造所述用戶群體Y1(Tn)，y2( τ n)，-,Y1(Tn)將 ft" (Vj I γι;τη)+ 設定為 Ρι·Ν1/Ρι·Μ，其中 Ρι·Ν1 是跨越 Ui，的 eijQ* (Yl | Ui ’，Vj ； τ )的和并且 Prm 是跨越 Ui'和 ν/ 的 GijQ^y1Iui', ν/ ； τ η)的和。
14.根據(jù)權利要求13所述的計算機實現(xiàn)的方法，進一步包括將所述一個或多個處理器編程為通過以下方式來構(gòu)造所述用戶群體Y1(Tn)，y2( τ η)，-,Υι(τη)將 I3Hy1Iui ； τη)+設定為 Pi~N2/Pi~D2，其中 Ρι·Ν2 是跨越 v/ ^| Ui, ν/ ； τ η)的和并且 P、是跨越 Y1，和 ν/ WeijQly1' Iui, ν/ ； τ n)的和。
15.根據(jù)權利要求14所述的計算機實現(xiàn)的方法，進一步包括將所述一個或多個處理器編程為通過以下方式來構(gòu)造所述用戶群體Y1(Tn)，y2( τ η)，-,Υι(τη)如果對于預定的 d << 1 有 IPHvjIy1 ； τ J--Pr (VjIy1 ； τη) + | > d或 IPHy1Iui ； τ n) "-Pr (Yl I Ui ； τ n) + I > d，則重復估計條件概率 Q* (yx | Ui, Vj ； τ η)以及估計概率 ft· (Yl | Ui ； τη) +和 IMvjIy1 ;τη)+，其中Pr(Vj|yi; xJ^Pr^jly! ； τη) +和 I5Hy1Iui ； τ η) - = Pr (Yl | Ui ； τη)+;以及返回概率 ft· (Yl I Ui ； τ n) = Pr (Yl I Ui ; τ n) + 和 ft· (Vj | Y1 ； τ n) = Pr (Vj | Y1 ； τ n) +，條件概率Q*(yi|Ui，Vj ； τη)和三元組(Ui，Vj，eij)的列表Euv“n)，其中d是預定數(shù)字。
16.根據(jù)權利要求1所述的計算機實現(xiàn)的方法，進一步包括將所述一個或多個處理器編程為通過響應于項目-項目對的時變列表構(gòu)造時變項目集合來構(gòu)造所述項目集合。
17.根據(jù)權利要求16所述的計算機實現(xiàn)的方法，進一步包括將所述一個或多個處理器編程為響應于項目集合和所述用戶列表、所述項目列表、用戶群體或者它們的組合之間的時變關系概率來構(gòu)造所述項目集合。
18.根據(jù)權利要求16所述的計算機實現(xiàn)的方法，進一步包括將所述一個或多個處理器編程為通過在時間τ創(chuàng)建將項目-項目對的時變列表Dst(Tn)并入到Est(Tlri)中的更新列表Est ( τ η)來構(gòu)造項目集合Z1 ( τ η)，ζ2( τ η)，…，、(τ η)，其中k和η是整數(shù)。
19.根據(jù)權利要求16所述的計算機實現(xiàn)的方法，進一步包括將所述一個或多個處理器編程為通過以下方式來構(gòu)造項目集合21(111)，22(111)，-,Zk(Tn)對于Est ( τ J中的每個三元組(Si，tj; eij)，將(Si，tj; α ea)添加到Est ( τ η)；以及對于Dst“n)中的每個對(&，、)，如果(S^tjjeij)在Est“n)中，則將(Sptpeij)替換為(Si, tj; eiJ+ β )，否則將(Si，tj; β )添加到 Est ( τ η)；其中β是預定變量；以及其中k、n、i和j是整數(shù)。
20.根據(jù)權利要求16所述的計算機實現(xiàn)的方法，進一步包括將所述一個或多個處理器編程為通過使用所述更新列表Est( τ η)和條件概率Q*(zk| Si，tj ； τ ^1)估計概率ft~(zk| Si ； τη)_或I^ajIzk; τη)_中的至少一個來構(gòu)造項目集合 “山ζ2(τη),…，、(τη)，其中 k、n、i和j是整數(shù)。
21.根據(jù)權利要求20所述的計算機實現(xiàn)的方法，進一步包括將所述一個或多個處理器編程為通過以下方式來構(gòu)造項目集合21(111)，22(111)，-,Zk(Tn)對于每介、和Est(Tn)中的每個(Si，tj;力丄將阼 ^；^廣估計為？！“^ 其中 PrN是跨越Si’的eijQ*( ! Si’，tj ； τ J的和以及其中PrD是跨越zk’和t/的^/^( ，| Si, t/ ； Tiri)的和。
22.根據(jù)權利要求20所述的計算機實現(xiàn)的方法，進一步包括將所述一個或多個處理器編程為通過以下方式來構(gòu)造項目集合21(111)，22(111)，-,Zk(Tn)對于每介、和Est(Tn)中的每個(Si，tj;力丄將^^力^^廠估計為？！“^ 其中 Ρι·Ν是跨越t/的力乂“山一/；丁^的和以及其中Pi~D是跨越zk’和t/的，Si, t/ ； Tiri)的和。
23.根據(jù)權利要求20所述的計算機實現(xiàn)的方法，進一步包括將所述一個或多個處理器編程為通過對于每個、和Est(Tn)中的每個(SiAj^ij)估計條件概率QlzkIsptj ； τη)來構(gòu)造項目集合Z1 ( τ η)，ζ2( τ η)，…，、(τ η)。
24.根據(jù)權利要求23所述的計算機實現(xiàn)的方法，進一步包括將所述一個或多個處理器編程為通過以下方式來構(gòu)造項目集合21(111)，22(111)，-,Zk(Tn)將 Q* (zk I Si, tj ； τ η)設定為 ft· (tj I zk ； τ n) Tr (zk | Si ； τ n) _/Q*D，其中 Q*D 是跨越 zk，Wf3HtJz1/ ； xn)-pr(zk' |&;τηΓ 的和。
25.根據(jù)權利要求23所述的計算機實現(xiàn)的方法，進一步包括將所述一個或多個處理器編程為通過對于每個、和Est(Tn)中的每個(Si，tj; eiJ)估計概率I3HzkI Si ； τ n)+和 Pr (tj I zk； τη) + 來構(gòu)造項目集合 Z1 ( τ η)，Z2 ( τ η)，···，、(、)。
26.根據(jù)權利要求25所述的計算機實現(xiàn)的方法，進一步包括將所述一個或多個處理器編程為通過以下方式來構(gòu)造項目集合21(111)，22(111)，-,Zk(Tn)將 ft· (tj I Zk; τη)+ 設定為 Ρι·Ν1/Ρι·Μ，其中卩 是跨越s/的eijQ*(Zk|Si’，tj;T)的和并且Pi~D1是跨越Si，禾Pt/的 eiJQ*(zk|Si，，t/ ； τ n)的和。
27.根據(jù)權利要求沈所述的計算機實現(xiàn)的方法，進一步包括將所述一個或多個處理器編程為通過以下方式來構(gòu)造項目集合21(111)，22(111)，-,Zk(Tn)將 I3HzkI Si ； τ η)+ 設定為 Pi"N2/Pi"D2，其中 Ρι·Ν2 是跨越 t/ 的 AjQ* (zk | Si, t/ ； τ η)的和并且P、是跨越zk，和t/的，I Si, t/ ； τ η)的和。
28.根據(jù)權利要求27所述的計算機實現(xiàn)的方法，進一步包括將所述一個或多個處理器編程為通過以下方式來構(gòu)造項目集合21(111)，22(111)，-,Zk(Tn)如果對于預定的 d<< 1 有 |Pr(tj|zk; τη)--PHtjIzk ； τη) + | >d或I Pr (zk I Si ； τ J--Pr (zk I Si ； τη) + | > d，則重復估計條件概率 Q* (zk | Si, t」；τ n)以及估計概率 I3HzkIsi ； τη) +和τη)+，其中=τη) +和 ft" (zk | Si ；Tn)- = ft"(Zk|Si;Tn)+;以及返回概率 ft~(zk|Si ； τη) =Pr (zk|Si ； τ n) + 和 ft· (tj |、； τ n) = ft· (tj | zk ； τ η)+，條件概率QlzkIsptj ； τη)和三元組(Si，tj; eiJ)的列表Est(Tn)，其中d是預定數(shù)字。
29.根據(jù)權利要求1所述的計算機實現(xiàn)的方法，進一步包括將所述一個或多個處理器編程為通過構(gòu)造至少兩個項目集合之間的時變關聯(lián)概率來估計關聯(lián)。
30.根據(jù)權利要求1所述的計算機實現(xiàn)的方法，進一步包括將所述一個或多個處理器編程為通過以下方式來估計關聯(lián)響應于Ui是項目集合yi ( τ n)的成員的概率ft" (yk I Ui ; τ n)，項目集合、(τ n)包括t」作為成員的概率ft" (tj I zk ； τ n),以及三元組(Ui，tj; S。)的時變列表D ( τ n)構(gòu)造至少兩個項目集合 Ζι(τη)，ζ2(τη)，-,Zk(Tn) *Υι(τη)，γ2(τη)，-,Υι(τη)之間的時變關聯(lián)概率。
31.根據(jù)權利要求30所述的計算機實現(xiàn)的方法，進一步包括將所述一個或多個處理器編程為通過在時間τ創(chuàng)建將三元組的時變列表 (τη)并入到E(Tlri)中的更新列表 Ε(τη)來估計關聯(lián)，其中1和η是整數(shù)。
32.根據(jù)權利要求31所述的計算機實現(xiàn)的方法，進一步包括將所述一個或多個處理器編程為通過以下方式來估計關聯(lián)對于 Ε( τ J 中的每個 4 元組(Ui, tj, S0, eij())，將(U” tj, S0, α eiJ)添加到 Ε( τ η)；以及對于D(Tn)中的每個三元組(Ui，tj, S。)，如果(Ui, tj, S0, eiJo)在Ε(τη)中，則將(Ui, tj, S0, eiJo)替換為(ιν、，％.。+β)，否則將(Ui，Sj，S。，β)添加到 Ε(τη)；其中β是預定變量；以及其中l(wèi)、n、i、j、o是整數(shù)。
33.根據(jù)權利要求31所述的計算機實現(xiàn)的方法，進一步包括將所述一個或多個處理器編程為通過使用更新列表Ε( τ n)禾^條件概率^^^，力!!^，、S0j5Tn^1)估計概率!^(ZkIy1 ； τ n)_來估計關聯(lián)，其中l(wèi)、n、i、j和ο是整數(shù)。
34.根據(jù)權利要求33所述的計算機實現(xiàn)的方法，進一步包括將所述一個或多個處理器編程為通過以下方式來估計關聯(lián)對于每個Y1和Zk Jff3HzkIy1 ； τη)_估計為Ρι·Ν/ΡΓ )，其中Ρι·Ν是跨越Ui、t」和S。的 eiJOQ*(zk, Y11 U^trS0; Tn^1)的和以及其中 Pi~D 是跨越 Ui、、、5。和21;，的 eij() Q*(zk', Yl | Ui, tj, S0 ； τη1)的和。
35.根據(jù)權利要求33所述的計算機實現(xiàn)的方法，進一步包括將所述一個或多個處理器編程為通過估計條件概率Q*(zk，Y1Iui, Sj, S0 ； τ n)來估計關聯(lián)。
36.根據(jù)權利要求35所述的計算機實現(xiàn)的方法，進一步包括將所述一個或多個處理器編程為通過以下方式來估計關聯(lián)對于每個Y1和Zk,將概率Pr (zk I γι;τη)-估計為PrN//PrD,其中Ρι·Ν是跨越屮、tj和S。的eij。Q*(zk, Y1Iui, tj, S0 ； τ ^1)的和以及其中Pi~D是跨越 UptpSofPZk，的 eiJ。Q*(zk，，yju” tJ; S。； Tiri)的和。
37.根據(jù)權利要求35所述的計算機實現(xiàn)的方法，進一步包括將所述一個或多個處理器編程為通過估計概率ft· (zk Iy1 ； τη) +來估計關聯(lián)。
38.根據(jù)權利要求37所述的計算機實現(xiàn)的方法，進一步包括將所述一個或多個處理器編程為通過以下方式來估計關聯(lián)對于每個Y1和zk,將概率Pr (zk I γι;τη) +估計為PrN/PrD,其中Ρι·Ν是跨越u”、和S。的Θ 」。 Τ(Ζ ，Y1Iui, tj; S0 ； τ n)的和以及其中Pi~D是跨越Ui、 tj> S0 和 zk，的 eiJ()Q*(zk，，Y1Iui, tj, S0 ； τ n)的和。
39.根據(jù)權利要求37所述的計算機實現(xiàn)的方法，進一步包括將所述一個或多個處理器編程為通過以下方式來估計關聯(lián)對于任何對(zk，yi)，如果對于預定的d << 1有|Pr(zk|yi;Tn)--Pr(zk|yi;Tn) + | > d 并且估計概率 ft· (zk | yi ； τ η Γ 和估計概率 Pr (zk I yi ; τ n) +尚未重復超過R次，則重復估計概率Pr (zk | Y1 ； τ n) _和估計概率Pr (zk | Yl ； τ n) +，其中ft· (zk I yi ； τ n) _ = Pr (zk | yi ; τ n) +，其中d是預定變量并且R是整數(shù)。
40.根據(jù)權利要求38所述的計算機實現(xiàn)的方法，進一步包括將所述一個或多個處理器編程為通過以下方式來估計關聯(lián)對于任何對(zk，Y1)并且對于預定的d << 1有Pr (Zjy1 ； τ J--Pr (ZkIy1 ； τη) + | > d，設Pr (zk γι;τη)+= [Pr (zk | Y1 ； τ n) _+Pr (zk | Y1 ; τ n) +] /2，其中 d 是預定變量。
全文摘要
可大規(guī)?？s放的、基于記憶和基于模型的技術是用于實際的大規(guī)模協(xié)作過濾的重要方法。我們描述了可大規(guī)?？s放的、基于模型的推薦器系統(tǒng)和方法，其通過顯性地并入這些類型的用戶和項目知識來擴展協(xié)作過濾技術。此外，我們在模型中擴展了用于學習條件概率的期望最大化算法以相關地適應時變訓練數(shù)據(jù)。
文檔編號G06F17/30GK102334116SQ200980157666
公開日2012年1月25日 申請日期2009年12月17日 優(yōu)先權日2008年12月31日
發(fā)明者R·漢加特納 申請人:科爾伍德科技有限責任公司