用于文檔推薦的方法和裝置制造方法
【專(zhuān)利摘要】根據(jù)本發(fā)明的各實(shí)施方式提供了一種用于文檔推薦的方法和裝置，該方法包括：從與源用戶使用多個(gè)第一文檔有關(guān)的活動(dòng)中獲得用于源推薦任務(wù)的多個(gè)第一數(shù)據(jù)；從與目標(biāo)用戶使用多個(gè)第二文檔有關(guān)的活動(dòng)中獲得用于目標(biāo)推薦任務(wù)的多個(gè)第二數(shù)據(jù)；基于所述多個(gè)第一數(shù)據(jù)、所述多個(gè)第二數(shù)據(jù)以及從所述源推薦任務(wù)中遷移的知識(shí)來(lái)執(zhí)行所述目標(biāo)推薦任務(wù)以獲得目標(biāo)推薦模型；以及使用所述目標(biāo)推薦模型向所述目標(biāo)用戶進(jìn)行文檔推薦。
【專(zhuān)利說(shuō)明】用于文檔推薦的方法和裝置

【技術(shù)領(lǐng)域】
[0001] 本發(fā)明的各實(shí)施例總體上涉及文檔推薦領(lǐng)域，并且更具體地涉及一種基于遷移學(xué) 習(xí)進(jìn)行文檔推薦的方法和裝置。

【背景技術(shù)】
[0002] 文檔推薦是用戶導(dǎo)向的內(nèi)容管理系統(tǒng)中的主要組成部分。準(zhǔn)確的文檔推薦可以潛 在地增加用戶的工作效率以及改善諸如Web瀏覽的用戶體驗(yàn)。用戶愛(ài)好或偏好的構(gòu)建是通 過(guò)集成從用戶的活動(dòng)（例如，瀏覽歷史）中獲得的信息而自動(dòng)實(shí)現(xiàn)的。當(dāng)新用戶不具有足 夠的歷史數(shù)據(jù)時(shí)，這種推薦系統(tǒng)將面臨如何對(duì)新用戶進(jìn)行個(gè)性化推薦的挑戰(zhàn)，這被稱(chēng)為冷 啟動(dòng)（coldstart)問(wèn)題。
[0003] 對(duì)文檔推薦的傳統(tǒng)方法往往依賴(lài)于文檔內(nèi)容，用戶信息、諸如顯式或暗式的用戶 反饋、用戶簡(jiǎn)檔（profile)以及有時(shí)經(jīng)由辭典的語(yǔ)義分析的幫助。另一種方法是協(xié)作過(guò)濾 (CF)，該方法廣泛用于web推薦。CF方法能夠通過(guò)計(jì)算來(lái)自用戶活動(dòng)日志的各項(xiàng)目的相似 性或相關(guān)性來(lái)進(jìn)行推薦。CF方法的關(guān)鍵是如何定義用戶和文檔之間的相關(guān)性函數(shù)（或距離 函數(shù)），但是在可用數(shù)據(jù)較少時(shí)，很難準(zhǔn)確地建立這種相關(guān)性函數(shù)。因此，這兩種方法都不能 夠有效地克服冷啟動(dòng)問(wèn)題。
[0004] 因此，在文檔推薦領(lǐng)域中，存在對(duì)于有效地克服冷啟動(dòng)問(wèn)題的方法的需要。


【發(fā)明內(nèi)容】

[0005] 針對(duì)上述問(wèn)題，本發(fā)明的各示例性實(shí)施例提供了一種基于遷移學(xué)習(xí)的文檔推薦方 法。該方法在沒(méi)有足夠的訓(xùn)練數(shù)據(jù)的情況下能夠通過(guò)遷移學(xué)習(xí)對(duì)新用戶進(jìn)行準(zhǔn)確的文檔推 薦，從而有效地克服了冷啟動(dòng)問(wèn)題。
[0006] 根據(jù)本發(fā)明的一個(gè)方面，提供了一種用于文檔推薦的方法，包括：從與源用戶使用 多個(gè)第一文檔有關(guān)的活動(dòng)中獲得用于源推薦任務(wù)的多個(gè)第一數(shù)據(jù)；從與目標(biāo)用戶使用多個(gè) 第二文檔有關(guān)的活動(dòng)中獲得用于目標(biāo)推薦任務(wù)的多個(gè)第二數(shù)據(jù)；基于所述多個(gè)第一數(shù)據(jù)、 所述多個(gè)第二數(shù)據(jù)以及從所述源推薦任務(wù)中遷移的知識(shí)來(lái)執(zhí)行所述目標(biāo)推薦任務(wù)以獲得 目標(biāo)推薦模型；以及使用所述目標(biāo)推薦模型向所述目標(biāo)用戶進(jìn)行文檔推薦。
[0007] 根據(jù)本發(fā)明的另一方面，提供了一種用于文檔推薦的裝置，包括：獲得模塊，用于 從與源用戶使用多個(gè)第一文檔有關(guān)的活動(dòng)中獲得用于源推薦任務(wù)的多個(gè)第一數(shù)據(jù)，并且用 于從與目標(biāo)用戶使用多個(gè)第二文檔有關(guān)的活動(dòng)中獲得用于目標(biāo)推薦任務(wù)的多個(gè)第二數(shù)據(jù)； 處理模塊，用于基于所述多個(gè)第一數(shù)據(jù)、所述多個(gè)第二數(shù)據(jù)以及從所述源推薦任務(wù)中遷移 的知識(shí)來(lái)執(zhí)行所述目標(biāo)推薦任務(wù)以獲得目標(biāo)推薦模型；以及輸出模塊，用于使用所述目標(biāo) 推薦模型向所述目標(biāo)用戶進(jìn)行文檔推薦并且輸出文檔推薦結(jié)果。

【專(zhuān)利附圖】

【附圖說(shuō)明】
[0008] 結(jié)合附圖并參考以下詳細(xì)說(shuō)明，本發(fā)明各實(shí)施例的特征、優(yōu)點(diǎn)及其他方面將變得 更加明顯，在此以示例性而非限制性的方式示出了本發(fā)明的若干實(shí)施例，在附圖中：
[0009] 圖1示出了通過(guò)根據(jù)本發(fā)明實(shí)施例的方法所獲得的遷移學(xué)習(xí)結(jié)果的示例；
[0010] 圖2示出了根據(jù)本發(fā)明實(shí)施例的用于文檔推薦的方法200的流程圖；
[0011] 圖3示出了圖2所示的根據(jù)本發(fā)明實(shí)施例的方法200中用于生成目標(biāo)推薦模型的 步驟的細(xì)化流程圖；以及
[0012] 圖4示出了根據(jù)本發(fā)明實(shí)施例的裝置400的框圖。

【具體實(shí)施方式】
[0013] 以下參考附圖詳細(xì)描述了本發(fā)明的各個(gè)示例性實(shí)施例。
[0014] 應(yīng)當(dāng)理解，給出這些示例性實(shí)施例僅僅是為了使本領(lǐng)域技術(shù)人員能夠更好地理解 并進(jìn)而實(shí)現(xiàn)本發(fā)明，而并非以任何方式限制本發(fā)明的范圍。
[0015] 根據(jù)本發(fā)明的實(shí)施例，提出了一種在遷移學(xué)習(xí)（transferlearning)架構(gòu)下組合 文檔內(nèi)容和協(xié)作數(shù)據(jù)的文檔推薦方法。
[0016] 遷移學(xué)習(xí)是對(duì)傳統(tǒng)的機(jī)器學(xué)習(xí)的改進(jìn)。在傳統(tǒng)的機(jī)器學(xué)習(xí)的框架下，學(xué)習(xí)的任務(wù) 就是在給定充分訓(xùn)練數(shù)據(jù)的基礎(chǔ)上來(lái)學(xué)習(xí)一個(gè)分類(lèi)模型；然后利用這個(gè)學(xué)習(xí)到的模型對(duì)測(cè) 試文檔進(jìn)行分類(lèi)與預(yù)測(cè)。然而，對(duì)于很難獲得大量訓(xùn)練數(shù)據(jù)的新領(lǐng)域，以及訓(xùn)練數(shù)據(jù)與測(cè) 試數(shù)據(jù)不服從相同的數(shù)據(jù)分布的情況下，這種學(xué)習(xí)與應(yīng)用將無(wú)法開(kāi)展。而遷移學(xué)習(xí)可以從 已有的數(shù)據(jù)中遷移必要的知識(shí)以用來(lái)幫助新環(huán)境中的學(xué)習(xí)任務(wù)。因此，遷移學(xué)習(xí)可以在沒(méi) 有來(lái)自新環(huán)境的大量數(shù)據(jù)的情況下，諸如在對(duì)文檔推薦系統(tǒng)中新加入的用戶進(jìn)行文檔推薦 時(shí)，克服冷啟動(dòng)的問(wèn)題。
[0017] 然而，在先前的遷移學(xué)習(xí)方法中，由于不同的學(xué)習(xí)任務(wù)會(huì)導(dǎo)致不同的預(yù)測(cè)向量，因 此以往的方法基于對(duì)用于源域S和目標(biāo)域T的預(yù)測(cè)向量ws和wT的關(guān)系進(jìn)行建模。例如， 在SinnoJialinPan和QiangYang于 2010 年 10 月在IEEETransactionsonKnowledge andDataEngineering,Vol. 22,No. 10 中發(fā)表的"ASurveyonTransferLearning" 中所 記載的，將用于每個(gè)任務(wù)的預(yù)測(cè)參數(shù)W劃分成兩項(xiàng)：公共參數(shù)Wtl和任務(wù)特定的項(xiàng)V，然后將 支持向量機(jī)（SVM)擴(kuò)展以對(duì)這兩項(xiàng)進(jìn)行正則化，而后通過(guò)公共參數(shù)來(lái)實(shí)現(xiàn)知識(shí)的循環(huán)。但 是，這種遷移學(xué)習(xí)的方法并不適用于源域S和目標(biāo)域T可能對(duì)一些特征具有完全相反的偏 好的情況。例如，在文本分類(lèi)項(xiàng)目中，Marc和Bruno都采用技術(shù)版面信息作為是否接受通 知以進(jìn)行文檔訪問(wèn)的決定因素，Marc喜歡了解關(guān)于"xCP技術(shù)"版面的通知，而B(niǎo)runo喜歡 了解關(guān)于"企業(yè)工程"版面的通知。在這種情況下，如果直接應(yīng)用通過(guò)Marc的數(shù)據(jù)訓(xùn)練的 分類(lèi)器，則可以預(yù)期的是關(guān)于xCP技術(shù)版面的那些通知將被推薦給Bruno，這將導(dǎo)致錯(cuò)誤的 分類(lèi)。但是，如果理解了文檔推薦系統(tǒng)更可能例如將來(lái)自Marc的數(shù)據(jù)的版面名稱(chēng)和作者名 稱(chēng)進(jìn)行通知，那么將可以僅使用來(lái)自Bruno的評(píng)估的若干數(shù)據(jù)（可能一下點(diǎn)擊）而了解他 將對(duì)哪個(gè)版面和哪個(gè)作者感興趣，然后利用這些僅有的數(shù)據(jù)來(lái)進(jìn)行預(yù)測(cè)。
[0018] 考慮到在傳統(tǒng)的遷移學(xué)習(xí)中，常常會(huì)對(duì)類(lèi)別（categorical)變量置以相同的重要 性，雖然人們對(duì)類(lèi)別內(nèi)容可能具有相悖的興趣（例如，當(dāng)人們要閱讀科技論文時(shí)，與論文的 主體內(nèi)容相比，變量"作者"對(duì)于讀者來(lái)說(shuō)可能是決定他們是否將繼續(xù)閱讀這篇論文的關(guān)鍵 變量，因此可以對(duì)于不同域中的變量"作者"置以相同的重要性，但由于每個(gè)人的研究偏好 不同，因此不同的人可能會(huì)被不同的作者所吸引），因此，根據(jù)本發(fā)明的實(shí)施例提出了將"子 空間重要性（subspaceimportance)"作為源域（在本發(fā)明中可以被視為老用戶）和目標(biāo) 域（在本發(fā)明中可以被視為新用戶）所共享的公共知識(shí)進(jìn)行遷移。子空間重要性是在許多 類(lèi)型的文檔（例如，研究論文、新聞文章、博客、twitter等）中普遍存在的信息。
[0019] 基于遷移學(xué)習(xí)的文檔推薦方法充分利用從老用戶獲得的知識(shí)以改善對(duì)新用戶的 推薦，根據(jù)本發(fā)明實(shí)施例的文檔推薦方法可以包括兩個(gè)階段：離線模型學(xué)習(xí)階段和在線推 薦階段。在離線模型學(xué)習(xí)階段，通過(guò)大量的遺留數(shù)據(jù)和來(lái)自新用戶的有限數(shù)據(jù)來(lái)訓(xùn)練正則 化的（regularized)遷移學(xué)習(xí)模型；然后在在線推薦階段，使用該正則化的遷移學(xué)習(xí)模型 來(lái)將文檔進(jìn)行分級(jí)以向新用戶推薦。
[0020] 根據(jù)本發(fā)明的實(shí)施例，文檔推薦任務(wù)被規(guī)范化為正則化的遷移學(xué)習(xí)問(wèn)題，其中由 優(yōu)化目標(biāo)函數(shù)時(shí)使用的約束來(lái)表示一致的子空間重要性，該約束被稱(chēng)為一致性子空間約 束。通過(guò)解決優(yōu)化問(wèn)題來(lái)獲得離線模型學(xué)習(xí)階段的參數(shù)；然后，利用學(xué)習(xí)到的參數(shù)，可以不 僅將文檔標(biāo)記為"推薦"或"不推薦"，而且還可以通過(guò)對(duì)推薦得分而向用戶呈現(xiàn)不同的推薦 優(yōu)先級(jí)。
[0021] 以下將分別對(duì)離線模型學(xué)習(xí)階段和在線推薦階段進(jìn)行示例性描述。
[0022] 離線樽型學(xué)習(xí)階段
[0023] 作為示例而非對(duì)本發(fā)明的限制，在本發(fā)明各實(shí)施例中考慮在遷移學(xué)習(xí)框架下的二 元分類(lèi)的問(wèn)題，但本領(lǐng)域技術(shù)人員應(yīng)當(dāng)理解，本發(fā)明可以適用于遷移學(xué)習(xí)框架下的其他分 類(lèi)問(wèn)題。
[0024] 遷移學(xué)習(xí)是通過(guò)來(lái)自已經(jīng)進(jìn)行了學(xué)習(xí)的相關(guān)任務(wù)的知識(shí)的遷移對(duì)新任務(wù)中的學(xué) 習(xí)的改善。在下文中所說(shuō)的任務(wù)可以理解為針對(duì)學(xué)習(xí)模型的訓(xùn)練或者分類(lèi)器的訓(xùn)練，最終 目的是獲得推薦模型以用于對(duì)用戶進(jìn)行文檔推薦。
[0025] 假設(shè)新任務(wù)是目標(biāo)任務(wù)T，并且用于目標(biāo)任務(wù)的數(shù)據(jù)集合被表示為 Dr= (xA}A，相關(guān)任務(wù)被稱(chēng)作源任務(wù)S，并且用于源任務(wù)S的數(shù)據(jù)集合被表不為A 。在本發(fā)明的各實(shí)施例中，用于各任務(wù)的所有數(shù)據(jù)來(lái)自相同空間XXY，其 中X=Rm，其表示各個(gè)任務(wù)的整個(gè)特征矢量空間并且Y= {-1，+ 1} '^表示用于目標(biāo)任 務(wù)T的一個(gè)特征向量；xS1.表不用于源任務(wù)S的一個(gè)特征向量，并且xL，xs,_eZWvAeF 且:^，:^ = 唭中例如，+ 1表示"推薦"，-1表示"不推薦"，但是應(yīng)當(dāng)理解，y值并不 僅限于-1和+ 1，任何可以實(shí)現(xiàn)推薦目的的值都適用于本發(fā)明；1^和&分別表示用于目標(biāo) 任務(wù)和源任務(wù)的數(shù)據(jù)的數(shù)目，例如每個(gè)任務(wù)中的可用文檔的數(shù)目。在每個(gè)任務(wù)中，需要從訓(xùn) 練數(shù)據(jù)中學(xué)習(xí)目標(biāo)預(yù)測(cè)函數(shù)fs(x)(或者fT(x))，使得乂(?)并且外。
[0026] 根據(jù)本發(fā)明的實(shí)施例，通過(guò)將遷移學(xué)習(xí)的問(wèn)題簡(jiǎn)化為正則化的支持向量機(jī)（SVM) 的分類(lèi)問(wèn)題來(lái)實(shí)現(xiàn)本發(fā)明。出于簡(jiǎn)明但非限制性的目的，在本文中對(duì)于每個(gè)任務(wù)te{S， T}，考慮SVM線性分類(lèi)器，但是應(yīng)當(dāng)理解本發(fā)明并不僅限于SVM線性分類(lèi)器。
[0027] 在不失一般性的情況下，假設(shè)針對(duì)每個(gè)任務(wù)的輸入數(shù)據(jù)可以被表達(dá)為：

【權(quán)利要求】
1. 一種用于文檔推薦的方法，包括： 從與源用戶使用多個(gè)第一文檔有關(guān)的活動(dòng)中獲得用于源推薦任務(wù)的多個(gè)第一數(shù)據(jù)； 從與目標(biāo)用戶使用多個(gè)第二文檔有關(guān)的活動(dòng)中獲得用于目標(biāo)推薦任務(wù)的多個(gè)第二數(shù) 據(jù)； 基于所述多個(gè)第一數(shù)據(jù)、所述多個(gè)第二數(shù)據(jù)以及從所述源推薦任務(wù)中遷移的知識(shí)來(lái)執(zhí) 行所述目標(biāo)推薦任務(wù)以獲得目標(biāo)推薦模型；以及 使用所述目標(biāo)推薦模型向所述目標(biāo)用戶進(jìn)行文檔推薦。
2. 根據(jù)權(quán)利要求1所述的方法，其中所遷移的知識(shí)包括關(guān)于所述多個(gè)第一文檔的子空 間重要性的信息。
3. 根據(jù)權(quán)利要求2所述的方法，其中： 所述源推薦任務(wù)包括訓(xùn)練基于源預(yù)測(cè)向量（Ws)的源預(yù)測(cè)函數(shù)（fs)以獲得源推薦模型； 并且 所述目標(biāo)推薦任務(wù)包括訓(xùn)練基于目標(biāo)預(yù)測(cè)向量（Wt)的目標(biāo)預(yù)測(cè)函數(shù)（fT)以獲得所述 目標(biāo)推薦模型。
4. 根據(jù)權(quán)利要求3所述的方法，其中執(zhí)行所述目標(biāo)推薦任務(wù)以獲得所述目標(biāo)推薦模型 進(jìn)一步包括： 將所述多個(gè)第一數(shù)據(jù)和所述多個(gè)第二數(shù)據(jù)中的每一個(gè)數(shù)據(jù)均劃分到多個(gè)子空間； 獲得第一優(yōu)化項(xiàng)，所述第一優(yōu)化項(xiàng)是使用所述源預(yù)測(cè)向量對(duì)所述多個(gè)第一文檔進(jìn)行推 薦預(yù)測(cè)所得到的多個(gè)預(yù)測(cè)值分別與相應(yīng)的實(shí)際推薦值之差的和； 獲得第二優(yōu)化項(xiàng)，所述第二優(yōu)化項(xiàng)是使用所述目標(biāo)預(yù)測(cè)向量對(duì)所述多個(gè)第二文檔進(jìn)行 推薦預(yù)測(cè)所得到的多個(gè)預(yù)測(cè)值分別與相應(yīng)的實(shí)際推薦值之差的和； 獲得正則項(xiàng)，所述正則項(xiàng)是在使得用于每一個(gè)所述子空間的所述源預(yù)測(cè)向量的子向量 的模值與用于該子空間的所述目標(biāo)預(yù)測(cè)向量的子向量的模值相等的條件下，對(duì)所述源預(yù)測(cè) 向量或所述目標(biāo)預(yù)測(cè)向量進(jìn)行正則化所得到的項(xiàng)；以及 對(duì)所述第一優(yōu)化項(xiàng)、所述第二優(yōu)化項(xiàng)和所述正則項(xiàng)的和進(jìn)行優(yōu)化以獲得所述和最小的 情況所對(duì)應(yīng)的所述目標(biāo)向量的值作為所述目標(biāo)推薦模型的參數(shù)。
5. 根據(jù)權(quán)利要求4所述的方法，進(jìn)一步包括： 基于所述多個(gè)第一數(shù)據(jù)生成多個(gè)第一特征向量（); 基于所述多個(gè)第二數(shù)據(jù)生成多個(gè)第二特征向量（'.);以及 對(duì)以下表達(dá)式進(jìn)行優(yōu)化：
其中，ws、wT分別表示所述源預(yù)測(cè)向量和所述目標(biāo)預(yù)測(cè)向量；ns表示所述多個(gè)第一特征 向量的數(shù)目；表示第i個(gè)所述第一特征向量；表示用于第i個(gè)所述第一文檔的實(shí)際推 薦值；~表示所述多個(gè)第二特征向量的數(shù)目；\表示第i個(gè)所述第二特征向量；表示用于 第i個(gè)所述第二文檔的實(shí)際推薦值；λ為常數(shù)；c為所述子空間的數(shù)目；nk表示所述第一特 征向量中與第k個(gè)子空間對(duì)應(yīng)的部分中的特征的數(shù)目，所述數(shù)目與所述第二特征向量中與 第k個(gè)子空間對(duì)應(yīng)的部分中的特征的數(shù)目相同。
6. 根據(jù)權(quán)利要求2-5中的任一項(xiàng)所述的方法，其中所述源預(yù)測(cè)函數(shù)和所述目標(biāo)預(yù)測(cè)函 數(shù)是支持向量機(jī)（SVM)線性分類(lèi)器。
7. -種用于文檔推薦的裝置，包括： 獲得模塊，用于從與源用戶使用多個(gè)第一文檔有關(guān)的活動(dòng)中獲得用于源推薦任務(wù)的多 個(gè)第一數(shù)據(jù)，并且用于從與目標(biāo)用戶使用多個(gè)第二文檔有關(guān)的活動(dòng)中獲得用于目標(biāo)推薦任 務(wù)的多個(gè)第二數(shù)據(jù)； 處理模塊，用于基于所述多個(gè)第一數(shù)據(jù)、所述多個(gè)第二數(shù)據(jù)以及從所述源推薦任務(wù)中 遷移的知識(shí)來(lái)執(zhí)行所述目標(biāo)推薦任務(wù)以獲得目標(biāo)推薦模型；以及 輸出模塊，用于使用所述目標(biāo)推薦模型向所述目標(biāo)用戶進(jìn)行文檔推薦并且輸出文檔推 薦結(jié)果。
8. 根據(jù)權(quán)利要求1所述的裝置，其中所遷移的知識(shí)包括關(guān)于所述多個(gè)第一文檔的子空 間重要性的信息。
9. 根據(jù)權(quán)利要求2所述的裝置，其中： 所述源推薦任務(wù)包括訓(xùn)練基于源預(yù)測(cè)向量（Ws)的源預(yù)測(cè)函數(shù)（fs)以獲得源推薦模型； 并且 所述目標(biāo)推薦任務(wù)包括訓(xùn)練基于目標(biāo)預(yù)測(cè)向量（Wt)的目標(biāo)預(yù)測(cè)函數(shù)（fT)以獲得所述 目標(biāo)推薦模型。
10. 根據(jù)權(quán)利要求3所述的裝置，其中所述處理模塊進(jìn)一步用于： 將所述多個(gè)第一數(shù)據(jù)和所述多個(gè)第二數(shù)據(jù)中的每一個(gè)數(shù)據(jù)均劃分到多個(gè)子空間； 獲得第一優(yōu)化項(xiàng)，所述第一優(yōu)化項(xiàng)是使用所述源預(yù)測(cè)向量對(duì)所述多個(gè)第一文檔進(jìn)行推 薦預(yù)測(cè)所得到的多個(gè)預(yù)測(cè)值分別與相應(yīng)的實(shí)際推薦值之差的和； 獲得第二優(yōu)化項(xiàng)，所述第二優(yōu)化項(xiàng)是使用所述目標(biāo)預(yù)測(cè)向量對(duì)所述多個(gè)第二文檔進(jìn)行 推薦預(yù)測(cè)所得到的多個(gè)預(yù)測(cè)值分別與相應(yīng)的實(shí)際推薦值之差的和； 獲得正則項(xiàng)，所述正則項(xiàng)是在使得用于每一個(gè)所述子空間的所述源預(yù)測(cè)向量的子向量 的模值與用于該子空間的所述目標(biāo)預(yù)測(cè)向量的子向量的模值相等的條件下，對(duì)所述源預(yù)測(cè) 向量或所述目標(biāo)預(yù)測(cè)向量進(jìn)行正則化所得到的項(xiàng)；以及 對(duì)所述第一優(yōu)化項(xiàng)、所述第二優(yōu)化項(xiàng)和所述正則項(xiàng)的和進(jìn)行優(yōu)化以獲得所述和最小的 情況所對(duì)應(yīng)的所述目標(biāo)向量的值作為所述目標(biāo)推薦模型的參數(shù)。
11. 根據(jù)權(quán)利要求4所述的方法，所述處理模塊進(jìn)一步用于： 基于所述多個(gè)第一數(shù)據(jù)生成多個(gè)第一特征向量（); 基于所述多個(gè)第二數(shù)據(jù)生成多個(gè)第二特征向量（\.);以及 對(duì)以下表達(dá)式進(jìn)行優(yōu)化：
其中，ws、wT分別表示所述源預(yù)測(cè)向量和所述目標(biāo)預(yù)測(cè)向量；ns表示所述多個(gè)第一特征 向量的數(shù)目；表示第i個(gè)所述第一特征向量；表示用于第i個(gè)所述第一文檔的實(shí)際推 薦值；~表示所述多個(gè)第二特征向量的數(shù)目；表示第i個(gè)所述第二特征向量'r,表示用于 第i個(gè)所述第二文檔的實(shí)際推薦值；λ為常數(shù)；c為所述子空間的數(shù)目；nk表示所述第一特 征向量中與第k個(gè)子空間對(duì)應(yīng)的部分中的特征的數(shù)目，所述數(shù)目與所述第二特征向量中與 第k個(gè)子空間對(duì)應(yīng)的部分中的特征的數(shù)目相同。
12.根據(jù)權(quán)利要求2-5中的任一項(xiàng)所述的裝置，其中所述源預(yù)測(cè)函數(shù)和所述目標(biāo)預(yù)測(cè) 函數(shù)是支持向量機(jī)（SVM)線性分類(lèi)器。
【文檔編號(hào)】G06F17/30GK104239374SQ201310262708
【公開(kāi)日】2014年12月24日 申請(qǐng)日期:2013年6月21日 優(yōu)先權(quán)日:2013年6月21日
【發(fā)明者】陳弢, 周寶曜, 曹逾, 郭小燕, 鐘錢(qián)杰 申請(qǐng)人:伊姆西公司