一種內(nèi)容推薦方法及裝置制造方法
【專利摘要】本發(fā)明公開了一種內(nèi)容推薦方法及裝置。其方法包括：獲取用戶對內(nèi)容的偏好相關(guān)數(shù)據(jù)；根據(jù)獲取的數(shù)據(jù)確定效用矩陣，其中的非空元素為根據(jù)偏好相關(guān)數(shù)據(jù)確定的用戶對內(nèi)容的偏好值；確定效用矩陣的等效矩陣各元素的初始值，從各元素的初始值開始，對等效矩陣各元素進(jìn)行迭代更新，使得效用矩陣中各個(gè)非空元素與等效矩陣中對應(yīng)元素的匹配程度達(dá)到設(shè)定的閾值；每次迭代更新使用效用矩陣中一個(gè)用戶對應(yīng)的各非空元素；根據(jù)迭代更新后的等效矩陣填補(bǔ)效用矩陣中的空白元素；根據(jù)填補(bǔ)后的效用矩陣進(jìn)行內(nèi)容推薦。較之現(xiàn)有的內(nèi)容推薦方法，提高了內(nèi)容推薦的處理效率，并降低了內(nèi)容推薦處理過程中對存儲資源的占用。另外，其推薦結(jié)果更準(zhǔn)確，推薦效果更好。
【專利說明】一種內(nèi)容推薦方法及裝置

【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及數(shù)據(jù)處理【技術(shù)領(lǐng)域】，尤其涉及一種內(nèi)容推薦方法及裝置。

【背景技術(shù)】
[0002] 內(nèi)容推薦包括視頻推薦、圖書推薦、商品推薦、音樂推薦等等。
[0003] 現(xiàn)有的內(nèi)容推薦方法主要是，對獲取的全部偏好相關(guān)數(shù)據(jù)進(jìn)行學(xué)習(xí)，從而建立推 薦模型，進(jìn)而根據(jù)建立的推薦模型向用戶推薦內(nèi)容。其中，偏好相關(guān)數(shù)據(jù)是指用于確定用戶 對內(nèi)容的偏好程度的數(shù)據(jù)。這種推薦方法存在的問題是：由于對全部偏好相關(guān)數(shù)據(jù)進(jìn)行學(xué) 習(xí)，需要處理的數(shù)據(jù)量龐大，導(dǎo)致處理效率低，且在處理過程中浪費(fèi)大量的存儲資源。


【發(fā)明內(nèi)容】

[0004] 本發(fā)明的目的是提供一種內(nèi)容推薦方法及裝置，以解決現(xiàn)有的內(nèi)容推薦方法處理 效率低，且在處理過程中浪費(fèi)大量的存儲資源的問題。
[0005] 本發(fā)明的目的是通過以下技術(shù)方案實(shí)現(xiàn)的：
[0006] 一種內(nèi)容推薦方法，包括：
[0007] 獲取用戶對內(nèi)容的偏好相關(guān)數(shù)據(jù)；
[0008] 根據(jù)獲取的用戶對內(nèi)容的偏好相關(guān)數(shù)據(jù)確定效用矩陣，所述效用矩陣中的非空元 素為根據(jù)偏好相關(guān)數(shù)據(jù)確定的用戶對內(nèi)容的偏好值，所述效用矩陣中的空白元素為待確定 的用戶對內(nèi)容的偏好值，所述效用矩陣的一行或一列對應(yīng)同一個(gè)用戶、一列或一行對應(yīng)同 一個(gè)內(nèi)容；
[0009] 確定所述效用矩陣的等效矩陣各元素的初始值，從所述等效矩陣各元素的初始值 開始，對所述等效矩陣各元素進(jìn)行迭代更新，使得所述效用矩陣中各個(gè)非空元素與所述等 效矩陣中對應(yīng)元素的匹配程度達(dá)到設(shè)定的閾值；每次迭代更新使用所述效用矩陣中一個(gè)用 戶對應(yīng)的各非空元素；
[0010] 根據(jù)迭代更新后的等效矩陣填補(bǔ)所述效用矩陣中的空白元素；
[0011] 根據(jù)填補(bǔ)后的效用矩陣進(jìn)行內(nèi)容推薦。
[0012] 本發(fā)明實(shí)施例提供的方法，在對效用矩陣的等效矩陣中各元素進(jìn)行迭代更新的過 程中，雖然每次基于效用矩陣中一個(gè)用戶對應(yīng)的非空元素對等效矩陣各元素進(jìn)行更新，即 僅對一個(gè)用戶對應(yīng)的偏好相關(guān)數(shù)據(jù)進(jìn)行學(xué)習(xí)，但由于對效用矩陣的等效矩陣中各元素進(jìn)行 迭代更新的截止條件是，效用矩陣中各個(gè)非空元素與該等效矩陣中對應(yīng)元素的匹配程度達(dá) 到設(shè)定的閾值，因此保證了根據(jù)等效矩陣確定的用戶對內(nèi)容的偏好值的準(zhǔn)確性，從而保證 了推薦效果。在保證了推薦效果的同時(shí)，本發(fā)明實(shí)施例提供的方法較之對全部用戶的全部 偏好相關(guān)數(shù)據(jù)進(jìn)行學(xué)習(xí)的現(xiàn)有的內(nèi)容推薦方法，需要處理的數(shù)據(jù)量大大降低，因此提高了 處理效率，減少了在處理過程中對存儲資源的浪費(fèi)。
[0013] 基于與方法同樣的發(fā)明構(gòu)思，本發(fā)明實(shí)施例還提供一種內(nèi)容推薦裝置，包括：
[0014] 數(shù)據(jù)獲取模塊，用于獲取用戶對內(nèi)容的偏好相關(guān)數(shù)據(jù)；
[0015] 效用矩陣建立模塊，用于根據(jù)獲取的用戶對內(nèi)容的偏好相關(guān)數(shù)據(jù)確定效用矩陣， 所述效用矩陣中的非空元素為根據(jù)偏好相關(guān)數(shù)據(jù)確定的用戶對內(nèi)容的偏好值，所述效用矩 陣中的空白元素為待確定的用戶對內(nèi)容的偏好值，所述效用矩陣的一行或一列對應(yīng)同一個(gè) 用戶、一列或一行對應(yīng)同一個(gè)內(nèi)容；
[0016] 效用矩陣填補(bǔ)模塊，用于確定所述效用矩陣的等效矩陣各元素的初始值，從所述 等效矩陣各元素的初始值開始，對所述等效矩陣各元素進(jìn)行迭代更新，使得所述效用矩陣 中各個(gè)非空元素與所述等效矩陣中對應(yīng)元素的匹配程度達(dá)到設(shè)定的閾值；每次迭代更新使 用所述效用矩陣中一個(gè)用戶對應(yīng)的各非空元素；根據(jù)迭代更新后的等效矩陣填補(bǔ)所述效用 矩陣中的空白元素；
[0017] 內(nèi)容推薦模塊，用于根據(jù)填補(bǔ)后的效用矩陣進(jìn)行內(nèi)容推薦。
[0018] 本發(fā)明實(shí)施例提供的裝置，在對效用矩陣的等效矩陣中各元素進(jìn)行迭代更新的過 程中，雖然每次基于效用矩陣中一個(gè)用戶對應(yīng)的非空元素對等效矩陣各元素進(jìn)行更新，即 僅對一個(gè)用戶對應(yīng)的偏好相關(guān)數(shù)據(jù)進(jìn)行學(xué)習(xí)，但由于對效用矩陣的等效矩陣中各元素進(jìn)行 迭代更新的截止條件是，效用矩陣中各個(gè)非空元素與該等效矩陣中對應(yīng)元素的匹配程度達(dá) 到設(shè)定的閾值，因此保證了根據(jù)等效矩陣確定的用戶對內(nèi)容的偏好值的準(zhǔn)確性，從而保證 了推薦效果。在保證了推薦效果的同時(shí)，本發(fā)明實(shí)施例提供的裝置較之對全部用戶的全部 偏好相關(guān)數(shù)據(jù)進(jìn)行學(xué)習(xí)的現(xiàn)有的內(nèi)容推薦方法，需要處理的數(shù)據(jù)量大大降低，因此提高了 處理效率，減少了在處理過程中對存儲資源的浪費(fèi)。

【專利附圖】

【附圖說明】
[0019] 圖1為本發(fā)明實(shí)施例提供的一種方法流程圖；
[0020] 圖2為本發(fā)明實(shí)施例提供的一種裝置示意圖。

【具體實(shí)施方式】
[0021] 下面將結(jié)合附圖，對本發(fā)明實(shí)施例提供的技術(shù)方案進(jìn)行詳細(xì)描述。
[0022] 本發(fā)明實(shí)施例提供的一種內(nèi)容推薦方法如圖1所示，具體包括如下操作：
[0023] 步驟100、獲取用戶對內(nèi)容的偏好相關(guān)數(shù)據(jù)。
[0024] 步驟110、根據(jù)獲取的用戶對內(nèi)容的偏好相關(guān)數(shù)據(jù)確定效用矩陣。
[0025] 其中，效用矩陣中的非空元素為根據(jù)偏好相關(guān)數(shù)據(jù)確定的用戶對內(nèi)容的偏好值， 效用矩陣中的空白元素為待確定的用戶對內(nèi)容的偏好值，效用矩陣的一行或一列對應(yīng)同一 個(gè)用戶、一列或一行對應(yīng)同一個(gè)內(nèi)容。
[0026] 步驟120、確定所述效用矩陣的等效矩陣各元素的初始值，從該等效矩陣各元素的 初始值開始，對該等效矩陣各元素進(jìn)行迭代更新，使得該效用矩陣中各個(gè)非空元素與該等 效矩陣中對應(yīng)元素的匹配程度達(dá)到設(shè)定的閾值，其中，每次迭代更新使用該效用矩陣中一 個(gè)用戶對應(yīng)的各非空元素。
[0027] 步驟130、根據(jù)迭代更新后的等效矩陣填補(bǔ)該效用矩陣中的空白元素。
[0028] 所謂填補(bǔ)效用矩陣中的空白元素，即確定空白元素處的用于對內(nèi)容的偏好值。
[0029] 步驟140、根據(jù)填補(bǔ)后的效用矩陣進(jìn)行內(nèi)容推薦。
[0030] 其中，根據(jù)填補(bǔ)后的效用矩陣進(jìn)行內(nèi)容推薦可以參照現(xiàn)有實(shí)現(xiàn)方式，本發(fā)明將不 再贅述。
[0031] 本發(fā)明實(shí)施例提供的方法，在對效用矩陣的等效矩陣中各元素進(jìn)行迭代更新的過 程中，雖然每次基于效用矩陣中一個(gè)用戶對應(yīng)的非空元素對等效矩陣各元素進(jìn)行更新，即 僅對一個(gè)用戶對應(yīng)的偏好相關(guān)數(shù)據(jù)進(jìn)行學(xué)習(xí)，但由于對效用矩陣的等效矩陣中各元素進(jìn)行 迭代更新的截止條件是，效用矩陣中各個(gè)非空元素與該等效矩陣中對應(yīng)元素的匹配程度達(dá) 到設(shè)定的閾值，因此保證了根據(jù)等效矩陣確定的用戶對內(nèi)容的偏好值的準(zhǔn)確性，從而保證 了推薦效果。在保證了推薦效果的同時(shí)，本發(fā)明實(shí)施例提供的方法較之對全部用戶的全部 偏好相關(guān)數(shù)據(jù)進(jìn)行學(xué)習(xí)的現(xiàn)有的內(nèi)容推薦方法，需要處理的數(shù)據(jù)量大大降低，因此提高了 處理效率，減少了在處理過程中對存儲資源的浪費(fèi)。
[0032] 其中，等效矩陣中各個(gè)非空元素與等效矩陣中對應(yīng)元素的匹配程度的表示方式有 多種。作為舉例而非限定，本發(fā)明實(shí)施例中，以損失函數(shù)衡量其匹配程度。具體的，損失函 數(shù)為效用矩陣中各非空元素與等效矩陣中對應(yīng)元素的均方根誤差。相應(yīng)的，效用矩陣中各 個(gè)非空元素與等效矩陣中對應(yīng)元素的匹配程度達(dá)到設(shè)定的閾值，是指，效用矩陣中各非空 元素與等效矩陣中對應(yīng)元素的均方根誤差小于設(shè)定的閾值。
[0033] 相應(yīng)的，對等效矩陣各元素的每次迭代更新具體實(shí)現(xiàn)方式如下：
[0034] 確定效用矩陣中一個(gè)用戶對應(yīng)的非空元素與等效矩陣中對應(yīng)元素的均方根誤差； 其中，對于第一次迭代更新，等效矩陣中對應(yīng)的元素為初始值，對于非第一次迭代更新，等 效矩陣中對應(yīng)的元素為上一次迭代更新后的取值；
[0035] 確定上述均方根誤差的梯度向量，并根據(jù)該梯度向量對等效矩陣中各元素進(jìn)行 更新。
[0036] 其中，確定效用矩陣所使用的偏好相關(guān)數(shù)據(jù)，可以是全部偏好相關(guān)數(shù)據(jù)（包括本 次獲取的增量偏好相關(guān)數(shù)據(jù)和之前獲取的歷史偏好相關(guān)數(shù)據(jù)），也可以是本次獲取的增量 偏好相關(guān)數(shù)據(jù)，還可以是部分本次獲取的偏好相關(guān)數(shù)據(jù)及部分歷史偏好相關(guān)數(shù)據(jù)。基于上 述任意方法實(shí)施例，較佳地，根據(jù)獲取的用戶對內(nèi)容的偏好相關(guān)數(shù)據(jù)確定效用矩陣之前，該 方法還包括：使用隨機(jī)選擇的部分增量偏好相關(guān)數(shù)據(jù)等量替換模型數(shù)據(jù)集合中的偏好相關(guān) 數(shù)據(jù)。相應(yīng)的，根據(jù)獲取的用戶對內(nèi)容的偏好相關(guān)數(shù)據(jù)確定效用矩陣，是指：根據(jù)替換后的 模型數(shù)據(jù)集合確定效用矩陣。
[0037] 其中，模型數(shù)據(jù)集合由全部偏好相關(guān)數(shù)據(jù)中的部分構(gòu)成。
[0038] 其中，可以基于在模型數(shù)據(jù)集合中存儲時(shí)間的降序選擇模型數(shù)據(jù)集合中需要被替 換的偏好相關(guān)數(shù)據(jù)，也可以隨機(jī)選擇模型數(shù)據(jù)集合中需要被替換的偏好相關(guān)數(shù)據(jù)，本發(fā)明 對模型數(shù)據(jù)集合中需要被替換的偏好相關(guān)數(shù)據(jù)的選取方式不作限定。
[0039] 其中，增量偏好相關(guān)數(shù)據(jù)是指新增加的偏好相關(guān)數(shù)據(jù)。
[0040] 上述處理過程中，使用模型數(shù)據(jù)集合建立推薦模型，而非使用全部偏好相關(guān)數(shù)據(jù) 建立推薦模型，較之上述現(xiàn)有的內(nèi)容推薦方法，提高了內(nèi)容推薦的處理效率，并降低了內(nèi)容 推薦處理過程中對存儲資源的占用。另外，由于建立推薦模型所使用的模型數(shù)據(jù)集合由增 量偏好相關(guān)數(shù)據(jù)和歷史偏好相關(guān)數(shù)據(jù)構(gòu)成，而不是僅根據(jù)增量偏好相關(guān)數(shù)據(jù)建立推薦模 型，保證了推薦結(jié)果的準(zhǔn)確性，即保證了推薦效果。
[0041] 本發(fā)明實(shí)施例中，偏好相關(guān)數(shù)據(jù)可以但不僅限于包括：用戶行為數(shù)據(jù)，例如用戶對 內(nèi)容的評分，用戶對內(nèi)容的操作（瀏覽、收藏等等）記錄，等等；用戶的賬戶信息，例如性別、 年齡、個(gè)性標(biāo)簽、內(nèi)容偏好，等等。
[0042] 用戶對內(nèi)容的偏好值是根據(jù)偏好相關(guān)數(shù)據(jù)確定的。即，偏好值反映了用戶對內(nèi)容 的偏好程度。偏好值的具體確定方式可以參照現(xiàn)有方式實(shí)現(xiàn)，本發(fā)明不再贅述。
[0043] 假設(shè)模型數(shù)據(jù)集合涉及到η個(gè)用戶和m個(gè)內(nèi)容，則確定η行m列的效用矩陣，效用 矩陣中第i行第j列的元素為第i個(gè)用戶對第j個(gè)內(nèi)容的偏好值。其中，i = 1，2,......η ; j = 1，2，......m〇
[0044] 如果某用戶對某內(nèi)容沒有用戶偏好相關(guān)數(shù)據(jù)，則無法確定該用戶對該內(nèi)容的偏好 值。因此，根據(jù)模型數(shù)據(jù)集合確定的效用矩陣會存在空白元素。
[0045] 為了填補(bǔ)效用矩陣中的空白元素，即確定效用矩陣中空白元素的具體取值，可以 確定效用矩陣的等效矩陣，根據(jù)等效矩陣來填補(bǔ)效用矩陣的空白矩陣。
[0046] 具體是將該效用矩陣進(jìn)行UV分解，UV即為該效用矩陣的等效矩陣。以η行m列 的效用矩陣Μ為例，U為η行d列的矩陣，V為d行m列的矩陣，具體如下式所示：

【權(quán)利要求】
1. 一種內(nèi)容推薦方法，其特征在于，包括： 獲取用戶對內(nèi)容的偏好相關(guān)數(shù)據(jù)； 根據(jù)獲取的用戶對內(nèi)容的偏好相關(guān)數(shù)據(jù)確定效用矩陣，所述效用矩陣中的非空元素為 根據(jù)偏好相關(guān)數(shù)據(jù)確定的用戶對內(nèi)容的偏好值，所述效用矩陣中的空白元素為待確定的用 戶對內(nèi)容的偏好值，所述效用矩陣的一行或一列對應(yīng)同一個(gè)用戶、一列或一行對應(yīng)同一個(gè) 內(nèi)容； 確定所述效用矩陣的等效矩陣各元素的初始值，從所述等效矩陣各元素的初始值開 始，對所述等效矩陣各元素進(jìn)行迭代更新，使得所述效用矩陣中各個(gè)非空元素與所述等效 矩陣中對應(yīng)元素的匹配程度達(dá)到設(shè)定的閾值；每次迭代更新使用所述效用矩陣中一個(gè)用戶 對應(yīng)的各非空元素； 根據(jù)迭代更新后的等效矩陣填補(bǔ)所述效用矩陣中的空白元素； 根據(jù)填補(bǔ)后的效用矩陣進(jìn)行內(nèi)容推薦。
2. 根據(jù)權(quán)利要求1所述的方法，其特征在于，所述效用矩陣中各個(gè)非空元素與所述等 效矩陣中對應(yīng)元素的匹配程度達(dá)到設(shè)定的閾值，包括： 所述效用矩陣中各非空元素與所述等效矩陣中對應(yīng)元素的均方根誤差小于設(shè)定的閾 值。
3. 根據(jù)權(quán)利要求2所述的方法，其特征在于，對所述等效矩陣各元素的每次迭代更新 包括： 確定所述效用矩陣中一個(gè)用戶對應(yīng)的非空元素與所述等效矩陣中對應(yīng)元素的均方根 誤差；對于第一次迭代更新，所述等效矩陣中對應(yīng)的元素為初始值，對于非第一次迭代更 新，所述等效矩陣中對應(yīng)的元素為上一次迭代更新后的取值； 確定所述均方根誤差的梯度向量，并根據(jù)所述梯度向量對所述等效矩陣中各元素進(jìn)行 更新。
4. 根據(jù)權(quán)利要求1?3任一項(xiàng)所述的方法，其特征在于，獲取用戶對內(nèi)容的偏好相關(guān)數(shù) 據(jù)，包括： 使用隨機(jī)選擇的部分增量偏好相關(guān)數(shù)據(jù)等量替換模型數(shù)據(jù)集合中的偏好相關(guān)數(shù)據(jù)，所 述模型數(shù)據(jù)集合由全部偏好相關(guān)數(shù)據(jù)中的部分構(gòu)成； 獲取所述模型數(shù)據(jù)集合中的用戶對內(nèi)容的偏好相關(guān)數(shù)據(jù)。
5. -種內(nèi)容推薦裝置，其特征在于，包括： 數(shù)據(jù)獲取模塊，用于獲取用戶對內(nèi)容的偏好相關(guān)數(shù)據(jù)； 效用矩陣建立模塊，用于根據(jù)獲取的用戶對內(nèi)容的偏好相關(guān)數(shù)據(jù)確定效用矩陣，所述 效用矩陣中的非空元素為根據(jù)偏好相關(guān)數(shù)據(jù)確定的用戶對內(nèi)容的偏好值，所述效用矩陣中 的空白元素為待確定的用戶對內(nèi)容的偏好值，所述效用矩陣的一行或一列對應(yīng)同一個(gè)用 戶、一列或一行對應(yīng)同一個(gè)內(nèi)容； 效用矩陣填補(bǔ)模塊，用于確定所述效用矩陣的等效矩陣各元素的初始值，從所述等效 矩陣各元素的初始值開始，對所述等效矩陣各元素進(jìn)行迭代更新，使得所述效用矩陣中各 個(gè)非空元素與所述等效矩陣中對應(yīng)元素的匹配程度達(dá)到設(shè)定的閾值；每次迭代更新使用所 述效用矩陣中一個(gè)用戶對應(yīng)的各非空元素；根據(jù)迭代更新后的等效矩陣填補(bǔ)所述效用矩陣 中的空白元素； 內(nèi)容推薦模塊，用于根據(jù)填補(bǔ)后的效用矩陣進(jìn)行內(nèi)容推薦。
6. 根據(jù)權(quán)利要求5所述的裝置，其特征在于，所述效用矩陣中各個(gè)非空元素與所述等 效矩陣中對應(yīng)元素的匹配程度達(dá)到設(shè)定的閾值，包括： 所述效用矩陣中各非空元素與所述等效矩陣中對應(yīng)元素的均方根誤差小于設(shè)定的閾 值。
7. 根據(jù)權(quán)利要求6所述的裝置，其特征在于，對所述等效矩陣各元素的每次迭代更新 包括： 確定所述效用矩陣中一個(gè)用戶對應(yīng)的非空元素與所述等效矩陣中對應(yīng)元素的均方根 誤差；對于第一次迭代更新，所述等效矩陣中對應(yīng)的元素為初始值，對于非第一次迭代更 新，所述等效矩陣中對應(yīng)的元素為上一次迭代更新后的取值； 確定所述均方根誤差的梯度向量，并根據(jù)所述梯度向量對所述等效矩陣中各元素進(jìn)行 更新。
8. 根據(jù)權(quán)利要求5?7任一項(xiàng)所述的裝置，其特征在于，所述數(shù)據(jù)獲取模塊具體用于： 使用隨機(jī)選擇的部分增量偏好相關(guān)數(shù)據(jù)等量替換模型數(shù)據(jù)集合中的偏好相關(guān)數(shù)據(jù)，所 述模型數(shù)據(jù)集合由全部偏好相關(guān)數(shù)據(jù)中的部分構(gòu)成； 獲取所述模型數(shù)據(jù)集合中的用戶對內(nèi)容的偏好相關(guān)數(shù)據(jù)。
【文檔編號】G06F17/30GK104090932SQ201410290512
【公開日】2014年10月8日 申請日期:2014年6月24日 優(yōu)先權(quán)日:2014年6月24日
【發(fā)明者】于旭, 高雪松, 周翚, 胡偉鳳, 許麗星, 謝杰, 王潔, 張帥 申請人:海信集團(tuán)有限公司