單位的用戶推薦列表生成方法，其特征在于，其包括如下步驟： 51、 從在線服務(wù)商處獲取用戶對(duì)物品的評(píng)分記錄，其中評(píng)分記錄為評(píng)分矩陣R，在評(píng)分 矩陣R中的每一個(gè)元素ru表示用戶i對(duì)物品j的評(píng)分；在用戶i沒(méi)有對(duì)物品j評(píng)分時(shí)，指 示矩陣I中的元素I i;j= 〇,在用戶i對(duì)物品j作出評(píng)分時(shí)，I i，j= 1 ;對(duì)用戶評(píng)價(jià)過(guò)的物品， 按照評(píng)分的大小順序排序，得到用戶的偏好順序Jii，其中第j個(gè)元素π u表示排在第j位 的物品編號(hào)； 52、 根據(jù)用戶的偏好順序π i，通過(guò)梯度下降法學(xué)習(xí)用戶偏好U及物品特征V ; 53、 根據(jù)所學(xué)習(xí)的用戶偏好U及物品特征V，對(duì)每一個(gè)用戶i，獲取該用戶對(duì)所有沒(méi)有評(píng) 分的物品j的評(píng)分預(yù)測(cè)值L計(jì)算公式為：，其中Ui,'均為行向量，1^表示用戶i 的偏好和物品j特征，\表示物品j特征，并對(duì)Λ/按照從大到小進(jìn)行排序，得到對(duì)用戶i推 薦列表。
2. 如權(quán)利要求1所述的基于以列表為單位的用戶推薦列表生成方法，其特征在于，所 述步驟S2包括如下子步驟： 521、 初始化所預(yù)測(cè)的用戶偏好以及所預(yù)測(cè)的物品特征，包括隨機(jī)生成用戶偏好矩陣U 以及物品特征矩陣V中的每一個(gè)元素； 522、 檢查收斂條件，在迭代次數(shù)達(dá)到預(yù)設(shè)值或者目標(biāo)函數(shù)的值不再減少時(shí)，跳轉(zhuǎn)到步 驟S3 ;在迭代次數(shù)小于預(yù)設(shè)值并且目標(biāo)函數(shù)的值減少時(shí)，跳轉(zhuǎn)到步驟S23 ; 523、 通過(guò)梯度下降法更新所述預(yù)測(cè)的用戶偏好^及所預(yù)測(cè)的物品特征值、_，跳轉(zhuǎn)到步 驟 S22 ; 更新方法如下： Ui^ u j- η Δ Ui Vj-Vj-rI Δν』，其中η為梯度下降法的學(xué)習(xí)率。
3. 如權(quán)利要求2所述的基于以列表為單位的用戶推薦列表生成方法，其特征在于，梯 度下降法的學(xué)習(xí)率n的值為〇. 1。
4. 如權(quán)利要求3所述的基于以列表為單位的用戶推薦列表生成方法，其特征在于，所 述步驟S23中梯度的計(jì)算方法為：
在以上兩個(gè)公式中，a e [0，1]，表示基于余弦函數(shù)相似度的權(quán)重；為是對(duì)JTi中物品 評(píng)分的預(yù)測(cè)；I為指示矩陣。
5. 如權(quán)利要求4所述的基于以列表為單位的用戶推薦列表生成方法，其特征在于，基 于余弦函數(shù)相似度的權(quán)重α =0.4。
6. 如權(quán)利要求5所述的基于以列表為單位的用戶推薦列表生成方法，其特征在于，其 還包括： S4、對(duì)用戶i，對(duì)生成的用戶推薦列表進(jìn)行度量確定推薦列表中的推薦結(jié)果與其真實(shí)偏 好的相似程度，度量的公式如下： I反）=叩_(5 I /),.) + (1-I為），其中ΑI幻是基于余弦函數(shù)的相似 度度量，iVi(巧I為）是基于Plackett-Luce模型的相似度度量。
7. 如權(quán)利要求6所述的基于以列表為單位的用戶推薦列表生成方法，其特征在于，于 I為）是基于余弦函數(shù)的相似度度量，計(jì)算方法為：
8. 如權(quán)利要求6所述的基于以列表為單位的用戶推薦列表生成方法，其特征在于， iVi (Al為）是基于Plackett-Luce模型的相似度度量，計(jì)算公式為：
9. 一種基于以列表為單位的用戶推薦列表生成系統(tǒng)，其特征在于，其包括如下模塊： 歷史偏好順序獲取模塊，用于從在線服務(wù)商處獲取用戶對(duì)物品的評(píng)分記錄，其中評(píng)分 記錄為評(píng)分矩陣R，在評(píng)分矩陣R中的每一個(gè)元素ru表示用戶i對(duì)物品j的評(píng)分；在用戶 i沒(méi)有對(duì)物品j評(píng)分時(shí)，指示矩陣I中的元素Iu= 〇,在用戶i對(duì)物品j作出評(píng)分時(shí)，I i;j =1 ;對(duì)用戶評(píng)價(jià)過(guò)的物品，按照評(píng)分的大小順序排序，得到用戶的偏好順序π i，其中第j 個(gè)元素u表示排在第j位的物品編號(hào)； 學(xué)習(xí)模塊，用于根據(jù)用戶的偏好順序JTi，通過(guò)梯度下降法學(xué)習(xí)用戶偏好U及物品特征 V； 推薦列表生成模塊，用于根據(jù)所學(xué)習(xí)的用戶偏好U及物品特征V，對(duì)每一個(gè)用戶i，獲取 該用戶對(duì)所有沒(méi)有評(píng)分的物品j的評(píng)分預(yù)測(cè)值L，計(jì)算公式為：iI/ =ζ(ν?其中Ui, '均為行 向量，1^表示用戶i的偏好和物品j特征，'.表示物品j特征，并對(duì)％按照從大到小進(jìn)行排 序，得到對(duì)用戶i推薦列表。
10.如權(quán)利要求9所述的基于以列表為單位的用戶推薦列表生成系統(tǒng)，其特征在于，所 述學(xué)習(xí)模塊包括如下單元： 初始化單元，用于初始化所預(yù)測(cè)的用戶偏好以及所預(yù)測(cè)的物品特征，包括隨機(jī)生成用 戶偏好矩陣U以及物品特征矩陣V中的每一個(gè)元素； 迭代單元，用于檢查收斂條件，在迭代次數(shù)達(dá)到預(yù)設(shè)值或者目標(biāo)函數(shù)的值不再減少時(shí)， 啟動(dòng)列表生成模塊的功能；在迭代次數(shù)小于預(yù)設(shè)值并且目標(biāo)函數(shù)的值減少時(shí)，啟動(dòng)學(xué)習(xí)單 元的功能； 學(xué)習(xí)單元，用于通過(guò)梯度下降法更新所述預(yù)測(cè)的用戶偏好4及所預(yù)測(cè)的物品特征值 Vj，啟動(dòng)迭代單元的功能； 更新方法如下： 11廣 u 廠 η Δ Ui ν」一Vj-η Δν」，其中η為梯度下降法的學(xué)習(xí)率。
【專利摘要】一種基于以列表為單位的用戶推薦列表生成方法，包括：S1、從在線服務(wù)商處獲取用戶對(duì)物品的評(píng)分記錄，其中評(píng)分記錄為評(píng)分矩陣R，在評(píng)分矩陣R中的每一個(gè)元素ri,j表示用戶i對(duì)物品j的評(píng)分；在用戶i沒(méi)有對(duì)物品j評(píng)分時(shí)，指示矩陣I中的元素Ii,j＝0，在用戶i對(duì)物品j作出評(píng)分時(shí)，Ii,j＝1；對(duì)用戶評(píng)價(jià)過(guò)的物品，按照評(píng)分的大小順序排序，得到用戶的偏好順序πi，其中第j個(gè)元素πi,j表示排在第j位的物品編號(hào)；S2、根據(jù)用戶的偏好順序πi，通過(guò)梯度下降法學(xué)習(xí)用戶偏好U及物品特征V；S3、根據(jù)所學(xué)習(xí)的用戶偏好U及物品特征V，對(duì)每一個(gè)用戶i，獲取該用戶對(duì)所有沒(méi)有評(píng)分的物品j的評(píng)分預(yù)測(cè)值并對(duì)按照從大到小進(jìn)行排序，得到對(duì)用戶i的推薦列表。
【IPC分類】G06F17-30, G06Q30-02
【公開(kāi)號(hào)】CN104766219
【申請(qǐng)?zhí)枴緾N201510121099
【發(fā)明人】劉俊濤, 鄧德位, 王軍偉, 黃友澎
【申請(qǐng)人】中國(guó)船舶重工集團(tuán)公司第七0九研究所
【公開(kāi)日】2015年7月8日
【申請(qǐng)日】2015年3月19日