信息推薦方法及裝置的制造方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及信息推薦技術(shù)，尤其涉及一種信息推薦方法及裝置，屬于計(jì)算機(jī)技術(shù) 領(lǐng)域。
【背景技術(shù)】
[0002] 隨著互聯(lián)網(wǎng)時(shí)代的到來(lái)，越來(lái)越多的人開(kāi)始通過(guò)網(wǎng)絡(luò)尋找工作。求職網(wǎng)站包括針 對(duì)雇主和求職者的服務(wù)，如招聘信息發(fā)布、簡(jiǎn)歷下載、定制招聘專(zhuān)區(qū)、求職簡(jiǎn)歷生成、職位搜 索、薪酬查詢(xún)等，可以滿(mǎn)足雇主與求職者雙向需求。親朋介紹可信度高，人工匹配雇主與求 職者的要求，有效為雇主推薦靠譜求職者。因此，求職網(wǎng)站應(yīng)該更多地融入社交信息，以社 交信息為立足點(diǎn)的求職網(wǎng)站應(yīng)該是未來(lái)網(wǎng)絡(luò)招聘的走向。融合了社交信息的就業(yè)推薦系統(tǒng) 可以更好的吸納用戶(hù)以及擴(kuò)大平臺(tái)，將這些因素和擴(kuò)展性能納入社交求職系統(tǒng)中，有助于 更全面地呈現(xiàn)就業(yè)信息。
[0003] 針對(duì)基于社交網(wǎng)絡(luò)的就業(yè)信息推薦上，當(dāng)前的就業(yè)推薦系統(tǒng)（如Linkedln、大 街網(wǎng)等大型職業(yè)社交網(wǎng)站）主要對(duì)用戶(hù)之間的好友關(guān)系、校友關(guān)系等進(jìn)行了提取，主要采 用協(xié)同過(guò)濾（Collaborative Filtering，簡(jiǎn)稱(chēng)CF)算法以及隨機(jī)游走算法（Random Walk Algorithm)對(duì)就業(yè)信息網(wǎng)絡(luò)中的與當(dāng)前用戶(hù)直接相關(guān)的多個(gè)用戶(hù)的行為取向信息進(jìn)行提 取，并以此為基礎(chǔ)為當(dāng)前用戶(hù)進(jìn)行相關(guān)信息推薦。
[0004] 然而，在實(shí)際社交網(wǎng)絡(luò)里，存在很多沒(méi)有直接社交信息的獨(dú)立用戶(hù)，對(duì)于這些用戶(hù) 的社交信息就無(wú)法進(jìn)行提取。因此，現(xiàn)有的推薦方法不能為所有用戶(hù)提供全面、精確的信息 推薦。

【發(fā)明內(nèi)容】

[0005] 本發(fā)明實(shí)施例提供一種信息推薦方法及裝置，可以為所有用戶(hù)提供比較全面、高 效的信息推薦。
[0006] 本發(fā)明實(shí)施例提供的信息推薦方法，包括：
[0007] 根據(jù)M個(gè)用戶(hù)對(duì)于N個(gè)對(duì)象與網(wǎng)絡(luò)側(cè)服務(wù)器的交互數(shù)據(jù)，建立交互信息矩陣R，所 述交互信息矩陣R中的元素表示第i個(gè)用戶(hù)對(duì)于第j個(gè)對(duì)象的交互數(shù)據(jù)，其中，I < i < M 且為整數(shù)，I < j < N且為整數(shù)，所述M為大于1的整數(shù)，所述N為大于1的整數(shù)；
[0008] 根據(jù)所述M個(gè)用戶(hù)的社交信息建立用戶(hù)相關(guān)度矩陣C，所述用戶(hù)相關(guān)度矩陣C中的 元素 Cik表示第i個(gè)用戶(hù)和第k個(gè)用戶(hù)之間的相關(guān)度，其中I < i < M且為整數(shù)，I < k < M 且為整數(shù)；
[0009] 根據(jù)所述交互信息矩陣R和所述用戶(hù)相關(guān)度矩陣C，確定用戶(hù)特征向量矩陣U和對(duì) 象特征向量矩陣V ;
[0010] 根據(jù)所述用戶(hù)特征向量矩陣U和對(duì)象特征向量矩陣V，確定目標(biāo)對(duì)象；
[0011] 將所述目標(biāo)對(duì)象的信息發(fā)送給所述用戶(hù)。
[0012] 本發(fā)明實(shí)施例還提供一種信息推薦裝置，用于實(shí)現(xiàn)上述信息推薦方法，包括：
[0013] 交互信息矩陣建立模塊，用于根據(jù)M個(gè)用戶(hù)對(duì)于N個(gè)對(duì)象與網(wǎng)絡(luò)側(cè)服務(wù)器的交互 數(shù)據(jù)，建立交互信息矩陣R，所述交互信息矩陣R中的元素表示第i個(gè)用戶(hù)對(duì)于第j個(gè) 對(duì)象的交互數(shù)據(jù)，其中，I < i < M且為整數(shù)，I < j < N且為整數(shù)，所述M為大于1的整數(shù)， 所述N為大于1的整數(shù)；
[0014] 用戶(hù)相關(guān)度矩陣建立模塊，用于根據(jù)所述M個(gè)用戶(hù)的社交信息建立用戶(hù)相關(guān)度矩 陣C，所述用戶(hù)相關(guān)度矩陣C中的元素 Cik表示第i個(gè)用戶(hù)和第k個(gè)用戶(hù)之間的相關(guān)度，其 中1彡i彡M且為整數(shù)，1彡k彡M且為整數(shù)；
[0015] PFM模塊，用于根據(jù)所述交互信息矩陣R和所述用戶(hù)相關(guān)度矩陣C確定用戶(hù)特征向 量矩陣U和對(duì)象特征向量矩陣V ;
[0016] 確定模塊，用于根據(jù)所述用戶(hù)特征向量矩陣U和對(duì)象特征向量矩陣V確定目標(biāo)對(duì) 象；
[0017] 發(fā)送模塊，用于將所述目標(biāo)對(duì)象的信息發(fā)送給所述用戶(hù)。
[0018] 基于上述，本發(fā)明實(shí)施例提供的信息推薦方法及裝置，根據(jù)服務(wù)器中M個(gè)用戶(hù)對(duì) 于N個(gè)對(duì)象與網(wǎng)絡(luò)側(cè)服務(wù)器的交互數(shù)據(jù)，建立交互信息矩陣R，通過(guò)用戶(hù)之間的社交信息建 立用戶(hù)相關(guān)度矩陣C，根據(jù)交互信息矩陣R和所述用戶(hù)相關(guān)度矩陣C，得到比較精確的用戶(hù) 特征向量矩陣U和對(duì)象特征向量矩陣V，進(jìn)而可以根據(jù)用戶(hù)特征向量和對(duì)象特征向量矩陣 給出精確的推薦結(jié)果，而且可以針對(duì)所有用戶(hù)提供全面、高效的信息推薦。
【附圖說(shuō)明】
[0019] 為了更清楚地說(shuō)明本發(fā)明或現(xiàn)有技術(shù)中的技術(shù)方案，下面將對(duì)實(shí)施例或現(xiàn)有技術(shù) 描述中所需要使用的附圖作一簡(jiǎn)單地介紹，顯而易見(jiàn)地，下面描述中的附圖是本發(fā)明的一 些實(shí)施例，對(duì)于本領(lǐng)域普通技術(shù)人員來(lái)講，在不付出創(chuàng)造性勞動(dòng)的前提下，還可以根據(jù)這些 附圖獲得其他的附圖。
[0020] 圖1為概率矩陣分解模型示意圖；
[0021] 圖2為本發(fā)明實(shí)施例提供的一種信息推薦方法的流程圖；
[0022] 圖3為一種優(yōu)化的概率矩陣分解模型示意圖；
[0023] 圖4為本發(fā)明實(shí)施例提供的另一種信息推薦方法的流程圖；
[0024] 圖5為另一種優(yōu)化的概率矩陣分解模型示意圖；
[0025] 圖6為本發(fā)明實(shí)施例提供的一種信息推薦裝置示意圖；
[0026] 圖7為本發(fā)明實(shí)施例提供的另一種信息推薦裝置示意圖。
【具體實(shí)施方式】
[0027] 為使本發(fā)明實(shí)施例的目的、技術(shù)方案和優(yōu)點(diǎn)更加清楚，下面將結(jié)合本發(fā)明實(shí)施例 中的附圖，對(duì)本發(fā)明實(shí)施例中的技術(shù)方案進(jìn)行清楚、完整地描述，顯然，所描述的實(shí)施例是 本發(fā)明一部分實(shí)施例，而不是全部的實(shí)施例?；诒景l(fā)明中的實(shí)施例，本領(lǐng)域普通技術(shù)人員 在沒(méi)有付出創(chuàng)造性勞動(dòng)前提下所獲得的所有其他實(shí)施例，都屬于本發(fā)明保護(hù)的范圍。
[0028] 本發(fā)明實(shí)施例提供的信息推薦方法可以應(yīng)用于就業(yè)信息推薦、購(gòu)物信息推薦或觀 看視頻推薦等場(chǎng)景中。在不同的應(yīng)用場(chǎng)景中，對(duì)象表示不同的事物。例如，在就業(yè)信息推薦 場(chǎng)景中，對(duì)象就是職位信息；在購(gòu)物信息推薦場(chǎng)景中，對(duì)象就是商品信息。本實(shí)施例的執(zhí)行 主體可以是相應(yīng)的提供就業(yè)信息、提供購(gòu)物信息或提供視頻服務(wù)的網(wǎng)絡(luò)服務(wù)器。
[0029] 服務(wù)器中用戶(hù)的集合為Iu1, u2, . . .，uM}，對(duì)象的集合為Iv1, v2, . . .，vN} J表示所有 用戶(hù)的總數(shù)量，M為大于1的整數(shù)。N表示所有對(duì)象的總數(shù)量，N為大于1的整數(shù)。在服務(wù) 器運(yùn)行期間，用戶(hù)對(duì)于對(duì)象會(huì)有交互數(shù)據(jù)，這里的交互數(shù)據(jù)是根據(jù)用戶(hù)對(duì)于對(duì)象與網(wǎng)絡(luò)側(cè) 服務(wù)器的的交互行為得到的，例如，用戶(hù)對(duì)對(duì)象進(jìn)行瀏覽、評(píng)分、購(gòu)買(mǎi)、分享、訂閱、收藏等， 每種交互行為可以對(duì)應(yīng)一個(gè)交互數(shù)據(jù)。
[0030] 根據(jù)服務(wù)器中M個(gè)用戶(hù)對(duì)于N個(gè)對(duì)象與網(wǎng)絡(luò)側(cè)服務(wù)器的交互數(shù)據(jù)，建立交互信息 矩陣R。統(tǒng)計(jì)服務(wù)器中用戶(hù)對(duì)于對(duì)象與網(wǎng)絡(luò)側(cè)服務(wù)器的交互操作，將操作行為按照設(shè)定的規(guī) 則抽象表示為數(shù)值形式。由于有M個(gè)用戶(hù)和N個(gè)對(duì)象，根據(jù)每一個(gè)用戶(hù)對(duì)于每一個(gè)對(duì)象的 交互數(shù)據(jù)建立的交互信息矩陣R是一個(gè)MXN階的矩陣。交互矩陣R中的元素 rij表示第i 個(gè)用戶(hù)對(duì)于第j個(gè)對(duì)象的交互數(shù)據(jù)，I < i < M且為整數(shù)，I < j < N且為整數(shù)。
[0031] 需要說(shuō)明的是，由于服務(wù)器中用戶(hù)的數(shù)量很多，對(duì)象的數(shù)量也很多，每一個(gè)用戶(hù)不 可能對(duì)于所有的對(duì)象都有交互數(shù)據(jù)，用戶(hù)對(duì)于很多對(duì)象的交互數(shù)據(jù)是不存在的。相應(yīng)的，交 互信息矩陣R中有很多元素為0,因此，交互信息矩陣R是一個(gè)稀疏矩陣。
[0032] 在推薦系統(tǒng)中，由于交互信息矩陣R是一個(gè)稀疏矩陣，R中絕大部分的元素值是缺 失的。但是每個(gè)用戶(hù)i和每個(gè)對(duì)象j都會(huì)分別對(duì)應(yīng)于一個(gè)隱式特征向量仏和?和V」中 的元素反映了用戶(hù)或者對(duì)象與相應(yīng)隱式特征的相關(guān)程度。用戶(hù)i對(duì)對(duì)象j的交互數(shù)據(jù)就可 以通過(guò)他們隱式特征向量的內(nèi)積來(lái)預(yù)測(cè)。所有用戶(hù)的隱式特征向量Ui和所有對(duì)象的隱式特 征向量Vj分別組成了用戶(hù)特征向量矩陣U和對(duì)象特征向量矩陣V。矩陣U和V分別刻畫(huà)了 用戶(hù)和對(duì)象的特征，矩陣U和V的維度可以指定，維度越高刻畫(huà)的用戶(hù)和對(duì)象的特征越多， 計(jì)算的精度相應(yīng)的也會(huì)提高。根據(jù)預(yù)測(cè)結(jié)果可以對(duì)交互信息矩陣R中缺失的元素值進(jìn)行補(bǔ) 充，進(jìn)而可以得到補(bǔ)充后的交互信息矩陣W。顯然W =UTV，R'中的元素 S=LZfF7。進(jìn)而 可以根據(jù)補(bǔ)充后的交互信息矩陣W進(jìn)行比較全面的信息推薦。
[0033] 其中，概率矩陣分解（Probabilistic Matrix Factorization，簡(jiǎn)稱(chēng)PMF)算法以計(jì) 算精度較高，可擴(kuò)展性較好，且計(jì)算復(fù)雜度較低的優(yōu)勢(shì)被廣泛應(yīng)用于推薦系統(tǒng)中。PFM算法 的基本思想是，利用兩個(gè)維度較低的矩陣U和V的乘積來(lái)逼近己知的交