[發明專利]用于推薦系統的基于強度的建模

在審

• 申請號: 201480050231.1
• 申請日: 2014-09-08
• 公開（公告）號: CN105580043A
• 公開（公告）日: 2016-05-11
• 發明（設計）人: N·奈斯;N·柯尼格斯泰恩;U·帕奎特;S·可倫;D·西頓
• 申請（專利權）人: 微軟技術許可有限責任公司
• 主分類號: G06Q30/06
• 分類號: G06Q30/06
• 代理公司: 上海專利商標事務所有限公司 31100
• 代理人: 楊麗

背景

常規推薦系統基于用戶興趣、偏好、歷史和其他因素作出關于用戶(例如， 購物者)與項目(例如，書籍、視頻、游戲)之間的匹配的推薦。例如，如果用戶 先前獲取了(例如，購買、租賃、借閱)項目集合，則推薦系統可以基于用戶自己 的動作標識類似項目并且將它們推薦給用戶。常規推薦系統還可確定用戶之間的相 似性并且基于那些相似性來作出附加推薦。例如，如果某一人口統計內且具有相似 獲取歷史和偏好的用戶獲取了項目集合，則推薦系統可以基于其他用戶的動作來標 識項目并且將它們推薦給用戶。

常規推薦系統可以對用戶信號建模。用戶信號可以是顯式的或隱式的。顯式 信號可包括用戶給予產品的評級。例如，讀者可以對第一作者寫的第一本書給予五 星評級，并且可以對第二作者寫的第二本書給予一星評級。另外，讀者可以“喜歡” 社交媒體站點上的第一本書并且“不喜歡”該社交媒體站點上的第二本書。常規推 薦系統可以對這些顯式信號建模以確定要推薦以及要避免哪些書籍和作者。隱式信 號可包括例如，觀察到的用戶行為、獲取歷史、瀏覽歷史、搜索模式、一個項目(例 如，視頻游戲)被播放的時間量、一個項目被查看的次數、一個視頻被觀看的百分 比、或其他因素。推薦系統還可對這些隱式信號建模以確定要推薦哪些其他項目。

常規推薦系統通過對其中存儲關于可用信號的數據的單個大型矩陣執行矩陣 因式分解來對用戶信號建模。然而，當矩陣具有N個因子的行和列時，N為整數， 則數據可能僅可用于這些因子中的M個因子，M為小于N的整數。矩陣因式分解 因此可在可用數據上使用以標識丟失數據。一旦矩陣因式分解產生了丟失信號的數 據，則業務邏輯可以處理實際信號和預測信號以作出推薦。常規推薦系統可以因變 于從用戶信號中推斷的因子向量來表征項目和用戶。項目和因子之間的高對應性可 導致推薦。矩陣因式分解模型可以將用戶和項目兩者映射到聯合因子空間并且將用 戶－項目交互建模為該聯合因子空間中的內積。項目可以與項目向量相關聯，該項 目向量的元素測量該項目擁有一些因子的程度。類似地，用戶可以與用戶向量相關 聯，該用戶向量的元素測量用戶對在對應因子中為高的項目所擁有的興趣程度。這 些向量的點積可以描述用戶與項目之間的交互，并且可以被業務邏輯用來確定是否 要作出推薦。

不幸的是，常規推薦系統面臨若干挑戰。例如，可能難以確定項目因子和用 戶因子的映射。即便映射被確定，只要新信號被添加或移除，該映射、模型和業務 邏輯就可能需要被改變以計及所添加或移除的信號。另外，隨著信號數量增長，模 型和業務邏輯兩者均可能變得令人無法接受地復雜或麻煩。當業務邏輯變得無法接 受地復雜或麻煩時，即便可能但也可能是難以驗證該業務邏輯正在產生有效或有用 的推薦。業務邏輯可能至少部分地由于它輸入由矩陣因式分解所預測的信號而非依 賴于實際用戶信號的事實而變得無法驗證。

概述

提供本概述是為了以簡化的形式介紹將在以下詳細描述中進一步描述的一些 概念。本概述并不旨在標識所要求保護主題的關鍵特征或必要特征，也不旨在用于 限制所要求保護主題的范圍。

示例裝置和方法使用兩個松散耦合組件來產生關于項目(例如，電影、游戲、 書籍、衣物)的推薦。數據存儲可以存儲所獲取的關于用戶與項目的交互的信號。 用戶是否喜歡該項目的指示可以從信號中計算。該指示是信號無關的，并且該指示 因變于特定于該用戶或項目的親和性假設來計算。還計算該指示的置信水平。置信 水平是信號無關的，并且因變于特定于該用戶或項目的強度假設來計算。該指示和 置信水平被存儲在基于強度的模型中。基于強度的模型提供數據(例如，指示符和 置信水平的集合)，從該數據中可以計算用戶與項目之間的預測關系。包括關于要 獲取的項目的推薦的電子數據可以至少部分地基于該預測關系來產生。

在一個示例中，向候選用戶生成關于候選項目的推薦。產生推薦包括產生描 述第一用戶與第一項目之間的關系的第一電子數據點。關系按標識第一用戶是否喜 歡第一項目的親和性值以及與該親和性值相關聯的置信水平來定義。親和性值和置 信水平因變于觀察到的關于第一用戶與第一項目之間的交互的數據來計算。產生推 薦還包括將第一電子數據存儲在數據結構(例如，矩陣)中，該數據結構根據基于 強度的模型來存儲用戶與項目之間的關系。產生推薦還包括因變于存儲在數據結構 中的數據來產生推薦。該推薦取決于候選用戶對候選項目的預測親和性值。

附圖簡述