[發(fā)明專利]獲取推薦對(duì)象的方法及裝置

有效

• 申請(qǐng)?zhí)枺?/td>: 201510342894.7
• 申請(qǐng)日: 2015-06-18
• 公開（公告）號(hào): CN104933143B
• 公開（公告）日: 2019-06-04
• 發(fā)明（設(shè)計(jì)）人: 楊德坤;鄭宸;賀煒;王彥明
• 申請(qǐng)（專利權(quán)）人: 北京京東尚科信息技術(shù)有限公司;北京京東世紀(jì)貿(mào)易有限公司
• 主分類號(hào): G06F16/9535
• 分類號(hào): G06F16/9535
• 代理公司: 中原信達(dá)知識(shí)產(chǎn)權(quán)代理有限責(zé)任公司 11219
• 代理人: 姜?jiǎng)?陸錦華

本發(fā)明提供一種獲取推薦對(duì)象的方法及裝置，具有搜索速度快，適用范圍廣等優(yōu)點(diǎn)。該方法包括：構(gòu)建原始用戶矩陣和原始對(duì)象矩陣，其中，原始用戶矩陣中的每一行為原始用戶向量，每個(gè)原始用戶向量表示一個(gè)用戶的多重屬性特征，原始對(duì)象矩陣中的每一行為原始對(duì)象向量，每個(gè)原始對(duì)象向量表示一個(gè)對(duì)象的多重屬性特征；對(duì)原始用戶矩陣和原始對(duì)象矩陣進(jìn)行保序變換，得到新用戶矩陣和新對(duì)象矩陣；對(duì)新對(duì)象矩陣中的新對(duì)象向量構(gòu)建對(duì)象高維索引結(jié)構(gòu)；對(duì)新用戶矩陣中的各個(gè)新用戶向量在對(duì)象高維索引結(jié)構(gòu)中進(jìn)行最近鄰搜索，得到新用戶向量對(duì)應(yīng)的最近鄰新對(duì)象向量；根據(jù)各個(gè)新用戶向量及其對(duì)應(yīng)的最近鄰新對(duì)象向量，輸出用戶與推薦對(duì)象的映射。

技術(shù)領(lǐng)域

本發(fā)明涉及計(jì)算機(jī)技術(shù)領(lǐng)域，尤其涉及一種獲取推薦對(duì)象的方法及裝置。

背景技術(shù)

隨著互聯(lián)網(wǎng)技術(shù)的發(fā)展，人們進(jìn)入了信息過載的時(shí)代。在用戶訪問網(wǎng)站的過程中，大量的新聞、商品、視頻、音樂等等對(duì)象呈現(xiàn)在了用戶面前。怎樣篩選出用戶真正感興趣的內(nèi)容對(duì)提高網(wǎng)站的訪問量及收益有著非常重要的意義。推薦系統(tǒng)相關(guān)的技術(shù)在這樣的背景下得到了越來越廣泛的使用。

近幾年來矩陣分解算法成為了推薦系統(tǒng)領(lǐng)域研究的主流，研究表明在個(gè)性化推薦中使用矩陣分解技術(shù)可以得到比傳統(tǒng)基于鄰域的協(xié)同過濾更好的結(jié)果。矩陣分解算法將用戶對(duì)對(duì)象的評(píng)分矩陣進(jìn)行分解，生成用戶矩陣U和對(duì)象矩陣V，這樣就將用戶和對(duì)象映射到了高維的潛語義空間。用戶矩陣及對(duì)象矩陣的每一行都是一個(gè)向量，表示相應(yīng)的用戶和對(duì)象。用戶向量與一個(gè)對(duì)象向量的內(nèi)積就是該用戶對(duì)對(duì)象的評(píng)分，內(nèi)積越大，評(píng)分越高，表示越是推薦。每個(gè)用戶的推薦對(duì)象可以取所有對(duì)象中K個(gè)內(nèi)積最大的對(duì)象向量對(duì)應(yīng)的對(duì)象作為推薦結(jié)果。

在實(shí)際應(yīng)用場景中，用戶和對(duì)象的數(shù)量往往龐大，相當(dāng)于多達(dá)千萬的用戶都需要在千萬級(jí)對(duì)象構(gòu)成的高維空間中搜索K個(gè)最大的內(nèi)積，該計(jì)算過程非常耗時(shí)。因此需要一種方案能夠快速地完成用戶和對(duì)象向量間最大內(nèi)積的Top K計(jì)算。

若采用最基本的線性搜索方法進(jìn)行最近鄰搜索，則時(shí)間復(fù)雜度較高，無法滿足海量數(shù)據(jù)下的需求。常用的解決方案是建立高維索引，利用高效的數(shù)據(jù)結(jié)構(gòu)和算法完成搜索。但是，由于內(nèi)積不滿足三角不等性且無法衡量向量間的相似性，導(dǎo)致常用的聚類、高維索引樹、局部感知哈希等建立高維索引的方案均無法直接適用于內(nèi)積空間的搜索。

發(fā)明內(nèi)容

有鑒于此，本發(fā)明提供一種獲取推薦對(duì)象的方法及裝置，具有搜索速度快，適用范圍廣等優(yōu)點(diǎn)。

為實(shí)現(xiàn)上述目的，根據(jù)本發(fā)明的一個(gè)方面，提供了一種獲取推薦對(duì)象的方法，包括：構(gòu)建原始用戶矩陣和原始對(duì)象矩陣，其中，所述原始用戶矩陣中的每一行為原始用戶向量，每個(gè)所述原始用戶向量表示一個(gè)用戶的多重屬性特征，所述原始對(duì)象矩陣中的每一行為原始對(duì)象向量，每個(gè)所述原始對(duì)象向量表示一個(gè)對(duì)象的多重屬性特征；對(duì)原始用戶矩陣和原始對(duì)象矩陣進(jìn)行保序變換，得到新用戶矩陣和新對(duì)象矩陣；對(duì)所述新對(duì)象矩陣中的新對(duì)象向量構(gòu)建對(duì)象高維索引結(jié)構(gòu)；對(duì)所述新用戶矩陣中的各個(gè)新用戶向量在所述對(duì)象高維索引結(jié)構(gòu)中進(jìn)行最近鄰搜索，得到所述新用戶向量對(duì)應(yīng)的最近鄰新對(duì)象向量；根據(jù)各個(gè)所述新用戶向量及其對(duì)應(yīng)的所述最近鄰新對(duì)象向量，輸出用戶與推薦對(duì)象的映射。

可選地，所述對(duì)原始用戶矩陣和原始對(duì)象矩陣進(jìn)行保序變換，得到新用戶矩陣和新對(duì)象矩陣的步驟包括：對(duì)所述原始用戶矩陣的第i行向量x_i添加數(shù)值0作為一個(gè)新的維度，得到新用戶向量從而得到所述新用戶矩陣；計(jì)算所述原始對(duì)象矩陣的第j行向量y_j的2-范數(shù)以及該2-范數(shù)的最大值對(duì)所述y_j添加作為一個(gè)新的維度，得到新對(duì)象向量從而得到所述新對(duì)象矩陣。

可選地，所述對(duì)所述新對(duì)象矩陣中的新對(duì)象向量構(gòu)建對(duì)象高維索引結(jié)構(gòu)的步驟包括：將所述新對(duì)象矩陣中的新對(duì)象向量聚類得到多個(gè)對(duì)象子類，每個(gè)對(duì)象子類具有一個(gè)對(duì)象聚類中心；為每個(gè)所述對(duì)象子類建立vp-tree樹結(jié)構(gòu)。