[發(fā)明專利]一種基于推薦系統(tǒng)的推薦模型生成方法及相關(guān)裝置

在審

• 申請?zhí)枺?/td>: 201711007965.3
• 申請日: 2017-10-25
• 公開（公告）號: CN107609201A
• 公開（公告）日: 2018-01-19
• 發(fā)明（設(shè)計）人: 楊海龍;李松林;李衛(wèi)軍
• 申請（專利權(quán)）人: 廣東工業(yè)大學(xué)
• 主分類號: G06F17/30
• 分類號: G06F17/30
• 代理公司: 北京集佳知識產(chǎn)權(quán)代理有限公司11227
• 代理人: 羅滿

技術(shù)領(lǐng)域

本申請涉及計算機技術(shù)領(lǐng)域，特別涉及一種基于推薦系統(tǒng)的推薦模型生成方法、生成裝置、計算機可讀存儲介質(zhì)及計算機終端。

背景技術(shù)

隨著互聯(lián)網(wǎng)的快速發(fā)展，為人們的生活帶來了許多便利，同時也帶了海量的數(shù)據(jù)信息，不夸張的說人類已經(jīng)進入了一個數(shù)據(jù)大爆炸的時代。消費者在數(shù)據(jù)的海洋中，面臨眾多的選擇、種類繁多的新領(lǐng)域以及過載的信息，在這些新選擇中，消費者往往無所適從。另一方面，內(nèi)容的生產(chǎn)者面對平臺中的眾多用戶，往往也是找不到合適的用戶，也就無法尋找到最便捷的渠道來展示自己的優(yōu)勢信息。

因此，出現(xiàn)了推薦系統(tǒng)來解決上述的問題。推薦系統(tǒng)的核心是推薦算法，推薦算法的好壞就決定了推薦系統(tǒng)的好壞，而評判一個推薦算法主要通過準(zhǔn)確率和召回率來判斷。準(zhǔn)確率是指預(yù)測為正的樣本中有多少是真正的正樣本，也就是通過模型進行預(yù)測的結(jié)果中有多少是對的；召回率是指樣本中的正例有多少被預(yù)測正確了，也就是模型的預(yù)測結(jié)果覆蓋了樣本中的多少正確的例子。

目前，常用的推薦算法主要包括協(xié)同過濾算法和基于內(nèi)容的推薦算法。在協(xié)同過濾算法中用戶對于物品的喜好被量化為用戶對物品的評分，并以一個用戶關(guān)聯(lián)一個物品的評分矩陣進行表示。協(xié)同過濾算法具有較好的自動化程度，以及個性化程度較高，但是具有一定的數(shù)據(jù)稀疏性問題。對于基于內(nèi)容的推薦算法其推薦結(jié)果直觀，容易解釋，但也存在數(shù)據(jù)稀疏性的問題。

進一步的，研究者推出了GLSLIM模型，該模型在一定程度上優(yōu)化了數(shù)據(jù)稀疏性的問題，而且具有較高的準(zhǔn)確率，但是該算法的召回率較低，不利于推薦系統(tǒng)使用。

因此，如何使推薦算法在準(zhǔn)確率和召回率中取得一個平衡，是本領(lǐng)域技術(shù)人員所關(guān)注的重點問題。

發(fā)明內(nèi)容

本申請的目的是提供一種基于推薦系統(tǒng)的推薦模型生成方法、生成裝置、計算機可讀存儲介質(zhì)及計算機終端，通過將GLSLIM模型和PLSA模型進行調(diào)整參數(shù)達到最優(yōu)的模型狀態(tài)，再將這兩個模型通過目標(biāo)函數(shù)進行融合得到目標(biāo)函數(shù)，最后把目標(biāo)函數(shù)通過調(diào)整參數(shù)得到最優(yōu)的推薦模型，解決了GLSLIM模型的召回率較低的問題，使推薦結(jié)果能滿足不同用戶的個性化需求。

為解決上述技術(shù)問題，本申請?zhí)峁┮环N基于推薦系統(tǒng)的推薦模型生成方法，包括：

將GLSLIM模型根據(jù)數(shù)據(jù)集進行準(zhǔn)確率調(diào)參處理得到第一推薦模型，進行推薦結(jié)果計算得到第一結(jié)果目標(biāo)函數(shù)；

將PLSA模型根據(jù)所述數(shù)據(jù)集進行召回率調(diào)參處理得到第二推薦模型，進行推薦結(jié)果計算得到第二結(jié)果目標(biāo)函數(shù)；

將所述第一結(jié)果目標(biāo)函數(shù)與所述第二結(jié)果目標(biāo)函數(shù)進行融合處理得到融合目標(biāo)函數(shù)，根據(jù)所述數(shù)據(jù)集進行平衡調(diào)參處理得到推薦模型。

可選的，所述將GLSLIM模型根據(jù)數(shù)據(jù)集進行準(zhǔn)確率調(diào)參處理得到第一推薦模型，進行推薦結(jié)果計算得到第一結(jié)果目標(biāo)函數(shù)包括：

在第一預(yù)設(shè)范圍內(nèi)取多個用戶個性化權(quán)重參數(shù)；

將每個所述用戶個性化權(quán)重參數(shù)帶入到所述GLSLIM模型中，根據(jù)所述數(shù)據(jù)集進行計算得到多個第一推薦結(jié)果；

將每個所述第一推薦結(jié)果進行計算得到多個準(zhǔn)確率，選取所述準(zhǔn)確率最大的所述用戶個性化權(quán)重參數(shù)設(shè)置為所述GLSLIM模型的最終用戶個性化權(quán)重參數(shù)，得到所述第一推薦模型；

將所述第一推薦模型進行推薦結(jié)果計算得到所述第一結(jié)果目標(biāo)函數(shù)。

可選的，所述將PLSA模型根據(jù)所述數(shù)據(jù)集進行召回率調(diào)參處理得到第二推薦模型，進行推薦結(jié)果計算得到第二結(jié)果目標(biāo)函數(shù)包括：

在第二預(yù)設(shè)范圍內(nèi)取多個類別參數(shù)；

將每個所述類別參數(shù)帶入到所述PLSA模型中，根據(jù)所述數(shù)據(jù)集進行計算得到多個第二推薦結(jié)果；

將每個所述第二推薦結(jié)果進行計算得到多個召回率，選取所述召回率最大的所述類別參數(shù)設(shè)置為所述PLSA模型的最終類別參數(shù)，得到所述第二推薦模型；

將所述第二推薦模型進行推薦結(jié)果計算得到所述第二結(jié)果目標(biāo)函數(shù)。

可選的，所述將所述第一結(jié)果目標(biāo)函數(shù)與所述第二結(jié)果目標(biāo)函數(shù)進行融合處理得到融合目標(biāo)函數(shù)，根據(jù)所述數(shù)據(jù)集進行平衡調(diào)參處理得到推薦模型包括：

將所述第一結(jié)果目標(biāo)函數(shù)與所述第二結(jié)果目標(biāo)函數(shù)通過r＝α*r₁+(1-α)*r₂進行融合得到融合目標(biāo)函數(shù)r；其中，所述第一結(jié)果目標(biāo)函數(shù)為r₁，所述第二結(jié)果目標(biāo)函數(shù)為r₂；

在第三預(yù)設(shè)范圍內(nèi)取多個推薦結(jié)果占比參數(shù)α；

將每個所述推薦結(jié)果占比參數(shù)α帶入到所述融合目標(biāo)函數(shù)r中進行計算得到多個目標(biāo)函數(shù)值；