[發明專利]一種融合物品內在與外在特性的推薦方法

在審

• 申請號: 202010537969.8
• 申請日: 2020-06-12
• 公開（公告）號: CN111915390A
• 公開（公告）日: 2020-11-10
• 發明（設計）人: 葉陽東;吳賓;梁慧丹;孫中川
• 申請（專利權）人: 鄭州大學
• 主分類號: G06Q30/06
• 分類號: G06Q30/06
• 代理公司: 暫無信息
• 代理人: 暫無信息

一個物品的功能特性(內在因素)和視覺信息(外在因素)不僅深刻影響著用戶的消費行為，而且在不同領域其影響程度相差甚遠。因此，在構建一個電子商務推薦系統時，物品的內在和外在因素應該被同時考慮。進一步，在不同領域中物品的不同特性對于用戶購買決策的影響有所不同，為解決該問題，本發明公開了一種融合物品內在與外在特性的推薦方法。由于額外信息的融入，使得本發明中極富表達力的推薦方法在學習模型參數時，卻面臨著效率問題。為使得模型能夠滿足實際環境的需求，本發明公開了一種快速交替優化算法。

技術領域

本發明涉及機器學習領域，尤其是聯合物品內在與外在特性的推薦方法。

背景技術

一個物品的功能特性(內在因素)和視覺信息(外在因素)不僅深刻影響著用戶的消費行為，而且在不同領域其影響程度相差甚遠。特別地，對于視覺非感知的物品領域(如辦公用品)，用戶更加關注物品的功能方面；而對于視覺感知的物品領域(如時尚衣服)，用戶購買決策過程卻迥然不同。比如，無論某物品的評分有多高，只要未看到該物品，相信多數用戶是不會購買的。

另外，對于工業級推薦系統而言，由于海量的用戶與物品的交互行為以及實時數據的生成，推薦方法的可擴展性日益成為推薦系統研究關注的重點問題。目前，多數方法依靠交替最小二乘法或隨機梯度下降來優化相應的推薦模型。然而，標準的交替最小二乘法因矩陣求逆操作的存在，使其時間復雜度與特征向量的維度呈立方相關，這導致在大規模數據上難以被快速訓練。隨機梯度下降是一個更為泛化的優化器且對于在線學習是個合適的選擇，但面臨著收斂緩慢的問題。更為重要的是，基于隨機梯度下降方法的精度高度敏感于學習速率和負樣本的選取。

因此，亟需一種能夠考慮不同領域中物品的不同特性對于用戶購買決策影響的推薦模型和相應的快速優化算法來解決該問題。

發明內容

本發明針對在不同領域中物品的不同特性對于用戶購買決策的影響有所不同，公開了一種融合物品內在與外在特性的推薦方法。

首先，提出一種內外兼并的概率矩陣分解模型，該模型同時考慮物品的內在和外在因素，以更細粒度的方式來捕獲物品的不同特性對于用戶偏好的影響。

其次，由于額外信息的融入，使得發明所公開的極富表達力的推薦方法在學習模型參數時，卻面臨著效率問題。為使得本發明所公開的模型能夠滿足實際環境的需求，本發明針對物品排序任務公開了一種快速交替最小二乘算法用于高效學習內外兼并的概率矩陣分解模型的參數。

最后，引入一種在線更新模型參數的策略使得本發明所公開的算法可適用于真實推薦環境。

附圖說明

為了更清楚的說明本發明的技術方案，下面將對實施例或現有技術描述中所需要使用的附圖簡單地介紹。

圖1是本發明實施例的內外兼并的概率矩陣分解模型的圖模型。

圖2是本發明所公開的快速交替最小二乘法的詳細優化步驟。

圖3是本發明所公開的快速交替最小二乘法的在線學習優化步驟。

圖4是本發明實施例提供的在推薦列表長度為10的情況下，物品精確度的比較圖。

圖5是本發明實施例提供的不同推薦列表長度下物品精確度的比較圖。

具體實施

以下將結合具體實例及附圖對本發明的技術方案進行清楚、完整地描述。圖 1是本發明實施例的圖模型，此處的實例與描述僅用于解釋本發明，并不用于限定本發明。

1.定義：

本發明實施例從兩個方面顯示建模一個物品的屬性：外在特性和內在特性。

定義1(外在特性)外在特性是物品屬性的外在方面且由物品的制造商來決定。