[发明专利]一种基于二分图的服务推荐方法及装置

说明书

本发明实施例提供了一种基于二分图的服务推荐方法及装置，所述方法包括：采集每一个目标用户感兴趣的服务；构建每一个目标用户的初始的用户兴趣向量和每一个服务的初始的服务主题向量，其中，用户兴趣向量和服务主题向量均为概率向量；生成以目标用户和服务为顶点的二分图，根据用户兴趣向量和服务主题向量，构建基于二分图的目标函数P；求解目标函数P，以确定每一个用户兴趣向量的元素值和每一个服务主题向量的元素值；根据用户兴趣向量和服务主题向量，对目标用户进行服务推荐。应用本发明实施例，降低了基于二分图的服务推荐计算复杂度，而且模型输出的用户兴趣向量和服务主题向量均为概率向量，便于构建更多基于概率的实际应用。

技术领域

本发明涉及数据挖掘及推荐领域，特别是涉及一种基于二分图的服务推荐方法及装置。

背景技术

互联网的出现和普及，使得互联网中的信息大幅度增长，这也给使用者在获得真正有用的信息时带来了很大的难度，造成了信息超载的现象。为了解决信息超载问题，现有技术提出了服务推荐方法，其基本处理思想为：采集若干用户所感兴趣的服务，根据用户感兴趣的服务，向该若干用户推荐服务集合中的服务，其中，该服务集合为所采集的服务构成的集合。其中，用户感兴趣的服务，可以是用户购买过的、浏览过的、收藏过的服务等，并且所谓的服务可以为信息、产品等。

现有服务推荐方法的实现方式有很多，其中一种是基于LDA(Latent DirichletAllocation，文档主题生成模型)进行实现的，LDA是基于用户-服务的二分图推荐技术。用户-服务的二分图是指以目标用户和服务分别作为顶点，在目标用户对服务感兴趣的情况下，该目标用户顶点和服务顶点之间存在连线，否则不存在连线，目标用户与目标用户之间、服务与服务之间也不存在顶点之间的连线。LDA推荐技术计算复杂多高，具体实施时一般采用MCMC(Markov Chain Monte Carlo，马尔科夫链蒙特卡洛)抽样算法计算输入的用户-服务二分图中的待推荐服务的概率分布，并根据概率分布对目标用户进行服务推荐。虽然MCMC抽样算法使得LDA推荐技术可行，但是其数学性质复杂，计算的复杂度高，限制了基于LDA的推荐技术的应用。另外两种广泛应用的推荐技术是协同过滤(Collaborativefiltering technology)推荐技术和潜在因子模型(Latent factor model)推荐技术，其复杂度相对低一些，但是模型输出的用户和服务向量的元素取值是任意值，可解释性差，难以与其它模型结合来构建更复杂的实际应用。

发明内容

本发明实施例的目的在于提供一种基于二分图的服务推荐方法及装置，以降低基于二分图的服务推荐计算复杂度，且模型输出的用户兴趣向量和服务主题向量均为概率向量，便于构建更多基于概率的实际应用。

具体技术方案如下：

一种基于二分图的服务推荐方法，所述方法包括：

采集目标用户中每一个目标用户感兴趣的服务；

构建每一个目标用户的初始的用户兴趣向量和每一个服务的初始的服务主题向量，其中，所述用户兴趣向量和所述服务主题向量均为概率向量；

生成以所述目标用户和所述服务为顶点的二分图，其中，所述二分图中目标用户的顶点与服务的顶点之间存在连线时表示该目标用户对该服务感兴趣；

根据所述用户兴趣向量和所述服务主题向量，构建基于所述二分图的目标函数P；

求解所述目标函数P，以确定每一个用户兴趣向量的元素值和每一个服务主题向量的元素值；

根据所述用户兴趣向量和所述服务主题向量，对所述目标用户进行服务推荐。

可选的，所述目标函数P的具体表达为：