[发明专利]一种物品推荐方法和装置

说明书

本说明书实施例公开了预测用户对物品的评分的方法和装置以及物品推荐方法和装置。其中，所述预测评分的方法包括：获取多个样本对，所述样本对包括选自于多个用户标识的任一个用户标识和选自于多个物品标识的任一个物品标识；获取多个已有评分，所述多个已有评分对应于所述多个样本对中的部分样本对；获取分别与各个样本对对应的多组上下文特征；基于所述多组上下文特征，将所述多个样本对聚类为多个子类；以及关于每个子类，基于多个所述第一用户标识和多个所述第一物品标识、和多个所述第一用户相对于多个所述第一物品的多个已有评分，通过协同过滤算法预测各个第一用户对其未评分的第一物品的评分。

技术领域

本说明书实施例涉及数据处理领域，更具体地，涉及一种预测用户对物品的评分的方法和装置、以及一种物品推荐方法和装置。

背景技术

在互联网中，推荐功能是频繁使用的一种功能。在现有的推荐系统中，一般依据已有的用户对物品的评分进行推荐。然而，在系统中，除了评分信息之外，还存在多种多样的信息。以电影推荐为例，除了用户对电影的评分信息以外，还有许多潜在的上下文特征，比如评分的时间(是否节假日，早上、中午、晚上等)，用户的年龄(青少年、中年还是老年)，电影的类型(如爱情，动作，恐怖)等等。因此，需要一种更有效的推荐方案，其除了利用显式的评分信息外，还可以利用所述上下文特征，以更有效地进行推荐。

发明内容

本说明书实施例旨在提供一种更有效的物品推荐方案，以解决现有技术中的不足。

为实现上述目的，本说明书一个方面提供一种预测用户对物品的评分的方法，包括：获取多个样本对，所述样本对包括选自于多个用户标识的任一个用户标识和选自于多个物品标识的任一个物品标识；获取多个已有评分，所述多个已有评分对应于所述多个样本对中的部分样本对；获取分别与各个样本对对应的多组上下文特征，其中，一组上下文特征包括以下至少一类特征：用户特征、物品特征、以及交互特征；基于所述多组上下文特征，将所述多个样本对聚类为多个子类，其中每个子类包括取自于所述多个样本对中的多个第一样本对，每个所述第一样本对包括第一用户标识和第一物品标识，其中所述第一用户标识为第一用户的标识，所述第一物品标识为第一物品的标识；以及关于每个子类，基于多个所述第一用户标识和多个所述第一物品标识、和多个所述第一用户相对于多个所述第一物品的多个已有评分，通过协同过滤算法预测各个第一用户对其未评分的第一物品的评分。

在一个实施例中，在所述预测用户对物品的评分的方法中，一组上下文特征包括以下至少一类特征：用户特征、物品特征、以及交互特征。

在一个实施例中，在所述预测用户对物品的评分的方法中，所述用户特征包括用户属性特征和/或用户评分统计特征，所述物品特征包括物品属性特征和/或物品评分统计特征。

在一个实施例中，在所述预测用户对物品的评分的方法中，所述聚类算法为k-means算法或gmm算法。

在一个实施例中，在所述预测用户对物品的评分的方法中，基于所述多组上下文特征，将所述多个样本对聚类为多个子类包括：在所述多个样本对中随机选择预定数目的初始质心；基于所述上下文特征，计算每个非质心的样本对到各个质心的距离；根据所述距离，将每个非质心的样本对归类到距离最近的质心；根据所述预定数目的质心及其对应的非质心样本对，计算相同数目的新的质心；判断所述新的质心是否满足预定条件；以及在满足所述预定条件的情况中，输出对所述多个样本对的聚类结果。

在一个实施例中，在所述预测用户对物品的评分的方法中，所述协同过滤算法为矩阵分解算法或knn算法。