[发明专利]基于协同演化的个性化推荐方法及装置

权利要求书

1.一种基于协同演化的个性化推荐方法，其特征在于，包括：

基于贝叶斯定理获取预先设置的模型的学习目标；所述模型至少包括：用户消费行为的概率模型、用户加群行为的概率模型、产品的隐特征矩阵、用户的隐偏好张量和群组的隐偏好张量；

基于所述学习目标，利用随机梯度下降法和投影梯度法来更新所述模型的最优参数，得到训练好的模型；

利用所述训练好的参数预测用户在T+1时刻的加群行为和偏好，以及用户在T+1时刻的标记行为；

所述用户消费行为的概率模型表示对于每一个用户和每一个产品，预测用户在不同时间对产品消费偏好；

所述用户加群行为的概率模型表示对于每一个用户和每一个群组，预测用户在不同时间加入群组的社交行为偏好；

所述产品的隐特征矩阵表示给产品隐矩阵加入一个均值为0的高斯先验；

所述用户的隐偏好张量表示用户当前偏好主要受到用户以前的偏好和用户所加入的群组的影响，基于个体偏好和群体影响的用户在时间窗口的隐偏好张量；

所述群组的隐偏好张量表示一个群组的偏好是群组历史偏好状态和新加入用户偏好的综合作用结果。

2.根据权利要求1所述的个性化推荐方法，其特征在于，基于贝叶斯定理获取预先设置的模型的学习目标之前，所述方法还包括：

构建用户消费行为的概率模型，对于每一个用户a和每一个产品i，预测用户在时间t对产品的消费偏好定义为：

式中，是均值为μ，方差为σ²的高斯分布；是指示向量，当用户a在时间t选择产品i时，否则为0；是用户a在时间t的隐偏好，属于用户隐张量是产品的隐特征，属于产品的隐矩阵,表示两个向量的内积；

构建用户加群行为的概率模型，对于每一个用户a和每一个群组p，预测用户在时间t加入群组的社交行为偏好可以定义为：

式中，是均值为μ，方差为σ²的高斯分布；是指示向量，当用户a在时间t加入群组p时，否则为0；是用户a在时间t-1的隐偏好，属于用户隐张量表示群组p在时间t-1的群组偏好，属于群组隐张量,表示两个向量的内积；

构建产品的隐特征矩阵，且所述隐特征矩阵中包括一个均值为0的高斯先验；

构建用户的隐偏好张量，用户当前偏好主要受到用户以前的偏好和用户所加入的群组的影响，基于个体偏好和群体影响的用户a在时间窗口t＝2,3,4,…,T的隐偏好张量为：

式中，

式中，α_a是非负参数，用以平衡个体偏好和群体的影响力；表示群组p在t时刻对用户a的影响力函数，表示群组p在t-1时刻的群组偏好，表示t时刻，用户a新参与的群组数量；定义为：

为t-1时刻群组p和用户a的关系强度，定义如下：

式中，为直至t-1时刻，用户a与用户c购买产品中相同产品的个数；为直至t-1时刻，用户c购买产品的数量；

在初始状态下，个体不受任何群体的影响，假设t＝1时刻，用户隐偏好服从均值为0的高斯分布，所述用户隐张量概率分布为：

构建群组的隐偏好张量，采用等权策略为每个群组构建在时间窗口t＝2,3,4,…,T的隐偏好张量：

式中

式中，表示用户a受群组影响之后在t时刻的用户偏好；表示在t时刻加入的用户a对于群组p的影响，表示t时刻群组p新加入成员的数量，且β_p是非负参数，用以平衡新旧群成员的影响力；

在初始状态t＝1时，群组偏好就是t＝1时刻全部群成员偏好的加和平均值；

所述群组隐偏好张量的概率分布为：