[发明专利]基于协同演化的个性化推荐方法及装置

说明书

本发明提供了一种基于协同演化的个性化推荐方法及装置。一种基于协同演化的个性化推荐方法，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、偏好及标记行为。本发明实施例中可以在动态场景中同时考虑到用户的历史偏好和加入群组的影响来预测用户的加群行为和偏好，以及标记行为。

技术领域

本发明涉及数据处理技术领域，尤其涉及一种基于协同演化的个性化推荐方法及装置。

背景技术

互联网是全球数十亿用户的通用信息来源。然而，在信息化时代产生的数据的急剧增长使得用户难以发现与他们相关的信息。推荐系统已被广泛用于应对信息过载问题并找到目标用户可能感兴趣的信息。在社交网络平台上，用户不仅可以选择自己感兴趣的产品或服务，还可以与其他用户产生各种社交关系：用户可以与他的朋友建立联系，也可以选择加入自己感兴趣的小组，并且同有共同兴趣的用户建立联系。简而言之，用户主要在社交网络中主要有两种行为：消费行为(反映在用户项目交互中，如浏览，购买，评分，评论)和社交行为(反映在用户与用户的交互中，如友谊，会员，特别关注等互动)。因此，根据以上两种行为，需要一种有效的推荐方法来为用户建立他们的社会关系并找到更满意的内容。

大多数传统推荐方法基于用户是独立且相同分布的假设，即他们忽略了用户之间的社交关系，然而，社会学家长期以来认为用户的偏好和用户的社会行为并不是孤立的，相反，他们之间存在相互强化的关系。目前，已经有人提出了一个统一的静态模型来联合预测用户的这两种行为。但是，他们所研究的目标是评分预测和社交关系预测，而不是对消费和加入群组的预测，此外，大多是方法都是静态的，时间不变的，不能体现出用户和群组随时间的动态变化。

发明内容

针对现有技术中的缺陷，本发明提供了一种基于协同演化的个性化推荐方法及装置，用于解决相关技术中静态预测用户行为导致推荐精度低的问题。

第一方面，本发明实施例提供了一种基于协同演化的个性化推荐方法，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。

第二方面，本发明实施例提供了一种基于协同演化的个性化推荐装置，包括：

学习目标获取模块，用于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；

最优参数更新模块，用于基于所述学习目标，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；

标记行为预测模块，用于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。

由上述技术方案可知，本发明实施例中可以在动态场景中同时考虑到用户的历史偏好和加入群组的影响来预测用户的加群行为和偏好，以及标记行为。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些图获得其他的附图。