[发明专利]一种推荐模型的训练方法、推荐方法及推荐系统

权利要求书

1.一种推荐模型的训练方法，包括：

获取训练样本数据，其中，所述训练样本数据包括用户-物品对，所述用户-物品对包括用户信息、物品信息以及用户和物品的交互信息；

构建基于交叉配对排序算法的推荐模型并初始化所述推荐模型的参数；

利用所述推荐模型处理所述训练样本数据，根据无偏性的损失函数优化所述推荐模型的参数，获得训练完成的推荐模型；

其中，所述无偏性的损失函数由式(1)表示：

其中，k表示所述训练样本数据中具有交互关系的用户-物品对个数，u_k表示第k个用户，i_k表示第k个物品，表示第k个用户和第k个物品的相关性分值，是所述训练样本数据，σ是所述推荐模型的激活函数。

2.根据权利要求1所述的方法，其中所述由式(2)表示：

其中，表示第m个用户和第n个物品有交互关系，表示第m个用户和第n个物品没有交互关系。

3.根据权利要求1所述的方法，其中，所述无偏的损失函数由式(3)和式(4)进行限定：

P(Y_u，i＝1)＝P(R_u，i＝1)P(O_u，i＝1|R_u，i＝1) (3)，

P(Q_u，i＝1|R_u，i＝1)＝p_u·p_i·P(R_u，i＝1)^α (4)，

其中，R_u，i＝1表示用户u喜欢物品i，O_u，i＝1表示用户u能够看见物品i，Y_u，i＝R_u，i·O_u，i，P(R_u，i＝1)是相关性概率，P(O_u，i＝1|R_u，i＝1)是曝光率；α是一个正常数。

4.根据权利要求3所述的方法，其中，所述曝光率可分解成用户倾向性、物品倾向性和用户-物品相关性。

5.根据权利要求1所述的方法，其中，所述获取训练样本数据包括：

根据预先设置的采样批次值、动态采样率和选择率，获取多个样本数据，其中所述样本数据包括多个具有交互关系的用户-物品对；

对所述样本数据进行预处理，筛选所述用户-物品对中所述用户与其他物品或者所述物品与其他用户没有交互信息的用户-物品对，获得筛选后的样本数据；

利用所述推荐模型对所述筛选后的样本数据进行处理，获得所述用户-物品对的相关性平均值；

选择所述相关性平均值最小的所述筛选后的样本数据作为所述训练样本数据。

6.根据权利要求5所述的方法，其中，所述相关性平均值由公式(5)表示：

其中，k表示所述样本数据中具有交互关系的用户-物品对个数，u_k表示第k个用户，i_k表示第k个物品，表示第k个用户和第k个物品的相关性分值。

7.一种无偏性的推荐方法，包括：

获取待处理数据，其中，所述待处理数据包括用户-物品对，所述用户-物品对包括用户信息、物品信息以及用户和物品的交互信息；

构建基于交叉配对排序算法的无偏性的推荐模型并初始化所述推荐模型的参数；

利用所述推荐模型处理所述待处理数据，其中所述推荐模型根据权利要求1-6任一所述的方法训练获得。

8.一种无偏性的推荐系统，包括：

数据获取模块，用于获取用户-物品对数据；

基于交叉配对排序算法的推荐模型，用于处理所述用户-物品对数据，为用户推荐相关物品，其中，所述推荐模型由权利要求1-6任一所述的方法训练获得。