推荐项目的方法和装置制造方法及图纸

本发明专利技术的实施例提供了一种推荐项目的方法，包括：确定N个偏好值，N个偏好值中的每个偏好值指示：多个用户中的目标用户在X个上下文类型指示的条件下，对多个项目中的目标项目的选择偏好程度；根据N个偏好值，确定偏好值张量，根据偏好值张量，确定X+2个矩阵因子；根据X+2个矩阵因子中的至少一个矩阵因子进行项目推荐。本发明专利技术的实施例可以通过根据数据稀疏的偏好值张量确定逼近张量的多个矩阵因子，然后根据至少一个矩阵因子来进行项目推荐。由于多个矩阵因子中每个矩阵因子的秩都小于最初的偏好值张量的秩，从而在进行上下文推荐时，既能保证了推荐的准确度又有效地降低了计算的复杂性。

【技术实现步骤摘要】
【专利摘要】本专利技术的实施例提供了一种推荐项目的方法，包括：确定N个偏好值，N个偏好值中的每个偏好值指示：多个用户中的目标用户在X个上下文类型指示的条件下，对多个项目中的目标项目的选择偏好程度；根据N个偏好值，确定偏好值张量，根据偏好值张量，确定X+2个矩阵因子；根据X+2个矩阵因子中的至少一个矩阵因子进行项目推荐。本专利技术的实施例可以通过根据数据稀疏的偏好值张量确定逼近张量的多个矩阵因子，然后根据至少一个矩阵因子来进行项目推荐。由于多个矩阵因子中每个矩阵因子的秩都小于最初的偏好值张量的秩，从而在进行上下文推荐时，既能保证了推荐的准确度又有效地降低了计算的复杂性。【专利说明】推荐项目的方法和装置
本专利技术涉及信息
，并更具体地，涉及一种推荐项目的方法和装置。
技术介绍
推荐系统通过建立用户与项目之间的二元关系，利用已有的选择过程或相似性关 系挖掘每个用户潜在感兴趣的对象，进而进行个性化推荐。 近些年来，Adomavicius和化zhilin等人指出，把上下文信息融入推荐系统 将有利于提高推荐精确度，并提出被广泛引用的上下文感知推荐系统（context-aware recommender systems, CARS)的概念，上下文信息例如可W是用户选择项目的时间，地点、 也情等上下文的条件等。 现有技术采用多维向量模型表示上下文信息来进行推荐。具体而言，在上下文的 条件下，利用皮尔逊（Pearson)相关系数计算所有用户对同一项目的偏好相似度，再根据 偏好相似度的计算结果将项目推荐给相似度高的用户。 然而，上下文相关维度太多时会造成数据稀疏的问题，换句话说，在所有的用户 中，只有很少的用户对同一项目具有偏好。因此在数据稀疏的情况下，利用化arson相关系 数进行计算通常不能获得较高准确度，进而影响推荐的准确度，如果要提高准确度，要进行 很复杂的计算过程。
技术实现思路
本专利技术的实施例提供了一种推荐项目的方法和装置，能够在进行上下文推荐时， 既能保证推荐的准确度又能有效地降低计算的复杂性。 第一方面，提供了一种方法，包括：确定N个偏好值，N个偏好值中的每个偏好值指 示：多个用户中的目标用户在X个上下文类型指示的条件下，对多个项目中的目标项目的 选择偏好程度；根据N个偏好值，确定偏好值张量，其中，偏好值张量具有X+2个维度，X+2 个维度为：基于多个项目确定的一个维度、基于多个用户确定的一个维度W及X个上下文 维度，其中，X个上下文类型中的第X个上下文类型具有i,个选项，在X个上下文维度中，第 X个上下文维度是基于第X个上下文类型的个选项确定的，偏好值张量中包括分别基于 N个偏好值确定的N个元素，偏好值张量包含的元素个数大于N，X和N均为正整数，X的取 值从1到X ;根据偏好值张量，确定X+2个矩阵因子，其中，X+2个矩阵因子一一对应于X+2 个维度，X+2个矩阵因子中每个矩阵因子的秩小于偏好值张量的秩，X+2个矩阵因子的积用 于逼近偏好值张量；根据X+2个矩阵因子中的至少一个矩阵因子进行项目推荐。 结合第一方面，在第一方面的第一种可能的实现方式中，根据偏好值张量，确定 X+2个矩阵因子，包括：根据N个差值的平方确定误差函数；通过对误差函数进行迭代计算， 确定X+2个矩阵因子；其中，X+2个矩阵因子的积为偏好值张量的逼近张量，偏好值张量的 全部元素与逼近张量的全部元素一一对应，N个差值分别为N个偏好值元素在逼近张量中 对应的N个元素与N个偏好值元素的差。 结合第一方面的第一种可能的实现方式，在第一方面的第二种可能的实现方式 中，通过对误差函数进行迭代计算，确定X+2个矩阵因子，包括：获取X+1个矩阵因子W及预 设的特征向量个数；通过W预定迭代次数的迭代计算，根据X+1个矩阵因子W及预设的特 征向量个数，确定至少一个特征向量；根据至少一个特征向量确定剩余的矩阵因子，使得误 差函数的值小于预定迭代阔值。 结合第一方面的第一种或第二种可能的实现方式，在第一方面的第H种可能的实 现方式中，该方法还包括；确定权重张量，权重张量包括N个元素，N个元素分别为与N个差 值一一对应的N个权值，根据N个差值的平方确定误差函数，包括；通过对N个权值对N个 差值的平方和进行加权，确定误差函数。 结合第一方面、第一方面的第一种至第H种中的任一种可能的实现方式，在第一 方面的第四种可能的实现方式中，根据X+2个矩阵因子中的至少一个矩阵因子进行项目推 荐，包括：从X+2个矩阵因子中，确定与当前项目推荐相关的多个矩阵因子；根据多个矩阵 因子相乘的结果，确定待推荐项目的排序；根据对待推荐项目的排序和预定的排序加权的 结果，进行项目推荐。 结合第一方面、第一方面的第一种至第四种中的任一种可能的实现方式，在第一 方面的第五种可能的实现方式中，在确定N个偏好值之前，该方法还包括；确定M个偏好值， 其中M大于N ;根据上下文类型项目相关度W及用户项目相关度，预过滤M个偏好值，得到N 个偏好值。 第二方面，提供了一种装置，包括；第一确定模块，确定N个偏好值，N个偏好值中 的每个偏好值指示：多个用户中的目标用户在X个上下文类型指示的条件下，对多个项目 中的目标项目的选择偏好程度；第二确定模块，根据第一确定模块确定的N个偏好值，确定 偏好值张量，其中，偏好值张量具有X+2个维度，X+2个维度为；基于多个项目确定的一个维 度、基于多个用户确定的一个维度W及X个上下文维度，其中，X个上下文类型中的第X个 上下文类型具有iy个选项，在X个上下文维度中，第X个上下文维度是基于第X个上下文 类型的iy个选项确定的，偏好值张量中包括分别基于N个偏好值确定的N个元素，偏好值 张量包含的元素个数大于N，X和N均为正整数，X的取值从1到X ;第H确定模块，根据第 二确定模块确定的偏好值张量，确定X+2个矩阵因子，其中，X+2个矩阵因子一一对应于X+2 个维度，X+2个矩阵因子中每个矩阵因子的秩小于偏好值张量的秩，X+2个矩阵因子的积用 于逼近偏好值张量；推荐模块，根据第H确定模块确定的X+2个矩阵因子中的至少一个矩 阵因子进行项目推荐。 结合第二方面，在第二方面的第一种可能的实现方式中，第H确定模块具体用于： 根据N个差值的平方确定误差函数；通过对误差函数进行迭代计算，确定X+2个矩阵因子； 其中，X+2个矩阵因子的积为偏好值张量的逼近张量，偏好值张量的全部元素与逼近张量的 全部元素--对应，N个差值分别为N个偏好值元素在逼近张量中对应的N个元素与N个 偏好值兀素的差。 结合第二方面的第一种可能的实现方式，在第二方面的第二种可能的实现方式 中，在确定所述X+2个矩阵因子的方面，第H确定模块具体用于；获取X+1个矩阵因子W及 预设的特征向量个数；通过W预定迭代次数的迭代计算，根据X+1个矩阵因子W及预设的 特征向量个数，确定至少一个特征向量；根据至少一个特征向量确定剩余的矩阵因子，使得 误差函数的值小于预定迭代阔值。 结合第二方面的第一种或第二种可能的实现方式，在第二方面的第H种可能的实 现方式中，该装置还包括；第四确定模块，确定权重张量，权重张量包括N个元素，N个元本文档来自技高网...

【技术保护点】
一种推荐项目的方法，其特征在于，包括：确定N个偏好值，所述N个偏好值中的每个偏好值指示：多个用户中的目标用户在X个上下文类型指示的条件下，对多个项目中的目标项目的选择偏好程度；根据所述N个偏好值，确定偏好值张量，其中，所述偏好值张量具有X+2个维度，所述X+2个维度为：基于所述多个项目确定的一个维度、基于所述多个用户确定的一个维度以及X个上下文维度，其中，所述X个上下文类型中的第x个上下文类型具有ix个选项，在所述X个上下文维度中，第x个上下文维度是基于第x个上下文类型的ix个选项确定的，所述偏好值张量中包括分别基于所述N个偏好值确定的N个元素，所述偏好值张量包含的元素个数大于N，X和N均为正整数，x的取值从1到X；根据所述偏好值张量，确定X+2个矩阵因子，其中，所述X+2个矩阵因子一一对应于所述X+2个维度，所述X+2个矩阵因子中每个矩阵因子的秩小于所述偏好值张量的秩，所述X+2个矩阵因子的积用于逼近所述偏好值张量；根据所述X+2个矩阵因子中的至少一个矩阵因子进行项目推荐。

【技术特征摘要】

【专利技术属性】
技术研发人员：涂丹丹，刘权，
申请(专利权)人：华为技术有限公司，
类型：发明
国别省市：广东;44