用于生成推荐模型的对象权值的方法和个性化推荐方法与流程

1.本技术涉及推荐数据处理领域，且更为具体地，涉及一种用于生成基础推荐模型的对象权值的方法、个性化推荐方法、装置和电子设备。


背景技术：

2.推荐模型又可以被称为个性化推荐模型，其用于基于预定算法从备选对象中推测出被推荐方可能喜欢的对象。在实际使用过程中，推荐模型的一个主要目的是使推荐的对象更符合被推荐方的喜好，能够被被推荐方选择，特别是首位推荐的对象。例如，对象推荐可以是商品推荐、广告推荐、路线推荐等。因此，对于一个推荐模型而言，只要存在被推荐方所选对象与推荐的对象，尤其是在首位推荐的对象不一致的情况，就说明该推荐模型预测被推荐方个性化倾向的能力还有提升的空间。
3.当前，推荐模型的优化方法主要包括个性化倾向数据挖掘和模型迭代优化两种方式。其中，个性化倾向数据挖掘主要包括基于被推荐方历史行为的统计特征，例如选择某种特点商品的频次，选择某种特点路线的频次，来代表被推荐方个性化的倾向；或者，基于被推荐方的历史选择行为，经过模型对历史选择行为进行编码，该编码中包含反映被推荐方个性化倾向的特征。
4.这些个性化倾向数据均是根据被推荐方历史行为获取的；由于被推荐方历史行为包含所使用的推荐模型对于被推荐方的影响，比如，导航路线推荐等场景，路线推荐模型推荐的首条路线对于被推荐方的引导作用很强，即使被推荐方选择了路线推荐模型推荐的首条路线，也不能代表首条路线是满足被推荐方真实倾向的路线。
5.因此，期望提供一种改进的技术方案，该方案可以用于获得准确表征被推荐方个性化倾向的样本数据。


技术实现要素：

6.为了解决上述技术问题，提出了本技术。本技术的实施例提供了一种样本数据的生成方法、用于生成推荐模型的对象权值的方法、个性化推荐方法、装置和电子设备，其可以获得准确表征被推荐方个性化倾向的样本数据，并通过赋予基础推荐模型的备选对象基于被推荐方偏好的对象权重而使得推荐对象更加符合被推荐方偏好，且通过以此来进行个性化推荐，可以提高推荐的准确性，并改善被推荐方体验。
7.根据本技术的一方面，提供了一种样本数据的生成方法，包括：基于被推荐方行为数据及推荐模型产生的推荐数据，生成被推荐方的基础推荐数据集合；针对被推荐方的基础推荐数据集合中的基础推荐数据，生成所述被推荐方的偏好数据集合；以及，基于所述被推荐方的基础推荐数据集合中的基础推荐数据，对所述被推荐方的偏好数据集合进行筛选，以确定用于对推荐模型进行训练的有效样本数据。
8.在上述样本数据的生成方法中，所述基础推荐数据集合中的每条基础推荐数据包括被推荐方标识，由备选对象向量组成的备选对象集合，模型推荐对象向量，被推荐方选择
对象向量以及第一环境向量。
9.在上述样本数据的生成方法中，针对被推荐方的基础推荐数据集合中的基础推荐数据，生成所述被推荐方的偏好数据集合包括：从所述基础推荐数据确定所述被推荐方的候选数据集，所述候选数据集包括多条候选数据，且每条候选数据的所述模型推荐对象向量与被推荐方选择对象向量不同；对于每条候选数据，计算所述模型推荐对象向量与被推荐方选择对象向量之间的差异以获得对象差异向量；获得所述对象差异向量对应的第一环境向量作为第二环境向量；将所述被推荐方的被推荐方标识、所述对象差异向量和所述第二环境向量构成为与该条候选数据对应的所述被推荐方的偏好数据；以及，将与所述多条候选数据对应的多条所述被推荐方的偏好数据形成为所述被推荐方的偏好数据集合。
10.在上述样本数据的生成方法中，基于所述被推荐方的基础推荐数据集合中的基础推荐数据，对所述被推荐方的偏好数据集合进行筛选，以确定用于对推荐模型进行训练的有效样本数据包括：对于每条候选数据，选择所述被推荐方的偏好数据集合中的第二环境向量中的推荐时间早于所述候选数据的第一环境向量中的推荐时间的候选偏好数据；响应于所述候选偏好数据的数目大于预定阈值，由所述候选偏好数据组成所述候选数据对应的样本偏好集合；以及，由所述候选数据对应的被推荐方标识、备选对象集合，被推荐方选择对象向量、第一环境向量、样本偏好集合和所述候选偏好数据的数目组成所述有效样本数据。
11.在上述样本数据的生成方法中，基于所述用户的基础推荐数据集合中的基础推荐数据，对所述用户的偏好数据集合进行筛选，以确定用于对推荐模型进行训练的有效样本数据进一步包括：基于所述基础推荐数据中的每个用户生成对应的有效样本数据以获得有效样本集合。
12.根据本技术的另一方面，提供了一种用于生成推荐模型的对象权值的方法，包括：获取如上所述的样本数据的生成方法所确定的用于对推荐模型进行训练的有效样本数据；以及，使用所述有效样本数据生成用于对所述推荐模型的备选对象进行加权的对象权值。
13.在上述用于生成推荐模型的对象权值的方法中，使用所述有效样本数据生成用于对所述推荐模型的备选对象进行加权的对象权值包括：对于每条有效样本数据，计算第一环境向量与所述样本偏好集合中的每条偏好数据的第二环境向量之间的相似度；将与每条偏好数据对应的相似度乘以该条偏好数据的对象差异向量，并对所述样本偏好集合中的每条偏好数据求和以获得最终偏好向量；以及，基于所述最终偏好向量，所述有效样本数据中的样本偏好集合中的数据数目和所述第一环境向量获得所述对象权值，所述对象权值以偏好权值向量的形式，所述偏好权值向量的维度与所述备选对象向量的维度相同，且所述偏好权值向量的每一位与所述备选对象向量中的每一位的属性值一一对应。
14.在上述用于生成推荐模型的对象权值的方法中，使用所述有效样本数据生成用于对所述推荐模型的备选对象进行加权的对象权值包括：对于所述有效样本数据，使用第一神经网络计算第一环境向量与所述第二偏好集合中的每条偏好数据的第二环境向量之间的相似度；将与每条偏好数据对应的相似度乘以该条偏好数据的对象差异向量，并对所述样本偏好集合中的每条偏好数据求和以获得最终偏好向量；以及，基于所述最终偏好向量，所述有效样本数据中的样本偏好集合中的数据数目和所述第一环境向量，使用第二神经网络获得所述对象权值，所述对象权值以偏好权值向量的形式，所述偏好权值向量的维度与
所述备选对象向量的维度相同，且所述偏好权值向量的每一位与所述备选对象向量中的每一位的属性值一一对应。
15.在上述用于生成推荐模型的对象权值的方法中，所述第一神经网络和所述第二神经网络的训练过程包括：对于每条有效样本数据，以所述偏好权值向量对所述有效样本数据中的备选对象集合中的每个备选对象向量进行加权以获得所述备选对象集合中的每个备选对象的个性化分数；使用所述推荐模型计算所述备选对象集合中的每个备选对象的基础分数；计算每个备选对象的个性化分数和基础分数的softmax函数值以获得最终分数向量；基于所述备选对象集合中的每个对象是否为被推荐方选择对象生成标签向量；计算所述标签向量与所述最终分数向量的交叉熵损失函数值；以及，基于所述交叉熵损失函数值训练所述第一神经网络和所述第二神经网络。
16.在上述用于生成推荐模型的对象权值的方法中，进一步包括：将基于所有被推荐方及其对应的第一环境向量生成的对象权值组成偏好权值集合，其中，所述偏好权值集合中的每条偏好权值由被推荐方标识、第一环境向量和对象权值组成。
17.根据本技术的再一方面，提供了一种个性化推荐方法，包括：确定待推荐被推荐方的推荐环境参数；获取推荐模型对备选对象评分的基础分数；获取所述待推荐被推荐方在所述推荐环境参数下的对象权值；计算所述备选对象由所述对象权值加权所获得的偏好分数；以及，基于所述备选对象的基础分数和偏好分数进行对象推荐。
18.在上述个性化推荐方法中，获取所述待推荐被推荐方在所述推荐环境参数下的对象权值包括：通过查询偏好权值集合确定是否存在与所述待推荐被推荐方和所述推荐环境参数对应的对象权值；响应于不存在所述对象权值，获取如上所述的样本数据的生成方法所生成的、与所述推荐环境参数对应于的有效样本数据；以及，使用所述有效样本数据，以如上所述的用于生成推荐模型的对象权值的方法生成对象权值。
19.在上述个性化推荐方法中，进一步包括：基于所述有效样本数据中的被推荐方标识和第一环境向量，结合所述对象权值组成偏好权值记录数据；以及，被推荐方将所述偏好权值记录数据组合到所述偏好权值集合中。
20.在上述个性化推荐方法中，进一步包括：响应于存在与所述待推荐被推荐方和所述推荐环境参数对应的对象权值，直接从所述偏好权值集合获取所述待推荐被推荐方在所述推荐环境参数下的对象权值。
21.在上述个性化推荐方法中，进一步包括：将所述偏好权值集合与所述推荐模型结合以获得个性化推荐模型，所述个性化推荐模型的对象分数为所述偏好分数和基础分数的结合；按照如上所述的样本数据的生成方法，将所述个性化推荐模型作为推荐模型以获得新的有效样本数据；按照如上所述的用于生成推荐模型的对象权值的方法，从所述新的有效样本数据获得新的对象权值；基于所述新的对象权值生成新的偏好权值集合；以及，合并所述偏好权值集合和所述新的偏好权值集合以获得更新的偏好权值集合，在所述更新的偏好权值集合中，对象权值是所述偏好权值集合和所述新的偏好权值集合中相应的对象权值之和。
22.根据本技术的另一方面，提供了一种样本数据的生成装置，包括：基础数据生成单元，用于基于被推荐方行为数据及推荐模型产生的推荐数据，生成被推荐方的基础推荐数据集合；偏好数据生成单元，用于针对被推荐方的基础推荐数据集合中的基础推荐数据，生
成所述被推荐方的偏好数据集合；以及，有效样本生成单元，用于基于所述被推荐方的基础推荐数据集合中的基础推荐数据，对所述被推荐方的偏好数据集合进行筛选，以确定用于对推荐模型进行训练的有效样本数据。
23.根据本技术的再一方面，提供了一种用于生成推荐模型的对象权值的装置，包括：有效样本获取单元，用于获取如上所述的样本数据的生成装置所生成的用于对推荐模型进行训练的有效样本数据；以及，对象权值生成单元，用于使用所述有效样本数据生成用于对所述推荐模型的备选对象进行加权的对象权值。
24.根据本技术的又一方面，提供了一种个性化推荐装置，包括：环境确定单元，用于确定待推荐被推荐方的推荐环境参数；分数获取单元，用于获取推荐模型对备选对象评分的基础分数；权值获取单元，用于获取所述待推荐被推荐方在所述推荐环境参数下的对象权值；偏好计算单元，用于计算所述备选对象由所述对象权值加权所获得的偏好分数；以及，对象推荐单元，用于基于所述备选对象的基础分数和偏好分数进行对象推荐。
25.根据本技术的再一方面，提供了一种电子设备，包括：处理器；以及，存储器，在所述存储器中存储有计算机程序指令，所述计算机程序指令在被所述处理器运行时使得所述处理器执行如上所述的样本数据的生成方法、用于生成推荐模型的对象权值的方法和个性化推荐方法。
26.根据本技术的又一方面，提供了一种计算机可读介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行如上所述的样本数据的生成方法、用于生成推荐模型的对象权值的方法和个性化推荐方法。
27.本技术提供的样本数据的生成方法、用于生成推荐模型的对象权值的方法、个性化推荐方法、装置和电子设备，可以获得准确表征被推荐方个性化倾向的样本数据，并通过赋予基础推荐模型的备选对象基于被推荐方偏好的对象权重而使得推荐对象更加符合被推荐方偏好，且通过以此来进行个性化推荐，可以提高推荐的准确性，并改善被推荐方体验。
附图说明
28.通过结合附图对本技术实施例进行更详细的描述，本技术的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本技术实施例的进一步理解，并且构成说明书的一部分，与本技术实施例一起用于解释本技术，并不构成对本技术的限制。在附图中，相同的参考标号通常代表相同部件或步骤。
29.图1图示了根据本技术实施例的样本数据的生成方法、用于生成推荐模型的对象权值的方法和个性化推荐方法的应用场景的示意图；
30.图2图示了根据本技术实施例的样本数据的生成方法的流程图；
31.图3图示了根据本技术实施例的用于生成推荐模型的对象权值的方法的流程图；
32.图4图示了根据本技术实施例的相似度计算函数的神经网络示例的示意图；
33.图5图示了根据本技术实施例的权值计算函数的神经网络示例的示意图；
34.图6图示了根据本技术实施例的偏好权值生成模型的神经网络示例的训练过程的示意图；
35.图7图示了根据本技术实施例的个性化推荐方法的流程图；
36.图8图示了根据本技术实施例的样本数据的生成装置的框图；
37.图9图示了根据本技术实施例的用于生成推荐模型的对象权值的装置的框图；
38.图10图示了根据本技术实施例的个性化推荐装置的框图；
39.图11图示了根据本技术实施例的电子设备的框图。
具体实施方式
40.下面，将参考附图详细地描述根据本技术的示例实施例。显然，所描述的实施例仅仅是本技术的一部分实施例，而不是本技术的全部实施例，应理解，本技术不受这里描述的示例实施例的限制。
41.场景概述
42.图1图示了根据本技术实施例的样本数据的生成方法、用于生成推荐模型的对象权值的方法和个性化推荐方法的应用场景的示意图。
43.如图1所示，推荐模型一般位于服务器s，用于基于来自被推荐方u的移动终端t的推荐请求，向移动终端t推荐对象。具体地，服务器s中包括多个备选对象，服务器s根据预定推荐算法从备选对象中选择推荐对象，并发送到移动终端t。
44.被推荐方u在看到移动终端t上展示的推荐对象之后，可能选择推荐对象中的一个或多个对象，也可能感到推荐的对象不是他/她所需要的，而另外选择其他对象。如上所述，推荐模型的优化的目的就是为了使得推荐对象尽可能地符合被推荐方的需求，从而保证被推荐方所选的对象在推荐对象的范围中。特别地，如果推荐对象是多个对象并且按照预定的推荐分数由大到小排列，则期望被推荐方选择的对象是推荐分数最高，且排列位置最靠前的对象。
45.基于此，根据本技术实施例的样本数据的生成方法用于生成可以准确表征被推荐方个性化倾向的样本数据，且用于生成推荐模型的对象权值的方法用于赋予推荐模型的备选对象基于被推荐方偏好的权重，从而使得推荐模型对于推荐对象的评分更加符合被推荐方偏好。而根据本技术实施例的个性化推荐方法则依据上述方法向被推荐方进行符合被推荐方偏好的个性化推荐，从而提高推荐的准确性，改善被推荐方体验。
46.下面，将参考附图来进一步说明根据本技术实施例的示例性的样本数据的生成方法、用于生成推荐模型的对象权值的方法和个性化推荐方法。
47.示例性样本数据生成方法
48.图2图示了根据本技术实施例的样本数据的生成方法。
49.如图2所示，根据本技术实施例的样本数据的生成方法包括如下步骤。
50.步骤s110，基于被推荐方行为数据及推荐模型产生的推荐数据，生成被推荐方的基础推荐数据集合。也就是，首先需要进行数据收集，以获得推荐模型的基础推荐数据。
51.具体地，在推荐模型运行一段时间之后，收集推荐模型所产生的基础推荐数据，例如，收集到的基础推荐数据的数据集记为d。该数据集d中的每条数据记为d，其是一个五元组，记为d＝(id,o,o
m
,o
u
,e)，o
m
,o
u
∈o。其中，id表示被推荐方标识，即被推荐方id，o表示基础推荐模型中的备选对象的集合，o
m
表示推荐模型推荐的对象，o
u
表示被推荐方选择的对象，e表示推荐时所处的环境。
52.这里，备选对象的集合o中的每个备选对象可以表示为o，并且其与o
m
，o
u
都可以使
用属性向量来表示。例如，如果所述属性向量包含m个属性值，则其是一个m维的向量。
53.以电子地图应用的路线推荐为例，推荐对象是路线，其属性向量表示例如是，o＝(eta,dist,toll,
…
)，其中eta为路线预计用时，dist为路线长度，toll为路线收费。当然，本领域技术人员可以理解，推荐对象的属性向量还可以包括其它属性。并且，推荐对象也可以是其它类型的对象，比如商品、广告等。另外，e也可以由其属性向量来表示，例如，e＝(t,stdist,
…
)，其中，t表示发起推荐的时间，stdist表示起点到终点之间的直线距离。当然，本领域技术人员可以理解，环境的属性向量还可以包括其它属性，因此，e也是一个多维向量，其中每个向量值为一个相应的属性值。
54.因此，在本技术实施例中，所述基础推荐数据集合中的每条基础推荐数据包括被推荐方标识，由备选对象向量组成的备选对象集合，模型推荐对象向量，被推荐方选择对象向量以及第一环境向量。这里，基于基础推荐数据的环境向量被称为第一环境向量。并且，备选对象向量、模型推荐对象向量和被推荐方选择对象向量都是m维向量，包含对象的m个属性值。
55.步骤s120，针对被推荐方的基础推荐数据集合中的基础推荐数据，生成所述被推荐方的偏好数据集合。也就是，需要进行针对被推荐方的个性化偏好挖掘，即，从上述基础推荐数据中确定被推荐方的偏好数据集合，也就是被推荐方的个性化偏好数据。具体地，对于预定被推荐方u(id＝uid)，首先从如上所述的数据集d中筛选满足如下条件的数据集：
[0056][0057]
这里，选出的数据集d
u
可以被称为所述预定被推荐方的候选数据集，其中每条候选数据属于上述数据集d，且该条数据对应的被推荐方id为上述的预定被推荐方u的id，且推荐模型推荐的对象与被推荐方选择的对象不相同。
[0058]
然后，根据也就是，每条数据对应的推荐环境中的发起推荐的时间对d
u
中的数据进行排序(从小到大)，并且，为了表示的方便，排序后的数据集仍然以d
u
表示。
[0059]
接下来，对于d
u
中的每条数据d，计算对象差异向量δo：
[0060][0061]
这里，对象差异向量δo作为模型推荐对象向量与被推荐方选择对象向量的差异向量，其也是一个m维向量。
[0062]
以如上所述的线路对象的属性值向量为例：
[0063]
δo＝(δeta,δdist,δtoll,
…
)
[0064]
并且，将δo与该条数据d中的id和环境e结合，生成一条偏好数据p＝(id,δo,e)。并且，所有的偏好数据组成偏好集合p
u
，表示该预定被推荐方u的偏好集合。以δeta为例，如果δeta>0，则意味着该预定被推荐方相比于基础推荐模型推荐的路线，喜欢路线预计用时更长的路线；反之，则意味着喜欢路线预计用时更短的路线，且δeta的绝对值可以表示该预定被推荐方对于路线预计用时的偏好程度。
[0065]
通过以上的方式，可以对于数据集d中的每个被推荐方u，生成与该被推荐方对应的偏好集合p
u
，这里称为第一偏好集合。
[0066]
因此，在本技术实施例中，针对用户的基础推荐数据集合中的基础推荐数据，生成所述用户的偏好数据集合包括：从所述基础推荐数据确定所述被推荐方的候选数据集，所
述候选数据集包括多条候选数据，且每条候选数据的所述模型推荐对象向量与用户选择对象向量不同；对于每条候选数据，计算所述模型推荐对象向量与被推荐方选择对象向量之间的差异以获得对象差异向量；获得所述对象差异向量对应的第一环境向量作为第二环境向量；将所述被推荐方的被推荐方标识、所述对象差异向量和所述第二环境向量构成为与该条候选数据对应的所述被推荐方的偏好数据；以及，将所述多条候选数据集对应的多条所述被推荐方的偏好数据形成为所述被推荐方的偏好数据集合。
[0067]
也就是，所述被推荐方的所述偏好数据集合包括多条所述被推荐方的偏好数据，且每条偏好数据包括被推荐方标识，作为模型推荐对象向量与被推荐方选择对象向量的差异向量的对象差异向量以及第二环境向量。这里，基于偏好数据的环境向量被称为第二环境向量，以与如上所述的第一环境向量进行区分。当然，本领域技术人员可以理解，所述第二环境向量本质上是与所述第一环境向量相同的。
[0068]
步骤s130，基于所述被推荐方的基础推荐数据集合中的基础推荐数据，对所述被推荐方的偏好数据集合进行筛选，以确定用于对推荐模型进行训练的有效样本数据。因此，该步骤也可以被称为样本生成，且具体地，该步骤包括基于如上所述的所述被推荐方的候选数据集从每条候选数据获得有效样本数据。
[0069]
具体地，对于预定被推荐方u对应的数据集d
u
中的某条数据d，筛选与该条数据对应的偏好集合，这里称为样本偏好集合，其表示为：
[0070][0071]
这表示该样本偏好集合中的偏好数据属于该预定被推荐方u对应的偏好数据集合p
u
，且是该条数据d发生时(即本次推荐发生时)对应的偏好数据，即该偏好集合中的偏好数据对应的推荐时间早于该条数据对应的推荐时间。可以设置p
d
中的元素个数的预定阈值k，其中k>0，以确定该偏好数据集合p
u
是否有效。这里，k可以根据具体情况设置。如果该偏好数据集合p
u
有效，则生成与该条数据d对应的样本数据，记为q，其中，q＝(id,o,o
u
,e,p
d
,n)，其中，id，o，o
u
和e的含义与如上所述的相同。另外，如果该偏好数据集合p
u
无效，即p
d
中的元素个数小于k，则表示基于该条数据d无法生成有效样本。
[0072]
这样，对于预定被推荐方u对应的数据集d
u
中的每条数据，可以生成有效样本，且对于数据集d中的所有被推荐方，可以生成有效样本的集合，例如记为q。值得注意的是，针对该有效样本的集合q中的每个有效样本，例如记为q，其中的偏好数据p
d
是一个集合，即包含多条偏好数据，例如n条数据。
[0073]
因此，在本技术实施例中，基于所述用户的基础推荐数据集合中的基础推荐数据，对所述用户的偏好数据集合进行筛选，以确定用于对推荐模型进行训练的有效样本数据包括：对于每条候选数据，选择所述被推荐方的偏好数据集合中的第二环境向量中的推荐时间早于所述候选数据的第一环境向量中的推荐时间的候选偏好数据；响应于所述候选偏好数据的数目大于预定阈值，由所述候选偏好数据组成所述候选数据对应的样本偏好集合；以及，由所述候选数据对应的被推荐方标识、备选对象集合，被推荐方选择对象向量、第一环境向量、样本偏好集合和所述候选偏好数据的数目组成所述有效样本数据。
[0074]
也就是，在本技术实施例中，每条有效样本数据包括对应于一条候选数据的被推荐方标识、备选对象集合，被推荐方选择对象向量、第一环境向量、所述被推荐方的偏好集
合中早于所述第一环境向量中的推荐时间的偏好数据构成的样本偏好集合、以及样本偏好集合中的数据数目。
[0075]
并且，在本技术实施例中，基于所述用户的基础推荐数据集合中的基础推荐数据，对所述用户的偏好数据集合进行筛选，以确定用于对推荐模型进行训练的有效样本数据进一步包括：基于所述基础推荐数据中的每个被推荐方生成对应的有效样本数据以获得有效样本集合。
[0076]
这样，可以生成能够准确表征被推荐方个性化倾向的样本数据，从而基于样本数据来生成推荐模型的对象权值，可以使得对象权值能够赋予推荐模型的备选对象基于被推荐方偏好的权重，从而使得推荐模型对于推荐对象的评分更加符合被推荐方偏好。
[0077]
示例性对象权值生成方法
[0078]
图3图示了根据本技术实施例的用于生成推荐模型的对象权值的方法的流程图。
[0079]
如图3所示，根据本技术实施例的用于生成推荐模型的对象权值的方法包括如下步骤。
[0080]
步骤s210，获取如上所述的样本数据的生成方法所确定的用于对推荐模型进行训练的有效样本数据。也就是，获取如上所述的有效样本的集合q。
[0081]
步骤s220，使用所述有效样本数据生成用于对所述推荐模型推荐的对象进行加权的对象权值。因为如上所述，所述推荐模型的备选对象是以对象向量的形式，因此，在本技术实施例中，用于对备选对象的对象向量进行加权的对象权值也是以权值向量的形式。并且，由于所述权值向量能够体现出被推荐方的偏好，因此在下文中也称为偏好权值向量。
[0082]
具体地，对于以上有效样本的集合q中的每条有效样本数据q，计算其第一偏好向量，这里记为q
e
，与样本偏好集合中的每条偏好数据的第二环境向量，这里记为p
e
，之间的相似度，表示为：
[0083]
sim
pq
＝f
sim
(p
e
,q
e
),0≤sim
pq
≤1
[0084]
这里，f
sim
为相似度计算函数，其可以使用向量的余弦距离来计算，并且也可以使用神经网络来计算。如上所述，样本偏好集合中包含n条偏好数据，因此计算出的相似度应该是n个数值。
[0085]
具体地，图4图示了根据本技术实施例的相似度计算函数的神经网络示例的示意图。如图4所示，将第一环境向量q
e
和第二环境向量和第二环境向量进行矩阵相乘(matmul)，然后乘以一个缩放因子(scale)，例如，该缩放因子可以是q
e
的维度数量的平方根的倒数，最后通过softmax函数获得相似度
[0086]
接下来，计算最终偏好向量，表示为：
[0087][0088]
这里，是该条有效样本数据的样本偏好集合中的每条偏好数据中的对象差异向量。如上所述，对于该条有效样本数据，n个相似度的数值可以组成可以n维向量，而n个对象差异向量可以组成一个n
×
m的矩阵，因此，最终偏好向量也可以表示为该条有效样本数据的相似度向量与对象差异矩阵的矩阵乘积，其输出为一个m维向量，与对象向量的维度相
同，且每一位都与对象向量的一位相对应。
[0089]
然后，基于最终偏好向量计算偏好权值向量，表示为：
[0090][0091]
例如，针对如上所述的以路线为例的特征向量，则以上偏好权值向量表示为：
[0092]
w＝(w
eta
,w
dist
,w
toll
,
…
)
[0093]
这里，f
w
为权值计算函数，其可以通过神经网络实现，也可以基于规则实现，并通过人工调整参数来优化。并且，q
n
表示该条样本数据中的样本偏好集合中的数据数目，q
e
表示该条样本数据中的第一环境向量。
[0094]
具体地，图5图示了根据本技术实施例的权值计算函数的神经网络示例的示意图。如图5所示，将q
n
，q
e
输入由全连接层组成的深度神经网络，并计算出偏好权值向量w。值得注意的是，所述偏好权值向量w用于对对象向量o进行加权，因此偏好权值向量w与对象向量o的维度应该相同，即都是m维，且偏好权值向量w的每一位也应该与对象向量o中的每一位的属性值一一对应。
[0095]
因此，在本技术实施例中，偏好权值向量w能够直接反映出被推荐方对于对象的属性的偏好程度。例如w
dist
反映了被推荐方对于路线长度的偏好程度，w
dist
越小，则被推荐方越喜爱路线长度短的路线。这样，所述偏好权值w的可解释性强。
[0096]
在本技术实施例中，使用所述有效样本数据生成用于对所述基础推荐模型推荐的对象进行加权的对象权值包括：对于每条有效样本数据，计算第一环境向量与所述样本偏好集合中的每条偏好数据的第二环境向量之间的相似度；将与每条偏好数据对应的相似度乘以该条偏好数据的对象差异向量，并对所述样本偏好集合中的每条偏好数据求和以获得最终偏好向量；以及，基于所述最终偏好向量，所述有效样本数据中的样本偏好集合中的数据数目和所述第一环境向量获得所述偏好权值向量，所述偏好权值向量与所述备选对象向量的维度相同，且所述偏好权值向量的每一位与所述备选对象向量中的每一位的属性值一一对应。
[0097]
在实际应用过程中，当采用神经网络来计算相似度和权值时，神经网络需要进行训练，下面，将进一步说明神经网络的训练步骤。
[0098]
对于有效样本数据q，在获得了其偏好权值向量w之后，计算其备选对象集合，记为q
o
，中的每个对象的个性化分数，表示为：
[0099]
s
prefer
＝{w
·
o|o∈q
o
}＝(prefer1,prefer2,
…
)
[0100]
其中，w
·
o表示对于m维的偏好权值向量w和m维的对象向量o计算向量乘积，相当于计算对象向量o中的每一位以偏好权值向量w中的每一位加权的加权和。
[0101]
并且，使用基础推荐模型计算q
o
中的每个对象的基础分数，表示为：
[0102]
s
base
＝(base1,base2,
…
)
[0103]
然后计算最终分数，为：
[0104]
s＝softmax(s
base
s
prefer
)＝(s1,s2,
…
),0≤s
i
≤1,∑s
i
＝1
[0105]
然后，根据有效样本数据的被推荐方选择对象向量，记为生成标签，表示为：
[0106]
[0107]
其中，o
i
＝o
u
表示该备选对象集合中的对象是被推荐方选择对象，而o
i
≠o
u
表示该备选对象集合中的对象不是被推荐方选择对象。
[0108]
这里，样本数据q，s
prefer
，s
base
，s和s
l
中的元素个数都等于该条有效样本数据中的被选对象集合q
o
中的对象个数，且一一对应。并且，通过计算s和s
l
的交叉熵损失函数值，在通过梯度下降或者adam(adaptive moment estimation：自适应动量估计)等训练方式，就可以完成神经网络的训练。
[0109]
图6图示了根据本技术实施例的偏好权值生成模型的神经网络示例的训练过程的示意图。如图6所述，对于每条有效样本数据，通过第一神经网络计算其第一环境向量与样本偏好集合中的n条偏好数据的第二环境向量之间的n个相似度。然后，将所述n个相似度分别与所述第二偏好集合中的对应的偏好数据的对象差异向量相乘并求和，以获得最终偏好向量。然后，基于所述最终偏好向量，所述有效样本数据中的样本偏好集合中的数据条数n，以及第一环境向量通过第二神经网络计算偏好权值向量。然后，以所述偏好权值向量对所述有效样本数据中的备选对象集合中的每个对象向量进行加权以获得所述备选对象集合中的每个对象的个性化分数。然后，使用基础推荐模型计算所述备选对象集合中的每个对象的基础分数，并计算每个对象的个性化分数和基础分数的softmax函数值以获得最终分数向量。然后，基于所述备选对象集合中的每个对象是否为被推荐方选择对象生成标签向量，并计算所述标签向量与所述最终分数向量的交叉熵损失函数值，基于所述交叉熵损失函数值训练所述第一神经网络和所述第二神经网络。
[0110]
因此，在本技术实施例中，使用所述有效样本数据生成用于对所述基础推荐模型的备选对象进行加权的对象权值包括：对于所述每条有效样本数据，使用第一神经网络计算第一环境向量与所述样本偏好集合中的每条偏好数据的第二环境向量之间的相似度；将与每条偏好数据对应的相似度乘以该条偏好数据的对象差异向量，并对所述样本偏好集合中的每条偏好数据求和以获得最终偏好向量；以及，基于所述最终偏好向量，所述有效样本数据中的样本偏好集合中的数据数目和所述第一环境向量，使用第二神经网络获得所述偏好权值向量，所述偏好权值向量与所述备选对象向量的维度相同，且所述偏好权值向量的每一位与所述备选对象向量中的每一位的属性值一一对应。
[0111]
并且，在本技术实施例中，所述第一神经网络和所述第二神经网络的训练过程包括：对于每条有效样本数据，以所述偏好权值向量对所述有效样本数据中的备选对象集合中的每个备选对象向量进行加权以获得所述备选对象集合中的每个备选对象的个性化分数；使用所述推荐模型计算所述备选对象集合中的每个备选对象的基础分数；计算每个备选对象的个性化分数和基础分数的softmax函数值以获得最终分数向量；基于所述备选对象集合中的每个对象是否为被推荐方选择对象生成标签向量；计算所述标签向量与所述最终分数向量的交叉熵损失函数值；以及，基于所述交叉熵损失函数值训练所述第一神经网络和所述第二神经网络。
[0112]
这样，通过如上所述的用于生成推荐模型的对象权值的方法，可以生成相对于被推荐方u的，由推荐模型推荐的被选对象的对象权值。这样，对于每个被推荐方u，可以针对该被推荐方历史上出现过的推荐环境e(如果同一环境出现过多次，则取最新的一次)下的数据d，通过如上所述的样本数据的生成方法构建有效样本数据q，并以如上所述的用于生成推荐模型的对象权值的方法计算权值向量w，从而生成一条偏好权值记录uew＝(id,e,
w)。如果d无法生成有效样本数据q，则不计算该被推荐方在该环境下的w。并且，由于同一被推荐方可能出现过多种推荐环境，则可能生成多条uew记录。
[0113]
并且，所有用户及其对应环境生成的所有uew记录可以组成偏好权值集合，记为uew。在该集合中，同一(id,e)对应于唯一的一个w。
[0114]
因此，在根据本技术实施例的用于生成推荐模型的对象权值的方法中，进一步包括：将基于所有被推荐方及其对应的第一环境向量生成的对象权值组成偏好权值集合，其中，所述偏好权值集合中的每条偏好权值由用户标识、第一环境向量和对象权值组成。
[0115]
示例性个性化推荐方法
[0116]
图7图示了根据本技术实施例的个性化推荐方法的流程图。
[0117]
如图7所示，根据本技术实施例的个性化推荐方法包括如下步骤。
[0118]
步骤s310，确定待推荐被推荐方的推荐环境参数。也就是，对于待推荐的被推荐方，确定如上所述的推荐模型的基础推荐数据中的第一环境向量e。
[0119]
步骤s320，获取推荐模型对备选对象评分的基础分数，也就是，如上所述由推荐模型对备选对象评分所获得的基础分数s
base
。
[0120]
步骤s330，获取所述待推荐被推荐方在所述推荐环境参数下的对象权值。这里，如上所述，通过构建偏好权值集合，可以获得不同的被推荐方在不同的推荐环境参数下的对象权值。因此，可以通过查询偏好权值集合确定是否存在与所述待推荐被推荐方和所述推荐环境参数对应的对象权值。如果存在与所述待推荐被推荐方和所述推荐环境参数对应的对象权值，则可以直接从所述偏好权值集合获取所述待推荐被推荐方在所述推荐环境参数下的对象权值。
[0121]
而如果不存在与所述待推荐被推荐方和所述推荐环境参数对应的对象权值，则可以按照如上所述的样本数据的生成方法和用于生成推荐模型的对象权值的方法来生成对象权值。
[0122]
因此，在根据本技术实施例的个性化推荐方法中，获取所述待推荐用户在所述推荐环境参数下的对象权值包括：通过查询偏好权值集合确定是否存在与所述待推荐被推荐方和所述推荐环境参数对应的对象权值；响应于不存在所述对象权值，获取如上所述的样本数据的生成方法所生成的、与所述推荐环境参数对应的有效样本数据；以及，使用所述有效样本数据，以如上所述的用于生成推荐模型的对象权值的方法生成对象权值。
[0123]
并且，在上述个性化推荐方法中，进一步包括：基于所述有效样本数据中的被推荐方标识和第一环境向量，结合所述对象权值组成偏好权值记录数据；以及，将所述偏好权值记录数据组合到所述偏好权值集合中。
[0124]
此外，在上述个性化推荐方法中，进一步包括：响应于存在与所述待推荐用户和所述推荐环境参数对应的对象权值，直接从所述偏好权值集合获取所述待推荐用户在所述推荐环境参数下的对象权值。
[0125]
步骤s340，计算所述备选对象由所述对象权值加权所获得的偏好分数。即，如上所述的s
prefer
＝w
·
o。
[0126]
步骤s350，基于所述备选对象的基础分数和偏好分数进行对象推荐。例如，将s＝s
base
s
prefer
作为最终分数，并选取分数最高的对象作为推荐对象。此外，本领域技术人员可以理解，也可以使用基础分数和偏好分数的加权和，或者通过其它算法计算出的分数。
[0127]
也就是，在本技术实施例的个性化推荐方法中，不同被推荐方的个性化倾向最终是由偏好权值集合来反映的，并且这种倾向是一种基于模型的倾向，是根据推荐模型得到的。因此，可以基于这种倾向得到个性化的偏好分数，并利用该分数来修正推荐模型，以此来优化推荐模型。
[0128]
这样，在如上所述的个性化推荐方法中，当需要对新的待推荐的被推荐方进行对象推荐时，可以直接使用被推荐方的id从所述偏好权值集合中查询获得对象权值，并使用如上所述的方式来获得基础分数和偏好分数，并进行对象推荐。
[0129]
而如果根据被推荐方的id查询所述偏好权值集合没有获得与所述新的待推荐的被推荐方对应的对象权值，则也可以仅基于推荐模型对所述新的待推荐的被推荐方进行对象推荐。
[0130]
并且，在本技术实施例中，通过如上所述的将基础分数和偏好分数相结合，实际上从推荐模型获得了新的个性化推荐模型。也就是，所述个性化推荐模型是推荐模型与初始的偏好权值集合的结合，例如可以表示为m＝{m
b
,uew}，其中m是个性化推荐模型，m
b
是推荐模型。
[0131]
个性化推荐模型m在使用一段时间之后，可以以与推荐模型类似的方式获得个性化推荐数据，并且按照如上所述的生成对象权值的方法，可以生成新的偏好权值集合uew
new
。
[0132]
这样，可以合并初始的偏好权值集合uew和新的偏好权值集合uew
new
。这里，对于相同的(id,e)，如果仅在uew和uew
new
中的一个出现，则保留其对应的(id,e,w)的记录，否则，则合并两个记录得到(id,e,w0 w1)，其中，w0和w1分别是uew和uew
new
中的对象权值。这样，合并后获得更新的偏好权值集合，例如表示为uew
update
，相应地，更新的个性化推荐集合表示为m
update
＝{m
b
,uew
update
}。因此，在本技术实施例中，可以通过上述方式实现偏好权值的迭代，并且，迭代周期可以视情况而定，比如一个月、三个月等，理论上只要收集到足够的数据，就可以进行一次迭代。
[0133]
也就是，在根据本技术实施例的个性化推荐方法中，进一步包括：将所述偏好权值集合与所述推荐模型结合以获得个性化推荐模型，所述个性化推荐模型的对象分数为所述偏好分数和基础分数的结合；按照如上所述的样本数据的生成方法，将所述个性化推荐模型作为推荐模型以获得新的有效样本数据；按照如上所述的用于生成推荐模型的对象权值的方法，从所述新的有效样本数据获得新的对象权值；基于所述新的对象权值生成新的偏好权值集合；以及，合并所述偏好权值集合和所述新的偏好权值集合以获得更新的偏好权值集合，在所述更新的偏好权值集合中，对象权值是所述偏好权值集合和所述新的偏好权值集合中相应的对象权值之和。
[0134]
因此，在本技术实施例中，可以通过不断更新偏好权值集合来进行个性化倾向的迭代，从而提高个性化推荐的准确性。
[0135]
示例性装置
[0136]
图8图示了根据本技术实施例的样本数据的生成装置的框图。
[0137]
如图8所示，根据本技术实施例的样本数据的生成装置400包括：基础数据生成单元410，用于基于被推荐方行为数据及推荐模型产生的推荐数据，生成被推荐方的基础推荐数据集合；偏好数据生成单元420，用于针对被推荐方的基础推荐数据集合中的基础推荐数
据，生成所述被推荐方的偏好数据集合；以及，有效样本生成单元430，用于基于所述被推荐方的基础推荐数据集合中的基础推荐数据，对所述被推荐方的偏好数据集合进行筛选，以确定用于对推荐模型进行训练的有效样本数据。
[0138]
在一个示例中，在上述样本数据的生成装置400中，所述基础推荐数据集合中的每条基础推荐数据包括被推荐方标识，由备选对象向量组成的备选对象集合，模型推荐对象向量，被推荐方选择对象向量以及第一环境向量。
[0139]
在一个示例中，在上述样本数据的生成装置400中，所述偏好数据生成单元420用于：从所述基础推荐数据确定所述被推荐方的候选数据集，所述候选数据集包括多条候选数据，且每条候选数据的所述模型推荐对象向量与被推荐方选择对象向量不同；对于每条候选数据，计算所述模型推荐对象向量与被推荐方选择对象向量之间的差异以获得对象差异向量；获得所述对象差异向量对应的第一环境向量作为第二环境向量；将所述被推荐方的被推荐方标识、所述对象差异向量和所述第二环境向量构成为与该条候选数据对应的所述被推荐方的偏好数据；以及，将与所述多条候选数据对应的多条所述被推荐方的偏好数据形成为所述被推荐方的偏好数据集合。
[0140]
在一个示例中，在上述样本数据的生成装置400中，所述有效样本生成单元430用于：对于每条候选数据，选择所述被推荐方的偏好数据集合中的第二环境向量中的推荐时间早于所述候选数据的第一环境向量中的推荐时间的候选偏好数据；响应于所述候选偏好数据的数目大于预定阈值，由所述候选偏好数据组成所述候选数据对应的样本偏好集合；以及，由所述候选数据对应的被推荐方标识、备选对象集合，被推荐方选择对象向量、第一环境向量、样本偏好集合和所述候选偏好数据的数目组成所述有效样本数据。
[0141]
在一个示例中，在上述样本数据的生成装置400中，所述有效样本生成单元430进一步用于：基于所述基础推荐数据中的每个用户生成对应的有效样本数据以获得有效样本集合。
[0142]
图9图示了根据本技术实施例的用于生成推荐模型的对象权值的装置的框图。
[0143]
如图9所示，根据本技术实施例的用于生成推荐模型的对象权值的装置500包括：有效样本获取单元510，用于获取如上所述的样本数据的生成装置400所生成的用于对推荐模型进行训练的有效样本数据；以及，对象权值生成单元520，用于使用所述有效样本数据生成用于对所述推荐模型的备选对象进行加权的对象权值。
[0144]
在一个示例中，在上述用于生成推荐模型的对象权值的装置500中，所述对象权值生成单元520用于：对于每条有效样本数据，计算第一环境向量与所述样本偏好集合中的每条偏好数据的第二环境向量之间的相似度；将与每条偏好数据对应的相似度乘以该条偏好数据的对象差异向量，并对所述样本偏好集合中的每条偏好数据求和以获得最终偏好向量；以及，基于所述最终偏好向量，所述有效样本数据中的样本偏好集合中的数据数目和所述第一环境向量获得所述对象权值，所述对象权值以偏好权值向量的形式，所述偏好权值向量的维度与所述备选对象向量的维度相同，且所述偏好权值向量的每一位与所述备选对象向量中的每一位的属性值一一对应。
[0145]
在一个示例中，在上述用于生成推荐模型的对象权值的装置500中，所述对象权值生成单元520用于：对于所述有效样本数据，使用第一神经网络计算第一环境向量与所述第二偏好集合中的每条偏好数据的第二环境向量之间的相似度；将与每条偏好数据对应的相
似度乘以该条偏好数据的对象差异向量，并对所述样本偏好集合中的每条偏好数据求和以获得最终偏好向量；以及，基于所述最终偏好向量，所述有效样本数据中的样本偏好集合中的数据数目和所述第一环境向量，使用第二神经网络获得所述对象权值，所述对象权值以偏好权值向量的形式，所述偏好权值向量的维度与所述备选对象向量的维度相同，且所述偏好权值向量的每一位与所述备选对象向量中的每一位的属性值一一对应。
[0146]
在一个示例中，在上述用于生成推荐模型的对象权值的装置500中，所述第一神经网络和所述第二神经网络的训练过程包括：对于每条有效样本数据，以所述偏好权值向量对所述有效样本数据中的备选对象集合中的每个备选对象向量进行加权以获得所述备选对象集合中的每个备选对象的个性化分数；使用所述推荐模型计算所述备选对象集合中的每个备选对象的基础分数；计算每个备选对象的个性化分数和基础分数的softmax函数值以获得最终分数向量；基于所述备选对象集合中的每个对象是否为被推荐方选择对象生成标签向量；计算所述标签向量与所述最终分数向量的交叉熵损失函数值；以及，基于所述交叉熵损失函数值训练所述第一神经网络和所述第二神经网络。
[0147]
在一个示例中，在上述用于生成推荐模型的对象权值的装置500中，进一步包括：权值集合生成单元，用于将基于所有被推荐方及其对应的第一环境向量生成的对象权值组成偏好权值集合，其中，所述偏好权值集合中的每条偏好权值由被推荐方标识、第一环境向量和对象权值组成。
[0148]
图10图示了根据本技术实施例的个性化推荐装置的框图。
[0149]
如图10所示，根据本技术实施例的个性化推荐装置600包括：环境确定单元610，用于确定待推荐被推荐方的推荐环境参数；分数获取单元620，用于获取推荐模型对备选对象评分的基础分数；权值获取单元630，用于获取所述待推荐被推荐方在所述推荐环境参数下的对象权值；偏好计算单元640，用于计算所述备选对象由所述对象权值加权所获得的偏好分数；以及，对象推荐单元650，用于基于所述备选对象的基础分数和偏好分数进行对象推荐。
[0150]
在一个示例中，在上述个性化推荐装置600中，所述权值获取单元630用于：通过查询偏好权值集合确定是否存在与所述待推荐被推荐方和所述推荐环境参数对应的对象权值；响应于不存在所述对象权值，获取如上所述的样本数据的生成方法所生成的、与所述推荐环境参数对应于的有效样本数据；以及，使用所述有效样本数据，以如上所述的用于生成推荐模型的对象权值的方法生成对象权值。
[0151]
在一个示例中，在上述个性化推荐装置600中，所述权值获取单元630进一步用于：基于所述有效样本数据中的被推荐方标识和第一环境向量，结合所述对象权值组成偏好权值记录数据；以及，被推荐方将所述偏好权值记录数据组合到所述偏好权值集合中。
[0152]
在一个示例中，在上述个性化推荐装置600中，所述权值获取单元630进一步用于：响应于存在与所述待推荐被推荐方和所述推荐环境参数对应的对象权值，直接从所述偏好权值集合获取所述待推荐被推荐方在所述推荐环境参数下的对象权值。
[0153]
在一个示例中，在上述个性化推荐装置600中，进一步包括模型更新单元，用于：将所述偏好权值集合与所述推荐模型结合以获得个性化推荐模型，所述个性化推荐模型的对象分数为所述偏好分数和基础分数的结合；按照如上所述的样本数据的生成方法，将所述个性化推荐模型作为推荐模型以获得新的有效样本数据；按照如上所述的用于生成推荐模
型的对象权值的方法，从所述新的有效样本数据获得新的对象权值；基于所述新的对象权值生成新的偏好权值集合；以及，合并所述偏好权值集合和所述新的偏好权值集合以获得更新的偏好权值集合，在所述更新的偏好权值集合中，对象权值是所述偏好权值集合和所述新的偏好权值集合中相应的对象权值之和。
[0154]
这里，本领域技术人员可以理解，上述样本数据的生成装置400、用于生成推荐模型的对象权值的装置500和个性化推荐装置600中的各个单元和模块的具体功能和操作已经在上面参考图1到图7的样本数据的生成方法、用于生成推荐模型的对象权值的方法和个性化推荐方法的描述中得到了详细介绍，并因此，将省略其重复描述。
[0155]
如上所述，根据本技术实施例的样本数据的生成装置400、用于生成推荐模型的对象权值的装置500和个性化推荐装置600可以实现在各种服务器设备中，例如提供推荐服务的服务器等。在一个示例中，根据本技术实施例的样本数据的生成装置400、用于生成推荐模型的对象权值的装置500和个性化推荐装置600可以作为一个软件模块和/或硬件模块而集成到服务器设备中。例如，该样本数据的生成装置400、用于生成推荐模型的对象权值的装置500和个性化推荐装置600可以是该服务器设备的操作系统中的一个软件模块，或者可以是针对于该服务器设备所开发的一个应用程序；当然，样本数据的生成装置400、用于生成推荐模型的对象权值的装置500和个性化推荐装置600同样可以是该服务器设备的众多硬件模块之一。
[0156]
替换地，在另一示例中，该样本数据的生成装置400、用于生成推荐模型的对象权值的装置500和个性化推荐装置600与该服务器设备也可以是分立的设备，并且该样本数据的生成装置400、用于生成推荐模型的对象权值的装置500和个性化推荐装置600可以通过有线和/或无线网络连接到该服务器设备，并且按照约定的数据格式来传输交互信息。
[0157]
示例性电子设备
[0158]
下面，参考图11来描述根据本技术实施例的电子设备。
[0159]
图11图示了根据本技术实施例的电子设备的框图。
[0160]
如图11所示，电子设备10包括一个或多个处理器11和存储器12。
[0161]
处理器13可以是中央处理单元(cpu)或者具有数据处理能力和/或指令执行能力的其他形式的处理单元，并且可以控制电子设备10中的其他组件以执行期望的功能。
[0162]
存储器12可以包括一个或多个计算机程序产品，所述计算机程序产品可以包括各种形式的计算机可读存储介质，例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器(ram)和/或高速缓冲存储器(cache)等。所述非易失性存储器例如可以包括只读存储器(rom)、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令，处理器11可以运行所述程序指令，以实现上文所述的本技术的各个实施例的样本数据的生成方法、用于生成推荐模型的对象权值的方法和个性化推荐方法以及/或者其他期望的功能。在所述计算机可读存储介质中还可以存储诸如样本数据、对象权值等各种内容。
[0163]
在一个示例中，电子设备10还可以包括：输入装置13和输出装置14，这些组件通过总线系统和/或其他形式的连接机构(未示出)互连。
[0164]
该输入装置13可以包括例如键盘、鼠标等等。
[0165]
该输出装置14可以向外部输出各种信息，包括个性化推荐结果等。该输出装置14
可以包括例如显示器、扬声器、打印机、以及通信网络及其所连接的远程输出设备等等。
[0166]
当然，为了简化，图11中仅示出了该电子设备10中与本技术有关的组件中的一些，省略了诸如总线、输入/输出接口等等的组件。除此之外，根据具体应用情况，电子设备10还可以包括任何其他适当的组件。
[0167]
示例性计算机程序产品和计算机可读存储介质
[0168]
除了上述方法和设备以外，本技术的实施例还可以是计算机程序产品，其包括计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本技术各种实施例的样本数据的生成方法、用于生成推荐模型的对象权值的方法和个性化推荐方法中的步骤。
[0169]
所述计算机程序产品可以以一种或多种程序设计语言的任意组合来编写用于执行本技术实施例操作的程序代码，所述程序设计语言包括面向对象的程序设计语言，诸如java、c 等，还包括常规的过程式程序设计语言，诸如“c”语言或类似的程序设计语言。程序代码可以完全地在第一被推荐方计算设备上执行、部分地在第一被推荐方设备上执行、作为一个独立的软件包执行、部分在第一被推荐方计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。
[0170]
此外，本技术的实施例还可以是计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本技术各种实施例的样本数据的生成方法、用于生成推荐模型的对象权值的方法和个性化推荐方法中的步骤。
[0171]
所述计算机可读存储介质可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以包括但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、便携式紧凑盘只读存储器(cd
‑
rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。
[0172]
以上结合具体实施例描述了本技术的基本原理，但是，需要指出的是，在本技术中提及的优点、优势、效果等仅是示例而非限制，不能认为这些优点、优势、效果等是本技术的各个实施例必须具备的。另外，上述公开的具体细节仅是为了示例的作用和便于理解的作用，而非限制，上述细节并不限制本技术为必须采用上述具体的细节来实现。
[0173]
本技术中涉及的器件、装置、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的，可以按任意方式连接、布置、配置这些器件、装置、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇，指“包括但不限于”，且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”，且可与其互换使用，除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”，且可与其互换使用。
[0174]
还需要指出的是，在本技术的装置、设备和方法中，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本技术的等效方案。
[0175]
提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本技术。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的，并且在此定义
的一般原理可以应用于其他方面而不脱离本技术的范围。因此，本技术不意图被限制到在此示出的方面，而是按照与在此公开的原理和新颖的特征一致的最宽范围。
[0176]
为了例示和描述的目的已经给出了以上描述。此外，此描述不意图将本技术的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例，但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。