一种主动控制影响特征的推荐方法与流程

1.本发明涉及互联网技术领域，特别是涉及一种主动控制影响特征的推荐方法。


背景技术：

2.随着互联网规模的不断扩大和互联网技术的飞速发展，推荐系统已经深入参与到各种内容服务中。其中，协同过滤被作为主流推荐算法，但常规协同过滤模型忽略了一个重要要素，造成信息的孤岛化、信息的覆盖率不足，导致推荐解释性不强、控制力弱的问题，不能友好的给用户推荐更广泛、导向正确的信息。


技术实现要素：

3.本发明的目的是提供一种主动控制影响特征的推荐方法，通过引入影响因子并对现有特征加权处理，提升了推荐结果的可控性。
4.为实现上述目的，本发明提供了如下方案：
5.一种主动控制影响特征的推荐方法，包括以下步骤：
6.s1)将采集到的用户浏览信息、购买信息和观看信息转换为信息矩阵；
7.s2)基于信息矩阵，采用交替最小二乘法生成用户特征矩阵和物品特征矩阵；
8.s3)对符合运营方推荐导向的物品进行特征抽象，增加第一影响因子扩增物品特征矩阵的维度，之后增加第二影响因子扩增用户特征矩阵的维度；
9.s4)根据扩增维度后的物品特征矩阵和扩增维度后的用户特征矩阵计算最终推荐结果。
10.可选的，步骤s1)所述将采集到的用户浏览信息、购买信息和观看信息转换为信息矩阵，具体包括步骤：
11.s101)确定浏览权重α、观看权重β和购买权重γ，α<β<γ，并获取时间信息的降权函数τ(t)：
[0012][0013]
式中：t
time
为信息事件发生时间与当前时间之间的差值；
[0014]
s102)计算权重得分s；
[0015][0016]
s103)获得信息矩阵记为n，信息矩阵n的行为用户的一次行为信息，列依次为用户u、物品i、权重得分s。
[0017]
可选的，步骤s3)中对符合运营方推荐导向的物品进行特征抽象，增加第一影响因子扩增物品特征矩阵的维度，具体包括步骤：
[0018]
s301)选取符合运营方推荐导向的物品集合v，得到导向物品矩阵v
e
×
k
，e为符合运
营方推荐导向物品的数量，k为隐向量维度；
[0019]
s302)计算物品特征权重矩阵f
n
×
e
：
[0020][0021]
式中：q
n
×
k
为物品特征矩阵，为导向物品矩阵v
e
×
k
的转置，n为物品数量；
[0022]
s303)对物品特征权重矩阵f
n
×
e
进行加权聚合操作，生成表征导向方向信息的第一影响因子f
n
×1：
[0023]
f
n
×
e
×
t
e
×1＝f
n
×1[0024]
式中：t
e
×1为加权聚合的超参数；
[0025]
s304)将第一影响因子f
n
×1融合到物品特征矩阵q
n
×
k
生成新的物品特征矩阵q
n
×
(k 1)
：
[0026]
q
n
×
(k 1)
＝q
n
×
k
|f
n
×1；
[0027]
所述增加第二影响因子扩增用户特征矩阵的维度，具体包括步骤：
[0028]
s311)增加第二影响因子l
m
×1：
[0029][0030]
式中：l
i
＝w(a
i
，r
i
，s
i
)，表示用户i的第二影响因子，a
i
为用户i的年龄，r
i
为用户i的喜好类型，s
i
为用户i的职业，w为加权函数，m为用户数量；
[0031]
s312)融合第二影响因子l
m
×1和用户特征矩阵p
m
×
k
，得到新的用户特征矩阵p
m
×
(k 1)
：
[0032]
p
m
×
(k 1)
＝p
m
×
k
|l
m
×1。
[0033]
可选的，步骤s4)所述根据扩增维度后的物品特征矩阵和扩增维度后的用户特征矩阵计算最终推荐结果，计算公式为：
[0034][0035]
式中：为最终推荐结果，为新的物品特征矩阵q
n
×
(k 1)
的转置。
[0036]
根据本发明提供的具体实施例，本发明公开了以下技术效果：本发明提供的主动控制影响特征的推荐方法，通过引入导向扩展维度，对推荐结果进行引导，从而提升推荐结果的可控制性，使得推荐系统能友好的给用户推荐更广泛、导向正确的信息。
附图说明
[0037]
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性的前提下，还可以根据这些附图获得其他的附图。
[0038]
图1为本发明实施例主动控制影响特征的推荐方法的流程图。
具体实施方式
[0039]
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0040]
本发明的目的是提供一种主动控制影响特征的推荐方法，通过引入影响因子并对现有特征加权处理，提升了推荐结果的可控性。
[0041]
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
[0042]
如图1所示，本发明实施例提供的主动控制影响特征的推荐方法，包括以下步骤：
[0043]
s1)将采集到的用户浏览信息、购买信息和观看信息转换为信息矩阵；
[0044]
s2)基于信息矩阵，采用交替最小二乘法生成用户特征矩阵和物品特征矩阵；
[0045]
s3)对符合运营方推荐导向的物品进行特征抽象，增加第一影响因子扩增物品特征矩阵的维度，之后增加第二影响因子扩增用户特征矩阵的维度；
[0046]
s4)根据扩增维度后的物品特征矩阵和扩增维度后的用户特征矩阵计算最终推荐结果。
[0047]
步骤s1)所述将采集到的用户浏览信息、购买信息和观看信息转换为信息矩阵，具体包括步骤：
[0048]
s101)确定浏览权重α、观看权重β和购买权重γ，α<β<γ，并获取时间信息的降权函数τ(t)：
[0049][0050]
式中：t
time
为信息事件发生时间与当前时间之间的差值；差值越大表明信息事件发生的时间越久，对结果的影响越小，降权函数τ(t)惩罚越大；
[0051]
s102)计算权重得分s；
[0052][0053]
s103)获得信息矩阵记为n，信息矩阵n的行为用户的一次行为信息，列依次为用户u、物品i、权重得分s。
[0054]
示例如下：
[0055][0056]
比如第一行为用户u1对物品i3的行为信息，对应权重得分s
13
；第二行为用户u2对物品i3的行为信息，对应权重得分s
23
；依此类推。
[0057]
步骤s3)中对符合运营方推荐导向的物品进行特征抽象，增加第一影响因子扩增物品特征矩阵的维度，具体包括步骤：
[0058]
s301)选取符合运营方推荐导向的物品集合v，得到导向物品矩阵v
e
×
k
，e为符合运营方推荐导向物品的数量，k为隐向量维度；
[0059]
s302)计算物品特征权重矩阵f
n
×
e
：
[0060][0061]
式中：q
n
×
k
为物品特征矩阵，为导向物品矩阵v
e
×
k
的转置，n为物品数量；
[0062]
s303)对物品特征权重矩阵f
n
×
e
进行加权聚合操作，生成表征导向方向信息的第一影响因子f
n
×1：
[0063]
f
n
×
e
×
t
e
×1＝f
n
×1[0064]
式中：t
e
×1为加权聚合的超参数；可配置为一致，也可配置部分导向物品权重较高，参考取值为：[0.1 0.1
ꢀ…ꢀ
0.1]
t
；
[0065]
s304)将第一影响因子f
n
×1融合到物品特征矩阵q
n
×
k
生成新的物品特征矩阵q
n
×
(k 1)
：
[0066]
q
n
×
(k 1)
＝q
n
×
k
|f
n
×1；
[0067]
此处融合为n行k列的物品特征矩阵q
n
×
k
和n行1列的第一影响因子f
n
×1直接拼接合并，得到n行k 1列的新的物品特征矩阵q
n
×
(k 1)
；
[0068]
所述增加第二影响因子扩增用户特征矩阵的维度，具体包括步骤：
[0069]
s311)增加第二影响因子l
m
×1：
[0070][0071]
式中：l
i
＝w(a
i
，r
i
，s
i
，
…
)，表示用户i的第二影响因子，a
i
为用户i的年龄，r
i
为用户i的喜好类型，s
i
为用户i的职业等等，w为加权函数，m为用户数量；
[0072]
s312)融合第二影响因子l
m
×1和用户特征矩阵p
m
×
k
，得到新的用户特征矩阵p
m
×
(k 1)
：
[0073]
p
m
×
(k 1
)＝p
m
×
k
|l
m
×1；
[0074]
此处融合为m行k列的用户特征矩阵p
m
×
k
和m行1列的第二影响因子l
m
×1直接拼接合并，得到m行k 1列的新的用户特征矩阵p
m
×
(k 1)
；
[0075]
步骤s4)所述根据扩增维度后的物品特征矩阵和扩增维度后的用户特征矩阵计算最终推荐结果，计算公式为：
[0076][0077]
式中：为最终推荐结果，为新的物品特征矩阵q
n
×
(k 1)
的转置。
[0078]
本发明提供的主动控制影响特征的推荐方法，通过引入导向扩展维度，对推荐结果进行引导，从而提升推荐结果的可控制性，使得推荐系统能友好的给用户推荐更广泛、导向正确的信息。
[0079]
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。