數(shù)目。
[0129] 可選地，所述模型建立單元，具體用于建立如下原始預測模型：
[0130] y = θηχχ+θυχζ+'Η+θ??Χ?+'Η+θχηΧη+θχ。，其中，0U表示第i個操作動作的初始權(quán)重 值;θιο表示初始常量;則
[0131] 所沭樽型調(diào)輅單元，具體用于通過以下公式調(diào)整所述原始預測模型中的Θ i i:
其中，θ2ι表示對所述原始預測模型進行一次調(diào)整后，第i 個操作動作的調(diào)整后權(quán)重值;α表示學習速率；（zm)Xjl由所述損失函數(shù)J(0)對θη求偏導 獲得;Xjl表示第j組樣本數(shù)據(jù)中的第i個操作動作的樣本操作信息，1 < j <m，m為樣本數(shù)據(jù)的 數(shù)目；判斷所述θ2ι是否使所述損失函數(shù)達到最小值，如果是，則將所述θ 2ι確定為所述，獲 得所述預測模型；如果否，則在所述θ2ι的基礎上，利用所述α和所述(zm )Xjl，調(diào)整獲得所 述預測模型。
[0132] 以上結(jié)合附圖詳細描述了本發(fā)明的優(yōu)選實施方式，但是，本發(fā)明并不限于上述實 施方式中的具體細節(jié)，在本發(fā)明的技術(shù)構(gòu)思范圍內(nèi)，可以對本發(fā)明的技術(shù)方案進行多種簡 單變型，這些簡單變型均屬于本發(fā)明的保護范圍。
[0133] 另外需要說明的是，在上述【具體實施方式】中所描述的各個具體技術(shù)特征，在不矛 盾的情況下，可以通過任何合適的方式進行組合，為了避免不必要的重復，本發(fā)明對各種可 能的組合方式不再另行說明。
[0134] 此外，本發(fā)明的各種不同的實施方式之間也可以進行任意組合，只要其不違背本 發(fā)明的思想，其同樣應當視為本發(fā)明所公開的內(nèi)容。
【主權(quán)項】
1. 一種個性化推薦方法，其特征在于，所述方法包括： 獲取待測用戶對待測物品所執(zhí)行操作動作的當前操作信息； 獲取預測模型，所述預測模型用于表示操作信息與評分值間的對應關系，通過對樣本 數(shù)據(jù)進行訓練獲得所述預測模型，所述樣本數(shù)據(jù)包括樣本用戶對樣本物品的樣本評分值W 及樣本用戶對樣本物品執(zhí)行的操作動作的樣本操作信息； 利用所述預測模型，獲得所述當前操作信息對應的預測評分值； 基于所述預測評分值，進行個性化推薦。2. 根據(jù)權(quán)利要求1所述的方法，其特征在于，所述預測模型為： Y=目1X1+目2X2+... +目iXi+... +目 nXn+目0; 其中，y表示評分值；01表示第i個操作動作的權(quán)重值;Xi表示第i個操作動作的操作信 息；1 < i < n，n為操作動作的類型數(shù)目；00為常量。3. 根據(jù)權(quán)利要求1或2所述的方法，其特征在于，所述對樣本數(shù)據(jù)進行訓練獲得所述預 測模型，包括： 獲取多組所述樣本數(shù)據(jù)； 建立原始預測模型，并利用所述原始預測模型，獲得每組樣本數(shù)據(jù)中的樣本操作信息 對應的預估值； 建立損失函數(shù)，所述損失函數(shù)用于表示每組樣本數(shù)據(jù)中的樣本評分值與該組樣本數(shù)據(jù) 中的樣本操作信息對應的預估值之間的偏差. 調(diào)整所述原始預測模型，并在所述損失函數(shù)達到最小值時，獲得所述預測模型。4. 根據(jù)權(quán)利要求3所述的方法，其特征在于，所述損失函數(shù)為：其中，J(0)表示損失函數(shù);yj表示第j組樣本數(shù)據(jù)中的樣本操作信息對應的預估值;Zj表 示第j組樣本數(shù)據(jù)中的樣本評分值，1含j含m，m為樣本數(shù)據(jù)的數(shù)目。5. 根據(jù)權(quán)利要求3所述的方法，其特征在于， 所述原始預測模型為:y = eilXl+012X2+''' + 01iXi+-' + 01nXn+01O,其中，目1康示第i個操作動 作的初始權(quán)重值;910表示初始常量;貝。所述調(diào)整所述原始預測模型，并在所述損失函數(shù)達到最小值時，獲得所述預測模型，包 括： 通過W下公式調(diào)整所述原始預測模型中的011 其 中，021表示對所述原始預測模型進行一次調(diào)整后，第i個操作動作的調(diào)整后權(quán)重值;a表示學 習速率；（Zj-yj)xji由所述損失函數(shù)J(0)對0ii求偏導獲得;Xj康示第j組樣本數(shù)據(jù)中的第i個 操作動作的樣本操作信息，1含j含m，m為樣本數(shù)據(jù)的數(shù)目； 判斷所述021是否使所述損失函數(shù)達到最小值，如果是，則將所述021確定為所述01，獲得 所述預測模型；如果否，則在所述目21的基礎上，利用所述a和所述(Z廣yj，調(diào)整獲得所述 預測模型。6. -種個性化推薦裝置，其特征在于，所述裝置包括： 操作信息獲取單元，用于獲取待測用戶對待測物品所執(zhí)行操作動作的當前操作信息； 預測模型獲取單元，用于獲取預測模型，所述預測模型用于表示操作信息與評分值間 的對應關系，通過對樣本數(shù)據(jù)進行訓練獲得所述預測模型，所述樣本數(shù)據(jù)包括樣本用戶對 樣本物品的樣本評分值W及樣本用戶對樣本物品執(zhí)行的操作動作的樣本操作信息； 評分值獲得單元，用于利用所述預測模型，獲得所述當前操作信息對應的預測評分值； 個性化推薦單元，用于基于所述預測評分值，進行個性化推薦。7. 根據(jù)權(quán)利要求6所述的裝置，其特征在于，所述預測模型獲取單元，具體用于獲取如 下預測模型： y 二目1X1+目2X2+... +目iXi+... +目 IiXn+目O ; 其中，y表示評分值；01表示第i個操作動作的權(quán)重值;Xi表示第i個操作動作的操作信 息；1 < i <n，n為操作動作的類型數(shù)目；0〇為常量。8. 根據(jù)權(quán)利要求6或7所述的裝置，其特征在于，所述裝置還包括： 樣本數(shù)據(jù)獲取單元，用于獲取多組所述樣本數(shù)據(jù)； 模型建立單元，用于建立原始預測模型，并利用所述原始預測模型，獲得每組樣本數(shù)據(jù) 中的樣本操作信息對應的預估值. 損失函數(shù)建立單元，用于建立損失函數(shù)，所述損失函數(shù)用于表示每組樣本數(shù)據(jù)中的樣 本評分值與該組樣本數(shù)據(jù)中的樣本操作信息對應的預估值之間的偏差； 模型調(diào)整單元，用于調(diào)整所述原始預測模型，并在所述損失函數(shù)達到最小值時，獲得所 述預測模型。9. 根據(jù)權(quán)利要求8所述的裝置，其特征在于，所述損失函數(shù)建立單元，具體用于建立如 下?lián)p失函數(shù)：其中，J(0)表示損失函數(shù);yj表示第j組樣本數(shù)據(jù)中的樣本操作信息對應的預估值;Zj表 示第j組樣本數(shù)據(jù)中的樣本評分值，1含j含m，m為樣本數(shù)據(jù)的數(shù)目。10. 根據(jù)權(quán)利要求8所述的裝置，其特征在于， 所述模型建立單元，具體用于建立如下原始預測模型： Y=目11X1 +目12X2+…+目liXi+。'+目InXn+目1日，其中，目Ii表示第i個操作動作的初始權(quán)重值；目10 表示初始常量 所述模型調(diào)整單元，具體用于通過W下公式調(diào)整所述原始預測模型中的011: 目2,二目+ 其中，02康示對所述原始預測模型進行一次調(diào)整后，第i 個操作動作的調(diào)整后權(quán)重值;a表示學習速率；（Z廣由所述損失函數(shù)J(0)對011求偏導 獲得;XW表示第j組樣本數(shù)據(jù)中的第i個操作動作的樣本操作信息，1含j含m，m為樣本數(shù)據(jù)的 數(shù)目；判斷所述921是否使所述損失函數(shù)達到最小值，如果是，則將所述021確定為所述01，獲 得所述預測模型；如果否，則在所述目21的基礎上，利用所述a和所述(Z廣yj ，調(diào)整獲得所 述預測模型。
【專利摘要】本發(fā)明公開一種個性化推薦方法及裝置。該方法包括：獲取待測用戶對待測物品所執(zhí)行操作動作的當前操作信息；獲取預測模型，所述預測模型用于表示操作信息與評分值間的對應關系，通過對樣本數(shù)據(jù)進行訓練獲得所述預測模型，所述樣本數(shù)據(jù)包括樣本用戶對樣本物品的樣本評分值以及樣本用戶對樣本物品執(zhí)行的操作動作的樣本操作信息；利用所述預測模型，獲得所述當前操作信息對應的預測評分值；基于所述預測評分值，進行個性化推薦。如此，便可基于用戶對物品的隱性行為，實現(xiàn)個性化推薦。
【IPC分類】G06F17/30
【公開號】CN105653683
【申請?zhí)枴?br>【發(fā)明人】姜立宇
【申請人】東軟集團股份有限公司
【公開日】2016年6月8日
【申請日】2015年12月30日