[发明专利]一种推荐方法和设备

权利要求书

1.一种推荐方法，其特征在于，包括：

将评分数据集中的评分数据分别放置到至少两个数据层，其中，所述评分数据与用户以及产品分别一一对应，且每一个所述数据层中的任意两个所述评分数据对应的用户以及产品均不相同；

依据预设的推荐系统模型以及所述数据层中的评分数据，并行计算所述数据层中推荐系统模型的参数，并将每一层数据层的参数作为对应的下一层数据层的初值，直至获取所述推荐系统模型的最优参数；其中，所述推荐系统模型为根据所述评分数据集中的评分数据的平均分和所述推荐系统模型的参数获取每个用户对每个产品的评分预测值的模型；

根据所述最优参数与所述推荐系统模型获取每个用户对每个产品的评分预测值，并根据所述评分预测值向所述用户推荐产品。

2.根据权利要求1所述的方法，其特征在于，所述推荐系统模型包括提供了隐式反馈的推荐系统模型、未提供隐式反馈的推荐系统模型、考虑时空特性的推荐系统模型和非对称的潜在因素的推荐系统模型。

3.根据权利要求1或2所述的方法，其特征在于，所述推荐系统模型包括：

第一推荐系统模型

或者，第二推荐系统模型

在所述第一推荐模型和所述第二推荐模型中，表示用户u对产品i的评分预测值，μ表示所述评分数据集中的所有评分数据的平均值，b_u表示所述用户u相对用户平均评分的偏移量，b_i表示所述产品i相对产品平均评分的偏移量，q_i表示产品因素矢量，T表示转置运算符号，p_u表示用户因素矢量，

进一步的，在所述第一推荐模型中，|N(u)|表示用户u提供了隐式偏好的所有产品的集合大小，N(u)表示用户u提供了隐式偏好的所有产品的集合；y_j∈R^f表示与产品j相关联的因素矢量，其用于表征隐式反馈信息。

4.根据权利要求3所述的方法，其特征在于，还包括：

根据所述评分预测值与所述评分数据的均方误差和所述推荐系统模型的参数之间的关系得到所述推荐系统模型的代价函数，其中所述代价函数包括：

第一代价函数

或者，第二代价函数

其中，||*||²表示矢量*的所有元素的平方和，λ₁与λ₂为正则化因子。

5.根据权利要求1或2或4所述的方法，其特征在于，所述依据预设的推荐系统模型以及所述数据层中的评分数据，并行计算所述数据层中推荐系统模型的参数，并将每一层数据层的参数作为对应的下一层数据层的初值，直至获取所述推荐系统模型的最优参数，包括：

A：计算所述评分数据集中的所有所述评分数据的平均分；

B：依次采用并行计算的方式计算每一层所述数据层的参数，并将每一层所述数据层计算所得的参数作为下一层数据层的参数初值；其中，第一层所述数据层的参数初值由系统设置；

C：根据最后一层所述数据层计算所得的参数判断所述推荐系统模型是否收敛，若收敛，则计算结束，得到所述最优参数；若不收敛，则将最后一层所述数据层计算所得的参数作为所述第一层所述数据层的参数初值，重复所述步骤B、C。

6.根据权利要求3所述的方法，其特征在于，所述依据预设的推荐系统模型以及所述数据层中的评分数据，并行计算所述数据层中推荐系统模型的参数，并将每一层数据层的参数作为对应的下一层数据层的初值，直至获取所述推荐系统模型的最优参数，包括：

A：计算所述评分数据集中的所有所述评分数据的平均分；

B：依次采用并行计算的方式计算每一层所述数据层的参数，并将每一层所述数据层计算所得的参数作为下一层数据层的参数初值；其中，第一层所述数据层的参数初值由系统设置；

C：根据最后一层所述数据层计算所得的参数判断所述推荐系统模型是否收敛，若收敛，则计算结束，得到所述最优参数；若不收敛，则将最后一层所述数据层计算所得的参数作为所述第一层所述数据层的参数初值，重复所述步骤B、C。