[发明专利]矩阵因式分解中的特征嵌入

说明书

背景技术

推荐系统帮助预测用户对产品或服务的兴趣。推荐系统已在包括媒体递送服务的多种媒体服务中变得极其常见。推荐系统可以使用几种不同的方法来向用户提供推荐。

发明内容

提供本摘要来以简要形式介绍下面在具体实施方式中进一步描述的概念的选集。本摘要不旨在标识所要求权利的主题的关键特征或必要特征，其也不旨在被单独用作在确定所要求权利的主题的范围时的辅助。

提供本发明的实施例以便通过使用特征向量来增强媒体内容推荐。可以通过两个单独的独立矩阵—用户和/或项的特征矩阵—来增强用户-项矩阵，从而矩阵因式分解生成用于告知用户与项之间的关系的潜在空间模型。用户-项矩阵包括这样的条目，所述条目是信号，所述信号表示来自用户的关于特定项的反馈。在所述特征矩阵中，每个用户或项关联于多个特征，所述多个特征表示针对该特定用户或项的元数据。所述用户-项矩阵中的每个用户和项具有先验概率分布（下文中称“先验”）。针对用户或项的先验是基于在各自特征矩阵中该用户的特征的总和或该项的特征的总和。在实施例中，特征的总和可以是加权和。所述先验表示所述用户或项在所述用户-项矩阵中的概率值。所述基于特征总和的先验称为主干（stem）。在这点上，每个用户或项可以关联于用户-主干向量或项-主干向量，其中，所述用户-主干向量或项-主干向量基于关联于该用户或项的特征向量的每个的总和计算出。进一步地，每个用户或项可以还基于关联于该用户或项的信息而从所述主干偏离。所述用户或项向量与所述主干的差异或偏离称为偏移。所述用户或项主干和偏移可以用于形成具有针对用户和项的潜在特质向量的潜在空间模型，其中，该针对用户和项的潜在特质向量在标识和然后提供推荐的-媒体内容时使用。

附图说明

下面参考附图详细描述了本发明，其中：

图1是适于在实现本发明的实施例时使用的一个示例性计算环境的框图；

图2是本发明的实施例可以在其中被使用的一个示例性系统体系结构的框图；

图3A-3C描绘了示出方法的一个示例性增强-矩阵和潜在空间模型，其中，所述方法用于利用本发明的实施例通过使用特征向量来增强媒体内容推荐；

图4A-4C是这样的图，其示出了利用本发明的实施例通过使用特征向量来增强媒体内容推荐的方法；

图5是利用本发明的实施例通过使用特征向量来增强媒体内容推荐的方法的流程图；

图6是流程图，其示出了利用本发明的实施例通过使用特征向量来增强媒体内容推荐的方法；以及

图7是流程图，其示出了利用本发明的实施例通过使用特征向量来增强媒体内容推荐的方法。

具体实施方式

在本文中使用特异性描述了本发明的实施例的主题以满足法定要求。然而，本说明书其自身不旨在限制本专利的范围。相反，发明人已设想，所要求权利的主题还可以通过其它方式被实现，包括结合其它现有和未来技术的、与在本文档中描述的那些相似的不同步骤或步骤的组合。此外，尽管术语“步骤”和/或“框”在本文中可以用于暗示所使用方法的不同单元，但所述术语不应当被解释为暗示在本文中公开的各个步骤之中或之间的任何特定顺序，除非当明确描述了各个步骤的顺序。