[发明专利]用于推荐系统的基于强度的建模

说明书

背景

常规推荐系统基于用户兴趣、偏好、历史和其他因素作出关于用户(例如， 购物者)与项目(例如，书籍、视频、游戏)之间的匹配的推荐。例如，如果用户 先前获取了(例如，购买、租赁、借阅)项目集合，则推荐系统可以基于用户自己 的动作标识类似项目并且将它们推荐给用户。常规推荐系统还可确定用户之间的相 似性并且基于那些相似性来作出附加推荐。例如，如果某一人口统计内且具有相似 获取历史和偏好的用户获取了项目集合，则推荐系统可以基于其他用户的动作来标 识项目并且将它们推荐给用户。

常规推荐系统可以对用户信号建模。用户信号可以是显式的或隐式的。显式 信号可包括用户给予产品的评级。例如，读者可以对第一作者写的第一本书给予五 星评级，并且可以对第二作者写的第二本书给予一星评级。另外，读者可以“喜欢” 社交媒体站点上的第一本书并且“不喜欢”该社交媒体站点上的第二本书。常规推 荐系统可以对这些显式信号建模以确定要推荐以及要避免哪些书籍和作者。隐式信 号可包括例如，观察到的用户行为、获取历史、浏览历史、搜索模式、一个项目(例 如，视频游戏)被播放的时间量、一个项目被查看的次数、一个视频被观看的百分 比、或其他因素。推荐系统还可对这些隐式信号建模以确定要推荐哪些其他项目。

常规推荐系统通过对其中存储关于可用信号的数据的单个大型矩阵执行矩阵 因式分解来对用户信号建模。然而，当矩阵具有N个因子的行和列时，N为整数， 则数据可能仅可用于这些因子中的M个因子，M为小于N的整数。矩阵因式分解 因此可在可用数据上使用以标识丢失数据。一旦矩阵因式分解产生了丢失信号的数 据，则业务逻辑可以处理实际信号和预测信号以作出推荐。常规推荐系统可以因变 于从用户信号中推断的因子向量来表征项目和用户。项目和因子之间的高对应性可 导致推荐。矩阵因式分解模型可以将用户和项目两者映射到联合因子空间并且将用 户－项目交互建模为该联合因子空间中的内积。项目可以与项目向量相关联，该项 目向量的元素测量该项目拥有一些因子的程度。类似地，用户可以与用户向量相关 联，该用户向量的元素测量用户对在对应因子中为高的项目所拥有的兴趣程度。这 些向量的点积可以描述用户与项目之间的交互，并且可以被业务逻辑用来确定是否 要作出推荐。

不幸的是，常规推荐系统面临若干挑战。例如，可能难以确定项目因子和用 户因子的映射。即便映射被确定，只要新信号被添加或移除，该映射、模型和业务 逻辑就可能需要被改变以计及所添加或移除的信号。另外，随着信号数量增长，模 型和业务逻辑两者均可能变得令人无法接受地复杂或麻烦。当业务逻辑变得无法接 受地复杂或麻烦时，即便可能但也可能是难以验证该业务逻辑正在产生有效或有用 的推荐。业务逻辑可能至少部分地由于它输入由矩阵因式分解所预测的信号而非依 赖于实际用户信号的事实而变得无法验证。

概述

提供本概述是为了以简化的形式介绍将在以下详细描述中进一步描述的一些 概念。本概述并不旨在标识所要求保护主题的关键特征或必要特征，也不旨在用于 限制所要求保护主题的范围。

示例装置和方法使用两个松散耦合组件来产生关于项目(例如，电影、游戏、 书籍、衣物)的推荐。数据存储可以存储所获取的关于用户与项目的交互的信号。 用户是否喜欢该项目的指示可以从信号中计算。该指示是信号无关的，并且该指示 因变于特定于该用户或项目的亲和性假设来计算。还计算该指示的置信水平。置信 水平是信号无关的，并且因变于特定于该用户或项目的强度假设来计算。该指示和 置信水平被存储在基于强度的模型中。基于强度的模型提供数据(例如，指示符和 置信水平的集合)，从该数据中可以计算用户与项目之间的预测关系。包括关于要 获取的项目的推荐的电子数据可以至少部分地基于该预测关系来产生。

在一个示例中，向候选用户生成关于候选项目的推荐。产生推荐包括产生描 述第一用户与第一项目之间的关系的第一电子数据点。关系按标识第一用户是否喜 欢第一项目的亲和性值以及与该亲和性值相关联的置信水平来定义。亲和性值和置 信水平因变于观察到的关于第一用户与第一项目之间的交互的数据来计算。产生推 荐还包括将第一电子数据存储在数据结构(例如，矩阵)中，该数据结构根据基于 强度的模型来存储用户与项目之间的关系。产生推荐还包括因变于存储在数据结构 中的数据来产生推荐。该推荐取决于候选用户对候选项目的预测亲和性值。

附图简述