[发明专利]项目推荐方法、项目推荐系统以及计算机可读介质

说明书

本公开提供了一种项目推荐方法、项目推荐系统以及计算机可读介质。项目推荐方法针对给定用户来推荐项目，包括：关联矩阵构建操作，基于用户的行为计算表征用户对项目的喜好程度的评分，构建用户‑项目关联矩阵；相似度计算操作，根据所述用户‑项目关联矩阵，计算任意两个项目之间的相似度，其中，同时对该任意两个项目有评分的用户越多则这两个项目之间的相似度就越高；候选推荐项目提取操作，针对所述给定用户，根据所述用户‑项目关联矩阵和所述相似度，提取针对所述给定用户的候选推荐项目；以及推荐项目选出操作，利用ALS‑CF算法预测所述给定用户对所述候选推荐项目的评分，根据该评分从所述候选推荐项目中选出针对所述给定用户的推荐项目。

技术领域

本公开涉及互联网技术领域，更具体地，涉及一种针对给定用户来推荐项目的项目推荐方法、项目推荐系统以及计算机可读介质。

背景技术

随着互联网数据的不断增加，如何快速而高效地为用户找到其真正感兴趣和需要的信息变得越来越重要和紧迫。近年来，作为解决这一课题的重要手段，个性化推荐系统得到了广泛应用。个性化推荐系统根据用户的信息需求、兴趣等，将用户感兴趣的信息、产品等推荐给用户。目前，个性化推荐系统正在被越来越多地应用于电子商务(包括各种购物网站，例如京东、当当网等)和各类社会化站点(包括音乐、电影和图书分享，例如豆瓣等)。

协同过滤(CF：Collaborative Filterling)是目前推荐系统中广泛应用的算法，其核心思想是：分析用户兴趣，在用户群中找到给定用户的相似(兴趣)用户，综合这些相似用户对某一信息、产品等的评价，形成系统对该给定用户对此信息、产品等的喜好程度预测。协同过滤算法可分为三类：基于相似度的协同过滤、基于矩阵分解的协同过滤、和基于图的协同过滤。

其中，基于相似度的协同过滤又包括基于项目的协同过滤和基于用户的协同过滤。基于项目的协同过滤(itemCF)的基本思想在于，给用户推荐与他们之前喜欢的项目相似的项目，即基于项目之间的相似度对用户推荐项目。与之相对，基于用户的协同过滤(userCF)的基本思想在于，给用户推荐与他们有相似喜好的用户所喜欢的项目，即基于用户之间的相似度对用户推荐项目。

此外，基于交替最小二乘法(ALS：Alternating Least Squares)的协同过滤算法(又称为ALS协同过滤算法或ALS算法，以下简记为ALS-CF算法)是基于矩阵分解的协同过滤算法中的一种典型算法。不同于上述那样通过计算相似度来进行推荐的itemCF算法或userCF算法，ALS-CF算法通过将用户-项目关联矩阵近似分解为两个低维矩阵的乘积，从而利用这个乘积来预测用户对项目的评分，然后基于预测出的评分来对用户推荐项目。

在实现本公开过程中，发明人发现现有技术中至少存在如下问题。

当ALS-CF算法基于Spark这一大数据分布式处理框架来实现时，在小数据集上的计算效率是可以接受的，但是当超过10亿数据量后，ALS-CF算法的计算量变得非常巨大，计算效率变得很低，严重影响了该算法的可行性。因此，如何有效降低ALS-CF算法的计算量，并在提高推荐效率的同时提高推荐的准确度，成为本领域技术人员的一个重要研究课题。

此外，从实测效果看，在推荐系统中，单一算法的准确度往往低于将多种算法相融合所能达到的准确度。因此，如何将各种推荐算法融合起来以达到更好的推荐效果也是本领域技术人员的一个重要研究课题。

发明内容

有鉴于此，本公开的目的至少部分地在于提供一种能够在以相对小的计算量高效率地实现ALS-CF算法的同时以相对高的准确度进行项目推荐的项目推荐方法、项目推荐系统以及计算机可读介质。