[发明专利]组合机器学习和社交数据以生成个性化推荐

说明书

计算设备接收包括对推荐的请求的消息。基于消息内容来确定响应于消息而提供的假设理想推荐的表示。从数据储存器检索关于作为潜在推荐的实体的数据，关于每个实体的数据包括从关于该实体的事实信息和其他用户对该实体的意见中导出的该实体的表示(例如，向量)。基于实体表示和假设理想推荐的表示之间的差异，为实体的至少一个子集确定排序分数。基于排序分数来选择要推荐的实体，并且发送识别所选择的实体的对消息的回复。

背景

本公开大体上涉及基于计算机的推荐系统，特别地，涉及提高服务于针对推荐的用户请求的效率。

随着计算能力的可用性提高，同时计算设备的尺寸和相关成本降低，计算设备的使用范围也增加了。最近增长的一个领域是虚拟助理，现在虚拟助理可用在许多智能手机上以及通过独立设备而变得可用。虚拟助理与用户交互，帮助他们完成各种任务。例如，用户可能会向虚拟助理寻求推荐，例如要看的电影、吃饭的餐馆或要听的音乐。

然而，自动产生准确的推荐是困难的。互联网上有大量可获得的信息，从消费者观点和评论到关于各种实体(如电影、餐馆、歌曲等)的信息数据库。确定哪些信息是相关的，以及应该如何组合这些信息来产生推荐是一项复杂且耗时的任务。这在虚拟助理的上下文中尤其成问题，其中用户提出问题并期望得到几乎立即的响应，就好像他们在和另一个人说话一样。如果用户随后不得不花费大量时间来验证推荐的质量(例如，查看观点、询问朋友、确定是否适合儿童等)，和/或通过提供附加信息来缩小请求范围，则体验可能是低效和不令人满意的。

概述

虚拟助理可以向用户提供各种实体的推荐。示例包括电影、餐馆、音乐和书籍。通过使用关于请求推荐的用户的可用信息以及关于其他用户对其有正面意见(positiveopinion)的实体的信息，虚拟助理可以提供个性化的并且有可能向用户提供价值的推荐。此外，可以高效且快速地提供这些推荐，而不必向用户索取附加的信息。

在一个实施例中，计算设备接收包括对推荐的请求的消息。基于消息内容来确定响应于消息要提供的假设理想推荐的表示(例如，向量)。从数据储存器(store)检索关于作为潜在推荐的实体的数据，关于每个实体的数据包括从关于该实体的事实信息(factualinformation)和其他用户对该实体的意见中导出的该实体的表示(例如，向量)。基于实体表示和假设理想推荐的表示之间的差异，为实体的至少一个子集确定排序分数。基于排序分数来选择要推荐的实体，并且发送识别所选择的实体的对消息的回复。

在其他实施例中，还通过分析消息内容以确定用户的意图并搜索数据库以找到与该意图一致的实体来识别潜在的实体推荐。还可以基于请求用户对实体的亲和力(affinity)和/或其他用户的意见来计算这些实体的排序分数。这两个排序分数集合然后可以被组合以创建合并的排序列表。在同一实体具有两个排序分数(一个基于假设理想推荐，一个来自数据库搜索)的情况下，可以通过组合这两个排序分数来确定组合排序分数。

附图简述

图1是根据实施例的虚拟助理在其中进行操作的系统环境的框图。

图2是根据实施例的图1中所示的在线系统的框图。

图3是根据实施例的图2中所示的模型构建模块的框图。

图4是根据实施例的图2中所示的虚拟助理的框图。

图5示出了根据实施例的适用于在图1的系统环境中使用的计算机。

图6是示出根据实施例的用于训练意图模型(intent model)的方法的流程图。

图7是示出根据实施例的用于向用户提供推荐的方法的流程图。

附图仅为了说明的目的而描绘各种实施例。本领域中的技术人员从下面的讨论中将容易认识到本文示出的结构和方法的替代实施例可以被采用而不偏离本文所述的原理。

详细描述

综述