[发明专利]基于增量更新的推荐方法、装置、计算机设备及存储介质

说明书

本发明公开了基于增量更新的推荐方法、装置、计算机设备及存储介质。该方法包括：将用户对物品的评分矩阵进行分解，得到用户向量和物品向量；将用户对物品的评分表示为一个有向边的三元组；在进行本次训练时，迭代计算出三元组中源节点和目标节点的迭代更新值，将迭代更新值累积到对应节点，完成本次训练；在进行下一次训练时，已训练过的用户向量和物品向量在初始状态下复用上一次训练的当前值，对于未训练过的用户向量和物品向量，则采用随机初始化方式填充对应向量；基于训练后的用户向量和物品向量向用户推荐物品。

技术领域

本发明涉及推荐技术领域，尤其涉及基于增量更新的推荐方法、装置、计算机设备及存储介质。

背景技术

互联网的出现和普及给用户带来了大量的信息，满足了用户在信息时代对信息的需求，但随着网络的迅速发展而带来的网上信息量的大幅增长，使得用户在面对大量信息时无法从中获得对自己真正有用的那部分信息，对信息的使用效率反而降低了，这就是所谓的信息超载(informationoverload)问题。

解决信息超载问题一个非常有潜力的办法是推荐系统，它是根据用户的信息需求、兴趣等，将用户感兴趣的信息、产品等推荐给用户的个性化信息推荐系统。和搜索引擎相比，推荐系统通过研究用户的兴趣偏好，进行个性化计算，由系统发现用户的兴趣点，从而引导用户发现自己的信息需求。一个好的推荐系统不仅能为用户提供个性化的服务，还能和用户之间建立密切关系，让用户对推荐产生依赖。

推荐系统现已广泛应用于很多领域，其中最典型并具有良好的发展和应用前景的领域就是电子商务领域。

现有技术中，矩阵分解技术普遍运用于推荐系统，但面对亿级用户千万级内容，要每天例行更新如此巨大的矩阵，对计算机内存和算力有非常巨大的要求，网络传输量巨大，费时费资源。

发明内容

本发明实施例提供了基于增量更新的推荐方法、装置、计算机设备及存储介质，旨在解决现有推荐系统计算效率低、工作量大等问题。

本发明实施例提供一种基于增量更新的推荐方法，其包括：

将用户对物品的评分矩阵进行分解，得到用户向量和物品向量；

将用户对物品的评分表示为一个有向边的三元组，其中所述三元组包括：用户向量、物品向量和用户对物品的评分，用户向量表示源节点，物品向量表示目标节点，用户对物品的评分表示有向边；

在进行本次训练时，迭代计算出三元组中源节点和目标节点的迭代更新值，将迭代更新值累积到对应节点，完成本次训练；

在进行下一次训练时，已训练过的用户向量和物品向量在初始状态下复用上一次训练的当前值，对于未训练过的用户向量和物品向量，则采用随机初始化方式填充对应向量；

基于训练后的用户向量和物品向量向用户推荐物品。

优选的，所述在进行本次训练时，迭代计算出三元组中源节点和目标节点的迭代更新值，将迭代更新值累积到对应节点，完成本次训练，包括：

针对每一个三元组，计算出预测评分，并将所述预测评分与真实评分进行比较得到误差值；

针对每一个三元组计算出的误差值，利用所述误差值对用户向量和物品向量进行更新，完成对用户向量和物品向量的训练。

优选的，所述针对每一个三元组计算出的误差值，利用所述误差值对用户向量和物品向量进行更新，完成对用户向量和物品向量的训练，包括：

利用所述误差值计算用户向量的迭代更新值和物品向量的迭代更新值；

将用户向量的迭代更新值传递至源节点，以及将物品向量的迭代更新值传递至目标节点；

获取每个节点接收到的迭代更新值之和并乘以学习率，然后将计算结果累加到相应节点，完成本次训练。