[发明专利]一种融合推荐的方法、系统和设备

权利要求书

1.一种融合推荐的方法，包括：

获取多个用户对多个产品的行为数据；

基于所述行为数据，确定所述多个产品中每两个产品之间的相似度；

基于高于阈值的相似度来生成所述多个产品的相似产品候选集；

基于所述行为数据，计算对于所述相似产品候选集中的产品的至少部分用户打分以获得稀疏的高维用户-产品打分矩阵；

通过对所述稀疏的高维用户-产品打分矩阵进行矩阵分解来挖掘所述多个用户的隐含特征并获得分解出的低维用户-隐含特征矩阵和低维隐含特征-产品打分矩阵；以及

将所述低维用户-隐含特征矩阵和所述低维隐含特征-产品打分矩阵相乘以获得高维逼近矩阵，所述高维逼近矩阵通过补全所述稀疏的高维用户-产品打分矩阵来预测所述多个用户对所述多个产品的打分。

2.如权利要求1所述的方法，其特征在于，还包括挖掘所述多个用户对所述多个产品的历史行为数据，以获得所述多个用户对每个产品发生行为的频次，其中

所述多个产品中每两个产品之间的相似度基于用户对该两个产品发生行为的频次来计算。

3.如权利要求2所述的方法，其特征在于，所述挖掘还包括获得一个或多个用户行为序列，并且其中所述多个产品中每两个产品之间的相似度还基于所述一个或多个用户行为序列来确定。

4.如权利要求3所述的方法，其特征在于，所述多个产品中每两个产品之间的相似度还基于所述一个或多个用户行为序列来计算进一步包括：

基于所述一个或多个用户行为序列确定衰减因子，所述衰减因子包含要计算相似度的该两个产品在所述一个或多个用户行为序列中的时序信息，其中所述衰减因子被设置成当该两个产品在用户行为序列中是正时序时提高该两个产品的相似度，而当该两个产品在用户行为序列中是逆时序时降低该两个产品的相似度；以及

基于所述衰减因子来计算该两个产品之间的相似度。

5.如权利要求1所述的方法，其特征在于，基于高于阈值的相似度来生成所述多个产品的相似产品候选集包括：

将低于阈值的相似度置为零。

6.如权利要求1所述的方法，其特征在于，进一步包括：基于所述行为数据，计算对于所述相似产品候选集中的产品的至少部分用户打分包括对所述相似产品候选集中的每个产品，累计用户对该产品的一个或多个类型的行为的打分。

7.如权利要求6所述的方法，其特征在于，用户对产品的一个或多个类型的行为的打分进一步基于以下至少一者：每个类型的行为的权重以及产生该行为的时间与当前进行推荐的时间之间的时间差。

8.如权利要求1所述的方法，其特征在于，还包括：

将所述高维逼近矩阵作为推荐产品集提供给推荐引擎；以及

当用户对产品产生行为时，触发推荐引擎以所述推荐产品集中该用户对所述多个产品的打分的排序来为该用户推荐产品。

9.一种融合推荐的系统，包括：

候选集召回层，用于基于多个用户对多个产品的行为数据，确定所述多个产品中每两个产品之间的相似度，并基于高于阈值的相似度来生成所述多个产品的相似产品候选集；

矩阵分解召回层，用于基于所述行为数据，计算对于所述相似产品候选集中的产品的至少部分用户打分以获得稀疏的高维用户-产品打分矩阵，通过对所述稀疏的高维用户-产品打分矩阵进行矩阵分解来挖掘所述多个用户的隐含特征并获得分解出的低维用户-隐含特征矩阵和低维隐含特征-产品打分矩阵，以及将所述低维用户-隐含特征矩阵和所述低维隐含特征-产品打分矩阵相乘以获得高维逼近矩阵，所述高维逼近矩阵通过补全所述稀疏的高维用户-产品打分矩阵来预测所述多个用户对所述多个产品的打分。

10.如权利要求9所述的系统，其特征在于，还包括用户数据清洗层，用于挖掘所述多个用户对所述多个产品的历史行为数据，以获得所述多个用户对每个产品发生行为的频次，其中

所述多个产品中每两个产品之间的相似度基于用户对该两个产品发生行为的频次来计算。