[发明专利]基于森林的端到端的隐式反馈推荐方法

说明书

本发明公开了一种基于森林的端到端的隐式反馈推荐方法，所述方法包括：步骤1、假定π固定，学习打分模型和树的表征用到的参数θ；步骤2、固定打分模型s(·,·)和树的表征的参数，学习商品和叶子节点的映射π；步骤3、交替运行步骤1和步骤2，生成多棵树以及对应的打分模型，并且生成的树组成一个森林；在推荐时，用每棵树对应的打分模型在树上做beam search产生候选集，每个树上产生的候选集组成一个更大的候选集；用一个预先训练好的判别器来排序该候选集，选择靠前的top‑k个商品为针对用户的推荐商品。该方法提供的系统借助树和森林的索引结构，能够适用于任何先进的用户对商品的打分模型，能根据隐式反馈的数据为用户高效地给出推荐结果。

技术领域

本发明涉及信息检索及推荐系统领域，具体地，涉及一种基于森林的端到端的隐式反馈推荐方法。

背景技术

推荐系统在解决信息过载问题中起到了非常重要的作用，它能够帮助用户快速找到感兴趣的物品。根据用户反馈形式的不同，推荐系统可以被分为显式反馈推荐系统和隐式反馈推荐系统。当用户的反馈是打分行为时，即为显式反馈；当用户的反馈是点击、购买等行为时，即为隐式反馈。在实际场景中，后者会更加普遍。当前的推荐系统多使用简单的度量函数，例如内积、余弦相似度等来度量用户对商品的打分。这些简单的度量函数表达能力有限，从而限制了推荐系统的效果。为此，需要设计更为复杂和表达能力更强得打分模型，例如神经网络等。商品的推荐可转化为了针对这些简单度量函数的最近邻居搜索，索引结构(例如乘机量化、树形结构、图结构等)在解决该问题时得到了广泛的应用。这些索引结构有助于高效地寻找最近邻居搜索问题的近似最优解。如何将复杂的打分模型和索引结构相结合，设计一个高效的端到端的推荐模型是值得研究的一个问题。

围绕该研究问题，研究者们提出了一种基于树的方法，即构造一个二叉树，其中，树的叶子节点与商品一一对应，任何复杂的打分模型都可以与此树形结构相匹配。用户对商品的打分等价于用于用户对树的叶子节点的打分，用户对树的非叶子节点的打分可以理解为用户对该节点对应的子树所包含的叶子这类商品的打分。与用户交互过的商品所对应的叶子节点极其祖先节点可当作正样本，树上其余的节点可当作负样本。这时对打分模型和和树的表征的学习可以当成一个二分类问题进行训练以及进行树的更新。当树的表征和打分模型都训练好后，使用beam search方法从根节点开始搜索，最终返回所需要的叶子节点。

然而，在二分类的训练模式中，树上同一层的节点缺少比较，这会使得训练和搜索之间存在不一致。相比于在一棵树上进行搜索，在多棵树上搜索显然可以产生更多优质的候选解。为此，需要设计更合适的训练模式和索引结构来构造高效的推荐系统。

发明内容

本发明的目的是提供一种基于森林的端到端的隐式反馈推荐方法，该方法提供的系统借助树和森林的索引结构，能够适用于任何先进的用户对商品的打分模型，能根据隐式反馈的数据为用户高效地给出推荐结果。

为了实现上述目的，本发明提供了一种基于森林的端到端的隐式反馈推荐方法，该方法包括：

用U＝{u₁，u₂，…，u_M}表示用户集合，I＝{i₁，i₂，…，i_N}表示商品集合，s(u，i)表示打分模型给出的用户u对商品i的打分；其中，s(·，·)为任意复杂的打分模型；用T表示一棵树，商品与树T的叶子节点一一对应，即π(i)＝leaf_i表示商品i与叶子节点leaf_i对应；用b^j(π(i))表示叶子节点π(i)在第j层的祖先节点，并且，叶子节点在最底层的祖先节点记为该叶子节点本身，打分模型进一步地表示用户对树上的节点的打分；

步骤1、假定π固定，学习打分模型和树的表征用到的参数θ；

步骤2、固定打分模型s(·，·)和树的表征的参数，学习商品和叶子节点的映射π；