一种针对家庭组的推荐内容快速验证系统及其方法

摘要

本发明公开了一种针对家庭组的推荐内容快速验证系统及其方法，所述配对模块接收来自用户信息编码模块的用户特征向量和物品编码模块编码的物品特征向量，更新各自对物品的兴趣偏好后输出下一推荐内容；通过切分时间片和节假日状态的方式区分同一个家庭组中不同细分用户的偏好，对细分用户独立建模；通过物品分组的计算依据批次分别试探的方式增加了不同类别物品的曝光频次，逐步加大用户偏好类别的曝光，加速冷启动问题的解决。

说明书

技术领域

本发明属于计算机处理领域，特别是一种针对家庭组用户的推荐内容快速验证系统及其方法。

背景技术

目前推荐系统已经广泛应用于机顶盒中视频应用，如Netflix、YouTube、Apple、腾讯、爱奇艺、芒果等，根据用户各种交互行为来进行推荐。冷启动作为一个推荐系统中的典型问题，由于机顶盒用户注册信息不一定匹配实际使用用户，传统基于内容推荐的冷启动方案受限。又由于机顶盒的场景是由一群观众共享，用户特征易被混淆进一步加大了冷启动问题的严重性且对后续推荐效果也会造成负面影响。

发明内容

本发明要解决的技术问题是，提供一种用以提高在家庭场景下的解决冷启动问题的针对家庭组的推荐内容快速验证系统及其方法。

本发明的技术方案是：一种针对家庭组的推荐内容快速验证系统，包括用户信息编码模块、物品信息编码模块、配对模块和储存模块；

所述用户信息编码模块用于将采集到的用户行为信息编码为用户特征向量；

所述物品信息编码模块用于将物品信息编码为物品特征向量；

所述配对模块依据用户行为与物品信息进行配对返回推荐内容；

所述储存模块储存所有物品信息，及每个用户对物品的兴趣偏好参数；

所述配对模块接收来自用户信息编码模块的用户特征向量和物品编码模块编码的物品特征向量，更新各自对物品的兴趣偏好后输出下一推荐内容；

通过切分时间片和节假日状态的方式区分同一个家庭组中不同细分用户的偏好，对细分用户独立建模；

通过物品分组的计算依据批次分别试探的方式增加了不同类别物品的曝光频次，逐步加大用户偏好类别的曝光，加速冷启动问题的解决。

一种针对家庭组的推荐内容快速验证方法，包括以下步骤：

步骤1、物品信息编码模块对物品信息进行处理，假设存在n个物品共d类标签则物品信息即编码为一个n×d维的物品矩阵；并依据标签分为d类则单类表示为

步骤2、用户信息编码模块对用户行为信息进行处理，构建一个a×(d+2)维的用户行为矩阵记为A，其中a为用户反馈次数，d为标签特征，多出的两维分别是反馈的时间的小时数与反馈时间是否为节假日，d+2记为l；构建一个a×1维的结果矩阵，记录当前记录是否被点击记为R；

步骤3、通过配对模块依据A对当前时段状态的当前用户对反馈物品的标签偏好进行权重更新，对偏好权重进行存储后并计算下一次的推荐内容；

步骤4、返回下一推荐内容。

具体地，所述步骤3中具体分为：

步骤3.1、计算反馈的期望收益u、置信区间上边界

步骤3.2、计算当前用户的d类的各自的

步骤3.3、对3.1中数值进行更新到储存中。

具体地，所述步骤3.1中，期望收益设定u为：

其中X为

参数θ的设定为：

θ＝X

b为

置信上边界为：

其中α为固定输入参数，一般为0.1。

具体地，根据权利要求3所述的一种针对家庭组的推荐内容快速验证方法，其特征在于：所述步骤3.2计算，每个细分用户对于每个物品分类可以得到一个置信上边界讲值从大到小排序，取最大的分类作为下一个的推荐内容返回。

具体地，所述步骤3.3中，新的A存为

与现有技术比较，本发明的有益效果是：本发明通过将时间片进行编码参与计算的方式，区分试探得出家庭组用户间不同的兴趣物品，从而更精准的进行推荐；通过物品分组的计算依据批次分别试探的方式增加了不同类别物品的曝光频次，逐步加大用户偏好类别的曝光，加速冷启动问题的解决。

附图说明

图1是本发明的工作流程图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明的部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。

如图1所示，一种针对家庭组的推荐内容快速验证系统，包括用户信息编码模块、物品信息编码模块、配对模块和储存模块；

用户信息编码模块用于将采集到的用户行为信息编码为用户特征向量；

物品信息编码模块用于将物品信息编码为物品特征向量；

配对模块依据用户行为与物品信息进行配对返回推荐内容；

储存模块储存所有物品信息，及每个用户对物品的兴趣偏好参数；

所述配对模块接收来自用户信息编码模块的用户特征向量和物品编码模块编码的物品特征向量，更新各自对物品的兴趣偏好后输出下一推荐内容；

通过切分时间片和节假日状态的方式区分同一个家庭组中不同细分用户的偏好，对细分用户独立建模；传统算法认为一个用户id只存在一个用户使用。本算法将一天按照24小时划分为24个细化时间片，同时增加当前是否休假来将一个用户id最大假设存在48个用户的不同行为；

通过物品分组的计算依据批次分别试探的方式增加了不同类别物品的曝光频次，逐步加大用户偏好类别的曝光，加速冷启动问题的解决。

一种针对家庭组的推荐内容快速验证方法，包括以下步骤：

步骤1、物品信息编码模块对物品信息进行处理，假设存在n个物品共d类标签则物品信息即编码为一个n×d维的物品矩阵；并依据标签分为d类则单类表示为

步骤2、用户信息编码模块对用户行为信息进行处理，构建一个a×(d+2)维的用户行为矩阵记为A，其中a为用户反馈次数，d为标签特征，多出的两维分别是反馈的时间的小时数与反馈时间是否为节假日，d+2记为l；构建一个a×1维的结果矩阵，记录当前记录是否被点击记为R；

步骤3、通过配对模块依据A对当前时段状态的当前用户对反馈物品的标签偏好进行权重更新，对偏好权重进行存储后并计算下一次的推荐内容；

步骤4、返回下一推荐内容。

步骤3中具体分为：

步骤3.1、计算反馈的期望收益u、置信区间上边界

步骤3.2、计算当前用户的d类的各自的

步骤3.3、对3.1中数值进行更新到储存中。

步骤3.1中，期望收益设定u为：

其中X为

参数θ的设定为：

θ＝X

b为

置信上边界为：

其中α为固定输入参数，一般为0.1。

步骤3.3中，新的A存为

根据步骤3.2计算每个细分用户对于每个物品分类可以得到一个置信上边界讲值从大到小排序，取最大的分类作为下一个的推荐内容返回。

以上公开的本发明优选实施例只是用于帮助阐述本发明。优选实施例并没有详尽叙述所有的细节，也不限制该发明仅为所述的具体实施方式。显然，根据本说明书的内容，可作很多的修改和变化。本说明书选取并具体描述实施例，是为了更好地解释本发明的原理和实际应用，从而使所属技术领域技术人员能很好地理解和利用本发明。