【技術實現步驟摘要】
本申請涉及信息或其他相關領域，具體而言，涉及一種物品的推薦方法、裝置、計算機程序產品以及電子設備。
技術介紹
1、隨著信息技術的飛速躍進，個性化推薦機制已成為電子商務、社交媒體等多個行業不可或缺的驅動力，它通過分析用戶的過往行為和偏好，幫助用戶在海量信息中篩選出最符合其興趣和需求的內容，從而優化用戶體驗和滿意度，并提升網站的活躍度。推薦算法的核心在于理解和預測用戶對未接觸過的內容或商品的潛在偏好，這一過程往往依賴于用戶的歷史行為數據和項目的基本屬性數據。
2、傳統的推薦算法，如基于內容的推薦(content-based?recommendation)和協同過濾(collaborative?filtering)，在信息推薦領域有著廣泛的應用，它們通過分析用戶對這些特征的偏好、或分析用戶對項目的歷史評分和行為模式，進而實現項目的推薦，但上述基于內容的推薦受限于項目描述的準確性；協同過濾則面臨數據稀疏性和冷啟動問題，即新用戶或新項目的推薦難度。
3、為克服上述問題，矩陣分解(mf：matrix?factorization)技術逐漸成為個性化推薦領域研究的熱點，該方法作為一種創新性的解決方案，通過將高維的用戶-項目評分矩陣拆解為兩個低維矩陣：用戶特征矩陣和項目特征矩陣，進而模擬用戶和項目之間的潛在關聯。盡管矩陣分解技術在處理數據稀疏性方面展現出了顯著優勢，但其固有的算法局限性仍不容忽視。首先，矩陣分解忽略了用戶興趣的動態變化，使得在用戶行為頻繁變化的場景下存在推薦效果不佳的問題；其次，矩陣分解算法在訓練過程中容易
4、針對相關技術中為用戶進行物品等對象推薦時存在推薦準確率低的問題，目前尚未提出有效的解決方案。
技術實現思路
1、本申請的主要目的在于提供一種物品的推薦方法、裝置、計算機程序產品以及電子設備，以解決相關技術中為用戶進行物品等對象推薦時存在推薦準確率低的問題。
2、為了實現上述目的，根據本申請的一個方面，提供了一種物品的推薦方法。該方法包括：獲取用戶在歷史時間段的用戶行為數據，利用預設時間段長度對用戶行為數據進行分割，得到m個分段行為數據，其中，用戶行為數據用于表征用戶對n個物品的興趣程度，每個分段行為數據關聯一個子時間段，m、n為正整數；對于一個分段行為數據，利用分段行為數據構建初始評分矩陣，其中，初始評分矩陣中的每個元素用于表征用戶在一個子時間段內對一個物品的評分；對每個分段行為數據的初始評分矩陣進行優化處理，得到m個預測評分矩陣，利用時間權重數據對m個預測評分矩陣進行加權處理，得到加權預測評分矩陣；對加權預測評分矩陣中的元素進行降序排序，得到降序序列，根據降序序列生成物品推薦列表。
3、進一步地，利用分段行為數據構建初始評分矩陣包括：獲取用戶的用戶特征，并獲取分段行為數據關聯的子時間段，得到第一子時間段；從分段行為數據中提取用戶在第一子時間段對n個物品的瀏覽時長，得到n個瀏覽時長數據；獲取評分對應列表，根據評分對應列表確定每個瀏覽時長數據的評分，得到n個物品評分；利用用戶特征和n個物品評分構建矩陣，得到第一評分矩陣；對第一評分矩陣進行數據清洗，得到初始評分矩陣。
4、進一步地，對每個分段行為數據的初始評分矩陣進行優化處理，得到m個預測評分矩陣包括：對于一個初始評分矩陣，獲取用戶在第二歷史時間段的用戶行為數據，得到第二用戶行為數據，其中，第二歷史時間段是指歷史時間段的前一個時間段；利用第二用戶行為數據和初始評分矩陣確定特征矩陣，其中，特征矩陣包括用戶特征矩陣和物品特征矩陣；利用用戶特征矩陣、物品特征矩陣和初始評分矩陣確定損失函數，利用梯度下降算法對損失函數進行處理，直至處理后的損失函數收斂或處理后的損失函數達到迭代次數；根據處理后的損失函數的參數對特征矩陣進行更新，得到處理后的特征矩陣，利用處理后的特征矩陣構建初始評分矩陣關聯的預測評分矩陣。
5、進一步地，利用第二用戶行為數據和初始評分矩陣確定特征矩陣包括：利用初始評分矩陣進行矩陣分解，得到初始特征矩陣；利用第二用戶行為數據對初始特征矩陣中的元素進行更新，得到特征矩陣。
6、進一步地，利用用戶特征矩陣、物品特征矩陣和初始評分矩陣確定損失函數包括：計算用戶特征矩陣的范數的平方，得到第一特征矩陣，并計算物品特征矩陣的范數的平方，得到第二特征矩陣；計算第一特征矩陣和第二特征矩陣的和，得到特征矩陣總和；計算初始評分矩陣和物品特征矩陣的轉置矩陣的乘積，得到乘積矩陣；對于初始評分矩陣的每個元素，計算初始評分矩陣的每個元素與乘積矩陣中對應的元素的差值的平方，得到k個元素平方數據，其中，k為正整數；計算k個元素平方數據的和，得到元素平方總和；確定正則化系數，計算特征矩陣總和以及正則化系數的乘積，得到特征乘積，并計算元素平方總和以及特征乘積的和，得到損失函數。
7、進一步地，利用梯度下降算法對損失函數進行處理包括：獲取學習率參數，利用學習率參數、用戶特征矩陣、物品特征矩陣和初始評分矩陣確定預設參數；獲取正則化系數，計算正則化系數與用戶特征矩陣的乘積，得到第一乘積，并計算預設參數與物品特征矩陣的乘積，得到第二乘積；計算用戶特征矩陣、第一乘積與第二乘積的差值，得到第一更新矩陣；計算正則化系數與物品特征矩陣的乘積，得到第三乘積，并計算預設參數與用戶特征矩陣的乘積，得到第四乘積；計算用戶特征矩陣、第三乘積與第四乘積的差值，得到第二更新矩陣；利用第一更新矩陣替換損失函數中的用戶特征矩陣，并利用第二更新矩陣替換損失函數中的物品特征矩陣，得到處理后的損失函數。
8、進一步地，每個預測評分矩陣的時間權重數據通過以下方式確定：獲取每個預測評分矩陣的時間段位序，得到m個時間段位序；對于一個預測評分矩陣，計算m與預測評分矩陣的時間段位序的差值，得到位序差值；獲取衰減常數，計算位序差值與衰減常數的比值，得到位序比值，對位序比值進行冪計算，得到預測評分矩陣的時間權重數據。
9、為了實現上述目的，根據本申請的另一方面，提供了一種物品的推薦裝置。該裝置包括：獲取單元，用于獲取用戶在歷史時間段的用戶行為數據，利用預設時間段長度對用戶行為數據進行分割，得到m個分段行為數據，其中，用戶行為數據用于表征用戶對n個物品的興趣程度，每個分段行為數據關聯一個子時間段，m、n為正整數；構建單元，用于對于一個分段行為數據，利用分段行為數據構建初始評分矩陣，其中，初始評分矩陣中的每個元素用于表征用戶在一個子時間段內對一個物品的評分；處理單元，用于對每個分段行為數據的初始評分矩陣進行優化處理，得到m個預測評分矩陣，利用時間權重數據對m個預測評分矩陣進行加權處理，得到加權預測評分矩陣；排序單元，用于對加權預測評分矩陣中的元素進行降序排序，得到降序序列，根據降序序列生成物品推薦列表。...
【技術保護點】
1.一種物品的推薦方法，其特征在于，包括：
2.根據權利要求1所述的方法，其特征在于，利用所述分段行為數據構建初始評分矩陣包括：
3.根據權利要求1所述的方法，其特征在于，對每個分段行為數據的初始評分矩陣進行優化處理，得到M個預測評分矩陣包括：
4.根據權利要求3所述的方法，其特征在于，利用所述第二用戶行為數據和所述初始評分矩陣確定特征矩陣包括：
5.根據權利要求3所述的方法，其特征在于，利用所述用戶特征矩陣、所述物品特征矩陣和所述初始評分矩陣確定損失函數包括：
6.根據權利要求3所述的方法，其特征在于，利用梯度下降算法對所述損失函數進行處理包括：
7.根據權利要求1所述的方法，其特征在于，每個預測評分矩陣的時間權重數據通過以下方式確定：
8.一種物品的推薦裝置，其特征在于，包括：
9.一種計算機程序產品，包括計算機程序，其特征在于，所述計算機程序被處理器執行時實現權利要求1至7中任意一項所述的物品的推薦方法。
10.一種電子設備，其特征在于，包括一個或多個處理器和存儲器，
...【技術特征摘要】
1.一種物品的推薦方法，其特征在于，包括：
2.根據權利要求1所述的方法，其特征在于，利用所述分段行為數據構建初始評分矩陣包括：
3.根據權利要求1所述的方法，其特征在于，對每個分段行為數據的初始評分矩陣進行優化處理，得到m個預測評分矩陣包括：
4.根據權利要求3所述的方法，其特征在于，利用所述第二用戶行為數據和所述初始評分矩陣確定特征矩陣包括：
5.根據權利要求3所述的方法，其特征在于，利用所述用戶特征矩陣、所述物品特征矩陣和所述初始評分矩陣確定損失函數包括：
6.根據權利要求3所述的方法，其特征在于，利用梯度下...
【專利技術屬性】
技術研發人員：李勁松，于明亮，牛拓蒙，王巖，周煊，范修偉，甘寧，
申請(專利權)人：中國民航信息網絡股份有限公司，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。