(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211114677.9 (22)申请日 2022.09.14 (71)申请人 中国银行股份有限公司 地址 100818 北京市西城区复兴门内大街1 号 (72)发明人 冀祥　 (74)专利代理 机构 北京三友知识产权代理有限 公司 11127 专利代理师 臧微微 (51)Int.Cl. G06F 16/9535(2019.01) G06F 16/9536(2019.01) G06K 9/62(2022.01) (54)发明名称 个性化用户推荐方法及装置 (57)摘要 本发明提供了一种个性化用户推荐方法及 装置， 可用于 人工智能技术领域， 该方法包括： 基 于多个用户对多个待推荐项目的评分数据， 构建 用户评分矩阵； 根据每个待推荐项目的每个属性 特征的权重， 生成项目属性特征矩阵； 根据项目 属性特征矩阵， 计算任意两个待推荐项目之间的 相似性， 获得相似性数据； 基于相似性数据， 填充 所述用户评分矩阵； 利用隐语义模 型对填充后的 用户评分矩阵进行训练， 获得训练好的隐语义模 型； 利用训练好的隐语义模型， 确定目标用户的 推荐项目。 本发 明可实现高准确度的个性化用户 推荐。 权利要求书3页 说明书8页 附图3页 CN 115438262 A 2022.12.06 CN 115438262 A 1.一种个性 化用户推荐方法， 其特 征在于， 包括： 基于多个用户对多个待推荐 项目的评分数据， 构建用户评分矩阵； 根据每个待推荐 项目的每 个属性特 征的权重， 生成项目属性特 征矩阵； 根据项目属性特 征矩阵， 计算任意两个待推荐 项目之间的相似性， 获得相似性数据； 基于相似性数据， 填充所述用户评分矩阵； 利用隐语义模型对填充后的用户评分矩阵进行训练， 获得训练好的隐语义模型； 利用训练好的隐语义模型， 确定目标用户的推荐 项目。 2.如权利要求1所述的方法， 其特征在于， 根据每个待推荐项目的每个属性特征的权 重， 生成项目属性特 征矩阵， 包括： 采用如下公式计算每 个待推荐 项目的每 个属性特 征的加权 权重： 其中， TF‑IDF(in,tk)为待推荐 项目in的属性特 征tk的加权权重； count(tk)为属性特 征tk在所有属性特 征中出现的次数； TF(in,tk)为待推荐 项目in的属性特 征tk的权重； N为待推荐 项目的属性特 征的总数； 根据每个待推荐 项目的每 个属性特 征的加权 权重， 生成项目属性特 征矩阵。 3.如权利要求1所述的方法， 其特征在于， 根据项目属性特征矩阵， 计算任意两个待推 荐项目之间的相似性， 获得相似性数据， 包括： 采用如下的修 正的余弦相似度， 计算任意两个待推荐 项目之间的相似性： 其中， Sim(i,j)为待推荐 项目i和待推荐 项目j之间的相似性； Rui为待推荐 项目i的属性特 征u的值； Ruj为待推荐 项目j的属性特 征u的值； 为属性特 征u的平均值； U为属性特 征集合。 4.如权利要求1所述的方法， 其特征在于， 基于相似性数据， 填充所述用户评分矩阵， 包 括： 基于相似性数据， 确定每 个待推荐 项目的相似项目； 获取每个用户的已评分的待推荐 项目； 取每个用户的每个待推荐项目的相似项目与已评分的待推荐项目的交集， 获得每个用 户的已评分的待推荐 项目的近邻集 合； 根据所述近邻集 合， 填充所述用户评分矩阵。 5.如权利要求4所述的方法， 其特征在于， 根据 所述近邻集合， 填充所述用户评分矩阵， 包括：权　利　要　求　书 1/3 页 2 CN 115438262 A 2采用如下公式填充所述用户评分矩阵： 其中， Rati ng为评分； S(u)为用户u的近邻集 合； aui为aui用户u对待推荐 项目i的评分； avj为用户v对待推荐 项目j的评分； Sim(u,v)为用户u和用户v之间的相似性。 6.如权利要求1所述的方法， 其特 征在于， 还 包括： 利用隐语义模型对填充后的用户评分矩阵进行训练时， 采用ALS算法。 7.如权利要求1所述的方法， 其特征在于， 利用训练好的隐语义模型， 确定目标用户的 推荐项目， 包括： 利用训练好的隐语义模型， 预测目标用户的所有 待推荐项目的评分； 根据所述评分， 从所有 待推荐项目中， 确定目标用户的推荐 项目。 8.一种个性 化用户推荐装置， 其特 征在于， 包括： 用户评分矩阵构建模块， 用于基于多个用户对多个待推荐项目的评分数据， 构建用户 评分矩阵； 项目属性特征矩阵生成模块， 用于根据每个待推荐项目的每个属性特征的权重， 生成 项目属性特 征矩阵； 相似性数据计算模块， 用于根据项目属性特征矩阵， 计算任意两个待推荐项目之间的 相似性， 获得相似性数据； 用户评分矩阵填充模块， 用于基于相似性数据， 填充所述用户评分矩阵； 模型训练模块， 用于利用隐语义模型对填充后的用户评分矩阵进行训练， 获得训练好 的隐语义模型； 推荐项目确定模块， 用于利用训练好的隐语义模型， 确定目标用户的推荐 项目。 9.如权利要求8所述的装置， 其特 征在于， 项目属性特 征矩阵生成模块具体用于： 采用如下公式计算每 个待推荐 项目的每 个属性特 征的加权 权重： 其中， TF‑IDF(in,tk)为待推荐 项目in的属性特 征tk的加权权重； count(tk)为属性特 征tk在所有属性特 征中出现的次数； TF(in,tk)为待推荐 项目in的属性特 征tk的权重； N为待推荐 项目的属性特 征的总数； 根据每个待推荐 项目的每 个属性特 征的加权 权重， 生成项目属性特 征矩阵。 10.如权利要求8所述的装置， 其特 征在于， 相似性数据计算模块具体用于：权　利　要　求　书 2/3 页 3 CN 115438262 A 3