CN1643920A - 使用多个推荐得分的推荐系统 - Google Patents

使用多个推荐得分的推荐系统 Download PDF

Info

Publication number
CN1643920A
CN1643920A CNA038061864A CN03806186A CN1643920A CN 1643920 A CN1643920 A CN 1643920A CN A038061864 A CNA038061864 A CN A038061864A CN 03806186 A CN03806186 A CN 03806186A CN 1643920 A CN1643920 A CN 1643920A
Authority
CN
China
Prior art keywords
neural network
recommendation
basis function
radial basis
function neural
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CNA038061864A
Other languages
English (en)
Inventor
A·布扎克
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Koninklijke Philips NV
Original Assignee
Koninklijke Philips Electronics NV
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Koninklijke Philips Electronics NV filed Critical Koninklijke Philips Electronics NV
Publication of CN1643920A publication Critical patent/CN1643920A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
    • H04N21/40—Client devices specifically adapted for the reception of or interaction with content, e.g. set-top-box [STB]; Operations thereof
    • H04N21/45—Management operations performed by the client for facilitating the reception of or the interaction with the content or administrating data related to the end-user or to the client device itself, e.g. learning user preferences for recommending movies, resolving scheduling conflicts
    • H04N21/466—Learning process for intelligent management, e.g. learning user preferences for recommending movies
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
    • H04N21/40—Client devices specifically adapted for the reception of or interaction with content, e.g. set-top-box [STB]; Operations thereof
    • H04N21/45—Management operations performed by the client for facilitating the reception of or the interaction with the content or administrating data related to the end-user or to the client device itself, e.g. learning user preferences for recommending movies, resolving scheduling conflicts
    • H04N21/466—Learning process for intelligent management, e.g. learning user preferences for recommending movies
    • H04N21/4662—Learning process for intelligent management, e.g. learning user preferences for recommending movies characterized by learning algorithms
    • H04N21/4666—Learning process for intelligent management, e.g. learning user preferences for recommending movies characterized by learning algorithms using neural networks, e.g. processing the feedback provided by the user
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
    • H04N21/20—Servers specifically adapted for the distribution of content, e.g. VOD servers; Operations thereof
    • H04N21/25—Management operations performed by the server for facilitating the content distribution or administrating data related to end-users or client devices, e.g. end-user or client device authentication, learning user preferences for recommending movies
    • H04N21/258—Client or end-user data management, e.g. managing client capabilities, user preferences or demographics, processing of multiple end-users preferences to derive collaborative data
    • H04N21/25866—Management of end-user data
    • H04N21/25891—Management of end-user data being end-user preferences
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
    • H04N21/40—Client devices specifically adapted for the reception of or interaction with content, e.g. set-top-box [STB]; Operations thereof
    • H04N21/43—Processing of content or additional data, e.g. demultiplexing additional data from a digital video stream; Elementary client operations, e.g. monitoring of home network or synchronising decoder's clock; Client middleware
    • H04N21/442—Monitoring of processes or resources, e.g. detecting the failure of a recording device, monitoring the downstream bandwidth, the number of times a movie has been viewed, the storage space available from the internal hard disk
    • H04N21/44213—Monitoring of end-user related data
    • H04N21/44222—Analytics of user selections, e.g. selection of programs or purchase activity
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
    • H04N21/40—Client devices specifically adapted for the reception of or interaction with content, e.g. set-top-box [STB]; Operations thereof
    • H04N21/45—Management operations performed by the client for facilitating the reception of or the interaction with the content or administrating data related to the end-user or to the client device itself, e.g. learning user preferences for recommending movies, resolving scheduling conflicts
    • H04N21/4508—Management of client data or end-user data
    • H04N21/4532—Management of client data or end-user data involving end-user characteristics, e.g. viewer profile, preferences
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
    • H04N21/40—Client devices specifically adapted for the reception of or interaction with content, e.g. set-top-box [STB]; Operations thereof
    • H04N21/45—Management operations performed by the client for facilitating the reception of or the interaction with the content or administrating data related to the end-user or to the client device itself, e.g. learning user preferences for recommending movies, resolving scheduling conflicts
    • H04N21/454—Content or additional data filtering, e.g. blocking advertisements
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
    • H04N21/40—Client devices specifically adapted for the reception of or interaction with content, e.g. set-top-box [STB]; Operations thereof
    • H04N21/47—End-user applications
    • H04N21/482—End-user interface for program selection
    • H04N21/4826—End-user interface for program selection using recommendation lists, e.g. of programs or channels sorted out according to their score
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N7/00—Television systems
    • H04N7/16—Analogue secrecy systems; Analogue subscription systems

Abstract

公开了一种方法和设备，用于使用一个或者多个径向基函数神经网络(400)通过混合来自各个推荐工具(125)的多个推荐得分来推荐感兴趣的项目(205，210，220)。径向基函数神经网络包括N个输入和至少一个输出，由在一个隐藏层中的多个隐藏单元互联。可以为每一用户使用一个唯一的神经网络，或者一个神经网络可以由多个用户共享，例如具有相似特征的一个用户组。神经网络训练过程(500)最初使用训练数据集(300)中的数据来训练每一个径向基函数神经网络。神经网络交叉验证过程(600)选择对交叉验证数据集执行最好的径向基函数神经网络。神经网络节目推荐过程(700)使用所选择的一个或者多个神经网络向用户推荐感兴趣的项目。

Description

使用多个推荐得分的推荐系统
本发明涉及用于推荐感兴趣的项目(诸如电视节目)的方法和设备，更具体说，涉及用于根据多个单个推荐得分来推荐节目和其它感兴趣的项目的技术。
随着电视观众可收看的频道数目的增加，加之在这种频道上可收看的节目内容的多样性，对于电视观众来说，识别感兴趣的电视节目变得日益具有挑战性。电子节目指南(EPG)例如通过标题、时间、日期和频道来识别可收看的电视节目，和通过允许根据个性化的偏好对可收看的电视节目进行搜索和分类来方便对感兴趣的节目的识别。
已经提出或者建议一些用于推荐电视节目或者其它感兴趣的项目的推荐工具。电视节目推荐工具例如将观众的偏好加到EPG上来获得特定的观众可能感兴趣的一组推荐节目。一般来说，电视节目推荐工具使用隐式的或者显式的技术、或者使用上述技术的某些组合来获取观众的偏好。隐式电视节目推荐工具基于从观众的观看历史导出的信息以一种非强行方式产生电视节目推荐。另一方面，显示电视节目推荐工具明确询问观众关于他们对节目属性(诸如标题、类别、演员和频道)的偏好来导出观众简档和产生推荐。
虽然这些推荐工具能够有效地识别感兴趣的项目，但是它们受到一些限制，这些限制如果能被克服的话，将极大地改善这些推荐工具的性能和可靠性。特别是，已经观察到不同的推荐工具对于同一数据集合(诸如在一个给定晚上可收看节目的列表)一般提供显著不同的推荐。这样，如果一个用户将三个不同的推荐工具应用在一个给定晚上的可收看节目列表的话，则用户可能得到三组不同的推荐。在产生的推荐中的差别是由于不同的推荐工具使用不同的(经常是互补的)信息所致。例如，从一个给定用户得到的明确的信息与从由该用户的观看历史确定的隐含信息有很大不同。另外，不同的推荐机制通常具有它们自己的偏重。
因此需要一种利用由若干不同的推荐工具产生的推荐来产生可靠推荐的方法和设备。另外需要的是这样一种方法和设备，用于根据若干不同的推荐工具的推荐来产生推荐。
总体上，公开了一种方法和设备，用于根据由若干不同的推荐工具产生的推荐得分来推荐感兴趣的项目，诸如电视节目。更具体说，所公开的神经网络推荐工具使用一个或者多个径向基函数神经网络(Radial Basis Function neural network)来混合来自各个推荐工具的多个推荐得分以便为每一可用的项目产生单一混合的推荐得分。
由本发明使用的径向基函数(RBF)神经网络包括N个输入和至少一个输出，由在一个隐藏层中的多个隐藏单元互联。来自各个推荐工具的推荐得分被施加在N个输入上(每一个单个推荐得分一个输入)，并使用RBF神经网络混合以便在RBF神经网络的输出上产生单一混合的推荐得分。每一用户可使用一个唯一的神经网络，或者一个神经网络可由多个用户共享，例如一组具有相似特征的用户。
从过程的观点来看，一个神经网络训练过程典型地使用来自一个训练数据集的数据为每一用户或者一组用户训练若干不同的径向基函数神经网络。从该组被训练的网络中，交叉验证过程选择对交叉验证数据集执行最好的RBF神经网络。最后，神经网络节目推荐过程使用所选择的(一个或者多个)神经网络向用户推荐感兴趣的项目。
本发明的更完整的理解，以及本发明的进一步的特征和优点通过参考下面的详细说明和附图而获得。
图1是根据本发明的一个神经网络推荐工具的示意方框图；
图2是图1的示例节目数据库的一个样本表；
图3是图1的示例基本事实数据库的一个样本表；
图4是根据本发明的一个神经网络推荐工具的示意方框图；
图5是说明实现本发明原理的图1的神经网络训练过程的流程图；
图6是说明实现本发明原理的图1的神经网络交叉验证过程的流程图；和
图7是说明实现本发明原理的图1的神经网络节目推荐过程的流程图。
图1表示根据本发明的一个神经网络推荐工具100。如图1所示，该示例神经网络推荐工具100评估节目数据库200中的节目，以识别特定用户感兴趣的节目，节目数据库200在下面结合图2讨论。被推荐的节目组例如可以使用机顶盒终端/电视(未示出)使用公知的屏幕上显示技术呈送给观众。虽然本发明在本文中是在电视节目推荐的环境中说明的，但是本发明可以应用于任何基于对用户行为(诸如观看历史或者购买历史)的评价而自动产生的推荐。
根据本发明的一个特征，神经网络推荐工具100根据由多个推荐工具125-1到125-N产生的推荐得分来产生推荐，下文把多个推荐工具125-1到125-N统称为各个推荐工具125。一般来说，神经网络推荐工具100使用一个或者多个径向基函数神经网络在决策级混合来自各个推荐工具125的推荐得分以便为每一可用项目产生单一推荐得分(混合的节目推荐150)。下面会进一步讨论，可以为每一用户产生一个唯一的神经网络，或者一个神经网络可以由多个用户共享，例如具有相似特征的一组用户或者甚至全部的用户群。
可以用通用计算系统(诸如图1所示的通用计算系统)来实现神经网络推荐工具100。神经网络推荐工具100包括处理器115和相关的存储器，诸如数据存储设备120，它可以是分布式的也可以是本地的。处理器115可以作为单处理器或者若干并行运行的本地的或者分布的处理器实现。数据存储设备120和/或只读存储器(ROM)可操作用于存储一条或者多条指令，处理器115可操作用于检索、解释和执行这些指令。在另一个变体中，神经网络推荐工具100和/或各个推荐工具125可以作为特定应用的集成电路(ASIC)实现，例如机顶盒终端或显示器(未示出)中的所述集成电路。
如图1所示并在下面结合图5到图6所进一步讨论，数据存储设备(存储器)120包括神经网络训练过程500、神经网络交叉验证过程600和神经网络节目推荐过程700。一般来说，使用神经网络训练过程500来训练一个或者多个径向基函数神经网络400(下面结合图4讨论)，所述训练使用来自基本事实(ground truth)数据集300(下面结合图3讨论)的数据。典型地，基本事实数据集300包括来自一个或者多个用户的观看历史的数据，并包含对于一个给定的节目是否喜欢的指示。使用神经网络交叉验证过程600来为一个给定用户或用户组选择对交叉验证数据集执行最好的径向基函数神经网络400。最后，使用神经网络节目推荐过程700向用户推荐感兴趣的项目，所述推荐使用被训练的神经网络400。
各个推荐工具125可以作为任何可用推荐工具(诸如TivoTM系统)实现(所述TivoTM系统可从加利福尼亚州的Sunnyvale的Tivo公司购买)，或者作为在下述文献或其任意组合中说明的推荐工具实现：S.Gutta等人的“TV Content Recommender System”，Proc.of the 17thNat’l Conf.Of AAAI，Austin，TX(2000年)；K.Kurapati等人的“Multi-Agent TV Recommender”，Workshop on Personalization inFuture TV，User Modeling 2001，Sonthofen，德国(2001年7月)；美国专利申请序列号09/466,406，在1999年12月17日提交，名称为“Method and Apparatus for Recommending Television Programmingusing Decision Tree”；美国专利申请序列号09/498,271，在2000年2月4日提交，名称为“Bayesian TV Show Recommender”；美国专利申请序列号09/627,139，在2000年7月27日提交，名称为“Three-Way Media Recommendation Method and System”；和美国专利申请序列号10/014,195，在2001年11月13日提交，名称为“Method and Apparatus for Recommendation Items of InterestBased on Stereotype References of Third Parties”。其中每一篇都在本文中引用以作为参考。
各个推荐工具125可以使用隐式的或者显式的技术获得观众偏好，并且可以根据这种观众偏好使用贝叶斯(B)或决策树(DT)技术、支持矢量机、神经网络或者某些其它方法来产生推荐。如前所述，显式推荐器使用来自用户关于他们喜欢或者不喜欢的节目类别、频道和节目特征的直接应答。隐式推荐器使用主体的观看历史来导出用户的观看偏好。观看历史例如可以基于TV观看历史或者录像制品/DVD租借历史。基于观看历史，贝叶斯、决策树、神经网络和支持矢量机推荐器以已知方式(为个人或家庭或两者)建立用户简档。
在另外一个变体中，由各个推荐工具125产生的推荐可以使用反馈特征加以更新，该反馈特征允许用户指出该用户喜欢还是不喜欢由系统100提供的某些推荐。对于使用用户反馈来更新推荐工具的方法和设备的更详细的讨论例如可以参见在本文中引用以作参考的美国专利申请序列号09/718,261，2000年11月22日递交，名称为“Methodand Apparatus for Obtaining Auditory and Gestural Feedback ina Recommendation System”。
如图1所示，并且在下面结合图2和图3进一步讨论，神经网络推荐工具100使用一个节目数据库200和一个基本事实数据集300。一般来说，节目数据库200可以作为公知的电子节目指南(EPG)实现，并且记录在一个给定的时间区间内可收看的每一节目的信息。示例基本事实数据集300被从若干用户收集，它指示用户喜欢还是不喜欢一个给定的节目。
图2是从图1的节目数据库(EPG)200中选取的一个样本表。如前面所指出的，节目数据库200记录在一个给定的时间区间内可收看的每一节目的信息。如图2所示，节目数据库200包括多条记录(诸如记录205到220)，每一记录与一个给定的节目相关联。对于每一个节目，节目数据库200在字段240和245中分别指示与该节目相关联的日期/时间和频道。另外，在字段250、255和270中分别标识每一节目的标题、类别和演员。另外的公知特征(未示出)(诸如导演、制作人、演播时间和节目的说明)也可以包含在节目数据库200中。
图3是从图1的基本事实数据集300中选取的一个样本表。如前面所指出的，基本事实数据集300表示：对于一个给定的节目组中的每一节目，一个给定的用户是否将(i)观看(1.0)，(ii)不观看(0)，也许观看(0.5)。在基本事实数据集300中指出的偏好可以隐式地或者显式地获得。下面会结合图5和图6讨论，使用在基本事实数据集300中指出的偏好来训练、验证和评价一个或者多个径向基函数神经网络400。
如图3所示，基本事实数据集300包括多个记录(诸如记录305、310、320)，每一个与一个给定的节目相关联。图3所示的基本事实数据集300具有和在上面结合图2的节目数据库200讨论的同样的字段340-370，还增加了一个字段375来指示用户得分(指示用户是否可能观看相应节目)。应该注意，基本事实数据集300可以包括节目数据库200中的节目的一个子集。
如前面所指出的，本发明使用如图4所示的一个或者多个径向基函数神经网络400来混合由多个推荐工具125-1到125-N产生的推荐得分。对于径向基函数神经网络400的详细的讨论例如参见J.Moody& C.J.Darken的“Fast Learning in Networks of Locally TunedProcessing Units”，Neural Computation，vol.1，281-94(1989)或Simon Haykin的“Neural Networks：A ComprehensiveFoundation”，Prentice Hall，256-317(1999)，其中每一篇都在本文中引用以作为参考。
人工神经网络(ANN)是数据处理系统，它包括在由脑子的大脑皮层部分所启示的体系结构中的大量简单的、高度互联的单元(称为神经元)。ANN具有通过学习和归纳来从实际数据模拟过程的能力。一般来说，人工神经网络识别噪声存在的模式和数据何时稀疏或不完全。人工神经网络在高维空间中执行匹配，高效地根据数据进行内插和外推。这使得ANN成为用于实时分类、确定趋向和预测的有效工具。径向基函数网络曾被选择来用于混合过程，因为它们是通用的近似器并且训练迅速(例如，通常幅度量级要比反向传播快)。RBF网络的迅速训练使得它们适合于要求在线增量式学习的应用。
在为每一用户使用单独的径向基函数神经网络400的实现方式中，专门在从用于该用户的基本事实数据集300中选取的训练数据上训练RBF神经网络400，从而保证该网络响应于该特定用户的特征。在一个示范实现方式中，从基本事实数据集300中选取的数据的大约百分之四十(40％)用于训练，百分之十五(15％)用于交叉验证，并且全部数据集用于再调用(recall)以评价性能。通常希望使用分类为0、0.5、和1的等量节目进行训练。
在为多个用户使用单一径向基函数神经网络400的实现方式中，使用来自所有相关联的用户的整体集合的数据或者来自这种相关联的用户的一个样本的数据来训练RBF神经网络400。在一个示范实施例中，来自主体(subject)A、C、和D的数据的15％到40％被用作训练集(这相当于整个数据集的26％)；来自主体D、F、和G的数据的14％到45％被用于交叉验证(这相当于整个数据集的13％)；并且所有数据被用于再调用。用户H和I的数据不用于训练或交叉验证。这一方法具有这样的优点：它可以使用在来自我们的研究中的主体的数据集300的字段375中存储的基本事实(GT)数据来展开。后面，通过使用各用户对系统推荐的赞成和反对反馈使这一混合网络适应于各个用户。
图4是根据本发明的径向基函数神经网络400的示意框图。如图4所示，RBF神经网络400包括三层：410、420、430。模式(隐藏层)420中的节点420-1到420-N执行径向基函数变换(诸如高斯变换)，其在下面结合等式1讨论。如图4所示，输入层410全部连接到模式层420，而模式层单元420-i全部连接到使用线性传递函数的输出单元430-i。
如图4所示，径向基函数神经网络400具有N个输入(相应于N个单个推荐工具125)和一个输出(混合的节目推荐150)。所述N个输入是由N个单个推荐工具125产生的推荐得分。
如在下面结合图5要讨论的，在输入层410和模式(隐藏层)420之间的每一连接在初始学习阶段被指派一个权重。相似地，在模式(隐藏层)420和输出层430之间的每一连接在第二学习阶段被指派一个权重。可以在训练阶段期间为每一用户或者用户组训练每一个在模式(隐藏层)420内具有不同数目隐藏单元的若干不同的RBF神经网络。随后在验证阶段为每一用户或者用户组选择对交叉验证集执行最好的径向基函数神经网络400，这在下面结合图6讨论。
隐藏层420经常使用的一类传递函数是下面的高斯函数：
h ( x ) = exp ( ( x - u ) 2 2 · sigma 2 ) 等式(1)
式中，x是输入矢量，u是径向基函数的中心。当x＝u时，h(x)是1。这样，u决定产生神经元的最大输出的x值。在x的其他值处的响应，随x偏离u而迅速降低，当x远离u时变成可忽略的值。仅在称为神经元的接收场的x值范围上，输出具有对输入x显著的响应。接收场的大小由sigma决定。当输入矢量是N维的时，接收场也是N维的。
如前面所指示出的，在训练阶段期间给在输入层410和模式(隐藏层)420之间和在模式(隐藏层)420和输出层430之间的径向基函数神经网络400中的每一连接指派一个权重。
图5是一个流程图，说明根据本发明神经网络训练过程500的一个示例实现方式。使用神经网络训练过程500来为每一用户或用户组训练一个或者多个径向基函数神经网络400。如图5所示，示例神经网络训练过程500在步骤510最初执行初始学习阶段，以便给在输入层410和模式(隐藏层)420之间的径向基函数神经网络400中的连接指派一个权重。一般来说，步骤510使用无监督学习方法估计径向基函数中心，所述无监督学习方法例如有K平均聚类法技术，其在R.O.Duda和P.E.Hart所著的“Pattern Classification and SceneAnalysis”，John Wiley & Sons(1973)中说明，其在本文中引用以作为参考。
在步骤530期间以已知执行方式测试，以确定权重是否已经稳定(N)。如果在步骤530确定权重尚未稳定，则程序控制返回到步骤530，直到权重已经稳定(Y)。一旦在步骤530确定权重已经稳定，则程序控制前进到步骤570，在这里启动第二学习阶段。
在步骤570期间执行的第二学习阶段给在模式(隐藏层)420和输出层430之间的径向基函数神经网络400中的连接指派一个权重。例如，在步骤570期间可以使用线性回归或者梯度下降技术以已知方式确定合适的权重。
在步骤580期间执行测试以确定训练错误是否足够小。例如，可以继续权重训练直到错误率停止按某一预定最小量改善。如果在步骤580期间确定训练错误不是足够小(N)，则程序控制返回到步骤570直到训练错误足够小。一旦在步骤580期间确定训练错误足够小(Y)，则程序控制前进到步骤590，在这里程序控制结束。应该注意，可选择地随时间或者实时地重新训练径向基函数神经网络400，以便随着收集到更多的基本事实数据而改善性能。
为每一用户和对被确定为可行的每一隐藏单元数目执行训练。一旦为每一变体训练径向基函数神经网络400，则可以使用神经网络交叉验证过程600评价性能以选择具有最佳配置的RBF神经网络400，神经网络交叉验证过程600在下面结合图6说明。
根据交叉验证数据集上的命中率和假正性率(False PositiveRate)评估由神经网络训练过程500训练的RBF神经网络400。选择具有最佳性能的被训练的神经网络400(具有最高的命中率同时具有小的假正性率)作为要使用的RBF神经网络400。这样，被选择的RBF神经网络400具有一定数目的隐藏单元和权重，其由神经网络训练过程500所决定。
图6是一个流程图，说明神经网络交叉验证过程600的一个示例实现方式。应该注意，任何已知的验证过程都可以由神经网络交叉验证过程600使用，并且交叉验证过程600的各部分可以使用自动的(亦即计算机控制的)或手动技术加以实现。如图6所示，在步骤610期间，示例神经网络交叉验证过程600使用命中率和假正性率对每一被训练的径向基函数神经网络400在交叉验证集上的性能进行初始评价。替换地，另一个交叉验证过程可以使用均方差(Mean SquaredError)来比较网络。应该指出，基本事实数据集300指示用户实际上喜欢还是不喜欢在交叉验证数据集中的一个给定的节目。
这样，由神经网络推荐工具100使用一个给定径向基函数神经网络400配置产生的推荐被与在基本事实数据集300中所指示的用户观看偏好加以比较，来评价一个给定的神经网络配置的性能。如前面指出的，一个示范实现方式使用三种度量来比较混合结果。可以为由用户分类为0(不愿看)或1(愿意看)的所有演出计算命中率和假正性率。对于分类为0.5(可能看)的演出存在是否应由神经网络推荐工具100推荐的问题。于是只为清楚地分类为1或0的演出计算命中率和假正性率。应该注意，较高的命中率较低的假正性率指示较好的性能。然而，所有的节目都可以被包括在均方差度量中。
之后，在步骤620期间，为每一用户或者用户组选择在交叉验证集上就命中率和假正性率而言提供最佳性能的径向基函数神经网络400。然后程序控制在步骤630期间结束。
图7是一个流程图，说明实现本发明原理的神经网络节目推荐过程700。神经网络节目推荐过程700处理由各个推荐工具125产生的各个推荐，并且为每一个可收看的项目产生一个单一的混合的推荐得分SF，所述项目例如是一个感兴趣的时间段中的每一可收看的节目。
如图7所示，神经网络节目推荐过程700在步骤710期间最初获得感兴趣的时间段的电子节目指南(EPG)200。之后，在步骤720期间，从各种单个推荐工具125获得各个节目推荐。
然后，在步骤730期间神经网络节目推荐过程700将各个推荐作为输入施加到所训练的径向基函数神经网络400。径向基神经网络节目推荐过程700在步骤740期间为感兴趣的时间段的EPG 200中的每一节目获得混合的推荐得分SF。
最后，在步骤750期间，在步骤760期间程序控制结束之前，例如使用屏上编程技术，可以把感兴趣的时间段中的每一节目的混合的推荐得分SF展示给用户。
应该理解，本文表示和说明的实施例和变体仅仅是对本发明原理的说明，熟悉本技术领域的人可以在不背离本发明的范围和精神的情况下实现各种修改。

Claims (11)

1.一种用于推荐一个或者多个可用项目的方法，包括以下步骤：
从多个推荐工具中的每一个为一个或者多个所述可用项目获得一个单个推荐得分；和
通过使用至少一个径向基函数神经网络组合所述多个单个推荐得分，来为至少一个所述可用项目产生一个混合的推荐得分。
2.如权利要求1所述的方法，其中，所述一个或者多个项目是内容。
3.如权利要求1所述的方法，其中，所述一个或者多个项目是产品。
4.如权利要求1所述的方法，进一步包括使用训练数据集来训练所述径向基函数神经网络的步骤。
5.如权利要求4所述的方法，其中，多个所述径向基函数神经网络被训练，并且进一步包括选择对交叉验证数据集执行最好的一个径向基函数神经网络的步骤。
6.如权利要求1所述的方法，其中，一个唯一的径向基函数神经网络与每一用户相关联。
7.如权利要求1所述的方法，其中，一个径向基函数神经网络与多个用户相关联。
8.一种用于推荐一个或者多个可用项目的方法，包括以下步骤：
产生一个具有N个输入和至少一个输出的径向基函数神经网络；
从多个推荐工具为一个或者多个所述可用项目获得N个单个推荐得分；
向所述N个输入施加所述N个单个推荐得分；和
在所述径向基函数神经网络的所述输出产生一个混合的推荐得分。
9.一种用于推荐一个或者多个可用项目的系统，包括：
用于存储计算机可读代码的存储器；和
可操作地耦合到所述存储器的处理器，所述处理器被配置为：
从多个推荐工具中的每一个为一个或者多个所述可用项目获得一个单个推荐得分；和
通过使用至少一个径向基函数神经网络组合所述多个单个推荐得分，来为至少一个所述可用项目产生一个混合的推荐得分。
10.一种用于推荐一个或者多个可用项目的制造品，包括：
具有包括在其上的计算机可读代码方法的计算机可读介质，所述计算机可读程序代码方法包括：
从多个推荐工具中的每一个为一个或者多个所述可用项目获得一个单个推荐得分的步骤；和
通过使用至少一个径向基函数神经网络组合所述多个单个推荐得分来为至少一个所述可用项目产生一个混合的推荐得分的步骤。
11.一种用于推荐一个或者多个可用项目的系统，包括：
至少一个径向基函数神经网络，具有N个输入和至少一个输出；
用于存储计算机可读代码的存储器；和
可操作地耦合到所述存储器的处理器，所述处理器被配置为：
从多个推荐工具为一个或者多个所述可用项目获得N个单个推荐得分；
向所述N个输入施加所述N个单个推荐得分；和
在所述径向基函数神经网络的所述输出产生一个混合的推荐得分。
CNA038061864A 2002-03-19 2003-03-18 使用多个推荐得分的推荐系统 Pending CN1643920A (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US10/101,325 2002-03-19
US10/101,325 US6922680B2 (en) 2002-03-19 2002-03-19 Method and apparatus for recommending an item of interest using a radial basis function to fuse a plurality of recommendation scores

Publications (1)

Publication Number Publication Date
CN1643920A true CN1643920A (zh) 2005-07-20

Family

ID=28039988

Family Applications (1)

Application Number Title Priority Date Filing Date
CNA038061864A Pending CN1643920A (zh) 2002-03-19 2003-03-18 使用多个推荐得分的推荐系统

Country Status (7)

Country Link
US (1) US6922680B2 (zh)
EP (1) EP1488640A1 (zh)
JP (1) JP2005521144A (zh)
KR (1) KR20050004812A (zh)
CN (1) CN1643920A (zh)
AU (1) AU2003207938A1 (zh)
WO (1) WO2003079688A1 (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102737278A (zh) * 2011-03-31 2012-10-17 微软公司 联合非线性随机投影、受限波尔兹曼机、以及基于批量的可并行优化来使用的深凸网络
CN106940801A (zh) * 2016-01-04 2017-07-11 中国科学院声学研究所 一种用于广域网络的深度强化学习推荐系统及方法
CN108093304A (zh) * 2017-12-29 2018-05-29 东莞市纽格力信息技术有限公司 一种基于用户习惯的智能推荐方法和系统
WO2020147265A1 (zh) * 2019-01-14 2020-07-23 南京信息工程大学 一种基于多源信息融合的移动电子商务推荐方法和系统

Families Citing this family (61)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7370006B2 (en) * 1999-10-27 2008-05-06 Ebay, Inc. Method and apparatus for listing goods for sale
US8533094B1 (en) 2000-01-26 2013-09-10 Ebay Inc. On-line auction sales leads
JP4334793B2 (ja) * 2001-09-28 2009-09-30 太田 美津枝 選択支援演算装置
US8275673B1 (en) 2002-04-17 2012-09-25 Ebay Inc. Method and system to recommend further items to a user of a network-based transaction facility upon unsuccessful transacting with respect to an item
US20030233655A1 (en) * 2002-06-18 2003-12-18 Koninklijke Philips Electronics N.V. Method and apparatus for an adaptive stereotypical profile for recommending items representing a user's interests
AU2003279992A1 (en) 2002-10-21 2004-05-13 Ebay Inc. Listing recommendation in a network-based commerce system
WO2005050482A1 (en) 2003-10-21 2005-06-02 Nielsen Media Research, Inc. Methods and apparatus for fusing databases
WO2006036150A1 (en) * 2004-09-28 2006-04-06 Nielsen Media Research, Inc Data classification methods and apparatus for use with data fusion
US7689520B2 (en) * 2005-02-25 2010-03-30 Microsoft Corporation Machine learning system and method for ranking sets of data using a pairing cost function
US7644148B2 (en) * 2005-05-16 2010-01-05 Hewlett-Packard Development Company, L.P. Historical data based workload allocation
US20070283389A1 (en) * 2006-06-01 2007-12-06 Sharp Laboratories Of America, Inc. Method and system for helping operate a media-playing set
US9300920B2 (en) * 2006-03-03 2016-03-29 Sharp Laboratories Of America, Inc. Method and system for configuring media-playing sets
US20070245373A1 (en) * 2006-03-31 2007-10-18 Sharp Laboratories Of America, Inc. Method for configuring media-playing sets
US7577626B1 (en) * 2006-05-26 2009-08-18 Georgios Mountrakis Multi-scale radial basis function neural network
US7814112B2 (en) 2006-06-09 2010-10-12 Ebay Inc. Determining relevancy and desirability of terms
US7992086B2 (en) * 2006-06-30 2011-08-02 Sharp Laboratories Of America, Inc. System and method for adjusting a media-playing set
US7644051B1 (en) * 2006-07-28 2010-01-05 Hewlett-Packard Development Company, L.P. Management of data centers using a model
US8589523B2 (en) 2006-08-08 2013-11-19 Sharp Laboratories Of America, Inc. Personalized assistance with setup of a media-playing set
US20080040430A1 (en) * 2006-08-10 2008-02-14 Sharp Laboratories Of America, Inc. System and method to facilitate operating a media-playing set
US20080178214A1 (en) * 2007-01-19 2008-07-24 Sharp Laboratories Of America, Inc. Context relevant controls
US7647326B2 (en) * 2007-01-29 2010-01-12 Sharp Laboratories Of America, Inc. Method and system for evaluating media-playing sets
US20080228685A1 (en) * 2007-03-13 2008-09-18 Sharp Laboratories Of America, Inc. User intent prediction
US8050998B2 (en) * 2007-04-26 2011-11-01 Ebay Inc. Flexible asset and search recommendation engines
US8051040B2 (en) 2007-06-08 2011-11-01 Ebay Inc. Electronic publication system
US8095480B2 (en) * 2007-07-31 2012-01-10 Cornell Research Foundation, Inc. System and method to enable training a machine learning network in the presence of weak or absent training exemplars
KR101497690B1 (ko) * 2007-09-11 2015-03-06 삼성전자주식회사 생체 신호 및 증상 정보에 기반한 건강관리 프로그램서비스 제공 시스템 및 방법
US7836001B2 (en) * 2007-09-14 2010-11-16 Palo Alto Research Center Incorporated Recommender system with AD-HOC, dynamic model composition
US8583524B2 (en) * 2008-05-06 2013-11-12 Richrelevance, Inc. System and process for improving recommendations for use in providing personalized advertisements to retail customers
US8019642B2 (en) * 2008-05-06 2011-09-13 Richrelevance, Inc. System and process for receiving boosting recommendations for use in providing personalized advertisements to retail customers
US8108329B2 (en) * 2008-05-06 2012-01-31 Richrelevance, Inc. System and process for boosting recommendations for use in providing personalized advertisements to retail customers
US8364528B2 (en) * 2008-05-06 2013-01-29 Richrelevance, Inc. System and process for improving product recommendations for use in providing personalized advertisements to retail customers
CN101977314B (zh) * 2010-09-26 2012-10-03 深圳大学 一种图像插值处理方法、装置及显示终端
GB2493956A (en) * 2011-08-24 2013-02-27 Inview Technology Ltd Recommending audio-visual content based on user's personal preerences and the profiles of others
US9361583B1 (en) 2013-03-12 2016-06-07 Trulia, Llc Merged recommendations of real estate listings
CN103312591A (zh) * 2013-05-27 2013-09-18 复旦大学 一种在sns网络中基于好友优先级自适应调优的推荐方法和系统
US9535897B2 (en) 2013-12-20 2017-01-03 Google Inc. Content recommendation system using a neural network language model
US9942609B2 (en) 2014-11-13 2018-04-10 Comcast Cable Communications, Llc Personalized content recommendations based on consumption periodicity
WO2016130547A1 (en) * 2015-02-11 2016-08-18 Hulu, LLC Relevance table aggregation in a database system
US11049029B2 (en) * 2015-02-22 2021-06-29 Google Llc Identifying content appropriate for children algorithmically without human intervention
CN105915957A (zh) * 2015-12-15 2016-08-31 乐视致新电子科技（天津）有限公司 智能电视展示播放内容的方法、装置及系统
CN107025228B (zh) * 2016-01-29 2021-01-26 阿里巴巴集团控股有限公司 一种问题推荐方法及设备
KR101899101B1 (ko) 2016-06-01 2018-09-14 서울대학교 산학협력단 인공 신경망 기반 예측 모델 생성 장치 및 방법
US10650285B1 (en) 2016-09-23 2020-05-12 Aon Benfield Inc. Platform, systems, and methods for identifying property characteristics and property feature conditions through aerial imagery analysis
US20180336645A1 (en) * 2017-05-22 2018-11-22 Google Inc. Using machine learning to recommend live-stream content
US11721090B2 (en) * 2017-07-21 2023-08-08 Samsung Electronics Co., Ltd. Adversarial method and system for generating user preferred contents
CN107577736B (zh) * 2017-08-25 2021-12-17 武汉数字智能信息科技有限公司 一种基于bp神经网络的文件推荐方法及系统
KR20190053675A (ko) * 2017-11-10 2019-05-20 삼성전자주식회사 전자 장치 및 그 동작 방법
US20190197422A1 (en) * 2017-12-22 2019-06-27 Microsoft Technology Licensing, Llc Generalized additive machine-learned models for computerized predictions
US11232330B2 (en) * 2018-02-13 2022-01-25 Slingshot Aerospace, Inc. Adaptive neural network selection to extract particular results
US11227191B2 (en) 2018-02-13 2022-01-18 Slingshot Aerospace, Inc. Conditional loss function modification in a neural network
US10616625B2 (en) * 2018-05-21 2020-04-07 Hulu, LLC Reinforcement learning network for recommendation system in video delivery system
US11451875B2 (en) * 2018-06-04 2022-09-20 Samsung Electronics Co., Ltd. Machine learning-based approach to demographic attribute inference using time-sensitive features
US10911821B2 (en) * 2018-09-27 2021-02-02 Adobe Inc. Utilizing combined outputs of a plurality of recurrent neural networks to generate media consumption predictions
CN111597428B (zh) * 2019-02-20 2023-10-27 郑州芯兰德网络科技有限公司 一种具有q分离k稀疏的用户与物品拼接的推荐方法
CN110390056B (zh) * 2019-06-18 2022-07-15 平安科技（深圳）有限公司 大数据处理方法、装置、设备及可读存储介质
KR102425629B1 (ko) * 2020-03-30 2022-07-28 주식회사 헤링스 사용자의 생활습관 관리 방법 및 장치
CN111541505B (zh) * 2020-04-03 2021-04-27 武汉大学 一种面向ofdm无线通信系统的时域信道预测方法及系统
CN112347361B (zh) * 2020-11-16 2024-03-01 百度在线网络技术（北京）有限公司 推荐对象的方法、神经网络及其训练方法、设备和介质
CN112418402B (zh) * 2020-11-24 2023-08-11 百度在线网络技术（北京）有限公司 推荐对象的方法、神经网络及其训练方法、计算设备
KR102556324B1 (ko) * 2020-12-31 2023-07-17 주식회사 피플카 상품 추천 시스템 및 그 동작 방법
US11625446B2 (en) * 2021-05-03 2023-04-11 Oracle International Corporation Composing human-readable explanations for user navigational recommendations

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5410344A (en) 1993-09-22 1995-04-25 Arrowsmith Technologies, Inc. Apparatus and method of selecting video programs based on viewers' preferences
US5758257A (en) 1994-11-29 1998-05-26 Herz; Frederick System and method for scheduling broadcast of and access to video programs and other data using customer profiles
CA2673308C (en) 1998-07-17 2016-01-19 United Video Properties, Inc. Television system with aided user program searching
US6873979B2 (en) * 2000-02-29 2005-03-29 Marketswitch Corporation Method of building predictive models on transactional data
US20020174429A1 (en) * 2001-03-29 2002-11-21 Srinivas Gutta Methods and apparatus for generating recommendation scores
TW548534B (en) * 2001-04-12 2003-08-21 Via Tech Inc Control method for frequency raising and reducing of central processing unit using neural network

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102737278A (zh) * 2011-03-31 2012-10-17 微软公司 联合非线性随机投影、受限波尔兹曼机、以及基于批量的可并行优化来使用的深凸网络
CN106940801A (zh) * 2016-01-04 2017-07-11 中国科学院声学研究所 一种用于广域网络的深度强化学习推荐系统及方法
CN108093304A (zh) * 2017-12-29 2018-05-29 东莞市纽格力信息技术有限公司 一种基于用户习惯的智能推荐方法和系统
WO2020147265A1 (zh) * 2019-01-14 2020-07-23 南京信息工程大学 一种基于多源信息融合的移动电子商务推荐方法和系统

Also Published As

Publication number Publication date
KR20050004812A (ko) 2005-01-12
EP1488640A1 (en) 2004-12-22
WO2003079688A1 (en) 2003-09-25
JP2005521144A (ja) 2005-07-14
US20030182249A1 (en) 2003-09-25
US6922680B2 (en) 2005-07-26
AU2003207938A1 (en) 2003-09-29

Similar Documents

Publication Publication Date Title
CN1643920A (zh) 使用多个推荐得分的推荐系统
Zhao et al. Recommendations with negative feedback via pairwise deep reinforcement learning
CN111241311B (zh) 媒体信息推荐方法、装置、电子设备及存储介质
Stai et al. A holistic approach for personalization, relevance feedback & recommendation in enriched multimedia content
Smyth Case-based recommendation
US20170034577A1 (en) Assessing digital content across a communications network
JP2005513687A (ja) リコメンダのスコアに関する階層的な融合判定機能
EP2646964A2 (en) Recommendations based on topic clusters
US20090138326A1 (en) Apparatus and method for updating user profile
CA2496278A1 (en) Statistical personalized recommendation system
CN103069825B (zh) 用于电视搜索助手的系统和方法
CN111062527B (zh) 一种视频集流量预测方法及装置
Cho et al. No, that's not my feedback: TV show recommendation using watchable interval
CN112612920A (zh) 基于领域交互信息强度因子分解机的电影点击率预估方法
CN114386513A (zh) 一种集成评论与评分的交互式评分预测方法及系统
CN1759612A (zh) 通过非分类的信息产生电视推荐
CN104508692A (zh) 用于自动过滤器调节的装置和方法
CN105915957A (zh) 智能电视展示播放内容的方法、装置及系统
Irawan et al. Qur’an tilawatil examination system
CN113468413B (zh) 一种面向多用户共享的多媒体网络视频推荐方法
Baidada et al. Hybrid Recommendation Approach Based on a Voting System: Experimentation in an Educational Context.
CN109002541B (zh) 一种融合群组信息的列表级学习项目推荐方法
CN112100441A (zh) 视频推荐方法、电子设备和计算机可读存储介质
CN1662921A (zh) 比较各种初始群组集合以便确定用于群集一个电视节目集合的最佳初始集合的方法
CN1250004C (zh) 专家模型推荐方法及系统

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
C02 Deemed withdrawal of patent application after publication (patent law 2001)
WD01 Invention patent application deemed withdrawn after publication