CN103309866B - 生成推荐结果的方法和装置 - Google Patents
生成推荐结果的方法和装置 Download PDFInfo
- Publication number
- CN103309866B CN103309866B CN201210060626.2A CN201210060626A CN103309866B CN 103309866 B CN103309866 B CN 103309866B CN 201210060626 A CN201210060626 A CN 201210060626A CN 103309866 B CN103309866 B CN 103309866B
- Authority
- CN
- China
- Prior art keywords
- recommendation
- recommendation list
- user
- feedback
- feedback information
- 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.)
- Active
Links
Landscapes
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明实施例提供了一种生成推荐结果的方法和装置。所述生成推荐结果的方法包括:获取用户对至少两个推荐列表的反馈信息;基于所述反馈信息生成所述推荐列表的展示策略;基于展示策略生成针对所述用户的推荐结果。本发明实施例可以根据用户的反馈,逐步学习用户的兴趣偏好,提供不同侧重的推荐算法及组合,从而向用户提供更高层次的个性化推荐服务。
Description
技术领域
本发明实施例涉及电子服务领域,并且更具体地,涉及一种生成推荐结果的方法和装置。
背景技术
通信技术的发展,特别是因特网技术的发展,提供了新交易平台和娱乐平台。例如,可以在因特网上购买商品、下载音乐、在线观看视频等。随着诸如电子商务的电子服务规模的不断扩大,商品或服务个数和种类快速增长,消费者需要花费大量的时间进行浏览才能找到自己关注的商品。这种浏览大量信息和产品的过程降低了消费者进行购买或娱乐的兴趣,从而使消费者不断流失。为了解决这些问题,针对不同用户的个性化推荐系统应运而生。
电子商务网站通常通过为顾客提供个性化推荐服务来吸引顾客,部分电子商务网站甚至为顾客同时提供几种不同的推荐。此外,诸如音乐/视频在线服务网站的内容媒体运营网站也在逐渐提供个性化推荐服务来增加点击量。在网页的推荐版面中通常呈现如下的推荐列表,推荐列表1“喜欢**的用户也喜欢...”、推荐列表2“根据你的历史记录推荐...”、推荐列表3“本月最受欢迎的...”等等。每个推荐列表是基于特定的推荐算法。例如,所述推荐列表1是基于如下的协同推荐算法:在用户群中找到指定用户的相似用户,综合这些相似用户对某一项目的评价,形成系统对该指定用户对此项目的喜好程度预测;所述推荐列表2是基于如下的基于内容的推荐算法:基于用户评价项目的特征学习用户的兴趣,进而依据用户兴趣与待预测项目的匹配程度进行推荐;所述推荐列表3是基于如下的热点推荐算法:统计一个时间段里的热点项目,并在合适的时间与版面向用户推荐。
现有的推荐版面设计针对所有的用户采用相同的模式。例如,在推荐区的右侧或下侧罗列至少一个推荐列表,每个推荐列表包括基于一种推荐算法推荐的一个或多个项目;或者,在推荐区展示一个混合推荐列表,其中推荐列表中的项目是基于多种推荐算法进行混合的结果。
然而,在实际业务环境中,不同个性的用户对于不同的推荐算法有不同的适应程度。例如,用户A比较依赖和信任社会关系网络,因此用户A更看重他的好友的推荐;而用户B品味独特而执着,他一贯坚持自己的选择,因此用户B更看重基于历史兴趣的推荐。此外,由于推荐版面的区域的限制,需要从基于众多的推荐算法产生的推荐列表中选择合适的推荐列表,来向用户展示该推荐列表下的推荐项目。
由于现有的推荐版面针对所有的用户采用相同的模式,所以无法根据用户的特征,来调整推荐算法层面的优先权重。也就是说,对于所有用户,采用了相同的推荐列表的布局,或者采用了相同的混合推荐的混合方式。
发明内容
本发明实施例提供一种生成推荐结果的方法和装置,其能够针对用户的偏好提供不同侧重的推荐算法及组合,实现更高层次的个性化服务。
一方面,提供了一种生成推荐结果的方法,其特征在于,所述方法包括:获取用户对至少两个推荐列表的反馈信息;基于所述反馈信息生成所述推荐列表的展示策略;基于展示策略生成针对所述用户的推荐结果。
另一方面,提供了一种生成推荐结果的装置,其特征在于,所述装置包括:反馈单元,获取用户对至少两个推荐列表的反馈信息;生成单元,基于所述反馈信息生成所述推荐列表的展示策略;推荐单元,基于展示策略生成针对所述用户的推荐结果。
本发明实施例可以根据用户的反馈,逐步学习用户的兴趣偏好,提供不同侧重的推荐算法及组合,从而向用户提供更高层次的个性化推荐服务。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是示意性图示了进行推荐所使用的推荐系统的框图。
图2是图示了根据本发明实施例的生成推荐结果的方法的流程图;
图3图示了两个不同的推荐结果的展示示意图;
图4图示了根据本发明实施例的生成推荐结果的方法在推荐系统中的应用的流程图;
图5a图示了所生成的各个推荐列表和相关的推荐项目;
图5b图示了基于展示策略生成的推荐结果的展示页面;
图6是图示了根据本发明实施例的生成推荐结果的装置的框图。
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,所描述的实施例是本发明一部分实施例,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他实施例,都属于本发明保护的范围。
图1是示意性图示了进行推荐所使用的推荐系统的框图。在图1的虚线方框内图示了推荐系统的组成。该推荐系统与业务系统和推荐系统之间至少有两类接口:业务数据提供接口IF1,由业务系统向推荐系统提供进行推荐所需要的原始业务数据;和推荐服务接口IF2,由推荐系统主动或者被动地向业务系统提供推荐结果。此外,更完善的推荐系统还包括反馈处理接口IF3,用于收集用户对推荐结果的反馈,以便进一步优化推荐,提升用户体验。本发明的技术特征集中在推荐系统的反馈处理模块中。为了使本领域的技术人员更好地理解本发明,下面结合图1对推荐系统的各个模块的功能进行说明。
业务数据接收模块用于从业务系统接收业务数据。该业务数据包括业务描述数据和业务操作数据。该业务描述数据包括描述业务项目的属性的数据和业务用户的属性的数据。例如,在音乐业务中,描述业务项目的属性的数据是每首歌曲的名称、歌手、作曲、发行年代、价格等,描述业务用户的属性的数据指的是业务系统中用户的性别、年龄、地区、社会关系等。所述业务操作数据指的是用户在该业务中对于业务项目进行操作的记录,例如为用户对于每首歌曲的试听记录、下载记录、收藏记录等。
数据处理模块用于对业务数据接收模块接收到的业务数据进行基本的预处理,包括无效数据剔除、缺失数据填充、数据合并等。模型计算模块用于基于经过预处理后的数据,学习不同的数据模型,并生成数据模型以保存到模型库中。所述基础数据模型被用于不同的推荐算法。例如,基于用户的协同推荐算法需要用户评分和用户近邻模型支撑,基于项目的协同推荐算法需要用户评分和项目近邻模型支撑。
在模型库中保存由模型计算模块生成的数据模型。常见的数据模型包括用户评分模型、用户近邻模型、项目近邻模型、用户兴趣模型、用户社会关系模型。例如,用户评分模型为<u,i,r>,u表示用户标识,i表示项目标识,r表示用户对项目的评分。该数据模型可以来自业务系统本身,或者由用户对项目的具体操作转化而来。可由业务运营人员根据需求定义。用户近邻模型为<u1,u2,similarity,source>,u1表示第一用户标识,u2表示第二用户标识,similarity表示u1和u2的相似度,source表示用户相似的方面(例如为基础属性相似,或者兴趣相似等)。项目近邻为<i1,i2,similarity,source>,类似用户近邻模型。用户社会关系模型为<u1,u2,relationship,weight>,用户社会关系用于记录用户的社会关系,包括亲属、好友、同事等,weight表示用户间关系的强弱。
资源库用于存储待推荐的项目资源、和从业务系统传送来的项目资源描述。该资源库可以包含也可以不包含项目资源本身。
推荐器用于实现推荐算法,并给出与推荐算法对应的推荐列表。一个推荐器可实现一种推荐算法,也可以实现多种推荐算法。所述推荐列表中包括至少一个推荐项目。例如,推荐器可以基于给定的用户ID给出推荐列表“根据你的历史记录推荐,音乐1、音乐2、...、音乐m”,其中音乐1、音乐2、...、音乐m为各个推荐项目。
推荐生成模块从反馈处理模块接收展示策略,基于该展示策略选取不同推荐器的推荐列表以及推荐列表中的推荐项目,从而生成针对用户的推荐结果,以供调用。推荐接口模块用于接收业务系统的推荐请求,调用推荐生成模块所生成的推荐结果,并提供给业务系统。
下面结合本发明实施例来具体描述反馈处理模块以及它与推荐生成模块的协作。
图2是图示了根据本发明第一实施例的生成推荐结果的方法200的流程图。
在210中,获取用户对至少两个推荐列表的反馈信息。
对于推荐系统给予业务系统的推荐结果,用户会根据自己的需求对推荐结果的各个推荐列表中的推荐项目进行点击或者评分反馈。推荐系统需要对所述点击或者评分反馈数据进行收集汇总。要注意,所述反馈数据可以是用户的显性反馈,例如,通过点击按钮(喜欢按钮、不喜欢按钮、分数按钮)直接对推荐结果的接受程度给出显性反馈。或者,所述反馈数据可以是用户的隐性反馈。例如,在没有显性反馈按钮的情况下,将用户点击查看作为正向反馈,未点击查看作为负向反馈。下面的表1示例性地示出了用户u001在2011年10月份对推荐结果的隐性反馈的数据。
表1
用户id | 推荐项目ID | 推荐列表 | 点击时间 |
u001 | i001 | 推荐列表3 | 2011-10-2001:00:00 |
u001 | i002 | 推荐列表3 | 2011-10-2001:01:00 |
u001 | i003 | 推荐列表1 | 2011-10-2001:02:00 |
u001 | i004 | 推荐列表3 | 2011-10-2001:03:00 |
u001 | i011 | 推荐列表3 | 2011-10-2001:04:00 |
u001 | i055 | 推荐列表3 | 2011-10-2001:05:00 |
u001 | i022 | 推荐列表1 | 2011-10-2406:00:00 |
u001 | i042 | 推荐列表1 | 2011-10-2406:01:00 |
u001 | i063 | 推荐列表3 | 2011-10-2406:02:00 |
u001 | i044 | 推荐列表2 | 2011-10-2406:03:00 |
根据收集汇总数据,统计用户在该阶段时间内对推荐结果的各个推荐列表的点击情况,同样以表1中的上述反馈数据为例,可以统计得到用户u001在2011年10月份对不同推荐列表的反馈信息,如下面的表2所示。
表2
推荐列表 | 反馈次数 |
推荐列表1 | 3 |
推荐列表2 | 1 |
推荐列表3 | 6 |
推荐列表4 | 0 |
需要注意的是,可能存在在不同的推荐列表中同时推荐了同一项目的情况,例如,在表1中,推荐列表2和推荐列表3二者都推荐了项目i001。此时,在进行统计时,可以将该推荐项目分别统计在推荐列表2和推荐列表3中,或者仅将项目i001统计一次,例如,统计在反馈次数较多的推荐列表3下。统计方式的细节变化不能构成对本发明的限制。
由于每个推荐列表是由推荐器根据对应的推荐算法来获得的,所以推荐器在推荐列表ID之后,可以调用对应的推荐算法。在推荐器与推荐列表的推荐算法一一对应的情况下,上面表1和表2中的推荐列表也可以为推荐器。
在230中,基于所述反馈信息生成所述推荐列表的展示策略;
用户对不同推荐列表(在推荐列表与推荐器一一对应的情况下为推荐器)的反馈信息表明了用户对于不同推荐列表的偏好信息,使得可能基于所述偏好信息来在推荐版面上适当地展示推荐列表,即针对所述推荐列表采取适当的展示策略。
所述展示策略是推荐列表优先级排序、或者推荐列表占比。工程技术人员在实现时可以根据需要采用其它的展示策略。以表2中的反馈数据为例,可以得到如下面的表3和表4所示的展示策略。
表3
表4
表1是以优先级为衡量维度的示例,数值越小优先级越高。在表1中,推荐列表3的优先级最高,因此在最终的推荐结果中,与推荐列表3对应的推荐器所生成的推荐项目会放在首位。表4是以推荐列表的项目占比为衡量维度。在表4中,推荐列表1下的推荐项目的数目占推荐结果中的推荐项目总数的30%,推荐列表2下的推荐项目的数目占推荐结果中的推荐项目总数的10%,推荐列表3下的推荐项目的数目占推荐结果中的推荐项目总数的60%,推荐结果中没有推荐列表4下的推荐项目。
要注意,由于用户的反馈是一个随时间逐步进行的过程。可以在所获取的反馈信息的量超过预定数目(例如在所述反馈次数超过10次)之后执行所述基于所述反馈信息生成展示策略。替换地,在获取了用户在特定时间段(例如,30天)内的反馈信息的情况下执行所述基于所述反馈信息生成展示策略。因此,在用户没有反馈数据,或反馈的数据量很小时,可以不生成所述展示策略。
在240中,基于展示策略生成针对所述用户的推荐结果。具体地,基于展示策略调整由推荐器基于推荐算法生成的推荐列表和其中的推荐项目,并将其组合为推荐结果。
这里,以基于用户协同的推荐算法的实现简要说明推荐器的操作:a.获取用户ID(例如,x);b.从模型库查询得到用户x的近邻用户集合ys;c.取得近邻用户集合ys已经评分的项目集合,并过滤用户x已评分的项目集合,得到候选项目集s;d.预测用户x对候选项目集s中每个项目的评分p;e.按照预测评分p的高低取前N个项目来推荐。工程技术人员根据需要知道如何实现不同的推荐算法,因此这里不进行其他相关描述。
该调整可以是对不同推荐列表在最终推荐结果中的排序进行调整,如调整图3(a)中的各个推荐列表的前后顺序。替换地,该调整可以是对由不同推荐器推荐的推荐项目在推荐结果中的比例进行调整,如调整图3(b)中的混合推荐列表下的推荐项目,其是基于多种推荐算法的某种混合策略得到的推荐结果。
以表4中的展示策略为例说明如下。假设最终需要在页面呈现10条推荐项目,则从与推荐列表3对应的推荐器所推荐的推荐项目中取出最多6条,从与推荐列表1对应的推荐器所推荐的推荐项目中取出3条,从与推荐列表2对应的推荐器所推荐的推荐项目中取出1条推荐项目,组成最终的包括10条推荐项目的混合推荐结果。此外,如果不同推荐列表中有重复的推荐项目,相同的推荐项目只在页面中显示一个。
此外,如果已经存在先前的历史展示策略,则在240中,可以利用所述展示策略来更新该历史展示策略,并基于所述更新的展示策略生成针对所述用户的推荐结果。作为更新历史展示策略的示例,可以用所述展示策略直接替换所述历史展示策略。例如,直接用推荐列表优先级排序替换历史推荐列表优先级排序,或者直接用推荐列表占比替换历史推荐列表占比。对于所述展示策略是推荐列表占比、所述历史展示策略是历史推荐列表占比的情况,还可以如下更新历史展示策略包括:合并基于所述反馈信息生成的推荐列表占比和历史推荐列表占比,并用合成后的推荐列表占比替换历史推荐列表占比。表5示出了一占比合并示例。合并后的占比0.2=(新占比0.3+历史占比0.1)/2,对于推荐列表1,0.2=(0.3+0.1)/2,依次类推。
表5
可选地,为了充分利用群体智慧,在210之后,可以进一步包括220:获取所述用户的相似用户对所述推荐列表的反馈信息,如图2中的流程图中虚线框所示。在这个情况下,所述基于所述反馈信息生成展示策略(230)可包括基于所述用户的反馈信息和所述相似用户的反馈信息来生成展示策略。
所述相似用户是与被提供推荐结果的所述用户有相似性的一个或多个用户用户。例如,该相似用户可以是与所述用户有相似行为的用户,可以是所述用户的好友(处于同一社交群体中),还可以是与所述用户有其他关联关系(例如,来自相同的地域)的一个或多个用户。作为获知所述相似用户的示例,可以通过查询用户近邻模型数据来获得的所述相似用户的ID。例如,图1中的反馈处理模块从模型库中查询所述用户近邻模型数据以获得相似用户(例如,ys),如图1中的反馈处理模块与模型库之间的虚线连接所示。作为实现示例,在所述用户的反馈信息包括反馈时间信息时,可基于所述反馈时间信息来获取所述相似用户的反馈信息。例如,获取所述相似用户在所述反馈时间信息所跨的时间段内、或与该时间段部分重叠的时间段内的反馈信息。在实践中可根据需要进行灵活设计。
在本发明的上述实施例中,通过根据用户的反馈信息逐步学习用户的兴趣偏好,提供了不同侧重的推荐算法及组合,从而向用户提供更高层次的个性化推荐服务。
为了更彻底地公开本发明,下面描述图2所示的生成推荐结果的方法在图1的推荐系统中的应用。图4图示了根据本发明实施例的生成推荐结果的方法在推荐系统中的应用的流程图。
401:业务系统提交推荐请求到推荐系统的推荐接口模块,该请求至少包括用户ID。
402:推荐接口模块请求推荐生成模块生成推荐结果。
403:推荐生成模块调用推荐器中的不同推荐算法,由推荐器进行模型和资源调用,生成各个推荐列表和相关的推荐项目。一个推荐算法可以由一个推荐器实现,也可以一个推荐器实现多个推荐算法。推荐生成模块可以调用多个不同的推荐算法,产生多个推荐列表组成的推荐结果,这多个推荐列表来自多个不同的推荐算法的运算结果。这里的推荐器可以实现各种已有的或将来的推荐算法。
404:推荐生成模块获取最近的用于推荐列表的展示策略。
405:推荐生成模块根据所获取的展示策略生成推荐结果。关于该操作的具体描述,请具体参见结合图2进行的说明。
406:返回给推荐接口模块。
407:推荐接口模块返回所述推荐结果。
在推荐系统的推荐接口模块返回推荐结果时,推荐系统可以返回根据新生成的展示策略生成的推荐结果,由业务系统控制业务的展示,推荐系统也可以生成根据新生成的展示策略展示推荐结果的代码,业务系统在接收到展示代码后直接展示推荐结果。
图5a图示了在403中生成的各个推荐列表和相关的推荐项目,图5b图示了基于展示策略生成的推荐结果(405)的展示页面。在图5a中,推荐结果中存在三个推荐列表,即推荐列表1“浏览更多同类商品”、推荐列表2“和您兴趣相似的顾客还关注”、推荐列表3“购买本商品的顾客还买过”。根据针对用户的展示策略,各推荐列表的优先级顺序为推荐列表3>推荐列表1>推荐列表2,从而得到了如图5b所示的展示页面。可以看出,与推荐列表的优先级高低对应地按照先后顺序展示推荐列表,优先级最高的推荐列表3被优先展示,其次是推荐列表1,最后是推荐列表2。此外,还可以根据推荐列表的优先级高低而将推荐列表展示在不同的推荐区域。例如,优先级最高的推荐列表3被展示在推荐区域的左方,优先级最低的推荐列表2被展示在推荐区域的下方。
图6是图示了根据本发明实施例的生成推荐结果的装置600的框图。该生成推荐结果的装置600包括:反馈单元610,获取用户对至少两个推荐列表的反馈信息;生成单元620,基于所述反馈信息生成所述推荐列表的展示策略;推荐单元630,基于展示策略生成针对所述用户的推荐结果。所述反馈单元610和生成单元620例如可位于图1的反馈处理模块中,所述推荐单元630例如可位于图1的推荐生成模块中。
所述反馈单元610可获取用户对至少两个推荐列表的反馈信息。如前所述,反馈单元610从业务系统收集用户对推荐结果的反馈数据,并对反馈数据进行统计处理得到反馈信息。所述反馈数据可以是用户的显性反馈,例如,通过点击按钮(喜欢按钮、不喜欢按钮、分数按钮)直接对推荐结果的接受程度给出显性反馈。替换地,所述反馈数据可以是用户的隐性反馈。例如,在没有显性反馈按钮的情况下,将用户点击查看作为正向反馈,未点击查看作为负向反馈。
可选地,为了充分利用集体的智慧,所述反馈单元610还可以获取所述用户的相似用户对所述推荐列表的反馈信息。在该情况中,所述生成单元620基于所述用户的反馈信息和所述相似用户的反馈信息来生成展示策略。所述相似用户是通过查询用户近邻模型数据获得的一个或多个用户。作为具体的实现,所述用户的反馈信息可包括反馈时间信息,所述反馈单元610基于该反馈时间信息来获取所述相似用户的反馈信息。例如,获取所述相似用户在所述反馈时间信息所跨的时间段内、或与该时间段部分重叠的时间段内的反馈信息。在实践中可根据需要进行灵活设计。
所述生成单元620可基于所述反馈信息生成所述推荐列表的展示策略。所述展示策略可以是表3所示的推荐列表优先级排序、或者表4所示的推荐列表占比。
用户对不同推荐列表(在推荐列表与推荐器一一对应的情况下为推荐器)的反馈信息表明了用户对于不同推荐列表的偏好信息,使得可能基于所述偏好信息在推荐版面上适当地展示推荐列表,即针对所述推荐列表采取适当的展示策略。
要注意,由于用户的反馈是一个随时间逐步进行的过程。作为示例,在所述反馈单元610所获取的反馈信息的量超过预定数目(例如在所述反馈次数超过10次)之后,所述生成单元620基于所述反馈信息来生成展示策略。替换地,所述反馈单元610可以获取用户在特定时间段内的反馈信息,例如,获取用户在30天内对推荐结果的反馈数据以处理得到反馈信息,所述生成单元620基于所述反馈信息生成展示策略。此外,在用户没有反馈数据,或反馈的数据量很小时,可以不生成所述展示策略。
所述推荐单元630可基于展示策略生成针对所述用户的推荐结果。具体地,所述推荐单元630基于展示策略调整由推荐器基于推荐算法生成的推荐列表和其中的推荐项目,并将其组合为推荐结果。如前所述,工程技术人员根据需要知道如何利用推荐器实现不同的推荐算法,以生成推荐列表和其中的推荐项目,因此这里不再描述。
所述推荐单元630进行的调整操作可以是对不同推荐列表在最终推荐结果中的排序进行调整,如调整图3(a)中的各个推荐列表的前后顺序。替换地,该调整操作可以是对由不同推荐器推荐的推荐项目在推荐结果中的比例进行调整,如调整图3(b)中的混合推荐列表下的推荐项目。
此外,如果已经存在先前的历史展示策略,则所述推荐单元630可利用所述展示策略来更新历史展示策略,并然后基于所述更新的展示策略生成针对所述用户的推荐结果。具体地,所述推荐单元630可通过用所述展示策略替换所述历史展示策略来更新历史展示策略。作为示例,可直接用推荐列表优先级排序替换历史推荐列表优先级排序,或者直接用推荐列表占比替换历史推荐列表占比。在所述展示策略是推荐列表占比,所述历史展示策略是历史推荐列表占比的情况中,所述推荐单元630可以合并基于所述反馈信息生成的推荐列表占比和历史推荐列表占比(如表5所示),并然后用合成后的推荐列表占比替换历史推荐列表占比,从而实现历史展示策略的更新。
关于该生成推荐结果的装置600的各个组成单元的其他具体操作,可参见结合图2进行的相应描述。
在本发明的生成推荐结果的装置的实施例中,同样通过根据用户的反馈信息逐步学习用户的兴趣偏好,提供了不同侧重的推荐算法及组合,从而向用户提供更高层次的个性化推荐服务。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统、装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本申请所提供的几个实施例中,应该理解到,所揭露的系统、装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应所述以权利要求的保护范围为准。
Claims (15)
1.一种生成推荐结果的方法,其特征在于,所述方法包括:
获取用户对至少两个推荐列表中每个推荐列表的反馈信息;
基于所述至少两个推荐列表中每个推荐列表的反馈信息生成所述至少两个推荐列表的展示策略;
基于所述展示策略生成针对所述用户的推荐结果。
2.根据权利要求1的方法,其特征在于,还包括:获取所述用户的相似用户对所述推荐列表的反馈信息,
其中,所述基于所述至少两个推荐列表中每个推荐列表的反馈信息生成所述至少两个推荐列表的展示策略,包括:
基于所述用户的反馈信息和所述相似用户的反馈信息来生成展示策略。
3.根据权利要求2的方法,其特征在于,所述用户的反馈信息包括反馈时间信息,基于所述反馈时间信息来获取所述相似用户的反馈信息。
4.根据权利要求1的方法,其特征在于,所述基于所述反馈信息生成展示策略是在所获取的反馈信息的量超过预定数目之后执行的、或者是在获取了用户在特定时间段内的反馈信息的情况下执行的。
5.根据权利要求1的方法,其特征在于,所述展示策略是推荐列表优先级排序、或者推荐列表占比。
6.根据权利要求1的方法,其特征在于,在已经存在历史展示策略的情况下,所述基于所述展示策略生成针对所述用户的推荐结果包括:
利用所述展示策略来更新历史展示策略;
基于更新的展示策略生成针对所述用户的推荐结果。
7.根据权利要求6的方法,其特征在于,所述展示策略是推荐列表占比,所述历史展示策略是历史推荐列表占比,
所述利用所述展示策略来更新历史展示策略包括:合并基于所述反馈信息生成的推荐列表占比和历史推荐列表占比,并用合成后的推荐列表占比替换历史推荐列表占比。
8.根据权利要求5的方法,其特征在于,当所述展示策略是推荐列表优先级排序时,与推荐列表的优先级高低对应地按照先后顺序展示推荐列表,或者根据推荐列表的优先级高低而将推荐列表展示在不同的推荐区域。
9.一种生成推荐结果的装置,其特征在于,所述装置包括:
反馈单元,获取用户对至少两个推荐列表中每个推荐列表的反馈信息;
生成单元,基于所述至少两个推荐列表中每个推荐列表的反馈信息生成所述至少两个推荐列表的展示策略;
推荐单元,基于所述展示策略生成针对所述用户的推荐结果。
10.根据权利要求9的装置,其特征在于,
所述反馈单元还获取所述用户的相似用户对所述推荐列表的反馈信息,
所述生成单元基于所述用户的反馈信息和所述相似用户的反馈信息来生成展示策略。
11.根据权利要求10的装置,其特征在于,所述用户的反馈信息包括反馈时间信息,所述反馈单元基于该反馈时间信息来获取所述相似用户的反馈信息。
12.根据权利要求9的装置,其特征在于,在所述反馈单元所获取的反馈信息的量超过预定数目之后、或者在所述反馈单元获取了用户在特定时间段内的反馈信息的情况下,所述生成单元基于所述反馈信息来生成展示策略。
13.根据权利要求9的装置,其特征在于,在已经存在历史展示策略的情况下,所述推荐单元通过如下操作生成针对所述用户的推荐结果:
利用所述展示策略来更新历史展示策略;
基于更新的展示策略生成针对所述用户的推荐结果。
14.根据权利要求13的装置,其特征在于,所述展示策略是推荐列表占比,所述历史展示策略是历史推荐列表占比,
所述推荐单元通过如下操作来更新历史展示策略:
合并基于所述反馈信息生成的推荐列表占比和历史推荐列表占比,和
用合成后的推荐列表占比替换历史推荐列表占比。
15.根据权利要求9的装置,其特征在于,当所述展示策略是推荐列表优先级排序时,与推荐列表的优先级高低对应地按照先后顺序展示推荐列表,或者根据推荐列表的优先级高低而将推荐列表展示在不同的推荐区域。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210060626.2A CN103309866B (zh) | 2012-03-09 | 2012-03-09 | 生成推荐结果的方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210060626.2A CN103309866B (zh) | 2012-03-09 | 2012-03-09 | 生成推荐结果的方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103309866A CN103309866A (zh) | 2013-09-18 |
CN103309866B true CN103309866B (zh) | 2017-06-13 |
Family
ID=49135104
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201210060626.2A Active CN103309866B (zh) | 2012-03-09 | 2012-03-09 | 生成推荐结果的方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103309866B (zh) |
Families Citing this family (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103744917B (zh) * | 2013-12-27 | 2018-04-06 | 东软集团股份有限公司 | 混合推荐方法及系统 |
CN105138574A (zh) * | 2015-07-28 | 2015-12-09 | 黄杨 | 用于推荐旅游休闲出行地的基于人机交互的混合推荐系统 |
CN105183882A (zh) * | 2015-09-23 | 2015-12-23 | 百度在线网络技术(北京)有限公司 | 一种应用软件推荐方法和装置 |
CN105893398A (zh) * | 2015-10-12 | 2016-08-24 | 乐视网信息技术(北京)股份有限公司 | 多媒体内容的推荐方法、装置、用户终端设备及服务器 |
CN105528459B (zh) * | 2016-01-08 | 2020-07-14 | 腾讯科技(深圳)有限公司 | 一种信息处理方法、服务器及终端 |
CN105872629B (zh) * | 2016-03-18 | 2019-08-27 | 合一网络技术(北京)有限公司 | 内容推荐方法、装置及系统 |
CN105913286B (zh) * | 2016-05-16 | 2020-02-11 | 达而观信息科技(上海)有限公司 | 一种自动融合多种个性化推荐模型的方法 |
CN108874831A (zh) * | 2017-05-12 | 2018-11-23 | 阿里巴巴集团控股有限公司 | 一种信息推荐方法及装置 |
CN107871286A (zh) * | 2017-07-20 | 2018-04-03 | 上海前隆信息科技有限公司 | 用户与联系人间亲密度判定方法/系统、存储介质及设备 |
CN107491507A (zh) * | 2017-07-31 | 2017-12-19 | 多维新创(北京)技术有限公司 | 维护推送信息的方法及装置 |
CN107547646B (zh) * | 2017-08-30 | 2020-04-17 | Oppo广东移动通信有限公司 | 应用程序推送方法、装置、终端及计算机可读存储介质 |
CN110020102B (zh) * | 2017-09-01 | 2022-08-16 | 阿里巴巴集团控股有限公司 | 对象推荐方法、装置、存储介质、处理器和系统 |
CN107623863B (zh) * | 2017-09-21 | 2020-11-06 | 广州华多网络科技有限公司 | 算法测试方法、装置及服务器 |
CN107742227B (zh) * | 2017-09-22 | 2021-11-09 | 微梦创科网络科技(中国)有限公司 | 一种广告投放方法及系统 |
CN108021639A (zh) * | 2017-11-29 | 2018-05-11 | 广东欧珀移动通信有限公司 | 信息推送方法、装置、服务器以及存储介质 |
CN108595179A (zh) * | 2018-05-10 | 2018-09-28 | 北京小度信息科技有限公司 | 任务生成方法、装置、电子设备及计算机可读存储介质 |
CN109033228A (zh) * | 2018-06-29 | 2018-12-18 | 北京百度网讯科技有限公司 | 一种推荐列表的确定方法、装置、服务器及存储介质 |
CN110688579A (zh) * | 2019-10-08 | 2020-01-14 | 北京星选科技有限公司 | 对象推送方法、装置、电子设备及存储介质 |
CN110765354B (zh) * | 2019-10-22 | 2022-11-22 | 北京字节跳动网络技术有限公司 | 信息的推送方法、装置、电子设备及存储介质 |
CN112667887B (zh) * | 2020-12-22 | 2024-03-12 | 北京达佳互联信息技术有限公司 | 内容推荐方法、装置、电子设备、服务器 |
CN114093091A (zh) * | 2021-11-30 | 2022-02-25 | 惠州市鑫吉顺电子实业有限公司 | 基于共享租赁设备的共享交换方法、系统及存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102043781A (zh) * | 2009-10-23 | 2011-05-04 | 华为技术有限公司 | 一种网页资源推荐方法及装置 |
CN102053971A (zh) * | 2009-10-30 | 2011-05-11 | 日电(中国)有限公司 | 用于面向排序的协同过滤的推荐方法和设备 |
CN102360386A (zh) * | 2011-10-12 | 2012-02-22 | 朱一超 | 电子商务网站智能导购系统和方法 |
-
2012
- 2012-03-09 CN CN201210060626.2A patent/CN103309866B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102043781A (zh) * | 2009-10-23 | 2011-05-04 | 华为技术有限公司 | 一种网页资源推荐方法及装置 |
CN102053971A (zh) * | 2009-10-30 | 2011-05-11 | 日电(中国)有限公司 | 用于面向排序的协同过滤的推荐方法和设备 |
CN102360386A (zh) * | 2011-10-12 | 2012-02-22 | 朱一超 | 电子商务网站智能导购系统和方法 |
Also Published As
Publication number | Publication date |
---|---|
CN103309866A (zh) | 2013-09-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103309866B (zh) | 生成推荐结果的方法和装置 | |
Ren et al. | Demand forecasting in retail operations for fashionable products: methods, practices, and real case study | |
Chen et al. | Recent developments in dynamic pricing research: multiple products, competition, and limited demand information | |
CN103348342B (zh) | 基于用户话题简档的个人内容流 | |
TWI225209B (en) | Generating an optimized pricing plan | |
Wangphanich et al. | Analysis of the bullwhip effect in multi-product, multi-stage supply chain systems–a simulation approach | |
US11010798B2 (en) | System and method for integrating retail price optimization for revenue and profit with business rules | |
US20160335674A1 (en) | Item classification method and selection system for electronic solicitation | |
WO2018040069A1 (zh) | 信息推荐系统及方法 | |
CN102282551A (zh) | 娱乐入场券定价的自动决策支持 | |
CN106570718A (zh) | 信息的投放方法及投放系统 | |
CN109417644A (zh) | 跨屏广告投放的收益优化 | |
Xue et al. | Computational experiment-based evaluation on context-aware O2O service recommendation | |
CN110689402A (zh) | 推荐商家的方法、装置、电子设备及可读存储介质 | |
JP2020144947A (ja) | 目標達成ポートフォリオ生成装置、プログラム及び方法 | |
Moon et al. | The joint replenishment problem involving multiple suppliers offering quantity discounts | |
US20190392478A1 (en) | Automated Generation of Personalized Mail | |
Andreopoulou et al. | The adoption of e-commerce for wood enterprises | |
JP2023159414A (ja) | Aiを使用したソースコード売買システム | |
Wang et al. | Dynamic offer creation for airline ancillaries using a Markov chain choice model | |
Leimstoll et al. | Collaborative recommender systems for online shops | |
CN111768213B (zh) | 一种用户标签权重评估方法 | |
Yang et al. | Hierarchical aggregation for reputation feedback of services networks | |
Tang et al. | Service recommendation based on dynamic user portrait: an integrated approach | |
Şenyiğit | The optimization of lot sizing with supplier selection problem in multi-echelon defective supply chain network |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |