CN103324619A - 一种基于互联网的推荐方法及推荐系统 - Google Patents

Abstract

本申请提供了一种基于互联网的推荐方法及推荐系统，以解决目前的推荐方法非常僵化，不能根据应用场景的变化而灵活调用不同的推荐逻辑，还会造成开发、测试与维护工作量的增加的问题。所述方法包括：预先对指定的推荐区域编号配置对应的推荐逻辑标识；接收调用参数，所述调用参数包括推荐区域编号；获取与所述调用参数中的推荐区域编号相匹配的推荐逻辑标识，并根据所述推荐逻辑标识获取该推荐逻辑中与所述调用参数相匹配的配置信息；按照所述配置信息中设定的推荐算法及推荐算法拼装方式，生成推荐结果集；将所述推荐结果集返回。本申请通过配置的方式，能够实现最大限度的灵活性和扩展性。

Description

一种基于互联网的推荐方法及推荐系统

技术领域

本申请涉及网络技术，特别是涉及一种基于互联网的推荐方法及推荐系统。

背景技术

随着互联网技术的发展，网络上承载的信息量越来越丰富，相关信息的推荐也逐渐成为一种趋势。而个性化推荐系统被广泛应用于包括电子商务在内的各种领域，向用户自动推荐相关的商品资源、视频资源或其它网络信息。目前几乎所有大型的电子商务系统，如Amazon、CDNOW、Netflix等，都不同程度地使用了各种形式的推荐系统。

例如，当用户A点击购买了某个商品后，系统会将购买该商品的其他用户还购买的商品信息推荐给用户A。

现有技术中，一种实现相关商品推荐的方法如下，以上下文推荐逻辑为例：

1)外部应用场景(例如某个网站web页面)调用推荐系统的服务化接口，通过推荐系统的web服务器的url，传入参数：offerids和recid(＝1030)；

其中，offerids为一个或多个商品id，所述商品为用户当前浏览或点击或关注的商品。

所述recid表示推荐区域编号，一个recid对应一种推荐逻辑。

所述推荐逻辑(AO)也可称为推荐算法逻辑，英文表示为algorithmOrganizer，简称AO。例如，上下文推荐是一种推荐逻辑，排行榜推荐也是一种推荐逻辑。假设recid＝1030时，对应上下文推荐逻辑。

不同的外部应用场景，可能会调用不同的推荐逻辑，因此传入的参数recid也会不同。

2)推荐系统根据参数offerids可以确定该offerids表示的基准offer(即基准商品)，然后获取与该基准offer最相关的offer集合，所述offer集合是基于商品相关性算法结果取得的推荐商品；

推荐系统在获取推荐商品的时候，根据参数recid可以取得与该recid对应的推荐逻辑AO以及该AO包含的一个或多个推荐算法模块(AM)，然后通过所述推荐算法模块可以获取到最相关的推荐商品。

所述推荐算法模块(AM)，英文表示为Algorithm Module，简称AM。例如，行为相关性算法是一种推荐算法模块，入参是一个或多个商品id，输出是与入参商品最相关的商品集合；交易排行榜算法也是一种推荐算法模块，入参是用户id，输出该用户偏好类目下的基于交易排行的商品结果。

3)如果推荐的商品数量不足，则进行商品补足；

例如，recid＝1030时，基于类目排行榜进行补足：根据该商品所属的叶子类目，取得对应叶子类目下的某个排行榜商品进行补足(比如按照交易排行、按照收藏排行等)。

4)将最终的推荐结果提供给外部应用。

上述推荐方法中，一个recid对应的推荐逻辑AO、该推荐逻辑包含的推荐算法模块AM都是固化在程序中的，因此这种推荐方法存在以下问题：

第一，recid＝1030对应的推荐逻辑是固定的，如果应用场景想改用其他推荐逻辑，如改为调用1031，则需要网站前端工程师修改调用函数，即修改传入的参数recid的值，测试后发布上线。虽然工作量小且简单，但也需要进行修改、测试和发布，因此还是会耗费一些开发资源。

第二，一种推荐逻辑下包含的各种推荐算法在程序中是固化了的，当某种新的推荐算法出现时，如果要应用到1030逻辑中，需要修改代码才能运用到已有的推荐逻辑中，非常不方便。而且，不同的推荐算法之间很可能性质不同，比如行为相关性算法和内容相关性算法，这两种推荐算法是不能彻底融合成一个算法来运用到同一种推荐逻辑中的。

第三，类似地，推荐系统中还会开发1031接口，该接口与1030相比，均对应上下文推荐逻辑，但是仅仅第三步“基于类目排行榜的补足”不一样，1030使用基于热度的排行榜，而1031使用基于交易量的排行榜。虽然1030和1031的差异性很小，但是却需要开发新的接口。随着推荐应用场景越来越多、情况越来越复杂，将会导致新接口越来越多，开发、测试与维护工作量都很大。

综上所述，现有的推荐方法非常僵化，不能根据应用场景的变化而灵活调用不同的推荐逻辑，还会造成开发、测试与维护工作量的增加。

发明内容

本申请提供了一种基于互联网的推荐方法及推荐系统，以解决目前的推荐方法非常僵化，不能根据应用场景的变化而灵活调用不同的推荐逻辑，还会造成开发、测试与维护工作量的增加的问题。

为了解决上述问题，本申请公开了一种基于互联网的推荐方法，包括：

预先对指定的推荐区域编号配置对应的推荐逻辑标识；

接收调用参数，所述调用参数包括推荐区域编号；

获取与所述调用参数中的推荐区域编号相匹配的推荐逻辑标识，并根据所述推荐逻辑标识获取该推荐逻辑中与所述调用参数相匹配的配置信息；

按照所述配置信息中设定的推荐算法及推荐算法拼装方式，生成推荐结果集；

将所述推荐结果集返回。

其中，所述配置信息包括推荐对象类型、推荐数量以及与推荐算法相关的配置信息。

其中，所述与推荐算法相关的配置信息包括：推荐算法拼装方式，包括串行拼装和并行拼装；由具有先后顺序的推荐算法标识组成的主算法组合；主算法组合中不同推荐算法对应的比例；以及，由具有先后顺序的推荐算法标识组成的辅助算法组合。

优选地，所述按照所述配置信息中设定的推荐算法及推荐算法拼装方式，生成推荐结果集，包括：若推荐算法拼装方式为串行拼装，则按照主算法组合和推荐数量，先从该主算法组合的第一个推荐算法中获取推荐结果；如果推荐结果的数量小于所述配置信息中的推荐数量，则从该主算法组合的第二个推荐算法开始，按照上述步骤依次从该主算法组合对应的各推荐算法中获取推荐结果，直到达到所述推荐数量；获取到的所有推荐结果构成推荐结果集。

优选地，所述按照所述配置信息中设定的推荐算法及推荐算法拼装方式，生成推荐结果集，包括：若推荐算法拼装方式为并行拼装，则按照主算法组合和推荐数量count，依次从该主算法组合对应的各推荐算法中分别获取count个推荐结果，每个推荐算法对应一个推荐结果集list；将各推荐结果集list进行相互去重处理，除去相互重复的推荐结果；从去重后的各推荐结果集中分别取出count*ratio个推荐结果，并分别构成新的推荐结果集list’，其中ratio为主算法组合中不同推荐算法对应的比例。

优选地，如果推荐结果集list’中的推荐结果数量不足，则还包括：依次从去重后的各推荐结果集list中剩下的推荐结果中获取需要的推荐结果，并补足所述不足的推荐结果集list’。

优选地，如果推荐结果集中所有推荐结果的数量小于所述配置信息中的推荐数量，则还包括：按照串行方式，先从辅助算法组合的第一个推荐算法中获取推荐结果，并进行去重，然后补足推荐结果集；如果补足后的推荐结果数量仍小于所述配置信息中的推荐数量，则继续从该辅助算法组合的第二个推荐算法开始，按照上述步骤依次从该辅助算法组合对应的各推荐算法中获取推荐结果，直到达到所述推荐数量。

优选地，所述根据所述推荐逻辑标识获取该推荐逻辑中与所述调用参数相匹配的配置信息，包括：根据所述推荐逻辑标识获取该推荐逻辑中，与所述调用参数中的推荐区域编号相匹配的配置信息。

优选地，所述调用参数还包括用户标识，则根据所述推荐逻辑标识获取该推荐逻辑中与所述调用参数相匹配的配置信息，包括：根据所述推荐逻辑标识获取该推荐逻辑中，与所述调用参数中的推荐区域编号和用户标识相匹配的配置信息。

优选地，所述调用参数还包括用户标识，则根据所述推荐逻辑标识获取该推荐逻辑中与所述调用参数相匹配的配置信息，包括：获取与所述调用参数中的用户标识对应的用户群标识；根据所述推荐逻辑标识获取该推荐逻辑中，与所述调用参数中的推荐区域编号和用户群标识相匹配的配置信息。

本申请还提供了一种基于互联网的推荐系统，包括：

配置模块，用于预先对指定的推荐区域编号配置对应的推荐逻辑标识；

传入参数模块，用于接收调用参数，所述调用参数包括推荐区域编号；

获取配置模块，用于获取与所述调用参数中的推荐区域编号相匹配的推荐逻辑标识，并根据所述推荐逻辑标识获取该推荐逻辑中与所述调用参数相匹配的配置信息；

生成推荐模块，用于按照所述配置信息中设定的推荐算法及推荐算法拼装方式，生成推荐结果集；

结果返回模块，用于将所述推荐结果集返回。

其中，所述配置信息包括推荐对象类型、推荐数量以及与推荐算法相关的配置信息。

其中，所述与推荐算法相关的配置信息包括：推荐算法拼装方式，包括串行拼装和并行拼装；由具有先后顺序的推荐算法标识组成的主算法组合；主算法组合中不同推荐算法对应的比例；以及，由具有先后顺序的推荐算法标识组成的辅助算法组合。

优选地，所述生成推荐模块包括：串行拼装模块，用于当推荐算法拼装方式为串行拼装时，按照主算法组合和推荐数量，先从该主算法组合的第一个推荐算法中获取推荐结果；如果推荐结果的数量小于所述配置信息中的推荐数量，则从该主算法组合的第二个推荐算法开始，按照上述步骤依次从该主算法组合对应的各推荐算法中获取推荐结果，直到达到所述推荐数量；获取到的所有推荐结果构成推荐结果集。

优选地，所述生成推荐模块包括：并行拼装模块，用于当推荐算法拼装方式为并行拼装时，按照主算法组合和推荐数量count，依次从该主算法组合对应的各推荐算法中分别获取count个推荐结果，每个推荐算法对应一个推荐结果集list；将各推荐结果集list进行相互去重处理，除去相互重复的推荐结果；从去重后的各推荐结果集中分别取出count*ratio个推荐结果，并分别构成新的推荐结果集list’，其中ratio为主算法组合中不同推荐算法对应的比例。

优选地，如果推荐结果集list’中的推荐结果数量不足，则所述并行拼装模块还用于：依次从去重后的各推荐结果集list中剩下的推荐结果中获取需要的推荐结果，并补足所述不足的推荐结果集list’。

优选地，如果推荐结果集中所有推荐结果的数量小于所述配置信息中的推荐数量，则所述生成推荐模块还包括：辅助补足模块，用于按照串行方式，先从辅助算法组合的第一个推荐算法中获取推荐结果，并进行去重，然后补足推荐结果集；如果补足后的推荐结果数量仍小于所述配置信息中的推荐数量，则继续从该辅助算法组合的第二个推荐算法开始，按照上述步骤依次从该辅助算法组合对应的各推荐算法中获取推荐结果，直到达到所述推荐数量。

优选地，所述调用参数还包括用户标识，所述获取配置模块包括：第一获取子模块，用于根据所述推荐逻辑标识获取该推荐逻辑中，与所述调用参数中的推荐区域编号相匹配的配置信息；和/或，第二获取子模块，用于根据所述推荐逻辑标识获取该推荐逻辑中，与所述调用参数中的推荐区域编号和用户标识相匹配的配置信息；和/或，第三获取子模块，用于获取与所述调用参数中的用户标识对应的用户群标识；根据所述推荐逻辑标识获取该推荐逻辑中，与所述调用参数中的推荐区域编号和用户群标识相匹配的配置信息。

与现有技术相比，本申请包括以下优点：

本申请将推荐区域编号recid与推荐逻辑AO的映射关系，以及每种推荐逻辑下各种推荐算法AM的拼装方式，都设计成可配置的，因此：

第一，如果应用场景想改用其他推荐逻辑，如将recid改为调用1031，本申请不需要前端开发工程师修改recid的值，只需要引擎工程师修改配置表中对应该recid的推荐逻辑标识，就能完成调用不同的推荐逻辑。

第二，在推荐逻辑固定的情况下，对于应用而言，只需要修改算法拼装规则，就能够修改算法推荐的核心逻辑。同时，当新的推荐算法实现后，通过增加相应配置，就能够快速引用到已有接口中，无需修改程序代码。

第三，在推荐数量不足的时候，针对推荐逻辑和推荐算法相同、但补足方式不同的情况，也可以通过修改配置的方式解决，而无需重新开发接口。

综上所述，本申请通过配置的方式，能够实现最大限度的灵活性和扩展性。

并且，本申请所述的配置还可以对用户分群定位，也可以对单个用户定位，实现了个性化的推荐，可以根据用户类型的不同动态选择使用不同的推荐逻辑或不同的算法拼装方式。

当然，实施本申请的任一产品不一定需要同时达到以上所述的所有优点。

附图说明

图1是本申请实施例所述一种基于互联网的推荐方法流程图；

图2是本申请另一实施例所述一种推荐方法的流程图；

图3是本申请另一实施例所述获取各种配置数据的流程图；

图4是本申请另一实施例所述算法拼装的流程图；

图5是本申请实施例所述一种基于互联网的推荐系统的结构图。

具体实施方式

为使本申请的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本申请作进一步详细的说明。

本申请提出一种推荐方法及推荐系统，将推荐区域编号recid与推荐逻辑AO的映射关系，以及每种推荐逻辑下各种推荐算法AM的拼装方式，都设计成可配置的，从而实现最大限度的灵活性和扩展性。

如前所述，一个recid对应一种推荐逻辑。上下文推荐是一种推荐逻辑，排行榜推荐也是一种推荐逻辑。在一种推荐逻辑下，可以包含多种推荐算法。例如，在上下文推荐逻辑中，行为相关性算法是一种推荐算法模块，内容相关性算法也是一种推荐算法模块，入参是一个或多个商品id，经过相关性推荐，输出是与入参商品最相关(行为相关或内容相关)的商品集合。此外，在排行榜推荐逻辑下，交易排行榜算法是一种推荐算法模块，入参是用户id，输出该用户偏好类目下的基于交易排行的商品结果。

下面通过实施例对本申请所述推荐方法的实现流程进行详细说明。

参照图1所示，是本申请实施例所述一种基于互联网的推荐方法流程图。

步骤101，预先对指定的推荐区域编号配置对应的推荐逻辑标识；

例如，对于某个指定的页面A，假设该页面A向推荐系统传入的推荐区域编号recid对应上下文推荐逻辑，则对应该recid(＝1030)配置上下文推荐逻辑标识AOid(＝01)。

由于推荐区域编号与推荐逻辑的映射关系是可配置的，所以当页面A调用的推荐逻辑需要改为排行榜推荐逻辑(AOid＝02)时，只需配置recid＝1030时AOid＝02，而无需修改页面A的recid值(仍为1030)。

步骤102，接收调用参数，所述调用参数包括推荐区域编号；

当外部应用场景(如某个页面)需要调用预先配置的某个推荐(如相关商品的推荐)时，向推荐系统传入调用参数，推荐系统接收调用参数并进行解析。其中，所述“外部”是相对于推荐系统而言的。

所述调用参数中包括推荐区域编号recid，通过该recid可以找到对应配置的推荐逻辑标识AOid。

在基于上下文的推荐中，所述调用参数中还可以包括offerids(一个或多个商品id)，以便基于该offerids表示的商品推荐出相关的其他商品。

此外，在另一优选实施例中，所述调用参数中还可以包括用户标识userid，原因如下：

现有技术中，在具体到某个应用场景时，对于所有的用户都只能使用一套推荐逻辑。即对于一个推荐区域，所有人应用的推荐逻辑都是相同的。但实际上，在各种应用中，例如在互联网电子商务网站，用户类型非常多样化，经常需要根据用户类型的不同动态选择使用不同的推荐逻辑。例如，在某些场景下，如果能区分出新用户或老用户，很可能推荐逻辑或推荐算法是完全不一样的。

为了解决此问题，本申请实施例将用户标识userid也作为调用参数，可以利用该用户标识userid定位到针对用户的个性化推荐，实现不同用户推荐不同的内容。后面的内容将详细说明这种个性化的推荐。

步骤103，获取与所述调用参数中的推荐区域编号相匹配的推荐逻辑标识，并根据所述推荐逻辑标识获取该推荐逻辑中与所述调用参数相匹配的配置信息；

具体地，在获取到对应的推荐逻辑标识后，一个推荐逻辑标识可能对应着多个配置信息，这时需要根据调用参数来选择相匹配的配置信息。下面列举几种查找相应配置信息的方式：

1)根据所述推荐逻辑标识获取该推荐逻辑中，与所述调用参数中的推荐区域编号recid相匹配的配置信息；

换而言之，recid与配置信息一一对应，这是一种基于recid的获取方式；

2)如果所述调用信息中包含用户标识userid，则根据所述推荐逻辑标识获取该推荐逻辑中，与所述调用参数中的推荐区域编号recid和用户标识userid相匹配的配置信息；

换而言之，recid+userid的组合与配置信息一一对应，这是一种基于recid+userid的获取方式，可以定位到单个用户。

例如，通过对用户历史数据的分析，可以分析出这些用户的性别是男还是女，在向用户推荐手机产品的时候，如果是男性用户，则推荐黑色的手机，如果是女性用户，则推荐白色的手机。

其中，userid可以是用户登录的账号信息，也可以是cookie信息，还可以是能够唯一标识用户身份的信息。

3)先获取与所述调用参数中的用户标识userid对应的用户群标识；然后根据所述推荐逻辑标识获取该推荐逻辑中，与所述调用参数中的推荐区域编号recid和用户群标识相匹配的配置信息。

换而言之，recid+user_group_id的组合与配置信息一一对应，这是一种基于recid+user_group_id的获取方式，可以定位到用户群。

例如，通过分析用户的历史数据，可以将用户定位到某个用户群，并建立userid与user_group_id的映射关系。当获取到某个用户的userid后，可以找到这个用户所属的用户群，然后基于用户群查找对应的配置信息，并给予不同的推荐，如针对中老人推荐的服装款式与针对年轻人推荐的款式会完全不一样。

以上列举的三种方式可分别单独使用，也可以组合使用。

无论上述哪种获取方式，最终获取到的配置信息都包括推荐对象类型(如商品、公司、资讯等)、推荐数量以及与推荐算法相关的配置信息。由于同一种推荐逻辑下可以有多种推荐算法的组合，因此对应同一个推荐逻辑标识，可能有多种与推荐算法相关的配置信息。

具体地，所述与推荐算法相关的配置信息可以包括以下信息：

a、推荐算法拼装方式，包括串行拼装和并行拼装；

b、由具有先后顺序的推荐算法标识组成的主算法组合；

c、主算法组合中不同推荐算法对应的比例；

d、由具有先后顺序的推荐算法标识组成的辅助算法组合。

这些配置信息的使用将在后面图4的示例中进行解释说明。

步骤104，按照所述配置信息中设定的推荐算法及推荐算法拼装方式，生成推荐结果集；

配置信息中设定了主算法组合和辅助算法组合，首先将主算法组合中的各推荐算法按照串行或并行的方式进行拼装，算法拼装过程中获取推荐数量需要的推荐对象。如果利用主算法组合获得的推荐结果的数量不能满足配置中推荐数量的要求，则继续使用辅助算法组合进行数量补足，并最终得到推荐结果集合。

举例来说，要向某个用户推荐手机，按照配置的要求，最终的推荐结果应该是：总共推荐6款手机，其中苹果手机3个，HTC手机2个，诺基亚手机1个。在这个例子中，推荐对象是手机，推荐数量时6个，主算法组合中包含推荐苹果手机的推荐算法、推荐HTC手机的推荐算法和推荐诺基亚手机的推荐算法，主算法组合中不同推荐算法对应的比例分别是1/2、1/3和1/6，算法拼装的方式可能是串行也可能是并行。假设推荐的苹果手机为2个，则还可以使用辅助推荐算法组合，按照交易排行榜或热度排行榜选择1款手机进行补足。

步骤104的详细过程将在后面图4的示例中进行解释说明。

步骤105，将所述推荐结果集返回。

即将推荐结果集返回给外部应用场景，如某个调用推荐系统的页面，外部应用场景再将推荐结果展示出来。

基于上述图1的示例，为了使本领域技术人员更加了解本申请的内容，下面通过图2至图4的另一个例子进行详细说明。

参照图2所示，是本申请另一实施例所述一种推荐方法的流程图。

步骤201，通过服务化接口传入参数userid和recid；

外部应用场景调用推荐系统的服务化接口，如推荐系统的web服务器的url，传入参数。

步骤202，获取推荐逻辑id等各种配置数据；

本实施例中，基于参数userid和recid，可通过配置引擎从配置库中读取出各种配置数据，包括场景对应的推荐逻辑id、推荐对象类型、推荐数量、要用到的推荐算法及其比例、推荐算法拼装方式等。

具体的，基于userid和recid首先获取对应的推荐逻辑id，然后再基于该推荐逻辑id获取对应的ruleid。所述ruleid对应着详细的配置数据，如推荐对象类型、推荐数量、要用到的推荐算法及其比例、推荐算法拼装方式等。

配置引擎将上述所有的配置数据都存放在配置库中，同时建立基于recid+userid、recid+user_group_id、recid的配置数据。可以先创建最简单的基于recid的配置数据，随后对用户分群定位、建立基于recid+user_group_id的配置数据，最后建立基于单个用户的配置数据(基于recid+userid)。

而配置库中的配置数据的形成，分为两种形式，也对应两个阶段。在第一阶段，由人工输入，涉及基于recid+user_group_id的配置数据与基于recid的配置数据；在第二阶段，基于recid+userid的配置数据，则由系统基于历史行为数据自学习产生。

配置引擎的工作过程将在图3的示例中进行说明。

步骤203，获取推荐逻辑中的前置模块；

每个推荐逻辑前后都有一些处理模块，这些处理模块即称为“前置模块”和“后置模块”。其中，有些是公共的，比如“过滤用户最近关注过的商品”模块，需从推荐的商品集合中过滤掉这些商品，而有些是特殊的。这些模块统一开发，在不同的推荐逻辑中被调用。这些调用都是固定的，不同于后面要描述的“算法拼装”中要用到的算法模块。

举例来说，在电子商务系统中，前置模块可以是确定基准offer的模块：在上下文推荐逻辑中，对于没有基准offer的情况，可取历史数据来确定基准offer，然后才能基于该基准offer使用上下文推荐逻辑得到推荐结果。

步骤204，获取推荐算法拼装模块；

如前所述，每种推荐逻辑下都包含着一些推荐算法模块，如图中所示的算法模块1、算法模块2、算法模块3、...、算法模块k。依据步骤202获取到的配置数据，就可以知道需要调用哪种推荐逻辑，以及该推荐逻辑下的哪些推荐算法模块。然后，按照算法拼装模块中设定的算法拼装方式将这些算法模块拼装起来。

算法拼装的过程将在图4的示例中进行说明。

步骤205，获取推荐逻辑中的后置模块；

举例来说，在电子商务系统中，后置模块可以是“过滤用户最近关注过的商品”的模块，也可以是“基于类目排行榜进行推荐数量补足”的模块。

步骤206，依据上述前置模块、算法拼装模块和后置模块生成推荐的结果。

参照图3所示，是本申请另一实施例所述获取各种配置数据的流程图。

本实施例中，配置引擎根据优先级分别基于recid+userid，recid+user_group_id，recid获取各种配置数据。所述配置数据即为针对某个推荐场景区域的配置数据。配置引擎的处理步骤如下：

步骤301，接收参数userid和recid；

步骤302，基于recid+userid获取配置数据；

从配置库(也可以是配置表)中获取，如果库中有相应的配置数据，则将配置数据输出；如果没有，则进入步骤303。

步骤303，基于recid+user_group_id获取配置数据；

从配置库(也可以是配置表)中获取，如果库中有相应的配置数据，则将配置数据输出；如果没有，则进入步骤304。

步骤304，基于recid获取配置数据。

从配置库(也可以是配置表)中获取，并将获取到的配置数据输出。

参照图4所示，是本申请另一实施例所述算法拼装的流程图。

步骤401，获取ruleid及其详细配置数据；

步骤402，解析所述配置数据；

本实施例中，所述配置数据具体包括以下内容：

assemble_type：算法模块拼装方式(s：串行，即不按配置比例；p：并行，即按配置比例)；

algm_ids：主算法组合，由主算法模块标识algm_id组成，用分隔符分隔，具有先后顺序；

algm_ratio：主算法组合中，不同算法模块对应的比例；

algm_ratio_max：主算法组合中，algm_id分别对应的最大比例；

sub_algm_ids：辅助算法组合，由辅助算法模块标识algm_id组成，具有先后顺序。

优选地，所述algm_ratio还可以通过自学习的方式进行动态调整。以商品推荐为例，具体如下：

在每一个推荐场景(recid)中，都可以统计每个商品的CTR，进而也可以统计每个算法模块的CTR(因为每个商品都是来自某个确定的算法模块)；再进一步，可以针对每个用户、具体某个场景统计不同算法模块的CTR。

假设某个推荐场景(recid＝1001)，最开始基于recid配置的主算法组合的算法包括algm1、algm2、algm3，对应的比例分别为ratio1，ratio2，ratio3。这是初始设置。

对于某个用户基于以往n天的数据，统计得到该用户对于algm1、algm2、algm3分别的CTR为value1，value2，value3。重新计算对于该用户应该具有的算法比例：

对于algm1：其ratio1’＝value1/(value1+value2+value3)；

对于algm2：其ratio2’＝value2/(value 1+value2+value3)；

对于algm3：其ratio3’＝value3/(value1+value2+value3)；

将该ratio1’，raito2’，ratio3’作为该用户的配置，输入到配置库中。

后续系统可以每隔一段时间(比如n天)，重新计算不同算法的比例，并自动调整配置库中该用户对于该场景(recid)对应的算法拼装方式。

步骤403，判断算法模块拼装方式assemble_type；

如果是串行，则进入步骤404；如果是并行，则进入步骤405。

步骤404，串行拼装；

包括以下子步骤：

子步骤1，按照主算法组合和推荐数量count，先从该主算法组合的第一个算法模块中获取推荐结果；

子步骤2，如果推荐结果的数量小于所述配置信息中的推荐数量count，则从该主算法组合的第二个算法模块开始，按照上述步骤依次从该主算法组合对应的各算法模块中获取推荐结果，直到达到所述推荐数量count；

子步骤3，获取到的所有推荐结果构成推荐结果集，推荐结果数记为object_cnt。

举例来说，假设推荐手机，推荐数量是6个，主算法组合中包含a1、a2和a3这三个推荐算法模块，分别对应推荐苹果手机的推荐算法、推荐HTC手机的推荐算法和推荐诺基亚手机的推荐算法。

串行拼装方式是：先通过a1获取6个手机，如果能够获取到6个，则结束拼装过程；如果只获取到2个，则继续通过a2获取，如果只获取到3个，则继续通过a3再获取1个，最终的这6个手机构成推荐结果集。

步骤405，并行拼装；

包括以下子步骤：

子步骤1，按照主算法组合和推荐数量count，依次从该主算法组合对应的各算法模块中分别获取count个推荐结果，每个算法模块对应一个推荐结果集list；

如上例，假设推荐手机，推荐数量是6个，主算法组合中包含a1、a2和a3这三个推荐算法模块，分别对应推荐苹果手机的推荐算法、推荐HTC手机的推荐算法和推荐诺基亚手机的推荐算法。

在并行拼装中，首先通过a1、a2和a3分别获取6个手机，并放入各自对应的推荐结果集list1、list2、list3。

子步骤2，将各推荐结果集list进行相互去重处理，除去相互重复的推荐结果；

本实施例采用前者优先的相互去重方式。所谓的“相互去重(前者优先)”，是指：除去list2中与list1中重复的产品；......；除去listn中与list1，...，list(n-1)中重复的产品。

上例中，假设去重后list1中有6个手机，list2中有5个手机，list3中有3个手机。

子步骤3，从去重后的各推荐结果集中分别取出count*algm_ratio个推荐结果，并分别构成新的推荐结果集list’，其中algm_ratio为主算法组合中不同算法模块对应的比例；

上例中，假设a1、a2和a3对应的比例分别是1/2、1/3和1/6，则list1’中有3个手机，list2’中有2个手机，list3’中有1个手机。

子步骤4，优选地，如果推荐结果集list’中所有推荐结果的数量小于所述配置信息中的推荐数量count，则依次从去重后的各推荐结果集list中剩下的推荐结果中获取需要的推荐结果，并补足所述不足的推荐结果集list’，最后将所有的推荐结果数记为object_cnt。

补足时，先从去重后的list1中剩下的推荐结果中获取，如果不够，再继续从list2中剩下的推荐结果中获取，以此类推，完成补足。

如上例，假设去重后list1中有6个手机，list2中有5个手机，list3中有0个手机，按照algm_ratio，list3’中的手机个数也为0，还缺1个。此时，可以从list1中剩下的3个中取出1个放入list3’。假设list1中剩下的不够，还可以继续从list2中剩下的获取。

优选地，补足时每个list中取出的个数不能超过对应的最大比例algm_ratio_max，从而防止系统运行中的意外情况发生。

步骤406，判断推荐结果数object_cnt是否小于配置中的推荐数量count；

无论是串行拼装还是并行拼装，都进行此判断：

如果小于，则进入步骤407；否则，如果等于，则进入步骤408。

步骤407，通过辅助算法组合进行补足；

辅助算法组合的补足采用串行方式，如下：

按照串行方式，先从辅助算法组合的第一个辅助算法模块中获取推荐结果，并进行去重，然后补足推荐结果集；

如果补足后的推荐结果数量仍小于所述配置信息中的推荐数量count，则继续从该辅助算法组合的第二个算法模块开始，按照上述步骤依次从该辅助算法组合对应的各算法模块中获取推荐结果，直到达到所述推荐数量count。

步骤408，返回推荐结果集。

综上所述，通过以上图1至图4各实施例的说明，本申请所述的推荐方法通过配置的方式，能够实现最大限度的灵活性和扩展性，具体体现在以下方面：

第一，如果应用场景想改用其他推荐逻辑，如将recid改为调用1031，本申请不需要前端开发工程师修改recid的值，只需要引擎工程师修改配置表中对应该recid的推荐逻辑标识，就能完成调用不同的推荐逻辑。

第二，在推荐逻辑固定的情况下，对于应用而言，只需要修改算法拼装规则，就能够修改算法推荐的核心逻辑。同时，当新的推荐算法实现后，通过增加相应配置，就能够快速引用到已有接口中，无需修改程序代码。

第三，在推荐数量不足的时候，针对推荐逻辑和推荐算法相同、但补足方式不同的情况，也可以通过修改配置的方式解决，而无需重新开发接口。

第四，所述的配置还可以对用户分群定位，也可以对单个用户定位，实现了个性化的推荐，可以根据用户类型的不同动态选择使用不同的推荐逻辑或不同的算法拼装方式。

需要说明的是，对于前述的方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本申请并不受所描述的动作顺序的限制，因为依据本申请，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作并不一定是本申请所必需的。

基于上述方法实施例的说明，本申请还提供了相应的推荐系统实施例。

参照图5，是本申请实施例所述一种基于互联网的推荐系统的结构图。

所述推荐系统可以包括以下模块：

配置模块10，用于预先对指定的推荐区域编号配置对应的推荐逻辑标识；

传入参数模块20，用于接收调用参数，所述调用参数包括推荐区域编号；

获取配置模块30，用于获取与所述调用参数中的推荐区域编号相匹配的推荐逻辑标识，并根据所述推荐逻辑标识获取该推荐逻辑中与所述调用参数相匹配的配置信息；其中，所述配置信息可以由所述配置模块10进行设定；

生成推荐模块40，用于按照所述配置信息中设定的推荐算法及推荐算法拼装方式，生成推荐结果集；

结果返回模块50，用于将所述推荐结果集返回。

其中，所述配置信息可以包括推荐对象类型、推荐数量以及与推荐算法相关的配置信息。

其中，所述与推荐算法相关的配置信息可以包括：

推荐算法拼装方式，包括串行拼装和并行拼装；

由具有先后顺序的推荐算法标识组成的主算法组合；

主算法组合中不同推荐算法对应的比例；

以及，由具有先后顺序的推荐算法标识组成的辅助算法组合。

优选地，在另一具体实施例中，所述生成推荐模块40可以包括：

串行拼装模块41，用于当推荐算法拼装方式为串行拼装时，按照主算法组合和推荐数量，先从该主算法组合的第一个推荐算法中获取推荐结果；如果推荐结果的数量小于所述配置信息中的推荐数量，则从该主算法组合的第二个推荐算法开始，按照上述步骤依次从该主算法组合对应的各推荐算法中获取推荐结果，直到达到所述推荐数量；获取到的所有推荐结果构成推荐结果集。

优选地，在另一具体实施例中，所述生成推荐模块40也可以包括：

并行拼装模块42，用于当推荐算法拼装方式为并行拼装时，按照主算法组合和推荐数量count，依次从该主算法组合对应的各推荐算法中分别获取count个推荐结果，每个推荐算法对应一个推荐结果集list；将各推荐结果集list进行相互去重处理，除去相互重复的推荐结果；从去重后的各推荐结果集中分别取出count*ratio个推荐结果，并分别构成新的推荐结果集list’，其中ratio为主算法组合中不同推荐算法对应的比例。

优选地，在另一具体实施例中，所述生成推荐模块40还可以同时包括所述串行拼装模块41和并行拼装模块42。

优选地，在另一具体实施例中，如果推荐结果集list’中的推荐结果数量不足，则所述并行拼装模块还用于：依次从去重后的各推荐结果集list中剩下的推荐结果中获取需要的推荐结果，并补足所述不足的推荐结果集list’。

优选地，在另一具体实施例中，如果推荐结果集中所有推荐结果的数量小于所述配置信息中的推荐数量，则所述生成推荐模块40还可以包括：

辅助补足模块43，用于按照串行方式，先从辅助算法组合的第一个推荐算法中获取推荐结果，并进行去重，然后补足推荐结果集；如果补足后的推荐结果数量仍小于所述配置信息中的推荐数量，则继续从该辅助算法组合的第二个推荐算法开始，按照上述步骤依次从该辅助算法组合对应的各推荐算法中获取推荐结果，直到达到所述推荐数量。

优选地，在另一具体实施例中，所述获取配置模块30可以包括：

第一获取子模块，用于根据所述推荐逻辑标识获取该推荐逻辑中，与所述调用参数中的推荐区域编号相匹配的配置信息。

优选地，在另一具体实施例中，所述调用参数还包括用户标识，所述获取配置模块30可以包括：

第二获取子模块，用于根据所述推荐逻辑标识获取该推荐逻辑中，与所述调用参数中的推荐区域编号和用户标识相匹配的配置信息。

优选地，在另一具体实施例中，所述调用参数还包括用户标识，所述获取配置模块30可以包括：

第三获取子模块，用于获取与所述调用参数中的用户标识对应的用户群标识；根据所述推荐逻辑标识获取该推荐逻辑中，与所述调用参数中的推荐区域编号和用户群标识相匹配的配置信息。

优选地，在另一具体实施例中，所述调用参数还包括用户标识，所述获取配置模块30可以同时包括所述第一获取子模块、第二获取子模块和第三获取子模块。

对于上述推荐系统实施例而言，由于其与方法实施例基本相似，所以描述的比较简单，相关之处参见图1至图4所示方法实施例的部分说明即可。

本说明书中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。

本申请可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本申请，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。

在本申请中，“系统”等指应用于计算机的相关实体，如硬件、硬件和软件的组合、软件或执行中的软件等。

最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。

以上对本申请所提供的一种于互联网的推荐方法及推荐系统，进行了详细介绍，本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想；同时，对于本领域的一般技术人员，依据本申请的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本申请的限制。

Claims (18)

1.一种基于互联网的推荐方法，其特征在于，包括：

预先对指定的推荐区域编号配置对应的推荐逻辑标识；

接收调用参数，所述调用参数包括推荐区域编号；

获取与所述调用参数中的推荐区域编号相匹配的推荐逻辑标识，并根据所述推荐逻辑标识获取该推荐逻辑中与所述调用参数相匹配的配置信息；

按照所述配置信息中设定的推荐算法及推荐算法拼装方式，生成推荐结果集；

将所述推荐结果集返回。

2.根据权利要求1所述的方法，其特征在于：

所述配置信息包括推荐对象类型、推荐数量以及与推荐算法相关的配置信息。

3.根据权利要求2所述的方法，其特征在于，所述与推荐算法相关的配置信息包括：

推荐算法拼装方式，包括串行拼装和并行拼装；

由具有先后顺序的推荐算法标识组成的主算法组合；

主算法组合中不同推荐算法对应的比例；

以及，由具有先后顺序的推荐算法标识组成的辅助算法组合。

4.根据权利要求3所述的方法，其特征在于，所述按照所述配置信息中设定的推荐算法及推荐算法拼装方式，生成推荐结果集，包括：

若推荐算法拼装方式为串行拼装，则按照主算法组合和推荐数量，先从该主算法组合的第一个推荐算法中获取推荐结果；

如果推荐结果的数量小于所述配置信息中的推荐数量，则从该主算法组合的第二个推荐算法开始，按照上述步骤依次从该主算法组合对应的各推荐算法中获取推荐结果，直到达到所述推荐数量；

获取到的所有推荐结果构成推荐结果集。

5.根据权利要求3所述的方法，其特征在于，所述按照所述配置信息中设定的推荐算法及推荐算法拼装方式，生成推荐结果集，包括：

若推荐算法拼装方式为并行拼装，则按照主算法组合和推荐数量count，依次从该主算法组合对应的各推荐算法中分别获取count个推荐结果，每个推荐算法对应一个推荐结果集list；

将各推荐结果集list进行相互去重处理，除去相互重复的推荐结果；

从去重后的各推荐结果集中分别取出count*ratio个推荐结果，并分别构成新的推荐结果集list’，其中ratio为主算法组合中不同推荐算法对应的比例。

6.根据权利要求5所述的方法，其特征在于，如果推荐结果集list’中的推荐结果数量不足，则还包括：

依次从去重后的各推荐结果集list中剩下的推荐结果中获取需要的推荐结果，并补足所述不足的推荐结果集list’。

7.根据权利要求4或6所述的方法，其特征在于，如果推荐结果集中所有推荐结果的数量小于所述配置信息中的推荐数量，则还包括：

按照串行方式，先从辅助算法组合的第一个推荐算法中获取推荐结果，并进行去重，然后补足推荐结果集；

如果补足后的推荐结果数量仍小于所述配置信息中的推荐数量，则继续从该辅助算法组合的第二个推荐算法开始，按照上述步骤依次从该辅助算法组合对应的各推荐算法中获取推荐结果，直到达到所述推荐数量。

8.根据权利要求1所述的方法，其特征在于，所述根据所述推荐逻辑标识获取该推荐逻辑中与所述调用参数相匹配的配置信息，包括：

根据所述推荐逻辑标识获取该推荐逻辑中，与所述调用参数中的推荐区域编号相匹配的配置信息。

9.根据权利要求1所述的方法，其特征在于，所述调用参数还包括用户标识，则根据所述推荐逻辑标识获取该推荐逻辑中与所述调用参数相匹配的配置信息，包括：

根据所述推荐逻辑标识获取该推荐逻辑中，与所述调用参数中的推荐区域编号和用户标识相匹配的配置信息。

10.根据权利要求1所述的方法，其特征在于，所述调用参数还包括用户标识，则根据所述推荐逻辑标识获取该推荐逻辑中与所述调用参数相匹配的配置信息，包括：

获取与所述调用参数中的用户标识对应的用户群标识；

根据所述推荐逻辑标识获取该推荐逻辑中，与所述调用参数中的推荐区域编号和用户群标识相匹配的配置信息。

11.一种基于互联网的推荐系统，其特征在于，包括：

配置模块，用于预先对指定的推荐区域编号配置对应的推荐逻辑标识；

传入参数模块，用于接收调用参数，所述调用参数包括推荐区域编号；

获取配置模块，用于获取与所述调用参数中的推荐区域编号相匹配的推荐逻辑标识，并根据所述推荐逻辑标识获取该推荐逻辑中与所述调用参数相匹配的配置信息；

生成推荐模块，用于按照所述配置信息中设定的推荐算法及推荐算法拼装方式，生成推荐结果集；

结果返回模块，用于将所述推荐结果集返回。

12.根据权利要求11所述的系统，其特征在于：

所述配置信息包括推荐对象类型、推荐数量以及与推荐算法相关的配置信息。

13.根据权利要求12所述的系统，其特征在于，所述与推荐算法相关的配置信息包括：

推荐算法拼装方式，包括串行拼装和并行拼装；

由具有先后顺序的推荐算法标识组成的主算法组合；

主算法组合中不同推荐算法对应的比例；

以及，由具有先后顺序的推荐算法标识组成的辅助算法组合。

14.根据权利要求12所述的系统，其特征在于，所述生成推荐模块包括：

串行拼装模块，用于当推荐算法拼装方式为串行拼装时，按照主算法组合和推荐数量，先从该主算法组合的第一个推荐算法中获取推荐结果；如果推荐结果的数量小于所述配置信息中的推荐数量，则从该主算法组合的第二个推荐算法开始，按照上述步骤依次从该主算法组合对应的各推荐算法中获取推荐结果，直到达到所述推荐数量；获取到的所有推荐结果构成推荐结果集。

15.根据权利要求12所述的系统，其特征在于，所述生成推荐模块包括：

并行拼装模块，用于当推荐算法拼装方式为并行拼装时，按照主算法组合和推荐数量count，依次从该主算法组合对应的各推荐算法中分别获取count个推荐结果，每个推荐算法对应一个推荐结果集list；将各推荐结果集list进行相互去重处理，除去相互重复的推荐结果；从去重后的各推荐结果集中分别取出count*ratio个推荐结果，并分别构成新的推荐结果集list’，其中ratio为主算法组合中不同推荐算法对应的比例。

16.根据权利要求15所述的系统，其特征在于，如果推荐结果集list’中的推荐结果数量不足，则所述并行拼装模块还用于：

依次从去重后的各推荐结果集list中剩下的推荐结果中获取需要的推荐结果，并补足所述不足的推荐结果集list’。

17.根据权利要求14或16所述的系统，其特征在于，如果推荐结果集中所有推荐结果的数量小于所述配置信息中的推荐数量，则所述生成推荐模块还包括：

辅助补足模块，用于按照串行方式，先从辅助算法组合的第一个推荐算法中获取推荐结果，并进行去重，然后补足推荐结果集；如果补足后的推荐结果数量仍小于所述配置信息中的推荐数量，则继续从该辅助算法组合的第二个推荐算法开始，按照上述步骤依次从该辅助算法组合对应的各推荐算法中获取推荐结果，直到达到所述推荐数量。

18.根据权利要求11所述的系统，其特征在于，所述调用参数还包括用户标识，所述获取配置模块包括：

第一获取子模块，用于根据所述推荐逻辑标识获取该推荐逻辑中，与所述调用参数中的推荐区域编号相匹配的配置信息；

和/或，

第二获取子模块，用于根据所述推荐逻辑标识获取该推荐逻辑中，与所述调用参数中的推荐区域编号和用户标识相匹配的配置信息；

和/或，

第三获取子模块，用于获取与所述调用参数中的用户标识对应的用户群标识；根据所述推荐逻辑标识获取该推荐逻辑中，与所述调用参数中的推荐区域编号和用户群标识相匹配的配置信息。

Images