CN107807967A - 实时推荐方法、电子设备及计算机可读存储介质 - Google Patents

实时推荐方法、电子设备及计算机可读存储介质 Download PDF

Info

Publication number
CN107807967A
CN107807967A CN201710953455.9A CN201710953455A CN107807967A CN 107807967 A CN107807967 A CN 107807967A CN 201710953455 A CN201710953455 A CN 201710953455A CN 107807967 A CN107807967 A CN 107807967A
Authority
CN
China
Prior art keywords
real
model
user
time
section
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.)
Granted
Application number
CN201710953455.9A
Other languages
English (en)
Other versions
CN107807967B (zh
Inventor
许开河
兰相如
王建明
肖京
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.)
Ping An Technology Shenzhen Co Ltd
Original Assignee
Ping An Technology Shenzhen Co Ltd
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 Ping An Technology Shenzhen Co Ltd filed Critical Ping An Technology Shenzhen Co Ltd
Priority to CN201710953455.9A priority Critical patent/CN107807967B/zh
Priority to PCT/CN2018/076173 priority patent/WO2019071897A1/zh
Publication of CN107807967A publication Critical patent/CN107807967A/zh
Application granted granted Critical
Publication of CN107807967B publication Critical patent/CN107807967B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/28—Databases characterised by their database models, e.g. relational or object models
    • G06F16/289—Object oriented databases
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/22—Indexing; Data structures therefor; Storage structures
    • G06F16/2228—Indexing structures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2455—Query execution

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明公开了一种实时推荐方法，该方法包括步骤：通过预定编程语言创建模型类，利用该模型类在特定的计算引擎上离线训练模型，并将训练得到的模型托管至实时计算后台；通过所述实时计算后台，将用户特征存储至高速缓存区；将用户标识映射成指定区间内的数字，并分配不同数字区间内的用户至不同的模型；调用不同的模型从所述高速缓存区获取不同数字区间内的用户对应的用户特征，根据获取的用户特征进行用户行为预测，并将预测结果实时推荐至用户。本发明可以快速更新迭代模型，方便横向扩展。

Description

实时推荐方法、电子设备及计算机可读存储介质
技术领域
本发明涉及计算机信息技术领域，尤其涉及一种实时推荐方法、电子设备及计算机可读存储介质。
背景技术
目前，多数大数据引擎(如Spark引擎)的数据分析工具只能处理离线的数据，对应的实时处理组件(如spark-streaming组件)需要大数据引擎的集群支持，导致成本高、耗时长(100ms-2s)，不能满足实时推荐低耗时的要求。另外，目前的大数据引擎训练出来的推荐模型不能及时更新到线上产生效益，并且多个模型同时在线上进行A/B测试也不方便进行管理。故，现有技术中的实时推荐方法设计不够合理，亟需改进。
发明内容
有鉴于此，本发明提出一种实时推荐方法、电子设备及计算机可读存储介质，通过实时计算后台的运作缩短了预测时间，并利用前端界面系统实现了同时对多个模型进行线上管理。
首先，为实现上述目的，本发明提出一种电子设备，所述电子设备包括存储器和处理器，所述存储器上存储有可在所述处理器上运行的实时推荐系统，所述实时推荐系统被所述处理器执行时实现如下步骤：
通过预定编程语言创建模型类，利用该模型类在特定的计算引擎上离线训练模型，并将训练得到的模型托管至实时计算后台；
通过所述实时计算后台，将用户特征存储至高速缓存区；
通过所述实时计算后台，将用户标识映射成指定区间内的数字，并分配不同数字区间内的用户至不同的模型；及
通过所述实时计算后台，调用不同的模型从所述高速缓存区获取不同数字区间内的用户对应的用户特征，根据获取的用户特征进行用户行为预测，并将预测结果实时推荐至用户。
优选地，所述实时推荐系统被所述处理器执行时还用于实现如下步骤：
根据不同模型的预测效果，动态调节不同数字区间的大小；及
若特定模型的预测效果高于预设阈值，则增大该特定模型所分配的用户数字区间。
优选地，所述实时推荐系统被所述处理器执行时还用于实现如下步骤：
若特定模型的预测效果高于第一预设阈值，则将该特定模型所分配的用户数字区间增大第一比例；及
若特定模型的预测效果高于第二预设阈值，则将该特定模型所分配的用户数字区间增大第二比例。
优选地，所述模型类继承一个统一的父类，所有模型的实现类通过统一的父类接口进行预测推荐；及
所述不同数字区间包括第一数字区间和第二数字区间，并将第一数字区间内对应的用户分配至第一模型，第二数字区间内对应的用户分配至第二模型。
优选地，所述实时推荐系统被所述处理器执行时还用于实现如下步骤：
将不同模型的预测效果实时写入所述高速缓存区，并通过特定图表格式将不同模型的预测效果显示于设定的前端界面系统；及
将每个预测项目的关键数据依据时间顺序统计生成报表，并将生成的报表显示于设定的前端界面系统。
此外，为实现上述目的，本发明还提供一种实时推荐方法，该方法应用于电子设备，所述方法包括：
通过预定编程语言创建模型类，利用该模型类在特定的计算引擎上离线训练模型，并将训练得到的模型托管至实时计算后台；
通过所述实时计算后台，将用户特征存储至高速缓存区；
通过所述实时计算后台，将用户标识映射成指定区间内的数字，并分配不同数字区间内的用户至不同的模型；及
通过所述实时计算后台，调用不同的模型从所述高速缓存区获取不同数字区间内的用户对应的用户特征，根据获取的用户特征进行用户行为预测，并将预测结果实时推荐至用户。
优选地，该方法还包括：
根据不同模型的预测效果，动态调节不同数字区间的大小；及
若特定模型的预测效果高于预设阈值，则增大该特定模型所分配的用户数字区间。
优选地，该方法还包括：
若特定模型的预测效果高于第一预设阈值，则将该特定模型所分配的用户数字区间增大第一比例；及
若特定模型的预测效果高于第二预设阈值，则将该特定模型所分配的用户数字区间增大第二比例。
优选地，所述模型类继承一个统一的父类，所有模型的实现类通过统一的父类接口进行预测推荐；及
所述不同数字区间包括第一数字区间和第二数字区间，并将第一数字区间内对应的用户分配至第一模型，第二数字区间内对应的用户分配至第二模型。
进一步地，为实现上述目的，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质存储有实时推荐系统，所述实时推荐系统可被至少一个处理器执行，以使所述至少一个处理器执行如上述的实时推荐方法的步骤。
相较于现有技术，本发明所提出的电子设备、实时推荐方法及计算机可读存储介质，通过实时计算后台的运作缩短了预测时间，并利用前端界面系统实现了同时对多个模型进行线上管理。本发明完成了从模型训练到上线到效果评估的闭环，通过创建的模型类可以快速更新迭代模型，同时也可以方便地横向扩展，接入更多的推荐业务。
附图说明
图1是本发明电子设备一可选的硬件架构的示意图；
图2是本发明电子设备中实时推荐系统一实施例的程序模块示意图；
图3为本发明实时推荐方法一实施例的实施流程示意图；
图4为本发明输出的模型效果曲线图的示例图。
附图标记：
电子设备 2
存储器 21
处理器 22
网络接口 23
实时推荐系统 20
训练模块 201
存储模块 202
分配模块 203
推荐模块 204
流程步骤 S31-S34
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。基于本发明中的实施例，本领域普通技术人员在没有做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。
需要说明的是，在本发明中涉及“第一”、“第二”等的描述仅用于描述目的，而不能理解为指示或暗示其相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。另外，各个实施例之间的技术方案可以相互结合，但是必须是以本领域普通技术人员能够实现为基础，当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在，也不在本发明要求的保护范围之内。
进一步需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。
首先，本发明提出一种电子设备2。
参阅图1所示，是本发明电子设备2一可选的硬件架构的示意图。本实施例中，所述电子设备2可包括，但不限于，可通过系统总线相互通信连接存储器21、处理器22、网络接口23。需要指出的是，图1仅示出了具有组件21-23的电子设备2，但是应理解的是，并不要求实施所有示出的组件，可以替代的实施更多或者更少的组件。
其中，所述电子设备2可以是机架式服务器、刀片式服务器、塔式服务器或机柜式服务器等计算设备，该电子设备2可以是独立的服务器，也可以是多个服务器所组成的服务器集群。
所述存储器21至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器(例如，SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘等。在一些实施例中，所述存储器21可以是所述电子设备2的内部存储单元，例如该电子设备2的硬盘或内存。在另一些实施例中，所述存储器21也可以是所述电子设备2的外部存储设备，例如该电子设备2上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。当然，所述存储器21还可以既包括所述电子设备2的内部存储单元也包括其外部存储设备。本实施例中，所述存储器21通常用于存储安装于所述电子设备2的操作系统和各类应用软件，例如所述实时推荐系统20的程序代码等。此外，所述存储器21还可以用于暂时地存储已经输出或者将要输出的各类数据。
所述处理器22在一些实施例中可以是中央处理器(Central Processing Unit，CPU)、控制器、微控制器、微处理器、或其他数据处理芯片。该处理器22通常用于控制所述电子设备2的总体操作，例如执行与所述电子设备2进行数据交互或者通信相关的控制和处理等。本实施例中，所述处理器22用于运行所述存储器21中存储的程序代码或者处理数据，例如运行所述的实时推荐系统20等。
所述网络接口23可包括无线网络接口或有线网络接口，该网络接口23通常用于在所述电子设备2与其他电子设备之间建立通信连接。例如，所述网络接口23用于通过网络将所述电子设备2与外部数据平台相连，在所述电子设备2与外部数据平台之间的建立数据传输通道和通信连接。所述网络可以是企业内部网(Intranet)、互联网(Internet)、全球移动通讯系统(Global System of Mobile communication，GSM)、宽带码分多址(WidebandCode Division Multiple Access，WCDMA)、4G网络、5G网络、蓝牙(Bluetooth)、Wi-Fi等无线或有线网络。
至此，己经详细介绍了本发明各个实施例的应用环境和相关设备的硬件结构和功能。下面，将基于上述应用环境和相关设备，提出本发明的各个实施例。
参阅图2所示，是本发明电子设备2中实时推荐系统20一实施例的程序模块图。本实施例中，所述的实时推荐系统20可以被分割成一个或多个程序模块，所述一个或者多个程序模块被存储于所述存储器21中，并由一个或多个处理器(本实施例中为所述处理器22)所执行，以完成本发明。例如，在图2中，所述的实时推荐系统20可以被分割成训练模块201、存储模块202、分配模块203、以及推荐模块204。本发明所称的程序模块是指能够完成特定功能的一系列计算机程序指令段，比程序更适合于描述所述实时推荐系统20在所述电子设备2中的执行过程。以下将就各程序模块201-204的功能进行详细描述。
所述训练模块201，用于通过预定编程语言(如Scala编程语言)创建模型类，利用该模型类在特定的计算引擎(如Spark大数据引擎)上离线训练模型，并将训练得到的模型托管至实时计算后台(如Java后台)。在本实施例中，利用Java语言与Scala语言互通的关系，将Scala编程语音创建的模型类训练得到的模型用Java实时计算后台进行托管，从而实现实时预测和推荐，降低预测和推荐的时间。
优选地，在本实施例中，所述模型类继承一个统一的父类，所有模型的实现类通过统一的父类接口进行预测推荐，从而方便横向扩展，接入更多的推荐业务。
举例而言，所述模型类的父类可以定义为如下格式：
trait OpmAlgorithmBase extends Serializable{
def predict(input:HashMap[String,String]):Any
}
定义好该父类后，所有的模型实现类都继承这个父类，每个模型实现类都需要实现这个预测方法，实时计算后台(如Java后台)通过调用这个方法进行实时预测。
所述存储模块202，用于通过所述实时计算后台，将用户特征(如用户画像特征，可以是大数据量级)存储至高速缓存区(如Redis数据库)。在本实施例中，由于用户画像特征缓存到Redis数据库，可以大幅缩短用户画像特征查询时间，从而缩短预测时间(单条预测耗时平均2ms)。
所述分配模块203，用于通过所述实时计算后台，将用户标识(用户ID)映射成指定区间内的数字(如哈希成0-100之间的数字)，并分配不同数字区间内的用户至不同的模型(即训练得到的模型)。例如，将用户标识哈希成0-100之间的数字后，分成第一数字区间“0-50”和第二数字区间“51-100”，并将第一数字区间内对应的用户分配至第一模型(如A模型)，第二数字区间内对应的用户分配至第二模型(如B模型)。
所述推荐模块204，用于通过所述实时计算后台，调用不同的模型从所述高速缓存区获取不同数字区间内的用户对应的用户特征，根据获取的用户特征进行用户行为预测(如预测用户是否购买产险)，并将预测结果实时推荐至用户。
例如，调用第一模型从所述高速缓存区获取第一数字区间内的用户对应的用户特征，根据获取的用户特征针对第一数字区间内的用户进行用户行为预测，并将预测结果实时推荐至第一数字区间内的用户；调用第二模型从所述高速缓存区获取第二数字区间内的用户对应的用户特征，根据获取的用户特征针对第二数字区间内的用户进行用户行为预测，并将预测结果实时推荐至第二数字区间内的用户。
优选地，在其它实施例中，所述实时推荐系统20还用于：
根据不同模型的预测效果，动态调节不同数字区间的大小，以便灵活控制每个模型覆盖的预测用户流量，使得预测效果优的模型分配更多的用户。具体而言，在其它实施例中，若特定模型的预测效果高于预设阈值(如80％)，则增大该特定模型所分配的用户数字区间(如增大20％)。例如，如上举例，若第一模型的预测效果为85％，则将第一模型所分配的第一数字区间“0-50”增大20％，得到调节后的第一数字区间“0-60”。相应地，第二模型所分配的第二数字区间“51-100”缩小20％，得到调节后的第二数字区间“61-100”。
更进一步地，在其它实施例中，若特定模型的预测效果高于第一预设阈值(如80％)，则将该特定模型所分配的用户数字区间增大第一比例(如增大20％)；若特定模型的预测效果高于第二预设阈值(如90％)，则将该特定模型所分配的用户数字区间增大第二比例(如增大50％)。
优选地，在其它实施例中，所述实时推荐系统20还用于：
将不同模型的预测效果实时写入所述高速缓存区，并通过特定图表格式(参阅图4所示的曲线图)将不同模型的预测效果显示于设定的前端界面系统(如应用程序界面系统)，从而可以实时地对比不同模型的优劣，方便同时对多个模型进行线上管理(如A/B测试管理等)。
优选地，在其它实施例中，所述实时推荐系统20还用于：
将每个预测项目(或预测业务)的关键数据(如核心用户的信息等)依据时间顺序(如日/周/月/年)统计生成报表，并将生成的报表显示于设定的前端界面系统。
通过上述程序模块201-204，本发明所提出的实时推荐系统20，通过实时计算后台的运作缩短了预测时间，并利用前端界面系统实现了同时对多个模型进行线上管理。本发明完成了从模型训练到上线到效果评估的闭环，通过创建的模型类可以快速更新迭代模型，同时也可以方便地横向扩展，接入更多的推荐业务。
此外，本发明还提出一种实时推荐方法。
参阅图3所示，是本发明实时推荐方法一实施例的实施流程示意图。在本实施例中，根据不同的需求，图3所示的流程图中的步骤的执行顺序可以改变，某些步骤可以省略。
步骤S31，通过预定编程语言(如Scala编程语言)创建模型类，利用该模型类在特定的计算引擎(如Spark大数据引擎)上离线训练模型，并将训练得到的模型托管至实时计算后台(如Java后台)。在本实施例中，利用Java语言与Scala语言互通的关系，将Scala编程语音创建的模型类训练得到的模型用Java实时计算后台进行托管，从而实现实时预测和推荐，降低预测和推荐的时间。
优选地，在本实施例中，所述模型类继承一个统一的父类，所有模型的实现类通过统一的父类接口进行预测推荐，从而方便横向扩展，接入更多的推荐业务。
举例而言，所述模型类的父类可以定义为如下格式：
trait OpmAlgorithmBase extends Serializable{
def predict(input:HashMap[String,String]):Any
}
定义好该父类后，所有的模型实现类都继承这个父类，每个模型实现类都需要实现这个预测方法，实时计算后台(如Java后台)通过调用这个方法进行实时预测。
步骤S32，通过所述实时计算后台，将用户特征(如用户画像特征，可以是大数据量级)存储至高速缓存区(如Redis数据库)。在本实施例中，由于用户画像特征缓存到Redis数据库，可以大幅缩短用户画像特征查询时间，从而缩短预测时间(单条预测耗时平均2ms)。
步骤S33，通过所述实时计算后台，将用户标识(用户ID)映射成指定区间内的数字(如哈希成0-100之间的数字)，并分配不同数字区间内的用户至不同的模型(即训练得到的模型)。例如，将用户标识哈希成0-100之间的数字后，分成第一数字区间“0-50”和第二数字区间“51-100”，并将第一数字区间内对应的用户分配至第一模型(如A模型)，第二数字区间内对应的用户分配至第二模型(如B模型)。
步骤S34，于所述实时计算后台，调用不同的模型从所述高速缓存区获取不同数字区间内的用户对应的用户特征，根据获取的用户特征进行用户行为预测(如预测用户是否购买产险)，并将预测结果实时推荐至用户。
例如，调用第一模型从所述高速缓存区获取第一数字区间内的用户对应的用户特征，根据获取的用户特征针对第一数字区间内的用户进行用户行为预测，并将预测结果实时推荐至第一数字区间内的用户；调用第二模型从所述高速缓存区获取第二数字区间内的用户对应的用户特征，根据获取的用户特征针对第二数字区间内的用户进行用户行为预测，并将预测结果实时推荐至第二数字区间内的用户。
优选地，在其它实施例中，所述实时推荐方法还包括如下步骤：
根据不同模型的预测效果，动态调节不同数字区间的大小，以便灵活控制每个模型覆盖的预测用户流量，使得预测效果优的模型分配更多的用户。具体而言，在其它实施例中，若特定模型的预测效果高于预设阈值(如80％)，则增大该特定模型所分配的用户数字区间(如增大20％)。例如，如上举例，若第一模型的预测效果为85％，则将第一模型所分配的第一数字区间“0-50”增大20％，得到调节后的第一数字区间“0-60”。相应地，第二模型所分配的第二数字区间“51-100”缩小20％，得到调节后的第二数字区间“61-100”。
更进一步地，在其它实施例中，若特定模型的预测效果高于第一预设阈值(如80％)，则将该特定模型所分配的用户数字区间增大第一比例(如增大20％)；若特定模型的预测效果高于第二预设阈值(如90％)，则将该特定模型所分配的用户数字区间增大第二比例(如增大50％)。
优选地，在其它实施例中，所述实时推荐方法还包括如下步骤：
将不同模型的预测效果实时写入所述高速缓存区，并通过特定图表格式(参阅图4所示的曲线图)将不同模型的预测效果显示于设定的前端界面系统(如应用程序界面系统)，从而可以实时地对比不同模型的优劣，方便同时对多个模型进行线上管理(如A/B测试管理等)。
优选地，在其它实施例中，所述实时推荐方法还包括如下步骤：
将每个预测项目(或预测业务)的关键数据(如核心用户的信息等)依据时间顺序(如日/周/月/年)统计生成报表，并将生成的报表显示于设定的前端界面系统。
通过上述步骤S31-S34及其它相关步骤，本发明所提出的实时推荐方法，通过实时计算后台的运作缩短了预测时间，并利用前端界面系统实现了同时对多个模型进行线上管理。本发明完成了从模型训练到上线到效果评估的闭环，通过创建的模型类可以快速更新迭代模型，同时也可以方便地横向扩展，接入更多的推荐业务。
进一步地，为实现上述目的，本发明还提供一种计算机可读存储介质(如ROM/RAM、磁碟、光盘)，所述计算机可读存储介质存储有实时推荐系统20，所述实时推荐系统20可被至少一个处理器22执行，以使所述至少一个处理器22执行如上所述的实时推荐方法的步骤。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件来实现，但很多情况下前者是更佳的实施方式。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(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本发明各个实施例所述的方法。
以上参照附图说明了本发明的优选实施例，并非因此局限本发明的权利范围。上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。另外，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
本领域技术人员不脱离本发明的范围和实质，可以有多种变型方案实现本发明，比如作为一个实施例的特征可用于另一实施例而得到又一实施例。凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (10)

1.一种电子设备，其特征在于，所述电子设备包括存储器和处理器，所述存储器上存储有可在所述处理器上运行的实时推荐系统，所述实时推荐系统被所述处理器执行时实现如下步骤：
通过预定编程语言创建模型类，利用该模型类在特定的计算引擎上离线训练模型，并将训练得到的模型托管至实时计算后台；
通过所述实时计算后台，将用户特征存储至高速缓存区；
通过所述实时计算后台，将用户标识映射成指定区间内的数字，并分配不同数字区间内的用户至不同的模型；及
通过所述实时计算后台，调用不同的模型从所述高速缓存区获取不同数字区间内的用户对应的用户特征，根据获取的用户特征进行用户行为预测，并将预测结果实时推荐至用户。
2.如权利要求1所述的电子设备，其特征在于，所述实时推荐系统被所述处理器执行时还用于实现如下步骤：
根据不同模型的预测效果，动态调节不同数字区间的大小；及
若特定模型的预测效果高于预设阈值，则增大该特定模型所分配的用户数字区间。
3.如权利要求2所述的电子设备，其特征在于，所述实时推荐系统被所述处理器执行时还用于实现如下步骤：
若特定模型的预测效果高于第一预设阈值，则将该特定模型所分配的用户数字区间增大第一比例；及
若特定模型的预测效果高于第二预设阈值，则将该特定模型所分配的用户数字区间增大第二比例。
4.如权利要求2或3所述的电子设备，其特征在于，所述模型类继承一个统一的父类，所有模型的实现类通过统一的父类接口进行预测推荐；及
所述不同数字区间包括第一数字区间和第二数字区间，并将第一数字区间内对应的用户分配至第一模型，第二数字区间内对应的用户分配至第二模型。
5.如权利要求2或3所述的电子设备，其特征在于，所述实时推荐系统被所述处理器执行时还用于实现如下步骤：
将不同模型的预测效果实时写入所述高速缓存区，并通过特定图表格式将不同模型的预测效果显示于设定的前端界面系统；及
将每个预测项目的关键数据依据时间顺序统计生成报表，并将生成的报表显示于设定的前端界面系统。
6.一种实时推荐方法，应用于电子设备，其特征在于，所述方法包括：
通过预定编程语言创建模型类，利用该模型类在特定的计算引擎上离线训练模型，并将训练得到的模型托管至实时计算后台；
通过所述实时计算后台，将用户特征存储至高速缓存区；
通过所述实时计算后台，将用户标识映射成指定区间内的数字，并分配不同数字区间内的用户至不同的模型；及
通过所述实时计算后台，调用不同的模型从所述高速缓存区获取不同数字区间内的用户对应的用户特征，根据获取的用户特征进行用户行为预测，并将预测结果实时推荐至用户。
7.如权利要求6所述的实时推荐方法，其特征在于，该方法还包括：
根据不同模型的预测效果，动态调节不同数字区间的大小；及
若特定模型的预测效果高于预设阈值，则增大该特定模型所分配的用户数字区间。
8.如权利要求7所述的实时推荐方法，其特征在于，该方法还包括：
若特定模型的预测效果高于第一预设阈值，则将该特定模型所分配的用户数字区间增大第一比例；及
若特定模型的预测效果高于第二预设阈值，则将该特定模型所分配的用户数字区间增大第二比例。
9.如权利要求7或8所述的实时推荐方法，其特征在于，所述模型类继承一个统一的父类，所有模型的实现类通过统一的父类接口进行预测推荐；及
所述不同数字区间包括第一数字区间和第二数字区间，并将第一数字区间内对应的用户分配至第一模型，第二数字区间内对应的用户分配至第二模型。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有实时推荐系统，所述实时推荐系统可被至少一个处理器执行，以使所述至少一个处理器执行如权利要求6-9中任一项所述的实时推荐方法的步骤。
CN201710953455.9A 2017-10-13 2017-10-13 实时推荐方法、电子设备及计算机可读存储介质 Active CN107807967B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN201710953455.9A CN107807967B (zh) 2017-10-13 2017-10-13 实时推荐方法、电子设备及计算机可读存储介质
PCT/CN2018/076173 WO2019071897A1 (zh) 2017-10-13 2018-02-10 实时推荐方法、电子设备及计算机可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710953455.9A CN107807967B (zh) 2017-10-13 2017-10-13 实时推荐方法、电子设备及计算机可读存储介质

Publications (2)

Publication Number Publication Date
CN107807967A true CN107807967A (zh) 2018-03-16
CN107807967B CN107807967B (zh) 2021-10-22

Family

ID=61584929

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710953455.9A Active CN107807967B (zh) 2017-10-13 2017-10-13 实时推荐方法、电子设备及计算机可读存储介质

Country Status (2)

Country Link
CN (1) CN107807967B (zh)
WO (1) WO2019071897A1 (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108829415A (zh) * 2018-05-29 2018-11-16 努比亚技术有限公司 模型加载方法、服务器及计算机可读存储介质
CN109150983A (zh) * 2018-07-27 2019-01-04 腾讯科技（深圳）有限公司 前端显示的控制方法及装置、数据推荐的控制方法及装置
CN109829063A (zh) * 2019-01-29 2019-05-31 腾讯科技（深圳）有限公司 一种数据处理方法、装置及存储介质
CN110874737A (zh) * 2018-09-03 2020-03-10 北京京东金融科技控股有限公司 支付方式推荐方法、装置、电子设备、存储介质
CN111368314A (zh) * 2020-02-28 2020-07-03 深圳前海微众银行股份有限公司 基于交叉特征的建模、预测方法、装置、设备及存储介质

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113377018A (zh) * 2020-03-09 2021-09-10 青岛海尔空调器有限总公司 空调器的智能控制方法与空调器的智能控制设备

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2012159308A1 (zh) * 2011-06-29 2012-11-29 华为技术有限公司 一种业务交叉时的项目推荐方法及系统
CN105095219A (zh) * 2014-04-23 2015-11-25 华为技术有限公司 微博推荐方法和终端
CN106126641A (zh) * 2016-06-24 2016-11-16 中国科学技术大学 一种基于Spark的实时推荐系统及方法

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150127419A1 (en) * 2013-11-04 2015-05-07 Oracle International Corporation Item-to-item similarity generation
CN105469263A (zh) * 2014-09-24 2016-04-06 阿里巴巴集团控股有限公司 一种商品推荐方法及装置
CN106485562B (zh) * 2015-09-01 2020-12-04 苏宁云计算有限公司 一种基于用户历史行为的商品信息推荐方法及系统
CN106202474A (zh) * 2016-07-14 2016-12-07 Tcl集团股份有限公司 一种对象推荐方法和装置
CN107122990A (zh) * 2017-03-22 2017-09-01 广州优视网络科技有限公司 应用推荐方法、客户端、服务器及系统

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2012159308A1 (zh) * 2011-06-29 2012-11-29 华为技术有限公司 一种业务交叉时的项目推荐方法及系统
CN105095219A (zh) * 2014-04-23 2015-11-25 华为技术有限公司 微博推荐方法和终端
CN106126641A (zh) * 2016-06-24 2016-11-16 中国科学技术大学 一种基于Spark的实时推荐系统及方法

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108829415A (zh) * 2018-05-29 2018-11-16 努比亚技术有限公司 模型加载方法、服务器及计算机可读存储介质
CN108829415B (zh) * 2018-05-29 2023-07-21 努比亚技术有限公司 模型加载方法、服务器及计算机可读存储介质
CN109150983A (zh) * 2018-07-27 2019-01-04 腾讯科技（深圳）有限公司 前端显示的控制方法及装置、数据推荐的控制方法及装置
CN109150983B (zh) * 2018-07-27 2022-02-25 腾讯科技（深圳）有限公司 前端显示的控制方法及装置、数据推荐的控制方法及装置
CN110874737A (zh) * 2018-09-03 2020-03-10 北京京东金融科技控股有限公司 支付方式推荐方法、装置、电子设备、存储介质
CN109829063A (zh) * 2019-01-29 2019-05-31 腾讯科技（深圳）有限公司 一种数据处理方法、装置及存储介质
CN109829063B (zh) * 2019-01-29 2020-11-27 腾讯科技（深圳）有限公司 一种数据处理方法、装置及存储介质
CN111368314A (zh) * 2020-02-28 2020-07-03 深圳前海微众银行股份有限公司 基于交叉特征的建模、预测方法、装置、设备及存储介质

Also Published As

Publication number Publication date
CN107807967B (zh) 2021-10-22
WO2019071897A1 (zh) 2019-04-18

Similar Documents

Publication Publication Date Title
CN107807967A (zh) 实时推荐方法、电子设备及计算机可读存储介质
CN107688614B (zh) 意图获取方法、电子装置及计算机可读存储介质
CN107798341A (zh) 用户意图预测方法、电子设备及计算机可读存储介质
CN107844634A (zh) 多元通用模型平台建模方法、电子设备及计算机可读存储介质
CN107818344A (zh) 用户行为进行分类和预测的方法和系统
CN104348887B (zh) 云管理平台中的资源分配方法与装置
CN108062573A (zh) 模型训练方法及装置
CN104679743A (zh) 一种确定用户的偏好模式的方法及装置
CN107688987A (zh) 电子装置、保险推荐方法、及计算机可读存储介质
CN107797989A (zh) 企业名称识别方法、电子设备及计算机可读存储介质
CN108170739A (zh) 问题匹配方法、终端和计算机可读存储介质
CN107832676A (zh) 表格信息换行识别方法、电子设备及计算机可读存储介质
CN108681504A (zh) 自动化测试方法、测试服务器及计算机可读存储介质
CN107818491A (zh) 电子装置、基于用户上网数据的产品推荐方法及存储介质
CN107832291A (zh) 人机协作的客服方法、电子装置及存储介质
CN108038655A (zh) 部门需求的推荐方法、应用服务器及计算机可读存储介质
CN108596785A (zh) 电力设备数据的处理方法、装置、计算机设备和存储介质
CN108038120A (zh) 协同过滤推荐方法、电子设备及计算机可读存储介质
CN109740759A (zh) 学习模型优化与选择方法、电子装置及计算机设备
CN105260477A (zh) 一种信息推送方法及装置
CN110503235A (zh) 时间序列的预测方法及系统
CN109740760A (zh) 文本质检自动化训练方法、电子装置及计算机设备
CN111951045A (zh) 一种基于大数据的电费核算方法及装置
CN107679544A (zh) 数据自动匹配方法、电子设备及计算机可读存储介质
CN110956031A (zh) 文本相似度匹配的方法、装置及系统

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant