CN107851263B - 用于处理推荐请求的方法和推荐引擎 - Google Patents

Abstract

本发明涉及一种用于处理来自连接到推荐平台(2)的设备(1)的用户的推荐请求的方法，推荐平台(2)还连接到引用多个项的至少一个项服务器(3)、连接到至少一个内部评级服务器(4)并且连接到至少一个外部评级服务器(5)，平台(2)包括存储所述用户的偏好配置文件的存储单元(22)和处理单元(21)，该方法的特征在于其包括通过处理单元(21)执行以下步骤：(a)从设备(1)接收包括请求的项的至少一个属性、用户的标识符和时间长度的推荐请求；(b)选择由项服务器(3)引用的项的匹配所述属性和用户的偏好配置文件的子集；(c)根据用户的偏好配置文件和由所述内部评级服务器(4)和所述外部评级服务器(5)提供的分数来确定所述子集的项的初始排序；(d)动态地更新所述初始排序；(e)当所述时间界限结束时或者当用户请求中断更新时，将当前排序作为最终排序发送到设备(1)。本发明还涉及一种用于执行所述方法的系统。

Description

用于处理推荐请求的方法和推荐引擎

技术领域

本发明的领域是推荐引擎的领域。

更具体地，本发明涉及一种用于处理推荐请求的方法。

背景技术

推荐引擎是旨在例如根据用户过去的选择来自动识别能够使用户感兴趣的项/内容的实时信息过滤系统。

这样的系统特别被使用在“企业对消费者”(B2C)背景中，例如以增加电子商务平台的销售额。

已知推荐引擎因此提出：

-预测用户对给定项的分数；

-对项进行排序以便对它们进行比较。

在这样的B2C背景中，推荐引擎的最重要特征是反应性，即，系统考虑用户偏好、与系统的互动、等等的及时性。

这样的以用户为中心的推荐系统被称为“基于记忆”的，因为评级数据库被永久维持以便被直接用于向活跃用户生成推荐。对比之下，在“基于模型”的系统中，即以项为中心，数据被离线预处置。当服务由用户运行时，“学习”模型用于预测。

然而，在“企业对企业”(B2B)背景中，其中推荐的收件人不是消费者，要求是大不相同的。

具体地，引擎应当使优先于反应性的推荐的质量、可信度和透明度最大化。此外，引擎应当确保针对噪声、损坏数据和电子垃圾的良好弹性。

已知B2B引擎例如被描述在欧洲专利申请EP2466496或EP1014282中。

然而，已知引擎仍然要求改进(优先于反应性)它们的结果的质量或可靠性，并且遭受被称为“冷启动”的现象：这些引擎需要巨大量数据来开始有性能。此外，当仅仅几个项已经由用户评级时，已知推荐引擎很可能使用在可用项上的伪评级或默认投票，其可能产生不信任。

因此，存在对克服这些缺陷的改进的推荐引擎的强烈需要。

发明内容

出于这些目的，本发明提供了一种用于处理来自通过公共网络连接到推荐平台的设备的用户的推荐请求的方法，所述推荐平台还通过安全网络连接到引用多个项的至少一个项服务器并且连接到至少一个内部评级服务器，所述推荐平台还通过公共网络连接到至少一个外部评级服务器，所述平台包括存储所述用户的偏好配置文件的存储单元和处理单元，

所述方法的特征在于其包括通过所述处理单元执行以下步骤：

(a)从所述设备接收包括请求的项的至少一个属性、所述用户的标识符和时间长度的所述推荐请求；

(b)选择由所述项服务器引用的所述项的匹配所述属性和所述用户的所述偏好配置文件的子集；

(c)根据所述用户的所述偏好配置文件和由所述内部评级服务器和所述外部评级服务器提供的分数来确定所述子集的所述项的初始排序；

(d)动态地更新所述初始排序以便考虑所述用户的所述偏好配置文件和由所述内部评级服务器(4)和所述外部评级服务器(5)提供的所述分数的演变；

(e)当所述时间界限结束时或者当所述用户请求中断所述更新时，将当前排序作为最终排序发送到所述设备。

本发明的优选且非限制性特征如下：

●多个内部和外部评级服务器被包含，步骤(c)包括计算多个排序并汇集这些排序；

●排序中的每个与表示所述排序或提供内部或外部评级服务器的信任水平的权重相关联；

●每个权重由与所述权重的所述排序相关联的所述内部或外部评级服务器提供；

●步骤(d)包括通过所述处理单元测量排序的精度和/或查全率，并且根据所述测量来动态地更新相关联的权重；

●计算与内部或外部评级服务器相关联的排序包括确定来自评级数据的选定子集的项的分数；

●确定来自由外部评级服务器(5)发布的评级数据的选定子集的项的分数包括验证所述数据，以便丢弃被识别为虚假或损坏的数据；

●步骤(d)包括迭代地计算多个连续排序，每个连续排序根据至少先前排序、所述用户的所述偏好配置文件和由所述内部或外部评级服务器提供的分数来计算；

●计算排序还包括将多个排序汇集到所述当前排序中。

在第二方面中，本发明提供一种推荐平台，所述推荐平台通过公共网络连接到至少一个设备和至少一个外部评级服务器并且还通过安全网络连接到引用多个项的至少一个项服务器并且连接到至少一个内部评级服务器，所述平台包括存储至少所述用户的偏好配置文件的存储单元和处理单元，

其特征在于所述处理单元被配置为执行：

-接收模块，其用于从所述设备接收推荐请求，所述请求包括请求的项的至少一个属性、所述用户的标识符和时间长度；

-选择模块，其选择由所述项服务器引用的所述项的匹配所述属性和所述用户的所述偏好配置文件的子集；

-确定模块，其根据所述用户的所述偏好配置文件和由所述内部评级服务器和所述外部评级服务器提供的分数来确定所述子集的所述项的初始排序；

-更新模块，其动态地更新所述初始排序以便考虑所述用户的所述偏好配置文件和由所述内部评级服务器和所述外部评级服务器提供的所述分数的演变；

-发送模块，其当所述时间界限结束时或者当所述用户请求中断所述更新时，将当前排序作为最终排序发送到所述设备。

根据第三方面，本发明提出了一种系统，其包括根据第二方面的推荐平台和至少一个设备。

附图说明

本发明的以上和其他目的、特征和优点将在要结合附图阅读的其说明性实施例的以下详细描述中变得明显，其中：

-图1表示用于执行根据本发明的方法的系统；

-图2是表示根据本发明的方法的步骤的示意图。

具体实施方式

参考附图，现在将描述根据本发明的可能实施例的方法。

系统概述

当前方法旨在向用户提供来自推荐请求的“推荐报告”，即向用户提供能够符合用户通过搜索请求表达的需求的项的列表。当前“项”可以为商品、产品、多媒体内容、服务以及一般地能够为用户的问题的解决方案的任何东西。

如由图1所描绘的，当前方法由实施推荐引擎的平台2执行。平台2包括处理单元21(例如在任何其他数据处理装置上的处理器)和存储尤其用户的偏好配置文件的数据库的存储单元22(存储器，通常为硬盘驱动器)。

平台2通过公共IP网络10内的优选在互联网协议下的安全网络20(特别是虚拟私有网络VPN)连接到许多设备和服务器。

具体地，每个用户使用设备1，通常为个人工作站、智能电话或平板电脑。每个设备1包括它自己的处理单元、人机接口、HCI(通常为屏幕、键盘、鼠标、等等)并且通过网络10连接到平台2。

在其到平台2的第一连接处，用户被邀请创建账户并且使用所述HCI填写搜索偏好配置文件。该接口还使得用户能够生成推荐请求(见后文)并且被递送以结果(所述推荐报告)。偏好配置文件可以例如包含相关优选分数、响应时间偏好、外部评级的类型、来自专家知识库的内部评级、等等。

还连接到平台2的是至少一个项服务器3、至少一个内部评级服务器4，还被称为知识服务器(两者都是通过安全局域网20连接到平台2的本地服务器)，以及至少一个外部评级服务器5。

项服务器3是本地服务器，每个本地服务器引用可能能够适合用户的多个项，即候选项。它们包括项的数据质量库。在它们之中，存在“合格项”，即，可能匹配项，如将在稍后进行解释的。项服务器3通常呈现产品或服务。

每个候选项由使得能够将项一起比较的多个属性定义。具体地，推荐报告呈现这些候选项的(排序的)子集以便对由请求项的用户生成的搜索请求做出响应。

内部评级服务器4和外部评级服务器5中的每个是能够根据其来确定合格项的排序的数据源。更具体地，这些内部服务器4和外部服务器5分别为提供引用的项中的一些的各种评级/评分/排序的本地服务器和远程第三方服务器。服务器5可以是消费者的论坛、专家的网站、社交网络、等等的服务器。要指出，项服务器3能够用作内部评级服务器4。

处理单元21因此处理许多异质源来计算合格项的不同排序。有利地，这些源一般被分类成四组：

S1＝合格内容数据库(即来自项服务器3的数据)和偏好配置文件；

S2＝(来自外部评级服务器5的)各种评级、评分和性能关键指示符；

S3＝(来自内部评级服务器4的)专家的知识和评级；

S4＝(来自内部评级服务器4和诸如社交网络的外部评级服务器5的)用户的反馈和用户的交互。

具体地，排序可以通过源的组(即按集合S1、S2、等等进行的排序)和/或通过源(即每个内部或外部评级服务器4、5)确定。

要指出，分数可以直接由服务器4和5提供或者由平台2从由这些服务器中的每个发布的数据推断。为此，平台2可以使用能够从服务器4和5提取评级数据的工具。例如，这些工具可以执行文本分析以便读取评论和识别项的缺点或优点，并且由此它们可以阐述分数。

如将要进行解释的，优选具有许多异质内部/外部评级源，以便降低电子垃圾、噪声或损坏数据的影响，并且改进系统的健壮性。

方法

当前方法的步骤由图2表示。在第一步骤(a)中，用户首先生成推荐请求并将其发送到平台2。

推荐请求定义由用户具体用自然语言表示的需求。备选地，搜索请求可以被表示为直接定义请求的项的一个或多个特征(过滤)。在任何情况下，搜索请求应包括由用户请求的项的至少一个属性。另外，搜索请求包括时间长度，即时段的持续时间。

实际上，如将要进行解释的，当前推荐方法定义具有预定义长度(例如一周)的“动态会话”。该时间长度由用户连同他想要找到的项的属性一起选择。如将要进行解释的，该时间长度定义平台2已经自由处理以提供推荐报告的持续时间。换言之，平台2的处理单元21处理在该时间长度期间的数据以便完善结果并使它们更准确。

因为我们处于B2B背景中，所以结果的质量优先于反应性，并且该时间长度由用户接受。此外，用户能够通过改变时间长度在反应性与质量之间裁断：持续时间越长，质量越高。

项的子集

在另一步骤(b)中，处理单元21选择由项服务器3引用的项的匹配所述属性和用户的偏好配置文件的子集，即识别候选项之中的合格项。该步骤尤其包括在过滤中，其中显然不适合用户的项被丢弃。

有利地，平台2应用预定合格性规则以识别合格项。

初始排序和连续排序

在第三步骤(c)中，处理单元21根据用户的偏好配置文件和由所述内部评级服务器4和外部评级服务器5提供的分数来确定所述子集的项的初始排序。通过排序，意味着合格项的如下排序：从最高分数(即该项是最推荐给用户的)到最低分数(即该项是最不推荐给用户的)。

该初始排序是第一排序，在用户想要时立即可用，但是不是最优的排序。该排序可以通过已知排序算法来获得。

具体地，来自内部源(偏好配置文件、知识库)和外部源(外部评级服务器、用户反馈)的评级数据优选被汇集。

例如，“监督式系综排序”方法可以被应用以合并不同的获得的排序。通过使用汇集排序方法，平台2的处理单元21处理在项的相同集合上定义的不同排序，并且计算与输入排序中的每个具有最小分歧的排序。

使R＝{R1,..,Rn}为在项的相同集合上定义的n个不同排序的集合(即，Ri是在项的集合上定义的排列)。系综排序方法从集合R中计算新排列R*，例如：

其中，d是在排序上定义的距离函数。可以使用如下的Kendal-tau距离度量：

d(R1,R2)＝|(x,y)s.t.R1(x)<R1(y)且R2(x)>R2(y)|

由平台2的处理单元21处理的每个使用的源S1、S2、S3、S4(或每个内部或外部评级服务器4、5)能够因此与表示由源提供的排序的信任值(并且更一般地源的信任水平)的权重相关联。

之后应用加权系综排序方法。最初，所有源被分配有等同权重(或由服务器4、5提供的权重)。定期地，针对一批最近请求测量由每个源提供的排序的精度和查全率。精度(分别地，查全率)由在真阳性和假阳性(分别地，假阴性)的和上的真阳性的比率给出。批的大小和更新的周期由处理单元21自动设置。

每个源的权重有利地优选根据其诱发的精度和查全率被更新。该监控过程允许检测电子垃圾的或病态执行的排序源(不包括虚假外部评级)。使用加权系综排序方法的事实允许系统对由几个排序源诱发的错误较不敏感。这还使得能够避免“冷启动”现象，因为初始排序能够总是利用来自知识库源的足够的可行数据来计算。

另外，当前方法给出总是根据各种数据源的完整度来调节各种数据源的权重和排序并且加强引擎可扩展性和可靠性的能力。

要指出，外部评级优选还由处理单元21核实以便识别虚假用户和伪评级。不考虑可疑外部评级来计算排序。

如已经解释的，排序将在输入的时间长度期间被完善。为此，在步骤(d)中，初始排序被动态更新，换言之，连续排序被计算。

更具体地，排序通过考虑(如由项服务器3提供的)项规范的演变、用户偏好配置文件的演变、内部评级服务器4和外部评级服务器5(源能够被添加或移除)的演变以及来自这些源的数据的演变的迭代进行演变。具体地，如所解释的，与源相关联的权重能够随时间变化。更具体地，步骤(d)有利地包括动态更新权重并且因此动态更新多个排序以汇集。

“最新”排序因此根据先前计算的排序、用户的偏好配置文件和由所述内部评级服务器4和外部评级服务器5提供的分数来计算。更具体地，这不是排序的简单重新计算，而是取决于先前值的排序的迭代计算。

例如，似乎有偏差(大量虚假数据、评级的高变化性)的源将对另外的排序计算具有有限影响。为此，它们在融合中的权重被降低。

因此，排序缓慢地“收敛”向最优值。有利地，用于计算排序的公式和规则首先根据模型来预定，之后通过自动学习来推理，以便不对其进行限制并且逐渐地改善其质量。

排序的重新计算可以定期地或者在数据质量库的每次演变时被执行。

推荐报告

当所述时间界限结束时，处理单元21中断排序的计算并准备所述推荐报告。更具体地，其将当前排序作为“最终排序”发送到设备1以用于输出。最终排序可以伴随有推荐数据的合成和/或图形表示。如果用户不满意结果，则会话可以延长新时间长度。

还要指出，在给定时段结束的任何时刻，用户可以请求中断更新，并且当前排序变成最终排序，甚至在这样的排序能够已经被进一步完善的情况下。

在任何情况下，最终报告作为诸如电子邮件、SMS(短消息服务等等)的消息被发送到用户。

在整个过程期间(即，在时间段到期之前)，“更新的报告”可以在用户想要时被发送到用户。这样的报告为被发送到设备1的包含当前排序的通知。例如，可以决定在每次排序变化时(即，如果至少一个项在更新之后使其排序修改)，则报告被发送到用户以通知它。因此，用户意识到他已经请求的推荐的逐渐改进。

平台和系统

根据第二方面，本发明提出了用于执行根据第一方面的方法的平台2。

如所解释的，所述推荐平台2通过安全网络20连接到引用多个项的至少一个项服务器3并且连接到至少一个内部评级服务器4。所述推荐平台2还通过公共网络10连接到至少一个设备1并且连接到至少一个外部评级服务器5。

平台2包括存储至少设备1的用户的偏好配置文件的存储单元22和处理单元21。

处理单元21被配置为执行：

-接收模块，其用于从设备1接收推荐请求，所述请求包括请求的项的至少一个属性、用户的标识符和时间长度；

-选择模块，其选择由项服务器3引用的项的匹配所述属性和用户的偏好配置文件的子集；

-确定模块，其根据所述用户的所述偏好配置文件和由所述内部评级服务器4和/或外部评级服务器5提供的分数来确定所述子集的项的初始排序；

-更新模块，其动态地更新所述初始排序；

-发送模块，其当所述时间界限结束时或者当用户请求中断所述更新时，将当前排序作为最终排序发送到设备1。

在多个排序汇集的情况下，处理装置还可以如所解释地执行监控源/排序的权重的监督模块。

Claims (9)

1.一种用于处理来自通过公共网络(10)连接到推荐平台(2)的设备(1)的用户的推荐请求的方法，所述推荐平台(2)还通过安全网络(20)连接到引用多个项的至少一个项服务器(3)并且连接到至少一个内部评级服务器(4)，所述推荐平台(2)还通过公共网络(10)连接到至少一个外部评级服务器(5)，所述平台(2)包括存储所述用户的偏好配置文件的存储单元(22)和处理单元(21)，

所述方法的特征在于其包括通过所述处理单元(21)执行以下步骤：

(a)从所述设备(1)接收包括请求的项的至少一个属性、所述用户的标识符和时间长度的所述推荐请求，所述时间长度定义所述推荐平台已经自由处理以提供推荐报告的持续时间；

(b)选择由所述项服务器(3)引用的所述项的匹配所述属性和所述用户的所述偏好配置文件的子集；

(c)根据所述用户的所述偏好配置文件和由所述内部评级服务器(4)和所述外部评级服务器(5)提供的分数来确定所述子集的所述项的初始排序，所述内部评级服务器(4)和所述外部评级服务器(5)中的每个是根据其来确定排序的数据源，每个数据源由各种评级/评分/排序提供；

(d)在所述时间长度期间，动态地更新所述初始排序，所述更新包括迭代地计算多个连续排序，每个连续排序根据至少先前排序、所述用户的所述偏好配置文件和由所述内部评级服务器(4)和所述外部评级服务器(5)提供的所述分数的演变来计算，其中，步骤(d)包括通过所述处理单元(21)测量排序的精度和/或查全率，并且根据所述测量来动态地更新相关联的权重；

(e)当所述时间长度结束时或者当所述用户请求中断所述更新时，将当前排序作为最终排序发送到所述设备(1)。

2.根据权利要求1所述的方法，其中，多个内部和外部评级服务器(4、5)被包含，步骤(c)包括计算多个排序并汇集这些排序。

3.根据权利要求2所述的方法，其中，所汇集的排序中的每个与表示所述排序的信任水平的权重相关联。

4.根据权利要求3所述的方法，其中，每个权重由与所述权重的所述排序相关联的所述内部或外部评级服务器(4、5)提供。

5.根据权利要求2所述的方法，其中，计算与内部或外部评级服务器(4、5)相关联的排序包括确定来自评级数据的选定子集的项的分数。

6.根据权利要求5所述的方法，其中，确定来自由外部评级服务器(5)发布的评级数据的选定子集的项的分数包括验证所述数据，以便丢弃被识别为虚假或损坏的数据。

7.根据权利要求1至6中的任一项所述的方法，其中，计算排序还包括将多个排序汇集到所述当前排序中。

8.一种推荐平台(2)，所述推荐平台(2)通过公共网络(10)连接到至少一个设备(1)和至少一个外部评级服务器(5)并且还通过安全网络(20)连接到引用多个项的至少一个项服务器(3)并且连接到至少一个内部评级服务器(4)，所述平台(2)包括存储至少所述用户的偏好配置文件的存储单元(22)和处理单元(21)，

其特征在于所述处理单元(21)被配置为执行权利要求1至6中任一项的方法。

9.一种推荐系统，包括根据权利要求8所述的推荐平台(2)和至少一个设备(1)。

Images