CN107958047A - 一种提高个性化推荐系统性能的方法 - Google Patents

Abstract

本发明属于大数据技术领域,其公开了一种提高个性化推荐系统性能的方法，解决传统技术中个性化推荐系统性能低、不稳定的问题。该方法包括以下步骤：a.建立场景处理层，将不同场景按照类型进行细分；b.建立算法处理层，将不同的算法按照类型进行细分；c.建立规则处理层，重新构造算法接口。本发明基于个性化推荐系统的实际需求，通过建立场景处理层，算法处理层，规则处理层，制定一套合理的标准，不仅优化个性化推荐系统各个引擎层之间的联系，同时也大大提高了个性化推荐系统性能，提高了个性化推荐系统稳定性，提升用户体验。

Description

一种提高个性化推荐系统性能的方法

技术领域

本发明属于大数据技术领域,具体涉及一种提高个性化推荐系统性能的方法。

背景技术

现如今电视节目众多，用户很难快速找到自己真正感兴趣的电视节目。在海量的电视节目面前，如何帮助电视终端用户快速找到想看的节目，已然成为电视行业的研究热点。因此，将互联网中广泛应用的推荐技术引入电视，可以帮助用户更加高效地找到观看节目。

目前个性化推荐系统是由场景引擎层，规则引擎层，算法引擎层，采集引擎层等组成。随着越来越多的用户使用个性化推荐系统，个性化推荐系统性能成为用户关注的焦点，个性化推荐系统性能越高，用户同时请求数量越大，个性化推荐系统越稳定，用户体验才越满意。

现阶段，随着应用场景越来越多，个性化推荐算法越来越多，一个场景需要配置一段很长的规则，大大降低了个性化推荐系统性能，导致个性化推荐系统性能普遍偏低，个性化推荐系统不稳定，经常会出各种问题，同时个性化推荐系统的各个引擎层没有建立一套标准，引擎层之间关系错综复杂，对提高个性化推荐系统性能产生了极大的干扰。

发明内容

本发明所要解决的技术问题是：提出一种提高个性化推荐系统性能的方法，解决传统技术中个性化推荐系统性能低、不稳定的问题。

本发明解决上述技术问题采用的技术方案是：

一种提高个性化推荐系统性能的方法，包括以下步骤：

a.建立场景处理层，将不同场景按照类型进行细分；

b.建立算法处理层，将不同的算法按照类型进行细分；

c.建立规则处理层，重新构造算法接口。

作为进一步优化，步骤a中，所述不同场景包括：语音场景、launcher场景、声纹识别场景、卖场场景和搜索场景。

作为进一步优化，步骤a中，所述按照类型进行细分包括：细分为电影，电视剧，综艺，动漫。

作为进一步优化，步骤b中，所述不同的算法包括：基于物品协同过滤算法、基于内容推荐算法、基于关联规则推荐算法和基于热榜推荐算法。

作为进一步优化，步骤b具体包括以下步骤：

b1.获取基于物品协同过滤算法、基于内容推荐算法、基于关联规则推荐算法、基于热榜推荐算法候选集；

b2.针对算法候选集，融合媒体库信息获取影片信息；

b3.按照类型对影片进行细分，所述类型包括电影，电视剧，综艺，动漫，是否是vip影片；

b4.将细分后的候选集写入数据库。

作为进一步优化，步骤b2中，所述媒体库信息是指影片详细信息，包含导演，年代，主演，标签这些维度信息。

作为进一步优化，步骤c具体包括以下步骤：

c1.优化过滤版块，按照过滤版块处理的逻辑和条件，将过滤版块实现的功能转移到算法处理层；

c2.优化下架版块，将下架版块实现的功能转移到算法处理层；

c3.按照需求理进行规则配置，去除原推荐系统中多余的规则配置；

c4.按照场景处理层建立不同的规则，配置对应的算法接口。

本发明的有益效果是：本发明基于个性化推荐系统的实际需求，通过建立场景处理层，算法处理层，规则处理层，制定一套合理的标准，不仅优化个性化推荐系统各个引擎层之间的联系，同时也大大提高了个性化推荐系统性能，提高了个性化推荐系统稳定性，提升用户体验。

附图说明

图1为本发明中的提高个性化推荐系统性能的方法流程图。

具体实施方式

本发明旨在提出一种提高个性化推荐系统性能的方法，解决传统技术中个性化推荐系统性能低、不稳定的问题。本发明通过建立算法处理层，规则处理层，场景处理层重新构造算法接口，进而提高个性化推荐系统性能，提高个性化推荐系统并发量，提高个性化推荐系统稳定性。

由于本发明是针对个性化推荐系统性能的改进，为便于理解，首先对个性化推荐系统进行介绍，个性化推荐系统包含数据采集层，算法引擎层，规则引擎层，场景引擎层等，其中数据采集层主要是指采集用户观影行为记录，并按照一定格式存储在数据库中；其中算法引擎层主要是指基于物品协同过滤算法，基于内容推荐算法，基于关联规则算法，基于热榜等算法；规则引擎层主要是指规则读取，规则解析，规则配置，接口开发等；场景引擎层主要是指语音，聚合，声纹识别，launcher，卖场，搜索等不同场景。以此构建出了整个个性化推荐系统。

在上述个性化推荐系统中，发现三处影响个性化推荐系统性能的地方，分别为：

1)算法引擎层，一个算法候选集，里面的结果既包含电影，电视剧，综艺，动漫等类型，也包含是否是付费影片，杂乱无章，往往一个算法候选集会有200个节目，不仅增加数据库存储内存，也增加读取时间。

2)场景引擎层，个性化推荐系统包含语音，声纹识别，launcher等多个场景，每一个场景共用一套处理逻辑规则，出现问题时很难定位到具体哪个场景，而且场景划分过于简单，只是按照功能进行划分，没有很好的标准；

3)规则引擎层，由于业务场景需要，一个业务场景需要配置很长的规则，不仅增加了规则解析处理时间，也增加了与数据库交互时间，其中获取历史规则，过滤规则，下架处理规则等均会对性能产生比较大影响。

针对这三处比较影响个性化推荐系统性能的地方，本发明采取的解决方案如图1所示：

首先建立场景处理层，将不同场景按照类型(电影，电视剧，综艺，动漫等)进行细分，然后建立算法处理层，将不同算法按照类型(电影，电视剧，综艺，动漫，vip和非vip等)进行细分，最后建立规则处理层，建立不同的算法接口。

具体实现步骤如下所述：

步骤1、建立场景处理层，将不同场景按照类型进行细分：

步骤11、将语音场景细分为电影，电视剧，综艺，动漫，给我推荐点节目等；

步骤12、将launcher场景细分为电影，电视剧，综艺，动漫，给我推荐点节目，以及有用户观影行为记录上报等；

步骤13、将声纹识别场景，细分为男，女，儿童，之后针对男，女，儿童分别划分电影，电视剧，综艺，动漫等，最后按照有用户观影行为记录上报等划分；

步骤14、将卖场场景细分为电影，电视剧，综艺，动漫，给我推荐点节目，以及有用户观影行为记录上报等；

步骤15、将搜索场景细分为电影，电视剧，综艺，动漫，给我推荐点节目等。

步骤2：建立算法处理层，将不同算法按照类型进行细分：

步骤21、获取基于物品协同过滤算法，基于内容推荐算法，基于关联规则推荐算法，基于热榜推荐算法候选集；

步骤22、针对算法候选集，融合媒体库信息获取影片信息，其中媒体库信息主要是指影片详细信息，包含导演，年代，主演，标签等维度信息；

步骤23、按照类型电影，电视剧，综艺，动漫，是否是vip影片对影片进行细分，其中是否是vip影片是指是否可以免费观看；

步骤24、将细分后的候选集写入数据库。

步骤3、建立规则处理层、重新构造算法接口：

个性化推荐系统的规则引擎层主要包含历史版块，在线算法版块，离线算法版块，过滤版块，下架版块，排序版块等，其中影响个性化推荐系统性能的主要是过滤版块和下架版块。

步骤31、优化过滤版块，按照过滤版块处理的逻辑和条件，将过滤版块实现的功能转移到算法处理层；

步骤32、优化下架版块，将下架版块实现的功能转移到算法处理层；

步骤33、按照需求，合理进行规则配置，去除多余的规则配置；

步骤34、按照场景处理层建立不同的规则配置对应的算法接口。

实施例：

以长虹CHiQ电视终端个性化推荐系统的优化提升为例，在个性化推荐系统未优化前，针对算法接口进行压力测试，测得整个个性化推荐系统性能为216tp/s；

现对该推荐系统进行下列步骤的优化：

(1)建立场景处理层，在个性化推荐系统基础之上针对原有场景进行优化：

第一步：将语音场景细分为电影，电视剧，综艺，动漫，给我推荐点节目等；

第二步：将launcher场景细分为电影，电视剧，综艺，动漫，给我推荐点节目，以及有用户观影行为记录上报等；

第三步：将声纹识别场景，细分为男，女，儿童，之后针对男，女，儿童分别划分电影，电视剧，综艺，动漫,给我推荐点节目等，最后按照有用户观影行为记录上报等划分；

第四步：将卖场场景细分为电影，电视剧，综艺，动漫，给我推荐点节目，以及有用户观影行为记录上报等；

第五步：将搜索场景细分为电影，电视剧，综艺，动漫，给我推荐点节目等；

建立场景处理层之后，发现个性化推荐系统性能达到350tp/s。

(2)建立算法处理层，个性化推荐系统基础之上针对原有算法进行优化，缩减算法候选集个数：

第一步：获取基于物品协同过滤算法，基于内容推荐算法，基于关联规则推荐算法，基于热榜推荐算法候选集；

第二步：针对算法候选集，融合媒体库信息，其中媒体库信息主要是指影片详细信息，包含导演，年代，主演，标签等维度信息，获取影片信息；

第三步：按照电影，电视剧，综艺，动漫，是否是vip影片进行影片类型细分；

第四步：将细分后的候选集写入数据库；

建立算法处理层之后，发现个性化推荐系统性能达到460tp/s。

(3)建立规则处理层，个性化推荐系统基础之上针对原有规则配置进行优化，减少不必要的规则，减少规则数量：

第一步：优化过滤版块，按照过滤版块处理的逻辑和条件，将过滤版块实现的功能转移到算法处理层；

第二步：优化下架版块，将下架版块实现的功能转移到算法处理层；

第三步：按照需求，合理进行规则配置，去除多余的规则配置；

第四步：按照场景处理层建立不同的规则配置，不同的算法接口；

建立规则处理层之后，发现个性化推荐系统性能达到650tp/s。

基于上述处理步骤，个性化推荐系统由原来的216tp/s提升到650/s，大大提高了个性化推荐系统并发，同时也满足了项目需求，大大提高了个性化推荐系统稳定性。

Claims (7)

1.一种提高个性化推荐系统性能的方法，其特征在于，包括以下步骤：

a.建立场景处理层，将不同场景按照类型进行细分；

b.建立算法处理层，将不同的算法按照类型进行细分；

c.建立规则处理层，重新构造算法接口。

2.如权利要求1所述的一种提高个性化推荐系统性能的方法，其特征在于，步骤a中，所述不同场景包括：语音场景、launcher场景、声纹识别场景、卖场场景和搜索场景。

3.如权利要求1所述的一种提高个性化推荐系统性能的方法，其特征在于，步骤a中，所述按照类型进行细分包括：细分为电影，电视剧，综艺，动漫。

4.如权利要求1所述的一种提高个性化推荐系统性能的方法，其特征在于，步骤b中，所述不同的算法包括：基于物品协同过滤算法、基于内容推荐算法、基于关联规则推荐算法和基于热榜推荐算法。

5.如权利要求4所述的一种提高个性化推荐系统性能的方法，其特征在于，步骤b具体包括以下步骤：

b1.获取基于物品协同过滤算法、基于内容推荐算法、基于关联规则推荐算法、基于热榜推荐算法候选集；

b2.针对算法候选集，融合媒体库信息获取影片信息；

b3.按照类型对影片细分，所述类型包括电影，电视剧，综艺，动漫，是否是vip影片；

b4.将细分后的候选集写入数据库。

6.如权利要求5所述的一种提高个性化推荐系统性能的方法，其特征在于，步骤b2中，所述媒体库信息是指影片详细信息，包含导演，年代，主演，标签这些维度信息。

7.如权利要求1-6任意一项所述的一种提高个性化推荐系统性能的方法，其特征在于，步骤c具体包括以下步骤：

c1.优化过滤版块，按照过滤版块处理的逻辑和条件，将过滤版块实现的功能转移到算法处理层；

c2.优化下架版块，将下架版块实现的功能转移到算法处理层；

c3.按照需求理进行规则配置，去除原推荐系统中多余的规则配置；

c4.按照场景处理层建立不同的规则，配置对应的算法接口。