CN107958047A - 一种提高个性化推荐系统性能的方法 - Google Patents
一种提高个性化推荐系统性能的方法 Download PDFInfo
- Publication number
- CN107958047A CN107958047A CN201711193233.8A CN201711193233A CN107958047A CN 107958047 A CN107958047 A CN 107958047A CN 201711193233 A CN201711193233 A CN 201711193233A CN 107958047 A CN107958047 A CN 107958047A
- Authority
- CN
- China
- Prior art keywords
- recommendation system
- personalized recommendation
- algorithm
- process layer
- system performance
- 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.)
- Pending
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
- G06F16/70—Information retrieval; Database structures therefor; File system structures therefor of video data
- G06F16/73—Querying
- G06F16/735—Filtering based on additional data, e.g. user or group profiles
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/70—Information retrieval; Database structures therefor; File system structures therefor of video data
- G06F16/78—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
- G06F16/783—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Library & Information Science (AREA)
- Multimedia (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Two-Way Televisions, Distribution Of Moving Picture Or The Like (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
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
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。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711193233.8A CN107958047A (zh) | 2017-11-24 | 2017-11-24 | 一种提高个性化推荐系统性能的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711193233.8A CN107958047A (zh) | 2017-11-24 | 2017-11-24 | 一种提高个性化推荐系统性能的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107958047A true CN107958047A (zh) | 2018-04-24 |
Family
ID=61961749
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711193233.8A Pending CN107958047A (zh) | 2017-11-24 | 2017-11-24 | 一种提高个性化推荐系统性能的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107958047A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110865804A (zh) * | 2019-09-30 | 2020-03-06 | 天阳宏业科技股份有限公司 | 一种规则引擎的优化方法、装置、系统及存储介质 |
CN111653283A (zh) * | 2020-06-28 | 2020-09-11 | 讯飞智元信息科技有限公司 | 一种跨场景声纹比对方法、装置、设备及存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105224576A (zh) * | 2014-07-01 | 2016-01-06 | 上海视畅信息科技有限公司 | 一种影视智能推荐方法 |
CN107330050A (zh) * | 2017-06-28 | 2017-11-07 | 达而观信息科技(上海)有限公司 | 一种个性化推荐方法及系统 |
US20170337612A1 (en) * | 2016-05-23 | 2017-11-23 | Ebay Inc. | Real-time recommendation of entities by projection and comparison in vector spaces |
-
2017
- 2017-11-24 CN CN201711193233.8A patent/CN107958047A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105224576A (zh) * | 2014-07-01 | 2016-01-06 | 上海视畅信息科技有限公司 | 一种影视智能推荐方法 |
US20170337612A1 (en) * | 2016-05-23 | 2017-11-23 | Ebay Inc. | Real-time recommendation of entities by projection and comparison in vector spaces |
CN107330050A (zh) * | 2017-06-28 | 2017-11-07 | 达而观信息科技(上海)有限公司 | 一种个性化推荐方法及系统 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110865804A (zh) * | 2019-09-30 | 2020-03-06 | 天阳宏业科技股份有限公司 | 一种规则引擎的优化方法、装置、系统及存储介质 |
CN111653283A (zh) * | 2020-06-28 | 2020-09-11 | 讯飞智元信息科技有限公司 | 一种跨场景声纹比对方法、装置、设备及存储介质 |
CN111653283B (zh) * | 2020-06-28 | 2024-03-01 | 讯飞智元信息科技有限公司 | 一种跨场景声纹比对方法、装置、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhang et al. | Deep learning based recommender system: A survey and new perspectives | |
US10671670B2 (en) | Graph based content browsing and discovery | |
US9052818B2 (en) | Method for providing graphical user interface (GUI) using divided screen and multimedia device using the same | |
US20120102410A1 (en) | Media management for multi-user group | |
US8255293B1 (en) | Product catalog dynamically tailored to user-selected media content | |
EP3317757B1 (en) | Touchscreen user interface for presenting media | |
US8869211B2 (en) | Zoomable content recommendation system | |
US8823711B2 (en) | Incremental creation of a graphical object to visually represent a data set | |
CN104112208A (zh) | 电子商务中商品内容的提供方法、系统及装置 | |
US20150269160A1 (en) | Method for organising content | |
US10394408B1 (en) | Recommending media based on received signals indicating user interest in a plurality of recommended media items | |
CN101960447A (zh) | 内容聚集、聚合、共享以及更新的社会方面 | |
CN110020427B (zh) | 策略确定方法和装置 | |
CN102982527A (zh) | 图像分割方法以及图像分割系统 | |
CN103020116A (zh) | 在社交媒体网络上自动筛选有影响力用户的方法 | |
CN104182413A (zh) | 多媒体内容的推荐方法与系统 | |
US20180204170A1 (en) | Storage location assignment device and method for a storage system | |
CN107958047A (zh) | 一种提高个性化推荐系统性能的方法 | |
CN115828162B (zh) | 一种分类模型训练的方法、装置、存储介质及电子设备 | |
CN111523050B (zh) | 内容推荐方法、服务器及存储介质 | |
CN113449200B (zh) | 物品推荐方法、装置及计算机存储介质 | |
CN116308620A (zh) | 一种模型训练和信息推荐的方法、装置、存储介质及设备 | |
CN111400631B (zh) | 非对称式信息流阅读方法及装置、终端、存储介质 | |
Rahman et al. | APPLICATION OF DATA MINING FOR EVALUATION OF BEST SELLING INTERNET PACKAGE USING K-MEANS CLUSTERING | |
Nyström et al. | Co-creating user stories: a tool for making sense of business opportunities |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180424 |