CN108288196B - 一种业务对象的推荐方法和装置 - Google Patents
一种业务对象的推荐方法和装置 Download PDFInfo
- Publication number
- CN108288196B CN108288196B CN201710013326.1A CN201710013326A CN108288196B CN 108288196 B CN108288196 B CN 108288196B CN 201710013326 A CN201710013326 A CN 201710013326A CN 108288196 B CN108288196 B CN 108288196B
- Authority
- CN
- China
- Prior art keywords
- service
- preset
- business object
- business
- object model
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0631—Item recommendations
-
- 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
- G06F16/23—Updating
- G06F16/2308—Concurrency control
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/067—Enterprise or organisation modelling
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Marketing (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Educational Administration (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请实施例提供了一种业务对象的推荐方法和装置,所述方法包括:接收第二业务信息系统发送的第一业务对象请求,所述请求携带业务标识;依据所述业务标识从第一业务信息系统获取对应的第一特征向量;依据所述第一特征向量更新预置业务对象模型;依据预置推荐候选集与更新后的业务对象模型获得目标业务对象;为所述第二业务信息系统推荐所述目标业务对象。本申请实施例中,采用第二业务信息系统所请求的业务对象对于业务对象模型进行更新,故而使得业务对象模型更加符合当前第二业务信息系统所请求的业务对象,因此根据更新后的业务对象模型所得到的目标业务对象更加迎合第二业务信息系统用户的需求,实用性强。
Description
技术领域
本申请实施例涉及数据处理技术领域,特别是涉及一种业务对象的推荐方法和一种业务对象的推荐装置。
背景技术
随着用户需求的多样化,整个市场需要多样化的供给、多样化的服务陪衬来满足用户的需求,因此无线时代的开放变得更无可避免,更是大势所趋。例如,阿里巴巴提出的“百川计划”的商业路径,将全面分享其技术、商业、数据等一整套的无线资源,为移动开发者提供基础设施服务。百川计划的实现,意味着在已有B2C(Business-to-Customer,商对客),C2C(Customer-to-Customer,客对客)的电子商务生态系统之外,将构建一个全新的移动时代商业生态帝国。
具体来说,百川计划能够将过去十几年沉淀下来的很多基础设施和基础能力,在一个安全的环境下,通过开放和分享的机制,让所有的合作伙伴、所有的开发者能够使用到这样的基础服务和基础能力。通过在无线新时代的电商操作系统的开放,帮助更多的开发者、更多的合作伙伴,能够在无线互联网时代更好地服务用户。
在基础设施的服务中,数据和算法的相关服务是DT(Data Technology,数据处理技术)时代的重要动力。电商、导购类app(application,应用)希望利用阿里巴巴的数据和算法能力,从中获得与自己app上已有商品相关的淘系商品,增加用户停留时间并从成交中获取淘客分佣。
早期的商品推荐采用的是“推热门”的方式,即向消费者推荐销量高的商品,如书店的热销图书或是餐馆的招牌菜。目前,I2I(基于商品(item)推荐商品(item))推荐成为商品推荐的主要场景,常见的I2I推荐方法包括关联推荐和协同过滤等等。其能基于商品寻找相似商品,为最后的商品推荐提供充足的候选集。
然而,在百川的场景中,阿里巴巴需要向外部ISV(Independent SoftwareVendors,独立软件开发商)推荐与其商品相近的淘系商品。这个淘系商品的选取往往是通过用户在淘系网站的行为进行关联,使用协同过滤的方法完成。然而,这样的推荐结果仅仅代表了用户在淘系商品的网站的行为偏好,并不能作为ISV的推荐结果。
发明内容
鉴于上述问题,提出了本申请实施例以便提供一种克服上述问题或者至少部分地解决上述问题的一种业务对象的推荐方法和相应的一种业务对象的推荐装置。
为了解决上述问题,本申请公开了一种业务对象的推荐方法,涉及第一业务信息系统和第二业务信息系统,所述方法包括:
接收第二业务信息系统发送的第一业务对象请求,所述请求携带业务标识;
依据所述业务标识从第一业务信息系统获取对应的第一特征向量;
依据所述第一特征向量更新预置业务对象模型;
依据预置推荐候选集与更新后的业务对象模型获得目标业务对象;
为所述第二业务信息系统推荐所述目标业务对象。
优选地,在所述接收第二业务信息系统发送的第一业务对象请求的步骤之前,还包括:
针对所述第一业务信息系统的业务对象提取业务特征;
采用所述业务特征生成特征向量。
优选地,所述业务对象包括商品,所述业务特征包括商品在指定时间的浏览人数,商品在指定时间的销量、商品所处的价格区间、商品的评论用户数量。
优选地,所述业务对象模型通过如下方式生成:
选取指定数量的第二业务信息系统所请求的第一原始业务对象;
获取所述第一原始业务对象对应的第一原始特征向量;
采用所述第一原始特征向量生成业务对象模型。
优选地,所述依据所述第一特征向量更新预置业务对象模型的步骤包括:
计算所述第一特征向量与预置业务对象模型之间的第一距离数据;
判断所述第一距离数据是否小于预设阈值;
若所述第一距离数据小于预设阈值,则采用所述第一特征向量更新所述业务对象模型。
优选地,所述计算所述第一特征向量与预置业务对象模型之间的第一距离数据的步骤包括:
采用所述第一特征向量与所述预置业务对象模型中的特征向量计算出候选距离数据;
从所述候选距离数据中选取出最小候选距离数据,作为所述特征向量与预置业务对象模型之间的第一距离数据。
优选地,所述采用所述第一特征向量更新所述业务对象模型的步骤包括:
计算所述第一特征向量与所述业务对象模型中的特征向量之间的差值;
从所述差值中筛选出最小差值;
将所述最小差值在业务对象模型中所对应的特征向量,替换为对应的第一特征向量。
优选地,在所述依据所述第一特征向量更新预置业务对象模型的步骤之后,还包括:
判断在预设时间内是否接收到所述第二业务信息系统发送的第二业务对象请求;
若是,则随机选取所述第二业务对象请求所对应业务对象的第二特征向量;
采用所述第二特征向量更新预置业务对象模型。
优选地,所述采用所述第二特征向量更新所述业务对象模型的步骤包括:
计算所述第二特征向量与所述业务对象模型中的特征向量之间的差值;
从所述差值中筛选出最大差值;
将所述最大差值在业务对象模型中所对应的特征向量,替换为对应的第二特征向量。
优选地,其特征在于,
所述采用所述第一特征向量更新预置业务对象模型的步骤为:
按照预设控制器参数所对应的概率,采用所述第一特征向量更新所述业务对象模型;
所述采用所述第二特征向量更新预置业务对象模型的步骤为:
按照预设控制器参数所对应的概率,采用所述第二特征向量更新所述业务对象模型。
优选地,还包括:
选取指定数量的第二业务信息系统所请求的第二原始业务对象;
获取所述第二原始业务对象对应的第二原始特征向量;
计算所述第二原始特征向量与预置业务对象模型之间的第二距离数据;
依据所述第二距离数据更新所述预设控制器参数。
优选地,所述依据所述第二距离数据更新所述预设控制器参数的步骤包括:
采用所述第二距离数据计算出所述第二原始业务对象与预置业务对象模型之间的距离均值;
若所述第二距离数据小于预设阈值,则将所述预设控制器参数和距离均值的和值作为新的预设控制器参数;
若所述第二距离数据大于预设阈值,则将所述预设控制器参数和距离均值的差值作为新的预设控制器参数。
优选地,所述依据预置推荐候选集与更新后的业务对象模型获得目标业务对象的步骤包括:
计算所述预置推荐候选集中的业务对象与所述业务对象模型之间的第三距离数据;
将所述第三距离数据从小到大进行排序;
筛选出排序在前预设位数的第三距离数据所对应的业务对象,作为目标业务对象。
本申请实施例还公开了一种业务对象的推荐方法,涉及第一业务信息系统和第二业务信息系统,所述方法包括:
向第一业务信息系统发送第一业务对象请求,所述请求携带业务标识;
接收第一业务信息系统针对所述业务标识反馈的目标业务对象,其中,所述目标业务对象为所述第一业务信息系统依据业务标识对应的第一特征向量和预置业务对象模型得到更新后的业务对象模型后,依据预置推荐候选集与更新后的业务对象模型获得。
优选地,所述方法还包括:
展示所述目标业务对象。
本申请实施例还公开了一种业务对象的推荐装置,涉及第一业务信息系统和第二业务信息系统,所述装置包括:
第一业务对象请求接收模块,用于接收第二业务信息系统发送的第一业务对象请求,所述请求携带业务标识;
第一特征向量获取模块,用于依据所述业务标识从第一业务信息系统获取对应的第一特征向量;
第一业务对象模型更新模块,用于依据所述第一特征向量更新预置业务对象模型;
目标业务对象获得模块,用于依据预置推荐候选集与更新后的业务对象模型获得目标业务对象;
目标业务对象推荐模块,用于为所述第二业务信息系统推荐所述目标业务对象。
本申请实施例还公开了一种业务对象的推荐装置,涉及第一业务信息系统和第二业务信息系统,所述装置包括:
第一业务对象请求发送模块,用于向第一业务信息系统发送第一业务对象请求,所述请求携带业务标识;
目标业务对象接收模块,用于接收第一业务信息系统针对所述业务标识反馈的目标业务对象,其中,所述目标业务对象为所述第一业务信息系统依据业务标识对应的第一特征向量和预置业务对象模型得到更新后的业务对象模型后,依据预置推荐候选集与更新后的业务对象模型获得。
本申请实施例包括以下优点:
在本申请实施例中,如果在第一业务信息系统上接收到第二业务信息系统的业务对象请求,则可以根据该请求所对应业务对象的特征向量和预置业务对象模型计算距离数据,然后基于该距离数据进行业务对象模型的更新,最后再将基于更新后的业务对象模型和候选推荐集得到目标业务对象,推荐给第二业务信息系统上的用户。由于在本申请实施例中,采用第二业务信息系统所请求的业务对象对于业务对象模型进行更新,故而使得业务对象模型更加符合当前第二业务信息系统所请求的业务对象,因此根据更新后的业务对象模型所得到的目标业务对象更加迎合第二业务信息系统用户的需求,实用性强。
并且,本申请实施例用以生成业务对象模型的数据选取直接来源于第二业务信息系统所请求业务对象,故而建模上也避免了负样本的选取,以极小的成本完成了各个第二业务信息系统的推荐业务对象的定制需求。同时,业务对象模型的更新只依赖正样本(即只依赖于第二业务信息系统所请求的业务对象),同时采用了保守更新+激进更新的方式对于业务对象模型进行迭代更新,既能满足细微噪声的滤除,又能迅速适应改变。
附图说明
图1是本申请的一种业务对象的推荐方法实施例1的步骤流程图;
图2是本申请的一种商品推荐的流程示意图;
图3是本申请的一种业务对象的推荐方法实施例2的步骤流程图;
图4是本申请的一种业务对象的推荐装置实施例1的结构框图;
图5是本申请的一种业务对象的推荐装置实施例2的结构框图。
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。
在百川计划中,一种实现方法是将ISV平台系统的用户行为数据拷贝到阿里巴巴的平台系统,通过用户的行为数据进行关联,产出I2I数据。但是这种方法耗时耗力,阿里巴巴的平台系统是一个开放性的平台系统,接入的app数量成千上万,如果将ISV平台系统的用户行为数据都进行拷贝操作,那么这个数据量的处理和计算将纷繁复杂,以至于需要将把大部分时间消耗在排查数据错误和格式兼容上。同时,ISV平台系统的数据量远没有达到阿里巴巴的平台系统的量级,其上的用户行为数据也不够丰富,基于其进行直接I2I扩展也只能获得很稀疏的结果,并不能将其没有的淘系商品推荐出来。
如果直接依赖阿里巴巴的平台系统上的用户行为数据进行I2I扩展,并将结果推荐出来,便可以满足平台批量开放的要求。但是,各个ISV平台系统都有自己的商品特色,这也是其能在激烈的电商竞争中生存发展的原因,“什么值得买”上的商品低价而销量高、“果库”上的商品价格中等而偏向标品……如果不能为其进行定制化的推荐,那么效果将大打则扣,也不能满足其加入百川计划的初衷。
百川计划的另一种实现方法是将各个ISV平台系统上的淘系商品的数据每天拷贝到阿里巴巴的数据库,然后针对其特色进行分析,生成一个参数化的模型。但这种做法的弊端如前文所述,将在数据来回拷贝中花费太多精力。
同时,如果采用训练模型的方法,ISV平台系统的商品可以作为训练数据中的正样本,那么非ISV平台系统的商品将作为负样本。但是这样的假设其实并不成立,ISV之所以没有选中某些商品作为其导购商品,很大的可能是他们还没有看到这个商品,毕竟阿里巴巴的商品实在是太多了……如果直接选取非ISV平台系统的淘系商品作为负样本,很有可能出现过拟合的情况,也无法为ISV平台系统去推荐他们可能喜欢的淘系商品了。公知的是,为了得到一致假设而使假设变得过度复杂称为过拟合。想像某种学习算法产生了一个过拟合的分类器,这个分类器能够百分之百的正确分类样本数据(即再拿样本中的文档来给它,它绝对不会分错),但也就为了能够对样本完全正确的分类,使得它的构造如此精细复杂,规则如此严格,以至于任何与样本数据稍有不同的文档它全都认为不属于这个类别。
基于以上问题,本申请实施例提出了一种业务对象的推荐方法,以商品作为业务对象的一种示例,本申请实施例的数据选取直接来源于ISV平台系统所请求的商品,建模上也避免了负样本的选取,以极小的成本完成了各个ISV平台系统的推荐商品定制需求。同时,模型的更新只依赖正样本,采用了保守更新以及激进更新的方式,迭代更新,既能满足细微噪声的滤除,又能迅速适应改变。
参照图1,示出了本申请的一种业务对象的推荐方法实施例1的步骤流程图,涉及第一业务信息系统和第二业务信息系统,具体可以包括如下步骤:
步骤101,接收第二业务信息系统发送的第一业务对象请求,所述请求携带业务标识;
需要说明的是,本申请实施例中的业务对象可以包括不同业务领域的具体事物,比如商品或商品相应的广告等等,业务标识则可以包括商品标识,例如商品ID。
在具体实现中,第一业务信息系统和第二业务信息系统是互相合作的,第一业务信息系统经时间沉淀了大量的基础设施和基础能力,第二业务信息系统可以使用第一业务信息系统的基础设施和基础能力来更好地为用户服务。例如,第一业务信息系统可以是阿里巴巴的平台系统,第二业务信息系统则是与阿里巴巴有合作关系的较小型的电商平台系统(ISV平台系统),在这些电商平台系统上可以为用户推荐阿里巴巴的淘系商品。
为使本领域技术人员更好地理解本申请实施例,在本说明书中,主要采用商品作为业务对象,阿里巴巴的平台系统作为第一业务信息系统,电商平台系统作为第二业务信息系统的一种示例进行说明。
步骤102,依据所述业务标识从第一业务信息系统获取对应的第一特征向量;
在一种场景下,用户在某电商平台系统上浏览商品时,可以同时向阿里巴巴的平台系统发送携带商品标识的商品请求。阿里巴巴的平台系统根据该请求中携带的商品标识,可以查找到相应的淘系商品所对应的特征向量。其中,这些特征向量可以事先在阿里巴巴的平台系统采集完毕,需要时可以使用商品标识获取到。
在本申请的一种优选实施例中,在所述接收第二业务信息系统发送的第一业务对象请求的步骤之前,还可以包括如下步骤:
步骤a1,针对所述第一业务信息系统的业务对象提取业务特征;
步骤a2,采用所述业务特征生成特征向量。
在一种优选示例中,阿里巴巴的平台系统上的淘系商品的商品特征包括不限于:商品最近7天的浏览人数、商品最近30天的销量、商品所处的价格区间、商品评论用户数等等,本申请实施例对此不加以限制。根据商品的商品特征可以相应生成特征向量,该特征向量可以与商品的商品标识一起保存。
步骤103,所述依据所述第一特征向量更新预置业务对象模型;
在本申请实施例中,可以采用特征向量对于预置业务对象模型进行更新,使得业务对象模型的准确度更高。
在本申请的一种优选实施例中,所述步骤103可以包括如下子步骤:
子步骤S11,计算所述第一特征向量与预置业务对象模型之间的第一距离数据;
子步骤S12,判断所述第一距离数据是否小于预设阈值;若所述第一距离数据小于预设阈值,则执行子步骤S13;
子步骤S13,采用所述第一特征向量更新所述业务对象模型。
对于电商平台系统请求的商品,可以通过计算其与商品模型的距离数据,来确定其与商品模型的相关性。具体地,距离数据越小,相关性越大,反之,距离数据越大,相关性越小。
在本申请实施例中,业务对象模型可以事先生成并保存在阿里巴巴的系统平台上,在本申请的一种优选实施例中,初始的业务对象模型可以通过如下方式生成:
步骤b1,选取指定数量的第二业务信息系统所请求的第一原始业务对象;
步骤b2,获取所述第一原始业务对象对应的第一原始特征向量;
步骤b3,采用所述第一原始特征向量生成业务对象模型。
在一种示例中,从ISV平台系统向阿里巴巴的平台系统所请求过的商品中选取n(可取n=100)个商品,初始化本申请的无参数商品模型(业务对象模型)。
假设每个商品的商品特征为一个m维的特征向量,那么商品模型可以为:
其中,每一列是一个商品的特征向量,共用了个n商品初始化商品模型,所以有n列。那么商品模型实际上就是一个m×n的矩阵。
需要说明的是,商品模型的计算过程可以只执行一次,当接收到电商平台系统的请求后,才会对于商品模型进行更新操作,从而可以减少计算的次数。
在本申请的一种优选实施例中,所述子步骤S11可以包括如下子步骤:
子步骤S111,采用所述第一特征向量与所述预置业务对象模型中的特征向量计算出候选距离数据;
子步骤S112,从所述候选距离数据中选取出最小候选距离数据,作为所述特征向量与预置业务对象模型之间的第一距离数据。
其中,商品与商品模型之间的距离数据可以通过以下公式计算得到:
其中,x为商品的特征向量(m维)。
当然,上述的距离数据的计算方式仅仅是作为示例,在实施本申请实施例时,也可以采用其他方式来计算相关性,本申请实施例对此不加以限制。
在本申请实施例中,如果一个商品x与商品模型的距离数据Distx,Model小于预设阈值Th(阈值视特征向量的取值而定,一般是取初始化特征向量与其他特征向量组成商品模型的距离数据取均值再乘以2),则可以执行商品模型更新的操作。
在本申请的一种优选实施例中,所述步骤103可以为如下子步骤:
按照预设控制器参数所对应的概率,采用所述第一特征向量更新预置业务对象模型;
在本申请实施例中,可以设定一个控制器参数ρ(ρ的取值初始时刻可定为0.5),在实施本申请的过程中可以基于控制器参数ρ(ρ的取值初始时刻可定为0.5)的概率进行商品模型更新。
在本申请的一种优选实施例中,所述子步骤S13可以包括如下子步骤:
子步骤S131,计算所述第一特征向量与所述业务对象模型中的特征向量之间的差值;
子步骤S132,从所述差值中筛选出最小差值;
子步骤S133,将所述最小差值在业务对象模型中所对应的特征向量,替换为对应的第一特征向量。
在一种示例中,商品模型更新的方式为:遍历商品模型矩阵的每一行,从遍历的该矩阵行中选取与电商平台系统所请求的商品的特征向量对应行最近的数字,用该商品的特征向量替代。具体地实现公式可以为:
至此完成对于商品模型的保守更新过程。
在本申请的一种优选实施例中,在所述步骤103之后,还可以包括如下步骤:
步骤c1,判断在预设时间内是否接收到所述第二业务信息系统发送的第二业务对象请求;若是,则执行步骤c3;
步骤c2,随机选取所述第二业务对象请求所对应业务对象的第二特征向量;
步骤c3,采用所述第二特征向量更新所述业务对象模型。
在本申请的一种示例中,如果商品模型发生了更新(即前述的保守更新),那么在接下来指定时间内(例如30秒),随机选取一个电商平台系统所请求的商品,并基于该商品所对应的特征向量,对于商品模型再次进行更新。
在本申请的一种优选实施例中,所述步骤c3可以为:
按照预设控制器参数所对应的概率,采用所述第二特征向量更新所述业务对象模型。
在本申请实施例中,设定有一个控制器参数ρ,在实施本申请的过程中可以基于控制器参数ρ的概率进行商品模型更新。故而,在对于商品模型再次进行更新的过程中,还可以继续基于控制器参数ρ的概率进行商品模型更新。
在本申请的一种优选实施例中,所述步骤c3可以包括如下子步骤:
子步骤c31,计算所述第二特征向量与所述业务对象模型中的特征向量之间的差值;
子步骤c32,从所述差值中筛选出最大差值;
子步骤c33,将所述最大差值在业务对象模型中所对应的特征向量,替换为对应的第二特征向量。
在一种示例中,商品模型更新的方式为:遍历商品模型矩阵的每一行,从遍历的该矩阵行中选取与电商平台系统所请求的商品的特征向量对应行最远的数字,用该商品的特征向量替代。具体地实现公式可以为:
至此完成对于商品模型的激进更新过程。
在本申请实施例中,对于商品模型的更新采用了保守更新+激进更新的方式,迭代更新,既能满足细微噪声的滤除,又能迅速适应改变。
在本申请的一种优选实施例中,所述方法还可以包括如下步骤:
步骤d1,选取指定数量的第二业务信息系统所请求的第二原始业务对象;
步骤d2,获取所述第二原始业务对象对应的第二原始特征向量;
步骤d3,计算所述第二原始特征向量与预置业务对象模型之间的第二距离数据;
步骤d4,依据所述第二距离数据更新所述预设控制器参数。
在本申请的一种优选实施例中,所述步骤d4可以包括如下步骤:
子步骤d41,采用所述第二距离数据计算出所述第二原始业务对象与预置业务对象模型之间的距离均值;
子步骤d42,若所述第二距离数据小于预设阈值,则将所述预设控制器参数和距离均值的和值作为新的预设控制器参数;
子步骤d43,若所述第二距离数据大于预设阈值,则将所述预设控制器参数和距离均值的差值作为新的预设控制器参数。
在一种实施例中,控制器参数ρ通过以下方式进行更新:
步骤104,依据预置推荐候选集与更新后的业务对象模型获得目标业务对象;
在本申请的一种优选实施例中,所述步骤104可以包括如下子步骤:
子步骤S31,计算所述预置推荐候选集中的业务对象与所述业务对象模型之间的第三距离数据;
子步骤S32,将所述第三距离数据从小到大进行排序;
子步骤S33,筛选出排序在前预设位数的第三距离数据所对应的业务对象,作为目标业务对象。
在本申请实施例中,推荐候选集可以是预先设置的待推荐给电商平台系统的商品集合,当需要推荐推荐候选集中商品时,可以使用商品模型对推荐候选集进行定制化排序,以从推荐候选集中筛选出电商平台系统用户的商品。
具体地,计算推荐候选集中每个商品与商品模型的距离数据,按照距离数据从小到大进行排列,然后截取排序在前30位的商品,作为推荐给电商平台系统的目标商品。
步骤105,为所述第二业务信息系统推荐所述目标业务对象。
最后,阿里巴巴的平台系统将目标商品推荐给电商平台系统,电商平台系统就可以在其app上推荐给其用户。
在本申请实施例中,如果在第一业务信息系统上接收到第二业务信息系统的业务对象请求,则可以根据该请求所对应业务对象的特征向量和预置业务对象模型计算距离数据,然后基于该距离数据进行业务对象模型的更新,最后再将基于更新后的业务对象模型和候选推荐集得到目标业务对象,推荐给第二业务信息系统上的用户。
由于在本申请实施例中,采用第二业务信息系统所请求的业务对象对于业务对象模型进行更新,故而使得业务对象模型更加符合当前第二业务信息系统所请求的业务对象,因此根据更新后的业务对象模型所得到的目标业务对象更加迎合第二业务信息系统用户的需求,实用性强。
并且,本申请实施例生成业务对象模型的数据选取直接来源于第二业务信息系统所请求业务对象的特征向量,故而建模上也避免了负样本的选取,以极小的成本完成了各个第二业务信息系统的推荐业务对象的定制需求。同时,业务对象模型的更新只依赖正样本(即只依赖于第二业务信息系统所请求的业务对象),同时采用了保守更新+激进更新的方式对于业务对象模型进行迭代更新,既能满足细微噪声的滤除,又能迅速适应改变。
为了使本领域技术人员更好地理解本申请实施例,以下采用具体的实例对于本申请的业务对象推荐过程进行说明。
参照图2所示,以商品推荐为例,本申请的一种基于无参数建模的推荐商品定制排序方法,具体包括以下步骤:
步骤一,为所有淘系商品提取特征向量。
步骤二,从ISV平台系统所请求商品中选取n(可取n=100)个商品的特征向量,初始化无参数商品模型。
步骤三,对于ISV平台系统所请求的商品,通过计算请求商品与商品模型的距离数据,来决定其与商品模型的相关性。
步骤四,对于相关性高的商品,以控制器参数ρ的概率保守更新商品模型。
步骤五,如果步骤四发生了商品模型更新,在其之后30秒内随机选一个商品,以ρ的概率激进更新商品模型。
步骤六,更新控制器参数ρ。
步骤七,使用商品模型对预置推荐候选集中的商品进行定制化排序。
更进一步的技术方案是,所述步骤一中的淘系商品特征包括不限于:商品最近7天的浏览人数、商品最近30天的销量、商品所处的价格区间、商品评论用户数……
更进一步的技术方案是,所述步骤二中的无参数商品模型初始化方法为:
假设每个商品的特征为一个m维的向量,那么商品模型为:
其中,每一列是一个商品的特征,共用了个n商品初始化商品模型,所以有n列。那么商品模型实际上就是一个m×n的矩阵。Model里面的每一个都表示一个特征向量。
更进一步的技术方案是,所述步骤三中的商品与商品模型的距离通过以下方式进行计算:
其中x为商品的特征向量(m维)。
更进一步的技术方案是,所述步骤四中的商品模型更新通过以下方式进行:如果一个商品x与商品模型的距离Distx,Model小于阈值Th(阈值视特征向量的取值而定,一般是取初始化特征与其他特征组成商品模型的距离取均值再乘以2),那么有控制器参数ρ(ρ的取值初始时刻可定为0.5,后续有步骤进行更新)的概率进行商品模型更新。商品模型更新的方式为:遍历商品模型矩阵的每一行,从这行中取跟商品特征对应行最近的数字,将其用商品特征替代。即:
更进一步的技术方案是,所述步骤五中的商品模型更新通过以下方式进行:如果步骤四发生了商品模型更新,那么在接下来的30秒,随机选取一个请求商品(如果接下来30秒没有请求商品,则跳过该步骤),以控制器参数ρ的概率进行商品模型更新。商品模型更新的方式为:遍历商品模型矩阵的每一行,从这行中取跟商品特征对应行最远的数字,将其用商品特征替代。即:
更进一步的技术方案是,所述步骤六中的控制器参数ρ通过以下方式进行:
更进一步的技术方案是,所述步骤七中推荐候选集定制化排序方式为:计算候选集商品中每个商品与商品模型的距离数据,按照距离数据从小到大排列,截取排序在前30位商品,生成推荐商品集合。
更进一步的技术方案是,所述步骤二只运行一次,其余步骤每有推荐请求都运行一次。
参照图3,示出了本申请的一种业务对象的推荐方法实施例2的步骤流程图,涉及第一业务信息系统和第二业务信息系统,在本实施例具体可以包括如下步骤:
步骤201,向第一业务信息系统发送第一业务对象请求,所述请求携带业务标识;
在一种示例中,第一业务信息系统可以是阿里巴巴的平台系统,第二业务信息系统则是与阿里巴巴有合作关系的较小型的ISV平台系统,业务对象可以商品或商品相应的广告等等,业务标识则可以包括商品标识,例如商品ID。
步骤202,接收第一业务信息系统针对所述业务标识反馈的目标业务对象,其中,所述目标业务对象为所述第一业务信息系统依据业务标识对应的第一特征向量和预置业务对象模型得到更新后的业务对象模型后,依据预置推荐候选集与更新后的业务对象模型获得。
当用户在ISV平台系统上浏览某个商品时,可以向阿里巴巴的平台系统提交携带商品ID的商品请求,阿里巴巴的系统平台则可以针对该商品ID依据业务标识对应的特征向量和预置商品模型,并采用商品向量更新该商品模型得到更新后的商品模型后,最后可以依据预置的商品推荐候选集与更新后的商品模型获得目标商品。
在本申请的一种优选实施例中,所述方法还可以包括如下步骤:
展示所述目标业务对象。
当ISV平台系统接收到阿里巴巴的系统平台反馈的目标商品后,就可以将该商品展示ISV平台系统以提供给用户。
应用本申请实施例,使得用户在某个业务信息系统浏览业务对象时,同时还可以为用户提供其他业务信息系统的业务对象,可以为用户提供更多的选择数据。
在本申请实施例中,由于与实施例1的内容基本相似,所以描述的比较简单,相关之处参见实施例1的部分说明即可,本申请实施例在此不加以详述。
需要说明的是,对于方法实施例,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,本申请实施例并不受所描述的动作顺序的限制,因为依据本申请实施例,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实施例所必须的。
参照图4,示出了本申请的一种业务对象的推荐装置实施例1的结构框图,涉及第一业务信息系统和第二业务信息系统,所述装置具体可以包括如下模块:
第一业务对象请求接收模块301,用于接收第二业务信息系统发送的第一业务对象请求,所述请求携带业务标识;
第一特征向量获取模块302,用于依据所述业务标识从第一业务信息系统获取对应的第一特征向量;
第一业务对象模型更新模块303,用于依据所述第一特征向量更新预置业务对象模型;
目标业务对象获得模块304,用于依据预置推荐候选集与更新后的业务对象模型获得目标业务对象;
目标业务对象推荐模块305,用于为所述第二业务信息系统推荐所述目标业务对象。
在本申请的一种优选实施例中,所述装置还可以包括:
业务特征提取模块,用于针对所述第一业务信息系统的业务对象提取业务特征;
特征向量生成模块,用于采用所述业务特征生成特征向量。
在本申请的一种优选实施例中,所述业务对象包括商品,所述业务特征包括商品在指定时间的浏览人数,商品在指定时间的销量、商品所处的价格区间、商品的评论用户数量。
在本申请的一种优选实施例中,所述装置还可以包括:
第一原始业务对象选取模块,用于选取指定数量的第二业务信息系统所请求的第一原始业务对象;
第一原始特征向量获取模块,用于获取所述第一原始业务对象对应的第一原始特征向量;
业务对象模型生成模块,用于采用所述第一原始特征向量生成业务对象模型。
在本申请的一种优选实施例中,所述第一距离数据计算子模块包括:
候选距离数据计算子模块,用于采用所述第一特征向量与所述预置业务对象模型中的特征向量计算出候选距离数据;
第一距离数据获得子模块,用于从所述候选距离数据中选取出最小候选距离数据,作为所述特征向量与预置业务对象模型之间的第一距离数据。
在本申请的一种优选实施例中,所述第一业务对象模型更新模块包括:
第一差值计算子模块,用于计算所述第一特征向量与所述业务对象模型中的特征向量之间的差值;
第一差值筛选子模块,用于从所述差值中筛选出最小差值;
第一特征向量替换子模块,用于将所述最小差值在业务对象模型中所对应的特征向量,替换为对应的第一特征向量。
在本申请的一种优选实施例中,所述装置还可以包括:
第二判断模块,用于判断在预设时间内是否接收到所述第二业务信息系统发送的第二业务对象请求;若是,则调用第二特征向量选取模块;
第二特征向量选取模块,用于随机选取所述第二业务对象请求所对应业务对象的第二特征向量;
第二业务对象模型更新模块,用于采用所述第二特征向量更新所述业务对象模型。
在本申请的一种优选实施例中,所述第二业务对象模型更新模块包括:
第二差值计算子模块,用于计算所述第二特征向量与所述业务对象模型中的特征向量之间的差值;
第二差值筛选子模块,用于从所述差值中筛选出最大差值;
第二特征向量替换子模块,用于将所述最大差值在业务对象模型中所对应的特征向量,替换为对应的第二特征向量。
在本申请的一种优选实施例中,
所述第一业务对象模型更新模块可以包括:
第一概率更新子模块,用于按照预设控制器参数所对应的概率,采用所述第一特征向量更新所述业务对象模型;
所述第二业务对象模型更新模块可以包括:
第二概率更新子模块,用于按照预设控制器参数所对应的概率,采用所述第二特征向量更新所述业务对象模型。
在本申请的一种优选实施例中,所述装置还可以包括:
第二原始业务对象选取模块,用于选取指定数量的第二业务信息系统所请求的第二原始业务对象;
第二原始特征向量获取模块,用于获取所述第二原始业务对象对应的第二原始特征向量;
第二距离数据计算模块,用于计算所述第二原始特征向量与预置业务对象模型之间的第二距离数据;
控制器参数更新模块,用于依据所述第二距离数据更新所述预设控制器参数。
在本申请的一种优选实施例中,所述控制器参数更新模块可以包括:
距离均值计算子模块,用于采用所述第二距离数据计算出所述第二原始业务对象与预置业务对象模型之间的距离均值;若所述第二距离数据小于预设阈值,则调用第一更新子模块,若所述第二距离数据大于预设阈值,则调用第二更新子模块;
第一更新子模块,用于将所述预设控制器参数和距离均值的和值作为新的预设控制器参数;
第二更新子模块,用于将所述预设控制器参数和距离均值的差值作为新的预设控制器参数。
在本申请的一种优选实施例中,所述目标业务对象获得模块可以包括:
第三距离数据计算子模块,用于计算所述预置推荐候选集中的业务对象与所述业务对象模型之间的第三距离数据;
第三距离数据排序子模块,用于将所述第三距离数据从小到大进行排序;
目标业务对象筛选子模块,用于筛选出排序在前预设位数的第三距离数据所对应的业务对象,作为目标业务对象。
参照图5,示出了本申请的一种业务对象的推荐装置实施例2的结构框图,涉及第一业务信息系统和第二业务信息系统,所述装置具体可以包括如下模块:
第一业务对象请求发送模块401,用于向第一业务信息系统发送第一业务对象请求,所述请求携带业务标识;
目标业务对象接收模块402,用于接收第一业务信息系统针对所述业务标识反馈的目标业务对象,其中,所述目标业务对象为所述第一业务信息系统依据业务标识对应的第一特征向量和预置业务对象模型得到更新后的业务对象模型后,依据预置推荐候选集与更新后的业务对象模型获得。
在本申请的一种优选实施例中,所述装置还可以包括如下模块:
展示模块,用于展示所述目标业务对象。
对于装置实施例而言,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。
本领域内的技术人员应明白,本申请实施例的实施例可提供为方法、装置、或计算机程序产品。因此,本申请实施例可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
在一个典型的配置中,所述计算机设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。内存可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括非持续性的电脑可读媒体(transitory media),如调制的数据信号和载波。
本申请实施例是参照根据本申请实施例的方法、终端设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理终端设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理终端设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理终端设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理终端设备上,使得在计算机或其他可编程终端设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程终端设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本申请实施例的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例做出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本申请实施例范围的所有变更和修改。
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。而且,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、物品或者终端设备不仅包括那些要素,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、物品或者终端设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者终端设备中还存在另外的相同要素。
以上对本申请所提供的一种业务对象的推荐方法和一种业务对象的推荐装置,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)
1.一种业务对象的推荐方法,其特征在于,涉及第一业务信息系统和第二业务信息系统,所述方法包括:
接收第二业务信息系统发送的第一业务对象请求,所述请求携带业务标识;
依据所述业务标识从第一业务信息系统获取对应的第一特征向量;
依据所述第一特征向量更新预置业务对象模型;所述预置业务对象模型基于指定数量的第二业务信息系统所请求的第一原始业务对象构成;
其中,所述依据所述第一特征向量更新预置业务对象模型,包括:
在接收所述第一业务对象请求后,依据所述第一特征向量更新所述预置业务对象模型;或在所述预置业务对象模型更新后的指定时间内,依据第二业务信息系统发送的第二业务对象请求所对应的业务对象的第二特征向量,再次更新预置业务对象模型;
依据预置推荐候选集与更新后的业务对象模型获得目标业务对象;
为所述第二业务信息系统推荐所述目标业务对象。
2.根据权利要求1所述的方法,其特征在于,在所述接收第二业务信息系统发送的第一业务对象请求的步骤之前,还包括:
针对所述第一业务信息系统的业务对象提取业务特征;
采用所述业务特征生成特征向量。
3.根据权利要求2所述的方法,其特征在于,所述业务对象包括商品,所述业务特征包括商品在指定时间的浏览人数,商品在指定时间的销量、商品所处的价格区间、商品的评论用户数量。
4.根据权利要求1或2或3所述的方法,其特征在于,所述预置业务对象模型通过如下方式生成:
选取指定数量的第二业务信息系统所请求的第一原始业务对象;
获取所述第一原始业务对象对应的第一原始特征向量;
采用所述第一原始特征向量生成预置业务对象模型。
5.根据权利要求1所述的方法,其特征在于,所述依据所述第一特征向量更新预置业务对象模型的步骤包括:
计算所述第一特征向量与预置业务对象模型之间的第一距离数据;
判断所述第一距离数据是否小于预设阈值;
若所述第一距离数据小于预设阈值,则采用所述第一特征向量更新所述业务对象模型。
6.根据权利要求5所述的方法,其特征在于,所述计算所述第一特征向量与预置业务对象模型之间的第一距离数据的步骤包括:
采用所述第一特征向量与所述预置业务对象模型中的特征向量计算出候选距离数据;
从所述候选距离数据中选取出最小候选距离数据,作为所述第一特征向量与预置业务对象模型之间的第一距离数据。
7.根据权利要求5所述的方法,其特征在于,所述采用所述第一特征向量更新所述业务对象模型的步骤包括:
计算所述第一特征向量与所述业务对象模型中的特征向量之间的差值;
从所述差值中筛选出最小差值;
将所述最小差值在业务对象模型中所对应的特征向量,替换为对应的第一特征向量。
8.根据权利要求1所述的方法,其特征在于,在所述依据所述第一特征向量更新预置业务对象模型的步骤之后,还包括:
判断在预设时间内是否接收到所述第二业务信息系统发送的第二业务对象请求;
若是,则随机选取所述第二业务对象请求所对应业务对象的第二特征向量;
采用所述第二特征向量更新预置业务对象模型。
9.根据权利要求8所述的方法,其特征在于,所述采用所述第二特征向量更新预置业务对象模型的步骤包括:
计算所述第二特征向量与所述业务对象模型中的特征向量之间的差值;
从所述差值中筛选出最大差值;
将所述最大差值在业务对象模型中所对应的特征向量,替换为对应的第二特征向量。
10.根据权利要求1所述的方法,其特征在于,所述依据所述第一特征向量更新预置业务对象模型的步骤为:
按照预设控制器参数所对应的概率,采用所述第一特征向量更新所述业务对象模型。
11.根据权利要求8所述的方法,其特征在于,
所述依据所述第一特征向量更新预置业务对象模型的步骤为:
按照预设控制器参数所对应的概率,采用所述第一特征向量更新所述业务对象模型;
所述采用所述第二特征向量更新预置业务对象模型的步骤为:
按照预设控制器参数所对应的概率,采用所述第二特征向量更新所述业务对象模型。
12.根据权利要求11所述的方法,其特征在于,还包括:
选取指定数量的第二业务信息系统所请求的第二原始业务对象;
获取所述第二原始业务对象对应的第二原始特征向量;
计算所述第二原始特征向量与预置业务对象模型之间的第二距离数据;
依据所述第二距离数据更新所述预设控制器参数。
13.根据权利要求12所述的方法,其特征在于,所述依据所述第二距离数据更新所述预设控制器参数的步骤包括:
采用所述第二距离数据计算出所述第二原始业务对象与预置业务对象模型之间的距离均值;
若所述第二距离数据小于预设阈值,则将所述预设控制器参数和距离均值的和值作为新的预设控制器参数;
若所述第二距离数据大于预设阈值,则将所述预设控制器参数和距离均值的差值作为新的预设控制器参数。
14.根据权利要求1所述的方法,其特征在于,所述依据预置推荐候选集与更新后的业务对象模型获得目标业务对象的步骤包括:
计算所述预置推荐候选集中的业务对象与所述业务对象模型之间的第三距离数据;
将所述第三距离数据从小到大进行排序;
筛选出排序在前预设位数的第三距离数据所对应的业务对象,作为目标业务对象。
15.一种业务对象的推荐方法,其特征在于,涉及第一业务信息系统和第二业务信息系统,所述方法包括:
向第一业务信息系统发送第一业务对象请求,所述请求携带业务标识;
接收第一业务信息系统针对所述业务标识反馈的目标业务对象,其中,所述目标业务对象为所述第一业务信息系统依据业务标识对应的第一特征向量和预置业务对象模型得到更新后的业务对象模型后,依据预置推荐候选集与更新后的业务对象模型获得;
所述预置业务对象模型基于指定数量的第二业务信息系统所请求的第一原始业务对象构成;
其中,所述预置业务对象模型得到更新,包括:
向第一业务信息系统发送第一业务对象请求,以使所述预置业务对象模型依据业务标识对应的第一特征向量得到更新;或使在所述预置业务对象模型得到更新后的指定时间内,所述预置业务对象模型依据第二业务信息系统发送的第二业务对象请求所对应的业务对象的第二特征向量再次得到更新。
16.根据权利要求15所述的方法,其特征在于,还包括:
展示所述目标业务对象。
17.一种业务对象的推荐装置,其特征在于,涉及第一业务信息系统和第二业务信息系统,所述装置包括:
第一业务对象请求接收模块,用于接收第二业务信息系统发送的第一业务对象请求,所述请求携带业务标识;
第一特征向量获取模块,用于依据所述业务标识从第一业务信息系统获取对应的第一特征向量;
第一业务对象模型更新模块,用于依据所述第一特征向量更新预置业务对象模型;所述预置业务对象模型基于指定数量的第二业务信息系统所请求的第一原始业务对象构成;
其中,所述依据所述第一特征向量更新预置业务对象模型,包括:
在接收所述第一业务对象请求后,依据所述第一特征向量更新所述预置业务对象模型;或在所述预置业务对象模型更新后的指定时间内,依据第二业务信息系统发送的第二业务对象请求所对应的业务对象的第二特征向量,再次更新预置业务对象模型;
目标业务对象获得模块,用于依据预置推荐候选集与更新后的业务对象模型获得目标业务对象;
目标业务对象推荐模块,用于为所述第二业务信息系统推荐所述目标业务对象。
18.一种业务对象的推荐装置,其特征在于,涉及第一业务信息系统和第二业务信息系统,所述装置包括:
第一业务对象请求发送模块,用于向第一业务信息系统发送第一业务对象请求,所述请求携带业务标识;
目标业务对象接收模块,用于接收第一业务信息系统针对所述业务标识反馈的目标业务对象,其中,所述目标业务对象为所述第一业务信息系统依据业务标识对应的第一特征向量和预置业务对象模型得到更新后的业务对象模型后,依据预置推荐候选集与更新后的业务对象模型获得;
所述预置业务对象模型基于指定数量的第二业务信息系统所请求的第一原始业务对象构成;
其中,所述预置业务对象模型得到更新,包括:
向第一业务信息系统发送第一业务对象请求,以使所述预置业务对象模型依据业务标识对应的第一特征向量得到更新;或使在所述预置业务对象模型得到更新后的指定时间内,所述预置业务对象模型依据第二业务信息系统发送的第二业务对象请求所对应的业务对象的第二特征向量再次得到更新。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710013326.1A CN108288196B (zh) | 2017-01-09 | 2017-01-09 | 一种业务对象的推荐方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710013326.1A CN108288196B (zh) | 2017-01-09 | 2017-01-09 | 一种业务对象的推荐方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108288196A CN108288196A (zh) | 2018-07-17 |
CN108288196B true CN108288196B (zh) | 2022-03-15 |
Family
ID=62819249
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710013326.1A Active CN108288196B (zh) | 2017-01-09 | 2017-01-09 | 一种业务对象的推荐方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108288196B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110796505B (zh) * | 2018-08-03 | 2023-07-04 | 淘宝(中国)软件有限公司 | 一种业务对象推荐方法以及装置 |
CN110084498A (zh) * | 2019-04-18 | 2019-08-02 | 深圳前海微众银行股份有限公司 | 一种服务端的派工方法、装置、计算机设备及存储介质 |
CN110780915B (zh) * | 2019-08-16 | 2022-01-25 | 腾讯科技(深圳)有限公司 | 一种数据处理方法、装置和存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104123360A (zh) * | 2014-07-18 | 2014-10-29 | 腾讯科技(深圳)有限公司 | 一种应用推荐数据获取方法、装置、电子设备及系统 |
CN105184618A (zh) * | 2015-10-20 | 2015-12-23 | 广州唯品会信息科技有限公司 | 新用户的商品个性化推荐方法及系统 |
CN105630876A (zh) * | 2015-12-17 | 2016-06-01 | 百度在线网络技术(北京)有限公司 | 跨应用的信息获取方法和装置 |
CN106227844A (zh) * | 2016-07-27 | 2016-12-14 | 深圳市金立通信设备有限公司 | 一种应用推荐的方法以及终端 |
-
2017
- 2017-01-09 CN CN201710013326.1A patent/CN108288196B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104123360A (zh) * | 2014-07-18 | 2014-10-29 | 腾讯科技(深圳)有限公司 | 一种应用推荐数据获取方法、装置、电子设备及系统 |
CN105184618A (zh) * | 2015-10-20 | 2015-12-23 | 广州唯品会信息科技有限公司 | 新用户的商品个性化推荐方法及系统 |
CN105630876A (zh) * | 2015-12-17 | 2016-06-01 | 百度在线网络技术(北京)有限公司 | 跨应用的信息获取方法和装置 |
CN106227844A (zh) * | 2016-07-27 | 2016-12-14 | 深圳市金立通信设备有限公司 | 一种应用推荐的方法以及终端 |
Also Published As
Publication number | Publication date |
---|---|
CN108288196A (zh) | 2018-07-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110413877B (zh) | 一种资源推荐方法、装置及电子设备 | |
US10354184B1 (en) | Joint modeling of user behavior | |
CN110363213B (zh) | 服装图像的认知分析和分类的方法和系统 | |
US20180342004A1 (en) | Cumulative success-based recommendations for repeat users | |
CN112313697A (zh) | 用于生成描述角度增强的可解释的基于描述的推荐的系统和方法 | |
CN111046294A (zh) | 点击率预测方法、推荐方法、模型、装置及设备 | |
US20220207542A1 (en) | Machine learning for marketing of branded consumer products | |
US20180165746A1 (en) | Network Interaction System | |
CN111784455A (zh) | 一种物品推荐方法及推荐设备 | |
US20190179915A1 (en) | Method and apparatus for recommending item using metadata | |
CN110008973B (zh) | 一种模型训练方法、基于模型确定目标用户的方法及装置 | |
CN108288196B (zh) | 一种业务对象的推荐方法和装置 | |
CN112291374B (zh) | 一种物联网设备特征获取方法及装置 | |
CN111667024B (zh) | 内容推送方法、装置、计算机设备和存储介质 | |
CN113763019A (zh) | 一种用户信息管理方法和装置 | |
CN111680213B (zh) | 信息推荐方法、数据处理方法及装置 | |
CN113034168A (zh) | 内容项投放方法、装置、计算机设备及存储介质 | |
CN113779380A (zh) | 跨域推荐、内容推荐方法、装置及设备 | |
CN112785390A (zh) | 推荐处理方法、装置、终端设备以及存储介质 | |
CN111339401B (zh) | 一种物品推荐的方法、装置、计算机存储介质及终端 | |
CN116977019A (zh) | 一种商户推荐方法、装置、电子设备及存储介质 | |
CN114943543A (zh) | 模型训练方法、异常商品识别方法、电子设备及存储介质 | |
CN116433312A (zh) | 物料推送规则的生成方法和物料推送规则的生成装置 | |
CN110610393A (zh) | 一种信息推荐的方法和装置 | |
CN113554448A (zh) | 一种用户流失预测方法、装置及电子设备 |
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 |