CN108932643A - 一种个性化推荐方法及装置 - Google Patents
一种个性化推荐方法及装置 Download PDFInfo
- Publication number
- CN108932643A CN108932643A CN201710379128.7A CN201710379128A CN108932643A CN 108932643 A CN108932643 A CN 108932643A CN 201710379128 A CN201710379128 A CN 201710379128A CN 108932643 A CN108932643 A CN 108932643A
- Authority
- CN
- China
- Prior art keywords
- domain
- score
- collection
- converting unit
- recommendation
- 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
- 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
Landscapes
- Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明实施例公开了一种个性化推荐方法及装置，涉及互联网技术领域，能够提高在个性化推荐分析过程中应用范围。本发明包括：从模型库中提取推荐模型，并将所提取的推荐模型划分到至少两种推荐域中，推荐域包括内容类推荐域和行为类推荐域；根据划分得到的推荐域，分别建立得分转换单元；通过内容类域内得分转换单元，对内容类推荐集进行域内融合，并通过行为类域内得分转换单元，对行为类推荐集进行域内融合，再通过域间得分转换单元对内容类推荐集和行为类推荐集进行域间融合，得到至少3种融合集；根据得到的融合集，按照品类得分对商品品类进行排序，并在每个商品品类中对所选取的商品排序。发明适用于个性化推荐。
Description
技术领域
本发明涉及互联网技术领域，具体涉及一种个性化推荐方法及装置。
背景技术
互联网的出现与发展使人们生产、复制、传播信息的能为大大增强，人们正在面临前所未有的信息过载问题。随着电子商务规模的不断扩大，商品个数和种类快速增长，顾客需要花费大量的时间才能找到自己想买的商品。这种浏览大量无关的信息和产品过程无疑会使淹没在信息过载问题中的消费者不断流失。为了解决这些问题，个性化推荐系统应运而生，并已经开始应用在智能商务领域。个性化推荐系统建立在海量数据挖掘的基础上，结合机器学习算法实现对用户购买商品的预测，为顾客购物提供全个性化的决策支持，从而提升用户体验，增强用户粘度，提高电子商务网站的购买转化率。
其中，可能得到的个性化的决策结果会有很多，比如在网购领域，基于用户输入的搜索词所能够返回的商品可能会有几千件，因此对于最终反馈的结果，如何以一种合理的方式展示给用户，成为了各大平台运营商重点研究的问题。
发明内容
本发明的实施例提供一种个性化推荐方法及装置，能够提高在个性化推荐分析过程中应用范围。
为达到上述目的，本发明的实施例采用如下技术方案：
第一方面，本发明的实施例提供的方法，包括：
从模型库中提取推荐模型，并将所提取的推荐模型划分到至少两种推荐域中，所述推荐域包括内容类推荐域和行为类推荐域，其中，所述内容类推荐域包括：基于用户属性信息和标签信息建立的推荐模型，所述行为类推荐域包括：基于用户的购物行为建立的推荐模型；
根据划分得到的推荐域，分别建立得分转换单元，所述得分转换单元至少包括：内容类域内得分转换单元、行为类域内得分转换单元和域间得分转换单元；
通过所述内容类域内得分转换单元，对内容类推荐集进行域内融合，并通过所述行为类域内得分转换单元，对行为类推荐集进行域内融合，再通过所述域间得分转换单元对所述内容类推荐集和所述行为类推荐集进行域间融合，结合上下文推荐集，得到至少3种融合集；
根据得到的融合集，按照品类得分对商品品类进行排序，并在每个商品品类中对所选取的商品排序。
结合第一方面，在第一方面的第一种可能的实现方式中，所述根据划分得到的推荐域，分别建立得分转换单元，包括：
利用历史单个推荐模型集数据和用户的行为数据，基于三层人工神经网络模型，通过误差反向传播算法对所述划分得到的推荐域中的推荐模型进行训练；
将训练得到的推荐模型建立得分转换单元，其中，在所述得分转换单元中以单个召回数据作为输入，通过所述训练得到的推荐模型计算得到融合得分。
结合第一方面的第一种可能的实现方式，在第二种可能的实现方式中，所述利用历史单个推荐模型集数据和用户的行为数据，基于三层人工神经网络模型，通过误差反向传播算法对所述划分得到的推荐域中的推荐模型进行训练，包括：
根据推荐结果表，从所述历史单个推荐模型集数据和所述用户的行为数据中，获取用户商品对(user,item)、对应用户商品对的推荐来源rec_src和对应用户商品对的原始得分raw_score；
对获取的推荐来源进行编码，其中，推荐域中的推荐模型有n个，并标识为模型1、模型2、…和模型n,模型i的编码为(0,0，…1…0)的n维向量，其中第i位的取值为1，其他取值均为0；
根据所述用户商品对，检测用户对用户商品对所表示的推荐商品在指定时间段内是否存在点击或则浏览行为，若是则训练目标变量is_focused＝1，若否则is_focused＝0；
建立所述三层人工神经网络模型，其中，输出层为推荐模型的推荐来源rec_src和原始得分raw_score，输出层为所述训练目标变量，隐含层为两层，推荐模型的训练采用误差反向传播算法。
结合第一方面，在第一方面的第三种可能的实现方式中，所述通过所述域间得分转换单元对所述内容类推荐集和所述行为类推荐集进行域间融合，包括：
通过所述内容类域内得分转换单元，将CB1,CB2,…CBp融合得到内容类域内融合集CB，通过所述行为类域内得分转换单元，对BM1,BM2,…BMq融合得到行为类域内融合集BM；
根据CB和BM建立内容类和行为类类间融合集HM，其中，所述内容类推荐集有p个：CB1,CB2,…CBp，所述行为类推荐集有q个：BM1,BM2,…BMq，其中，CB1,CB2,…CBp表示内容类推荐集，BM1,BM2,…BMq表示行为类推荐集。
结合第一方面的第三种可能的实现方式，在第四种可能的实现方式中，还包括：
所述推荐域还包括上下文推荐域，所述上下文推荐域包括：基于时间、地点、天气和舆情信息建立的推荐模型；
根据划分得到的上下文推荐域，建立上下文推荐域内得分转换单元，再通过上下文推荐域内得分转换单元，对上下文推荐集CT进行域内融合；
将融合集HM和上下文推荐集CT，以预设的加权值进行加权融合，形成总融合集，所述最终融合集用于商品品类排序和商品排序。
结合第一方面，在第一方面的第五种可能的实现方式中，所述按照品类得分对商品品类进行排序，并在每个商品品类中对所选取的商品排序，包括：
计算所述总融合集中第i个品类的得分G_score(i)，其中， gds_score(i,j)表示第i个品类中的第j个商品，k表示…N表示…；
前top-n(n>m)个推荐商品按如下规则生成：
top1: i_rank＝1and g_rank＝1
top2: i_rank＝1and g_rank＝2
…
topm: i_rank＝1and g_rank＝m
topm+1: i_rank＝2and g_rank＝1
topm+2: i_rank＝2and g_rank＝2
…
直到取够n个商品为止，形成最终top-n融合推荐商品，并将最终top-n融合推荐商品按照所排顺序向用户反馈，其中，品类排序为g_rank,最大排序为m，品类内商品的排序为i_rank。
第二方面，本发明的实施例提供的装置，包括：
模型管理模块，用于从模型库中提取推荐模型，并将所提取的推荐模型划分到至少两种推荐域中，所述推荐域包括内容类推荐域和行为类推荐域，其中，所述内容类推荐域包括：基于用户属性信息和标签信息建立的推荐模型，所述行为类推荐域包括：基于用户的购物行为建立的推荐模型；
融合模块，用于根据划分得到的推荐域，分别建立得分转换单元，所述得分转换单元至少包括：内容类域内得分转换单元、行为类域内得分转换单元和域间得分转换单元；并通过所述内容类域内得分转换单元，对内容类推荐集进行域内融合，并通过所述行为类域内得分转换单元，对行为类推荐集进行域内融合，再通过所述域间得分转换单元对所述内容类推荐集和所述行为类推荐集进行域间融合，并结合上下文推荐集，得到至少3种融合集；
分析模块，用于根据得到的融合集，按照品类得分对商品品类进行排序，并在每个商品品类中对所选取的商品排序。
结合第二方面，在第二方面的第一种可能的实现方式中，所述融合模块，具体用于利用历史单个推荐模型集数据和用户的行为数据，基于三层人工神经网络模型，通过误差反向传播算法对所述划分得到的推荐域中的推荐模型进行训练；并将训练得到的推荐模型建立得分转换单元，其中，在所述得分转换单元中以单个召回数据作为输入，通过所述训练得到的推荐模型计算得到融合得分。
结合第二方面的第一种可能的实现方式，在第二种可能的实现方式中，所述融合模块，具体用于根据推荐结果表，从所述历史单个推荐模型集数据和所述用户的行为数据中，获取用户商品对(user,item)、对应用户商品对的推荐来源rec_src和对应用户商品对的原始得分raw_score；并对获取的推荐来源进行编码，其中，推荐域中的推荐模型有n个，并标识为模型1、模型2、…和模型n,模型i的编码为(0,0，…1…0)的n维向量，其中第i位的取值为1，其他取值均为0；再根据所述用户商品对，检测用户对用户商品对所表示的推荐商品在指定时间段内是否存在点击或则浏览行为，若是则训练目标变量is_focused＝1，若否则is_focused＝0；之后建立所述三层人工神经网络模型，其中，输出层为推荐模型的推荐来源rec_src和原始得分raw_score，输出层为所述训练目标变量，隐含层为两层，推荐模型的训练采用误差反向传播算法。
结合第二方面，在第二方面的第三种可能的实现方式中，所述融合模块，还用于根据划分得到的上下文推荐域，建立上下文推荐域内得分转换单元，再通过上下文推荐域内得分转换单元，对上下文推荐集CT进行域内融合；并将融合集HM和上下文推荐集CT，以预设的加权值进行加权融合，形成总融合集，所述最终融合集用于商品品类排序和商品排序，其中，所述推荐域还包括上下文推荐域，所述上下文推荐域包括：基于时间、地点、天气和舆情信息建立的推荐模型。
本发明实施例提供的个性化推荐方法及装置，实现了对已有多个推荐模型的推荐系统进行集合理融合，实现了对于推荐结果的准确性和多样性的调节，提高了可同时进行分析的推荐集的数量，提高了分析过程中推荐集的可扩展性，使之可以应用在更加复杂的电子商务业务中，因此扩大了应用范围。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。
图1为本发明实施例提供的方法流程示意图；
图2a、图2b为本发明实施例提供的逻辑过程示意图；
图3、图4、图5为本发明实施例提供的具体实例的示意图；
图6为本发明实施例提供的装置示意图。
具体实施方式
为使本领域技术人员更好地理解本发明的技术方案，下面结合附图和具体实施方式对本发明作进一步详细描述。下文中将详细描述本发明的实施方式，所述实施方式的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施方式是示例性的，仅用于解释本发明，而不能解释为对本发明的限制。本技术领域技术人员可以理解，除非特意声明，这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是，本发明的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件，但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。应该理解，当我们称元件被“连接”或“耦接”到另一元件时，它可以直接连接或耦接到其他元件，或者也可以存在中间元件。此外，这里使用的“连接”或“耦接”可以包括无线连接或耦接。这里使用的措辞“和/或”包括一个或更多个相关联的列出项的任一单元和全部组合。本技术领域技术人员可以理解，除非另外定义，这里使用的所有术语(包括技术术语和科学术语)具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是，诸如通用字典中定义的那些术语应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非像这里一样定义，不会用理想化或过于正式的含义来解释。
本发明实施例提供一种个性化推荐方法，如图1所示，包括：
S1、从模型库中提取推荐模型，并将所提取的推荐模型划分到至少两种推荐域中。
其中，所述推荐域包括内容类推荐域和行为类推荐域；所述内容类推荐域包括：基于用户属性信息和标签信息建立的推荐模型，所述行为类推荐域包括：基于用户的购物行为建立的推荐模型。
所述模型库中的各推荐模型，这些推荐模型使用时，主要输入的为用户的特征信息和推荐项的特征信息，通过用户特征和项目特征的提取，并通过推荐模型的推荐算法最终为用户推荐出推荐项列表。
具体的，可以对现有推荐模型进行分类和划分：如果推荐建模主要基于用户属性，内容分类标签等信息建立的模型可划分为内容类推荐域；如果推荐建模主要基于用户近期、远期的电商购物行为建立模型可划分为行为类推荐域；如果推荐建模是基于时间、地点、天气、舆情等建立模型划为上下文推荐域。其中，基于内容类推荐模型集建立内容类域内得分转换单元；基于行为类推荐模型集建立行为类域内得分转换单元；基于内容类总体集和行为类总体集，建立内容类和行为类域间得分转换单元。
S2、根据划分得到的推荐域，分别建立得分转换单元。
其中，所述得分转换单元至少包括：内容类域内得分转换单元、行为类域内得分转换单元和域间得分转换单元。
例如：如图2a所示的，内容类推荐域中的推荐模型可以理解为：当用户特征和项目特征主要是关于所访问的指定内容的网页、指定类型的商品等，那么该推荐模型就是“内容类”推荐模型。行为类推荐域中的推荐模型可以理解为：当用户特征和项目特征主要是关于行为的(例如，点击，浏览，购买等等)，那么该推荐模型就是“行为类”推荐模型。“域内”融合可以理解为：对都是“行为类”模型或者都是“内容类”模型进行融合。“域间”融合可以理解为：对“行为类”模型和“内容类”模型进行融合。
S3、通过所述内容类域内得分转换单元，对内容类推荐集进行域内融合，并通过所述行为类域内得分转换单元，对行为类推荐集进行域内融合，再通过所述域间得分转换单元对所述内容类推荐集和所述行为类推荐集进行域间融合，得到至少3种融合集。
在本实施例中，采用分域融合策略，可以从内容类、行为类、上下文三个模型域分别进行模型的融合，使得融合更合理，流程更清晰。具体的，根据推荐模型的属性，需要将模型划分成三个域：内容类推荐、行为类推荐、上下文推荐。首先需要将内容类推荐集和行为类推荐集模型，分别根据历史数据建立域内得分转换单元和域间得分转换单元，然后据此先通过域内融合再通过域间融合，并结合上下文推荐结果一并形成初步融合结果，且在每一步融合过程中都需进行商品去重。例如：如图2b所示的，若采用上下文推荐域中的推荐模型，其推荐算法的输入信息是用户所处的时间、地点、季节、舆情等信息，然后为用户推荐合适的项目。
S4、根据得到的融合集，按照品类得分对商品品类进行排序，并在每个商品品类中对所选取的商品排序。
本发明实施例提供的个性化推荐方法，实现了对已有多个推荐模型的推荐系统进行集合理融合，实现了对于推荐结果的准确性和多样性的调节，提高了可同时进行分析的推荐集的数量，提高了分析过程中推荐集的可扩展性，使之可以应用在更加复杂的电子商务业务中，因此扩大了应用范围。
在本实施例中，S2所述根据划分得到的推荐域，分别建立得分转换单元，的具体方式可以包括：
利用历史单个推荐模型集数据和用户的行为数据，基于三层人工神经网络模型，通过误差反向传播算法对所述划分得到的推荐域中的推荐模型进行训练；
将训练得到的推荐模型建立得分转换单元，其中，在所述得分转换单元中以单个召回数据作为输入，通过所述训练得到的推荐模型计算得到融合得分。
在本实施例中，可以基于人工神经网络建立得分转换单元(convert unit)，比如：结合历史单个推荐模型集数据以及用户点击浏览行为，基于如图4所示的三层人工神经网络模型，通过误差反向传播算法进行参数学习，等训练结束神经网络模型确定，得分转换单元建立完成，后续可通过输入单个召回数据为输入，可以得到新的融合得分。
其中，所述利用历史单个推荐模型集数据和用户的行为数据，基于三层人工神经网络模型，通过误差反向传播算法对融合模型进行训练的具体方式，包括：
根据推荐结果表，从所述历史单个推荐模型集数据和所述用户的行为数据中，获取用户商品对(user,item)、对应用户商品对的推荐来源rec_src和对应用户商品对的原始得分raw_score；
对获取的推荐来源进行编码，其中，推荐域中的推荐模型有n个，并标识为模型1、模型2、…和模型n,模型i的编码为(0,0，…1…0)的n维向量，其中第i位的取值为1，其他取值均为0；
根据所述用户商品对，检测用户对用户商品对所表示的推荐商品在指定时间段内是否存在点击或则浏览行为，若是则训练目标变量is_focused＝1，若否则is_focused＝0；
建立所述三层人工神经网络模型，其中，输出层为推荐模型的推荐来源rec_src和原始得分raw_score，输出层为所述训练目标变量，隐含层为两层，推荐模型的训练采用误差反向传播算法。
例如：假设参与得分转换单元建立的模型有n个，并标识为模型1，模型2，…模型n,然后根据图3的策略图，执行如图5所示的流程：
101、根据已有推荐结果表，获取用户商品对(user,item)以及相应的推荐来源rec_src和原始得分raw_score；
102、对推荐来源进行编码，编码规则包括：模型i编码为(0,0，…1…0)的n维向量，其中第i位的取值为1，其他取值均为0，在图3中rec_src即为模型i对应的编码向量；
103、根据(user,item)对获取用户对该推荐商品在近期3日内是否有点击或则浏览行为，如果有，训练目标变量is_focused＝1，否则is_focused＝0；
104、如图4所示的，建立三层人工神经网络模型，输出层为模型来源编码与原始得分，输出层为is_focused，隐含层为两层。基于误差反向传播算法进行模型训练。
通过101-104的步骤，分别建立域间得分转换单元和域内得分转换单元：
在本实施例中，S3中所述通过所述域间得分转换单元对所述内容类推荐集和所述行为类推荐集进行域间融合，包括：
通过所述内容类域内得分转换单元，将CB1,CB2,…CBp融合得到内容类域内融合集CB，通过所述行为类域内得分转换单元，对BM1,BM2,…BMq融合得到行为类域内融合集BM；
根据CB和BM建立内容类和行为类类间融合集HM，其中，所述内容类推荐集有p个：CB1,CB2,…CBp，所述行为类推荐集有q个：BM1,BM2,…BMq，其中，CB1,CB2,…CBp表示内容类推荐集，BM1,BM2,…BMq表示行为类推荐集。
例如：如图3所示的，根据内容类得分转换单元将CB1,CB2,…CBp融合得到内容类域内融合集CB；根据行为类得分转换单元将BM1,BM2,…BMq融合得到行为类域内融合集BM；根据CB和BM建立内容类和行为类类间融合集HM；
本实施例中还提供一种结合上下文推荐域的处理方式，包括：
根据划分得到的上下文推荐域，建立上下文推荐域内得分转换单元，再通过上下文推荐域内得分转换单元，对上下文推荐集CT进行域内融合；其中，所述推荐域还包括上下文推荐域，所述上下文推荐域包括：基于时间、地点、天气和舆情信息建立的推荐模型。
将融合集HM和上下文推荐集CT，以预设的加权值进行加权融合，形成总融合集，所述最终融合集用于商品品类排序和商品排序。
例如：在优选方案中，HM集和上下文推荐集CT分别以0.5的加权值做融合形成总集。
在本实施例中，S4、所述按照品类得分对商品品类进行排序，并在每个商品品类中对所选取的商品排序，包括：
计算所述总融合集中第i个品类的得分G_score(i)，其中， gds_score(i,j)表示第i个品类中的第j个商品，k表示…N表示…；
前top-n(n>m)个推荐商品按如下规则生成：
top1: i_rank＝1and g_rank＝1
top2: i_rank＝1and g_rank＝2
…
topm: i_rank＝1and g_rank＝m
topm+1: i_rank＝2and g_rank＝1
topm+2: i_rank＝2and g_rank＝2
…
直到取够n个商品为止，形成最终top-n融合推荐商品，并将最终top-n融合推荐商品按照所排顺序向用户反馈，其中，品类排序为g_rank,最大排序为m，品类内商品的排序为i_rank。
本实施例中，提供一种品类轮询穿插排序策略。该方法从用户体验和推荐多样性的角度出发，采用了按品类组得分轮询穿插排序策略。具体在所得到的融合集的基础上，根据品类得分确定品类排序，然后按此排序在每个品类以此选取商品，所选商品在本品类内也是按得分大小排序的。例如：用户在电商网站上的长期浏览电器相关的商品，根据行为类模型为他推荐的商品是：电器1，电器2，电器3，电器4。Bob的标签是音乐爱好者，根据内容类模型给他推荐的商品是:CD1,CD2,CD3.又因为最近是冬季，根据上下文模型推荐羽绒服，最终的融合结果是：电器1、电器2、CD1、电器3、CD2、羽绒服、CD3、电器4。其中，最终两两排序的意义是为了防止品类集中，实现品类穿插。
在目前的方案中，获取融合集主要采用的推荐融合方法有：加权法(Weighted)、切换法(Switching)和特征增强(Feature Augmentation)。由于在电子商务领域，个性化推荐模型不是单一的，需要根据用户行为、用户画像以及社会规则等等建立推荐模型，全方位多角度为用户推荐个性化商品。然而，在为用户最终生产推荐商品列表时就要考虑如何把不同角度，不同粒度的模型的召回结果进行合理的融合最终生产推荐结果，这种技术叫做模型融合。
在本实施例中，可以将推荐模型大体分为三类：一是基于内容的推荐模型(Content-Based)，是基于用户和商品自身标签和属性进行推荐；二是基于行为类的模型(Behavior-Model)，根据用户短期、长期、周期等不同时间粒度对商品的点击、收藏、架构等等行为，以及用户和商品特征建立的推荐模型；三是基于上下文的推荐模型(Contextual-Model)，该模型基于时间、地点、季节、气候等因素生产相关推荐商品。其中每一类模型中又可以从模型维度、时间维度、群体维度等建立不同的推荐模型以生成不同的推荐集。
模型融合本质上对不同角度推荐结果的混合，不同模型集中的商品得分与排序意义不同，需要合理的方法将多个商品列表集进行混合和重排序，形成新的召回商品集。在本实施例中通过建立基于人工神经网络的转换单元实现召回融合；且在融合过程中有不同推荐集有相同商品，要进行去重处理；进一步的，在融合结束后为防止同品类商品“堆叠”情况，进行轮询排序，最终生成推荐列表。从而实现了对已有多个推荐模型的推荐系统进行集合理融合，调节推荐结果的准确性和多样性，提升推荐系统性能。此外该方法也有助于推荐集的增加，可扩展性强。
在当前智能推荐方案中，都有一个亟需解决的问题：即随着推荐系统的逐步更新，不同角度，不同粒度的推荐模型集会不断产生，要考虑如何对它们进行合理的融合最终产生给用户兼顾准确性和多样性的推荐结果。本方法属于业务独立的通用模型，应用面广，可应用于电子商务推荐、新闻推荐、音乐推荐、视频推荐、以及各种服务推荐等领域。由于本实施例是在已有单个推荐模型的基础上融合，属于后置模型，不影响任何使用方已有的各种推荐模块；并且本实施例实现了离线模型训练，线上参数部署，降低了对于线上系统的改造难度。并且由于实现了对于推荐集的融合，理论上可以根据实际需要无限量扩展集，提高了本方案的可扩展性，使之可以应用在更加复杂的电子商务业务中。
本发明实施例还提供一种个性化推荐装置，如图6所示，包括：
模型管理模块，用于从模型库中提取推荐模型，并将所提取的推荐模型划分到至少两种推荐域中，所述推荐域包括内容类推荐域和行为类推荐域，其中，所述内容类推荐域包括：基于用户属性信息和标签信息建立的推荐模型，所述行为类推荐域包括：基于用户的购物行为建立的推荐模型；
融合模块，用于根据划分得到的推荐域，分别建立得分转换单元，所述得分转换单元至少包括：内容类域内得分转换单元、行为类域内得分转换单元和域间得分转换单元；并通过所述内容类域内得分转换单元，对内容类推荐集进行域内融合，并通过所述行为类域内得分转换单元，对行为类推荐集进行域内融合，再通过所述域间得分转换单元对所述内容类推荐集和所述行为类推荐集进行域间融合，结合上下文荐集，得到至少3种融合集；
分析模块，用于根据得到的融合集，按照品类得分对商品品类进行排序，并在每个商品品类中对所选取的商品排序。
所述融合模块，具体用于利用历史单个推荐模型集数据和用户的行为数据，基于三层人工神经网络模型，通过误差反向传播算法对所述划分得到的推荐域中的推荐模型进行训练；并将训练得到的推荐模型建立得分转换单元，其中，在所述得分转换单元中以单个召回数据作为输入，通过所述训练得到的推荐模型计算得到融合得分。
所述融合模块，具体用于根据推荐结果表，从所述历史单个推荐模型集数据和所述用户的行为数据中，获取用户商品对(user,item)、对应用户商品对的推荐来源rec_src和对应用户商品对的原始得分raw_score；并对获取的推荐来源进行编码，其中，推荐域中的推荐模型有n个，并标识为模型1、模型2、…和模型n,模型i的编码为(0,0，…1…0)的n维向量，其中第i位的取值为1，其他取值均为0；再根据所述用户商品对，检测用户对用户商品对所表示的推荐商品在指定时间段内是否存在点击或则浏览行为，若是则训练目标变量is_focused＝1，若否则is_focused＝0；之后建立所述三层人工神经网络模型，其中，输出层为推荐模型的推荐来源rec_src和原始得分raw_score，输出层为所述训练目标变量，隐含层为两层，推荐模型的训练采用误差反向传播算法。
所述融合模块，还用于根据划分得到的上下文推荐域，建立上下文推荐域内得分转换单元，再通过上下文推荐域内得分转换单元，对上下文推荐集CT进行域内融合；并将融合集HM和上下文推荐集CT，以预设的加权值进行加权融合，形成总融合集，所述最终融合集用于商品品类排序和商品排序，其中，所述推荐域还包括上下文推荐域，所述上下文推荐域包括：基于时间、地点、天气和舆情信息建立的推荐模型。
本发明实施例提供的个性化推荐装置，实现了对已有多个推荐模型的推荐系统进行集合理融合，实现了对于推荐结果的准确性和多样性的调节，提高了可同时进行分析的推荐集的数量，提高了分析过程中推荐集的可扩展性，使之可以应用在更加复杂的电子商务业务中，因此扩大了应用范围。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于设备实施例而言，由于其基本相似于方法实施例，所以描述得比较简单，相关之处参见方法实施例的部分说明即可。以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求的保护范围为准。
Claims (10)
1.一种个性化推荐方法，其特征在于，包括：
从模型库中提取推荐模型，并将所提取的推荐模型划分到至少两种推荐域中，所述推荐域包括内容类推荐域和行为类推荐域，其中，所述内容类推荐域包括：基于用户属性信息和标签信息建立的推荐模型，所述行为类推荐域包括：基于用户的购物行为建立的推荐模型；
根据划分得到的推荐域，分别建立得分转换单元，所述得分转换单元至少包括：内容类域内得分转换单元、行为类域内得分转换单元和域间得分转换单元；
通过所述内容类域内得分转换单元，对内容类推荐集进行域内融合，并通过所述行为类域内得分转换单元，对行为类推荐集进行域内融合，再通过所述域间得分转换单元对所述内容类推荐集和所述行为类推荐集进行域间融合，结合上下文推荐集，得到至少3种融合集；
根据得到的融合集，按照品类得分对商品品类进行排序，并在每个商品品类中对所选取的商品排序。
2.根据权利要求1所述的方法，其特征在于，所述根据划分得到的推荐域，分别建立得分转换单元，包括：
利用历史单个推荐模型集数据和用户的行为数据，基于三层人工神经网络模型，通过误差反向传播算法对所述划分得到的推荐域中的推荐模型进行训练；
将训练得到的推荐模型建立得分转换单元，其中，在所述得分转换单元中以单个召回数据作为输入，通过所述训练得到的推荐模型计算得到融合得分。
3.根据权利要求2所述的方法，其特征在于，所述利用历史单个推荐模型集数据和用户的行为数据，基于三层人工神经网络模型，通过误差反向传播算法对所述划分得到的推荐域中的推荐模型进行训练，包括：
根据推荐结果表，从所述历史单个推荐模型集数据和所述用户的行为数据中，获取用户商品对(user,item)、对应用户商品对的推荐来源rec_src和对应用户商品对的原始得分raw_score；
对获取的推荐来源进行编码，其中，推荐域中的推荐模型有n个，并标识为模型1、模型2、…和模型n,模型i的编码为(0,0，…1…0)的n维向量，其中第i位的取值为1，其他取值均为0；
根据所述用户商品对，检测用户对用户商品对所表示的推荐商品在指定时间段内是否存在点击或则浏览行为，若是则训练目标变量is_focused＝1，若否则is_focused＝0；
建立所述三层人工神经网络模型，其中，输出层为推荐模型的推荐来源rec_src和原始得分raw_score，输出层为所述训练目标变量，隐含层为两层，推荐模型的训练采用误差反向传播算法。
4.根据权利要求1所述的方法，其特征在于，所述通过所述域间得分转换单元对所述内容类推荐集和所述行为类推荐集进行域间融合，包括：
通过所述内容类域内得分转换单元，将CB1,CB2,…CBp融合得到内容类域内融合集CB，通过所述行为类域内得分转换单元，对BM1,BM2,…BMq融合得到行为类域内融合集BM，其中，CB1,CB2,…CBp表示内容类推荐集，BM1,BM2,…BMq表示行为类推荐集；
根据CB和BM建立内容类和行为类类间融合集HM，其中，所述内容类推荐集有p个：CB1,CB2,…CBp，所述行为类推荐集有q个：BM1,BM2,…BMq。
5.根据权利要求4所述的方法，其特征在于，还包括：
所述推荐域还包括上下文推荐域，所述上下文推荐域包括：基于时间、地点、天气和舆情信息建立的推荐模型；
根据划分得到的上下文推荐域，建立上下文推荐域内得分转换单元，再通过上下文推荐域内得分转换单元，对上下文推荐集CT进行域内融合；
将融合集HM和上下文推荐集CT，以预设的加权值进行加权融合，形成总融合集，所述最终融合集用于商品品类排序和商品排序。
6.根据权利要求1所述的方法，其特征在于，所述按照品类得分对商品品类进行排序，并在每个商品品类中对所选取的商品排序，包括：
计算所述总融合集中第i个品类的得分G_score(i)，其中， gds_score(i,j)表示第i个品类中的第j个商品，k表示…N表示…；
前top-n(n>m)个推荐商品按如下规则生成：
top1:i_rank＝1and g_rank＝1
top2:i_rank＝1and g_rank＝2
…
topm:i_rank＝1and g_rank＝m
topm+1:i_rank＝2and g_rank＝1
topm+2:i_rank＝2and g_rank＝2
…
直到取够n个商品为止，形成最终top-n融合推荐商品，并将最终top-n融合推荐商品按照所排顺序向用户反馈，其中，品类排序为g_rank,最大排序为m，品类内商品的排序为i_rank。
7.一种个性化推荐装置，其特征在于，包括：
模型管理模块，用于从模型库中提取推荐模型，并将所提取的推荐模型划分到至少两种推荐域中，所述推荐域包括内容类推荐域和行为类推荐域，其中，所述内容类推荐域包括：基于用户属性信息和标签信息建立的推荐模型，所述行为类推荐域包括：基于用户的购物行为建立的推荐模型；
融合模块，用于根据划分得到的推荐域，分别建立得分转换单元，所述得分转换单元至少包括：内容类域内得分转换单元、行为类域内得分转换单元和域间得分转换单元；并通过所述内容类域内得分转换单元，对内容类推荐集进行域内融合，并通过所述行为类域内得分转换单元，对行为类推荐集进行域内融合，再通过所述域间得分转换单元对所述内容类推荐集和所述行为类推荐集进行域间融合，得到至少3种融合集；
分析模块，用于根据得到的融合集，按照品类得分对商品品类进行排序，并在每个商品品类中对所选取的商品排序。
8.根据权利要求7所述的装置，其特征在于，所述融合模块，具体用于利用历史单个推荐模型集数据和用户的行为数据，基于三层人工神经网络模型，通过误差反向传播算法对所述划分得到的推荐域中的推荐模型进行训练；并将训练得到的推荐模型建立得分转换单元，其中，在所述得分转换单元中以单个召回数据作为输入，通过所述训练得到的推荐模型计算得到融合得分。
9.根据权利要求8所述的装置，其特征在于，所述融合模块，具体用于根据推荐结果表，从所述历史单个推荐模型集数据和所述用户的行为数据中，获取用户商品对(user,item)、对应用户商品对的推荐来源rec_src和对应用户商品对的原始得分raw_score；并对获取的推荐来源进行编码，其中，推荐域中的推荐模型有n个，并标识为模型1、模型2、…和模型n,模型i的编码为(0,0，…1…0)的n维向量，其中第i位的取值为1，其他取值均为0；再根据所述用户商品对，检测用户对用户商品对所表示的推荐商品在指定时间段内是否存在点击或则浏览行为，若是则训练目标变量is_focused＝1，若否则is_focused＝0；之后建立所述三层人工神经网络模型，其中，输出层为推荐模型的推荐来源rec_src和原始得分raw_score，输出层为所述训练目标变量，隐含层为两层，推荐模型的训练采用误差反向传播算法。
10.根据权利要求7所述的装置，其特征在于，所述融合模块，还用于根据划分得到的上下文推荐域，建立上下文推荐域内得分转换单元，再通过上下文推荐域内得分转换单元，对上下文推荐集CT进行域内融合；并将融合集HM和上下文推荐集CT，以预设的加权值进行加权融合，形成总融合集，所述最终融合集用于商品品类排序和商品排序，其中，所述推荐域还包括上下文推荐域，所述上下文推荐域包括：基于时间、地点、天气和舆情信息建立的推荐模型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710379128.7A CN108932643A (zh) | 2017-05-25 | 2017-05-25 | 一种个性化推荐方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710379128.7A CN108932643A (zh) | 2017-05-25 | 2017-05-25 | 一种个性化推荐方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN108932643A true CN108932643A (zh) | 2018-12-04 |
Family
ID=64450006
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710379128.7A Pending CN108932643A (zh) | 2017-05-25 | 2017-05-25 | 一种个性化推荐方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108932643A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109800347A (zh) * | 2018-12-10 | 2019-05-24 | 淮阴工学院 | 一种基于个性化时间窗口提取信息主干的方法 |
| CN109961327A (zh) * | 2019-04-11 | 2019-07-02 | 上海拉扎斯信息科技有限公司 | 数据处理方法、装置、电子设备及计算机可读存储介质 |
| CN111582973A (zh) * | 2020-04-09 | 2020-08-25 | 苏宁云计算有限公司 | 一种商品推荐数据生成方法、装置及系统 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102411754A (zh) * | 2011-11-29 | 2012-04-11 | 南京大学 | 一种基于商品属性熵值的个性化推荐方法 |
| CN103353920A (zh) * | 2013-05-31 | 2013-10-16 | 北京百度网讯科技有限公司 | 基于社交网络推荐游戏的方法和装置 |
| CN104794207A (zh) * | 2015-04-23 | 2015-07-22 | 山东大学 | 一种基于协作的推荐系统及其工作方法 |
| CN105321089A (zh) * | 2014-07-16 | 2016-02-10 | 苏宁云商集团股份有限公司 | 基于多算法融合的电子商务推荐方法和系统 |
| CN105824897A (zh) * | 2016-03-14 | 2016-08-03 | 湖南大学 | 基于卡尔曼滤波的混合推荐系统及方法 |
| CN106022865A (zh) * | 2016-05-10 | 2016-10-12 | 江苏大学 | 一种基于评分和用户行为的商品推荐方法 |
| CN106327227A (zh) * | 2015-06-19 | 2017-01-11 | 北京航天在线网络科技有限公司 | 一种信息推荐系统及信息推荐方法 |
-
2017
- 2017-05-25 CN CN201710379128.7A patent/CN108932643A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102411754A (zh) * | 2011-11-29 | 2012-04-11 | 南京大学 | 一种基于商品属性熵值的个性化推荐方法 |
| CN103353920A (zh) * | 2013-05-31 | 2013-10-16 | 北京百度网讯科技有限公司 | 基于社交网络推荐游戏的方法和装置 |
| CN105321089A (zh) * | 2014-07-16 | 2016-02-10 | 苏宁云商集团股份有限公司 | 基于多算法融合的电子商务推荐方法和系统 |
| CN104794207A (zh) * | 2015-04-23 | 2015-07-22 | 山东大学 | 一种基于协作的推荐系统及其工作方法 |
| CN106327227A (zh) * | 2015-06-19 | 2017-01-11 | 北京航天在线网络科技有限公司 | 一种信息推荐系统及信息推荐方法 |
| CN105824897A (zh) * | 2016-03-14 | 2016-08-03 | 湖南大学 | 基于卡尔曼滤波的混合推荐系统及方法 |
| CN106022865A (zh) * | 2016-05-10 | 2016-10-12 | 江苏大学 | 一种基于评分和用户行为的商品推荐方法 |
Non-Patent Citations (1)
| Title |
|---|
| 雪伦_: "模型融合", 《CSDN博客，网址：HTTPS://BLOG.CSDN.NET/A819825294/ARTICLE/DETAILS/51699985?LOCATIONNUM=11&FPS=1》 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109800347A (zh) * | 2018-12-10 | 2019-05-24 | 淮阴工学院 | 一种基于个性化时间窗口提取信息主干的方法 |
| CN109961327A (zh) * | 2019-04-11 | 2019-07-02 | 上海拉扎斯信息科技有限公司 | 数据处理方法、装置、电子设备及计算机可读存储介质 |
| CN111582973A (zh) * | 2020-04-09 | 2020-08-25 | 苏宁云计算有限公司 | 一种商品推荐数据生成方法、装置及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Christakou et al. | A hybrid movie recommender system based on neural networks | |
| Liu et al. | Exploiting aesthetic preference in deep cross networks for cross-domain recommendation | |
| CN109785062A (zh) | 一种基于协同过滤模型的混合神经网络推荐系统 | |
| CN110837598A (zh) | 信息推荐方法、装置、设备及存储介质 | |
| Purohit et al. | A classification based web service selection approach | |
| CN113343119B (zh) | 一种基于层次注意力机制的群组推荐方法 | |
| CN108595493A (zh) | 媒体内容的推送方法和装置、存储介质、电子装置 | |
| Liu et al. | GNNRec: Gated graph neural network for session-based social recommendation model | |
| CN108932643A (zh) | 一种个性化推荐方法及装置 | |
| CN112699310A (zh) | 基于深度神经网络的冷启动跨域混合推荐的方法及系统 | |
| Wang et al. | A fog-based recommender system | |
| Wang et al. | Mixed similarity diffusion for recommendation on bipartite networks | |
| CN115329215A (zh) | 异构网络中基于自适应动态知识图谱的推荐方法及系统 | |
| Liang et al. | Graph path fusion and reinforcement reasoning for recommendation in MOOCs | |
| Wang et al. | Online course recommendation algorithm based on multilevel fusion of user features and item features | |
| Jalali et al. | Collaborative filtering in dynamic networks based on deep auto-encoder | |
| Naseri et al. | Enhancing tag-based collaborative filtering via integrated social networking information | |
| CN108830680A (zh) | 基于离散分解机的个性化推荐方法、系统及存储介质 | |
| Khatter et al. | An Algorithmic approach for recommendation systems for web blogs and microblogs | |
| Zhang et al. | Dual-target cross-domain bundle recommendation | |
| Qiu et al. | Incorporating global context into multi-task learning for session-based recommendation | |
| Dhawan | Comparision of recommendation system approaches | |
| Mataoui et al. | A hybrid recommendation system for researchgate academic social network | |
| Kumar et al. | Collaborative Topic Regression-Based Recommendation Systems: A Comparative Study | |
| Rashidi et al. | Prediction of users’ future requests using neural network |
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 |
Application publication date: 20181204 |
|
| RJ01 | Rejection of invention patent application after publication |