CN109903111A - 用于个性化推荐的排序方法，排序模型训练方法和排序系统 - Google Patents
用于个性化推荐的排序方法，排序模型训练方法和排序系统 Download PDFInfo
- Publication number
- CN109903111A CN109903111A CN201711308395.1A CN201711308395A CN109903111A CN 109903111 A CN109903111 A CN 109903111A CN 201711308395 A CN201711308395 A CN 201711308395A CN 109903111 A CN109903111 A CN 109903111A
- Authority
- CN
- China
- Prior art keywords
- commodity
- user
- feature
- data
- order models
- 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
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供用于个性化推荐的排序方法、排序系统以及排序模型的训练方法。该排序方法包括：获取用户数据与商品数据并生成用户‑商品对，获取所述用户‑商品对的特征，获取商品优惠特征和商品热销特征，以及使用排序模型基于所述用户‑商品对的特征、所述商品优惠特征和所述商品热销特征对商品打分并基于得分排序。该排序方法和系统可以准确模拟和预测用户在秒杀服务中的购买行为，充分利用长尾效应，有效避免排序模型对低客单价商品的偏置问题，提高购物网站的提升转化率和利润。
Description
技术领域
本公开涉及计算机领域，具体涉及一种用于个性化推荐的排序方法，排序模型训练方法和排序系统。
背景技术
随着互联网和电子商务的快速发展，网上购物成为大多数用户购物的首选方式。购物网站针对用户使用个性化推荐算法以在种类繁多的商品中找出用户感兴趣的商品，精准的个性化推荐算法可以提高用户的购物体验，缩短购物时间。
在网上购物中经常以优惠促销的方式吸引用户。“秒杀”服务是近些年新出现的促销方式。但是，现有的个性化推荐算法考虑用户的实时兴趣变化和长期兴趣趋势，没有针对秒杀服务进行优化，因此个性化推荐算法在秒杀服务中进行推荐商品时存在偏向高优惠、低定价的低客单价商品的偏置问题，无法准确模拟并预测用户在秒杀服务中的购买行为，使得购物网站无法更有效地利用长尾效应(long tail effect)提高提升转化率(conversion rate optimization)和利润。
发明内容
本发明提出一种用于个性化推荐的排序方法，排序模型训练方法和排序系统，旨在克服现有的用于个性化推荐的排序算法仅考虑用户的实时兴趣变化和长期兴趣趋势而没有考虑到秒杀服务中的商品优惠特征的缺陷。
根据本发明的一方面，提供一种用于个性化推荐的排序方法，包括：
获取用户数据与商品数据并生成用户-商品对，
获取所述用户-商品对的特征，
获取商品优惠特征和商品热销特征，以及
使用排序模型基于所述用户-商品对的特征、所述商品优惠特征和所述商品热销特征对商品打分并基于得分排序。
其中，所述用户-商品对的特征包括用户特征，商品特征和用户商品交互特征。
其中，所述商品优惠特征包括所述商品的正常价格、优惠价格、优惠金额、优惠折扣中的至少一个。
其中，所述商品热销特征包括所述商品的实时购买数量和用户关注数量中的至少一个。
其中，以预定时间间隔获取或更新所述商品热销特征。
其中，所述排序模型为梯度提升树(GBDT)模型。
根据本发明的另一方面，提供一种用于个性化推荐的排序模型的训练方法，包括：
获取用户数据与商品数据并生成用户-商品对，
基于用户-商品对的特征生成所述排序模型的训练样本数据，
获取样本类型权重数据和价格等级权重数据，并基于所述样本类型权重数据和所述价格等级权重数据生成训练样本权重数据，
基于所述训练样本数据和所述训练样本权重数据训练排序模型。
其中，所述用户-商品对的特征包括用户特征，商品特征和用户商品交互特征。
其中，所述样本类型权重数据包括与所述用户与所述商品之间的内容相似度相关的权重数据，与所述用户与所述商品之间的购买相似度相关的权重数据以及与所述用户与所述商品之间的综合相似度相关的权重数据。
其中，所述价格等级权重数据包括与商品优惠特征相关的权重数据和与商品热销特征相关的权重数据。
其中，所述商品优惠特征包括所述商品的正常价格、优惠价格、优惠金额、优惠折扣中的至少一个。
其中，所述商品热销特征包括所述商品的实时购买数量和用户关注数量中的至少一个。
其中，以预定时间间隔获取或更新所述商品热销特征。
其中，所述排序模型为梯度提升树(GBDT)模型。
根据本发明的又一方面，提供一种用于个性化推荐的排序系统，包括：
购物服务器，设置为获取用户数据与商品数据，生成用户-商品对并将所述用户-商品对发送到打分服务器，以及接收并显示商品的排序结果，
数据服务器，设置为获取并存储用户-商品对的特征、商品优惠特征以及商品热销特征，以及
打分服务器，设置为存储排序模型，基于从所述购物服务器接收的所述用户-商品对和从所述数据服务器获取的所述用户-商品对的特征、所述商品优惠特征以及所述商品热销特征对所述商品打分并基于得分排序，以及将所述排序结果发送到所述购物服务器。
其中，所述用户-商品对的特征包括用户特征，商品特征和用户商品交互特征。
其中，所述商品优惠特征包括所述商品的正常价格、优惠价格、优惠金额、优惠折扣中的至少一个。
其中，所述商品热销特征包括所述商品的实时购买数量和用户关注数量中的至少一个。
其中，所述数据服务器包括数据载入组件，设置为从所述购物服务器获取所述商品优惠特征，并且以预定时间间隔从所述购物服务器获取或更新所述商品热销特征。
其中，所述排序模型为梯度提升树(GBDT)模型。
根据本发明的再一方面，提供一种计算机可读介质，其上存储有计算机程序，所述程序被处理器执行时实现如上所述的排序方法。
本发明的用于个性化推荐的排序方法，排序模型训练方法和排序系统，既能够从用户行为角度考虑用户的实时兴趣变化和长期兴趣趋势，也能够从商品价格角度考虑秒杀服务中的商品优惠特征和热销特征，可以更准确模拟和预测用户在秒杀服务中的购买行为，充分利用长尾效应，有效避免排序模型对低客单价商品的偏置问题，提高购物网站的提升转化率和利润。
附图说明
通过参照附图详细描述其示例性实施例，本公开的上述和其它特征及优点将变得更加明显。
图1为根据本发明实施例的用于个性化推荐的排序方法的流程图。
图2为根据本发明实施例的用于个性化推荐的排序模型的建模、训练和使用方法的流程图。
图3为根据本发明实施例的用于个性化推荐的排序系统的框图。
具体实施方式
现在将参考附图更全面地描述示例实施例。然而，示例实施例能够以多种形式实施，且不应被理解为限于在此阐述的实施例；相反，提供这些实施例使得本发明将全面和完整，并将示例实施例的构思全面地传达给本领域的技术人员。在图中相同的附图标记表示相同或类似的部分，因而将省略对它们的重复描述。
附图中所示的流程图仅是示例性说明，不是必须包括所有的内容和操作/步骤，也不是必须按所描述的顺序执行。例如，有的操作/步骤还可以分解，而有的操作/步骤可以合并或部分合并，因此实际执行的顺序有可能根据实际情况改变。
购物网站通常使用优惠促销的方式吸引用户关注和购买商品。“秒杀”服务作为近年来出现的促销手段，指商品在一定时间期间的定价明显低于正常价格或优惠程度很大以供用户购买。秒杀服务中的秒杀商品的可购买数量有限或没有限制，但是购买时间一般有限制。
例如，“京东秒杀”为一种提供基于优惠、促销的商品推荐位的服务，每天有8个场次，每个场次提供约50个商品，每个商品都有特定的秒杀价格，其中商品的秒杀价格一般低于平时价格。购物网站需要为每个用户提供商品的个性化推荐以吸引用户点击。目前针对秒杀服务的用于个性化推荐的排序方法主要有：
1.基于实时交互内容排序
根据用户对商品的实时浏览、收藏、加入购物车行为，以及根据商品与用户在不同时间期间(例如最近10次、最近1天、最近3天、最近1周等)对不同类别、品牌的商品的关注行为生成用户与商品之间的内容相似度信息。基于内容相似度生成训练排序模型的权重，该权重与用户对不同商品实施的关注行为相关联。例如，浏览的权重<收藏的权重<加入购物车的权重。如果用户在一周内浏览品牌A的次数大于浏览品牌B的次数，则一周内浏览品牌B的权重<一周内浏览品牌A的权重。
2.基于长期关联购买内容排序
根据用户订单信息中表征的用户购买行为，计算用户与商品之间的购买相似度。基于购买相似度生成训练排序模型的权重，该权重与用户对不同商品的购买行为相关联。例如，在用户订单中，用户购买商品A的数量多于商品B的数量，则商品A的权重>商品B的权重。
3.综合排序
结合内容相似度和购买相似度生成综合相似度。基于综合相似度生成训练排序模型的权重，该权重与用户对不同商品的关注和购买行为相关联。
通过获取“秒杀”服务在商品推荐位上的用户关注和购买商品的反馈数据，使用上述三种排序方式训练用于个性化推荐的排序模型。经训练的排序模型可以针对不同的用户对候选商品评分，并基于分数对商品排序确定在不同用户的“秒杀”商品推荐位上的商品显示次序。
但是，上述排序方法虽然从用户行为角度考虑了用户的实时兴趣变化和长期兴趣趋势，但是没有从商品价格角度考虑秒杀服务自身的特点。
普通的排序方法通常以用户是否购买商品为排序模型的训练目标。
由于用户更偏向于购买价格便宜的商品，因此诸如日用百货类的价格低优惠大的商品购买量大，诸如3C类的基础价格较高的商品购买量小。训练排序模型的训练样本数据中与用户与低价格商品之间的内容相似度、购买相似度和综合相似度相关联的训练权重显著大于高价格商品情况的训练权重，使得所训练的排序模型偏置于商品的低价格，即价格低的商品在排序结果中评分高，排序靠前使得用户购买量更大，而价格高的商品评分低，排序靠后导致用户购买量更小。虽然个性化推荐的排序模型推荐的商品推荐位的候选商品的提升转化率较高，但是都集中在低客单价格商品上。
商品在不同优惠幅度下购买率不同，并且较大优惠幅度的购买率变化较大。如果折扣较多，则平时不很感兴趣的用户也很可能购买该商品。秒杀服务中的商品优惠相比普通促销服务中的幅度更大，因此用户对秒杀商品的购买行为明显不同于对普通的优惠商品的购买行为。如果用上文中提及的个性化推荐的排序方法，这部分商品中的高客单价商品由于评分较低而被排除或无法被用户看到。因此考虑商品的优惠特征可以更准确地模拟和预测用户的商品购买行为，同样可以提高高客单价商品的提升转化率。而仅考虑用户对商品、优惠商品的购买行为在商品秒杀服务存在的情况下不能准确模拟并预测用户的购买行为，无法更有效利用长尾效应以提高购物网站的提升转化率和利润。
图1示出根据本发明的实施例的用于个性化推荐的排序方法。该排序方法主要包括如下步骤：
S101：获取用户数据与商品数据并生成用户-商品对。
当用户在购物网站或购物APP进入“秒杀”服务页面或模块时，购物服务器获取用户数据与商品数据并生成用户-商品对。用户数据包括用户ID，商品数据包括候选秒杀商品的商品ID或商品sku码。
S102：获取用户-商品对的特征。
该用户-商品对的特征包括用户特征、商品特征和用户商品交互特征。用户特征包括用户的级别、位置等。商品特征包括商品的类别、品牌和统计数据等。用户商品交互特征体现用户对商品的关注和购买情况。从类型维度来看，用户商品交互特征数据包括以时间维度的内容相似度，以行为维度的购买相似度，以及以时间和行为维度的混合相似度等，具体参见上文描述。
在该步骤中，将用户-商品对的特征转换为用于打分的排序模型可以使用的数据。
S103：获取商品优惠特征和商品热销特征。
商品在不同优惠力度下会对用户的购买行为产生不同程度的影响，综合考虑优惠特征，可以促使不打算购买的用户产生转化。商品优惠特征包括商品的正常价格、优惠价格(在秒杀服务中，还包括秒杀价格)、优惠金额、优惠折扣等中的至少一个。优惠商品，特别是秒杀商品的商品优惠特征数据每天被获取并存储在服务器或数据库中以供排序模型调用。
而对于商品热销特征，秒杀商品由于优惠大的原因，其热销程度与平时的热销程度可能完全不同，而秒杀服务中的商品只会短时间存在，例如几个小时或一天等，所以为了使排序模型更准确地模拟和预测在秒杀服务中的用户购买行为，需要考虑商品的实时热销特征。商品热销特征包括实时购买数量和用户关注数量等中的一个或多个。例如，在购物网站中，用户关注数量可以通过用户的“提醒我”功能中的设置数量来获得。
商品热销特征会实时更新，其以预设时间间隔(例如每1分钟，每10分钟等)从购物服务器获取或更新最新的数据并将该特征数据存储以供排序模型调用。
S104：使用排序模型基于用户-商品对的特征、商品优惠特征和商品热销特征对商品打分并基于得分排序。
经过有监督的机器学习方法训练的排序模型，可以使用评分函数基于步骤S102和S103中获取的各种特征数据针对不同的用户对商品进行打分并基于分数排序。商品的排序结果被提供给购物服务器以在购物网站或购物APP的秒杀服务界面上的商品推荐位显示。
下面，将结合附图2描述根据本发明的实施例的用于个性化推荐的排序模型的建模、训练和使用过程。
本发明以梯度提升树(Gradient Boosted Decision Tree,GBDT)模型为例描述用于个性化推荐的排序方法。本领域技术人员应当理解，使用其它类型的排序模型也是可以的。
GBDT模型通过将多个弱分类树组合(ensemble)成强分类树。该模型以{((u,s),label)}为训练集的训练样本数据单元。其中，u(user)表示用户，其可以是用户ID；s(sku，stock keeping unit，产品统一编号)表示商品，其还可以是商品ID。用户u和商品s构成用户-商品对(u,s)。label代表用户对商品的行为，在本实施例中，label为二进制数，其值取1时表示用户u购买了商品s，而取0则表示用户u浏览过商品s但是没有购买。
经训练的GBDT模型以评分函数P(u,s)为用户u和商品s组成的用户-商品对(u,s)打分并基于得分进行排序。用户-商品对(u,s)的得分表征对于用户u来说，他/她购买商品s的意愿程度，得分越高表示用户越愿意购买商品。
对排序模型建模后，需要对模型进行训练。该训练一般以线下方式完成。模型的训练方法包括：
S201：获取用户数据与商品数据并生成用户-商品对。
模型的训练样本数据通过收集线上的购物服务器获取的用户真实反馈数据获得。
S202：基于用户-商品对的特征生成所述排序模型的训练样本数据。
训练集中的训练样本数据单元包括了用户数据、商品数据和购买信息，此外训练集还包括用户-商品对的特征。用户-商品对特征包括如上文所述的用户特征、商品特征和用户商品交互特征，在此不再详述。
S203：获取样本类型权重数据和价格等级权重数据，并基于所述样本类型权重数据和所述价格等级权重数据生成训练样本权重数据。
在排序模型训练中，使用开源工具训练模型，给不同训练样本数据设定不同的权重。由于目标函数在高权重的数据上有更大误差，因此模型更倾向于优化权重大的数据从而更准确地模拟大权重的训练样本数据所表征的规律。
例如，用于平衡正负样本不均匀的情况时，假设正负样本比例为1：10，即大部分为负样本，则通过将正负样本权重设置为10：1，可以平衡模型对负样本的倾向性。
本发明的模型训练方法中，使用样本类型权重数据和价格等级权重数据。
样本类型权重数据体现用户和商品之间的交互特征，包括与用户与商品之间的内容相似度相关的权重数据，与用户与商品之间的购买相似度相关的权重数据以及与用户与商品之间的综合相似度相关的权重数据。这三种权重数据的设置方式参见上文。样本类型权重数据从用户行为的角度考虑用户的实时兴趣变化和长期兴趣趋势的交互特征。
对于下单、点击、浏览商品等用户行为赋予样本训练数据不同的对应样本类型权重。下单行为的权重大于点击行为的权重，点击行为的权重大于浏览行为的权重。例如，下单行为权重为10，点击权重为5，浏览权重为1。
除了考虑基于用户与商品的实时和长期交互特征的样本类型权重数据外，本发明还从商品价格角度考虑商品的价格等级权重数据。价格等级权重数据包括与商品优惠特征相关的权重数据和与商品热销特征相关的权重数据。对于商品优惠特征和商品热销特征的内容，参见上文描述。
根据本发明的实施例，对商品的秒杀价格进行等级划分，并根据不同价格等级赋予训练样本数据不同权重。其中，价格等级越大权重越大，等级越小权重越小。例如，商品价格小于100，则价格等级权重为1；商品价格小于200，价格等级权重为2；商品价格小于300，则价格等级权重为3，以此类推，最大权重为10。
也可以将样本类型权重数据与价格等级权重数据进行融合。若样本类型权重过大，表明此时排序模型的训练目标更偏重于用户行为，则模型效果为提高提升转化率，但降低客单价；若价格等级权重过大，表明此时排序模型的训练目标更偏重于商品的秒杀热销属性，则模型效果是提高客单价，同时保证一定的提升转化率。具体地，样本权重可计算为样本类型权重乘以价格等级权重。通过提高价格等级权重，高价订单训练样本数据会具有更高的权重，而GBDT模型整体上可以减弱对于低价商品的偏置，达到提高客单价的目的。
S204：基于所述训练样本数据和所述训练样本权重数据训练排序模型。
通过使用建模工具，使用上述训练样本数据及其特征对GBDT模型进行模型训练，参数调优，生成模型文件。
训练好的排序模型可以以线上方式对商品打分。
S205：使用经训练的排序模型基于获取的用户-商品对特征和商品优惠特征、商品热销特征为商品打分并根据商品的得分排序。
在模型使用中，将训练得到的模型文件放入线上打分服务器中。当一个用户进入购物网站或购物APP的秒杀功能的页面或模块时，打分服务器基于从数据服务器获取的包括用户特征、商品统计特征、用户商品交互特征等的用户-商品对特征以及商品优惠特征、商品热销特征为该用户-商品对中的商品打分并根据商品的得分排序，排序结果再发送到购物服务器以呈现给不同的用户。
图3示出根据本发明实施例的用于个性化推荐的排序系统100。
该系统100包括购物服务器200，数据服务器300和打分服务器400。
购物服务器200设置为通过购物网站或购物APP的购物页面或模块获取用户数据与商品数据，生成并发送用户-商品对，并显示从打分服务器400获得的商品的排序结果。
数据服务器300，设置为获取并存储用户-商品对的特征、商品优惠特征以及商品热销特征。数据服务器300包括数据载入组件301，其每天获取秒杀商品的商品优惠特征数据以及以预定时间间隔获取秒杀商品的商品热销特征数据，并将上述数据存储在数据服务器300的数据库中以供打分服务器提取。数据服务器300可以是高速缓存服务器。
打分服务器400，设置为存储排序模型401，将从购物服务器200获取的用户-商品对和从数据服务器300获取的所述用户-商品对的特征、所述商品优惠特征以及所述商品热销特征相关的数据交给排序模型401对商品打分并基于得分排序，以及将排序结果发送到购物服务器200。
经过发明人验证，当本方法全量应用于购物APP、购物网站首页的“京东秒杀”推荐位时，相比参考排序方法和排序系统，本发明的改进方法和系统的提升转化率提高了约15％，客单价提高了约20％，而用户价值提高了约30％，提升效果显著。
因此，本发明的用于个性化推荐的排序方法，排序模型训练方法和排序系统，既能够从用户行为角度考虑用户的实时兴趣变化和长期兴趣趋势，也能够从商品价格角度考虑秒杀服务中的商品优惠特征和热销特征，可以更准确模拟和预测用户在秒杀服务中的购买行为，充分利用长尾效应，有效避免排序模型对低客单价商品的偏置问题，提高购物网站的提升转化率和利润。
根据本发明的实施例，上述用于个性化推荐的排序方法、排序模型训练方法也可以采用计算机程序的方式实现。用于个性化推荐的排序系统100也可以用软件模块的形式实现。
所述程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
所述计算机可读存储介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了可读程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。可读存储介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。可读存储介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、有线、光缆、RF等等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言的任意组合来编写用于执行本发明操作的程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、C++等，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(LAN)或广域网(WAN)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被一个该设备执行时，使得该计算机可读介质实现如下上文所述的用于个性化推荐的排序方法，排序模型训练方法和排序系统。
附图中所示的方框图仅仅是功能实体，不一定必须与物理上独立的实体相对应。即，可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或以软件和硬件结合的形式实现这些功能实体，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
本领域技术人员可以理解上述各模块可以按照实施例的描述分布于装置中，也可以进行相应变化唯一不同于本实施例的一个或多个装置中。上述实施例的模块可以合并为一个模块，也可以进一步拆分成多个子模块。
以上具体地示出和描述了本发明的示例性实施例。应可理解的是，本发明不限于这里描述的详细结构、设置方式或实现方法；相反，本发明意图涵盖包含在所附权利要求的精神和范围内的各种修改和等效设置。
Claims (21)
1.一种用于个性化推荐的排序方法，其特征在于，包括：
获取用户数据与商品数据并生成用户-商品对，
获取所述用户-商品对的特征，
获取商品优惠特征和商品热销特征，以及
使用排序模型基于所述用户-商品对的特征、所述商品优惠特征和所述商品热销特征对商品打分并基于得分排序。
2.根据权利要求1所述的排序方法，其特征在于，
所述用户-商品对的特征包括用户特征，商品特征和用户商品交互特征。
3.根据权利要求1所述的排序方法，其特征在于，
所述商品优惠特征包括所述商品的正常价格、优惠价格、优惠金额、优惠折扣中的至少一个。
4.根据权利要求1所述的排序方法，其特征在于，
所述商品热销特征包括所述商品的实时购买数量和用户关注数量中的至少一个。
5.根据权利要求1所述的排序方法，其特征在于，
以预定时间间隔获取或更新所述商品热销特征。
6.根据权利要求1至5中任一项所述的排序方法，其特征在于，
所述排序模型为梯度提升树(GBDT)模型。
7.一种用于个性化推荐的排序模型的训练方法，其特征在于，包括：
获取用户数据与商品数据并生成用户-商品对，
基于用户-商品对的特征生成所述排序模型的训练样本数据，
获取样本类型权重数据和价格等级权重数据，并基于所述样本类型权重数据和所述价格等级权重数据生成训练样本权重数据，
基于所述训练样本数据和所述训练样本权重数据训练排序模型。
8.根据权利要求7所述的训练方法，其特征在于，
所述用户-商品对的特征包括用户特征，商品特征和用户商品交互特征。
9.根据权利要求7所述的训练方法，其特征在于，
所述样本类型权重数据包括与所述用户与所述商品之间的内容相似度相关的权重数据，与所述用户与所述商品之间的购买相似度相关的权重数据以及与所述用户与所述商品之间的综合相似度相关的权重数据。
10.根据权利要求7所述的训练方法，其特征在于，
所述价格等级权重数据包括与商品优惠特征相关的权重数据和与商品热销特征相关的权重数据。
11.根据权利要求10所述的训练方法，其特征在于，
所述商品优惠特征包括所述商品的正常价格、优惠价格、优惠金额、优惠折扣中的至少一个。
12.根据权利要求10所述的训练方法，其特征在于，
所述商品热销特征包括所述商品的实时购买数量和用户关注数量中的至少一个。
13.根据权利要求10所述的训练方法，其特征在于，
以预定时间间隔获取或更新所述商品热销特征。
14.根据权利要求7至13中任一项所述的训练方法，其特征在于，
所述排序模型为梯度提升树(GBDT)模型。
15.一种用于个性化推荐的排序系统，其特征在于，包括：
购物服务器，设置为获取用户数据与商品数据，生成用户-商品对并将所述用户-商品对发送到打分服务器，以及接收并显示商品的排序结果，
数据服务器，设置为获取并存储用户-商品对的特征、商品优惠特征以及商品热销特征，以及
打分服务器，设置为存储排序模型，基于从所述购物服务器接收的所述用户-商品对和从所述数据服务器获取的所述用户-商品对的特征、所述商品优惠特征以及所述商品热销特征对所述商品打分并基于得分排序，以及将所述排序结果发送到所述购物服务器。
16.根据权利要求15所述的排序系统，其特征在于，
所述用户-商品对的特征包括用户特征，商品特征和用户商品交互特征。
17.根据权利要求15所述的排序系统，其特征在于，
所述商品优惠特征包括所述商品的正常价格、优惠价格、优惠金额、优惠折扣中的至少一个。
18.根据权利要求15所述的排序系统，其特征在于，
所述商品热销特征包括所述商品的实时购买数量和用户关注数量中的至少一个。
19.根据权利要求15所述的排序系统，其特征在于，
所述数据服务器包括数据载入组件，设置为从所述购物服务器获取所述商品优惠特征，并且以预定时间间隔从所述购物服务器获取或更新所述商品热销特征。
20.根据权利要求15至19中任一项所述的排序系统，其特征在于，
所述排序模型为梯度提升树(GBDT)模型。
21.一种计算机可读介质，其上存储有计算机程序，所述程序被处理器执行时实现如权利要求1-6中任一项所述的排序方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711308395.1A CN109903111A (zh) | 2017-12-11 | 2017-12-11 | 用于个性化推荐的排序方法，排序模型训练方法和排序系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711308395.1A CN109903111A (zh) | 2017-12-11 | 2017-12-11 | 用于个性化推荐的排序方法，排序模型训练方法和排序系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109903111A true CN109903111A (zh) | 2019-06-18 |
Family
ID=66942176
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201711308395.1A Pending CN109903111A (zh) | 2017-12-11 | 2017-12-11 | 用于个性化推荐的排序方法，排序模型训练方法和排序系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109903111A (zh) |
Cited By (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110599295A (zh) * | 2019-08-22 | 2019-12-20 | 阿里巴巴集团控股有限公司 | 物品的推送方法、装置及设备 |
| CN110648163A (zh) * | 2019-08-08 | 2020-01-03 | 中山大学 | 一种基于用户评论的推荐算法 |
| CN111091405A (zh) * | 2019-09-12 | 2020-05-01 | 达疆网络科技(上海)有限公司 | 一种解决秒杀促销高并发的实现方案 |
| CN111127155A (zh) * | 2019-12-24 | 2020-05-08 | 北京每日优鲜电子商务有限公司 | 商品推荐方法、装置、服务器和存储介质 |
| CN111429240A (zh) * | 2020-06-15 | 2020-07-17 | 北京每日优鲜电子商务有限公司 | 生鲜销售平台的商品推送方法及系统、服务器及介质 |
| CN111507780A (zh) * | 2020-05-09 | 2020-08-07 | 苏州中仑网络科技有限公司 | 提高客单价的方法及装置 |
| CN111681067A (zh) * | 2020-04-17 | 2020-09-18 | 清华大学 | 基于图注意力网络的长尾商品推荐方法及系统 |
| CN111680221A (zh) * | 2020-08-11 | 2020-09-18 | 腾讯科技（深圳）有限公司 | 信息推荐方法、装置、设备及计算机可读存储介质 |
| CN111768239A (zh) * | 2020-06-29 | 2020-10-13 | 腾讯科技（深圳）有限公司 | 道具推荐方法、装置、系统、服务器和存储介质 |
| CN111813992A (zh) * | 2020-07-14 | 2020-10-23 | 四川长虹电器股份有限公司 | 一种影视推荐候选集的排序系统及方法 |
| CN112116427A (zh) * | 2020-09-22 | 2020-12-22 | 深圳市分期乐网络科技有限公司 | 一种商品推荐方法、装置、电子设备及存储介质 |
| CN112150227A (zh) * | 2019-06-28 | 2020-12-29 | 北京京东尚科信息技术有限公司 | 商品推荐方法、系统、设备及介质 |
| CN112330406A (zh) * | 2020-11-10 | 2021-02-05 | 深圳大学 | 一种长尾物品推荐方法、智能终端及存储介质 |
| CN112365283A (zh) * | 2020-11-05 | 2021-02-12 | 广州视琨电子科技有限公司 | 一种优惠券发放方法、装置、终端设备及存储介质 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20120111172A (ko) * | 2011-03-31 | 2012-10-10 | 경상대학교산학협력단 | 상품 또는 콘텐츠 추천장치 및 방법 |
| CN105260471A (zh) * | 2015-10-19 | 2016-01-20 | 广州唯品会信息科技有限公司 | 商品个性化排序模型训练方法及系统 |
| CN106708821A (zh) * | 2015-07-21 | 2017-05-24 | 广州市本真网络科技有限公司 | 基于用户个性化购物行为进行商品推荐的方法 |
| CN106779985A (zh) * | 2017-02-24 | 2017-05-31 | 武汉奇米网络科技有限公司 | 一种个性化商品排序的方法及系统 |
| CN107230098A (zh) * | 2016-03-25 | 2017-10-03 | 阿里巴巴集团控股有限公司 | 一种业务对象的分时推荐方法和系统 |
-
2017
- 2017-12-11 CN CN201711308395.1A patent/CN109903111A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20120111172A (ko) * | 2011-03-31 | 2012-10-10 | 경상대학교산학협력단 | 상품 또는 콘텐츠 추천장치 및 방법 |
| CN106708821A (zh) * | 2015-07-21 | 2017-05-24 | 广州市本真网络科技有限公司 | 基于用户个性化购物行为进行商品推荐的方法 |
| CN105260471A (zh) * | 2015-10-19 | 2016-01-20 | 广州唯品会信息科技有限公司 | 商品个性化排序模型训练方法及系统 |
| CN107230098A (zh) * | 2016-03-25 | 2017-10-03 | 阿里巴巴集团控股有限公司 | 一种业务对象的分时推荐方法和系统 |
| CN106779985A (zh) * | 2017-02-24 | 2017-05-31 | 武汉奇米网络科技有限公司 | 一种个性化商品排序的方法及系统 |
Cited By (22)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112150227A (zh) * | 2019-06-28 | 2020-12-29 | 北京京东尚科信息技术有限公司 | 商品推荐方法、系统、设备及介质 |
| CN110648163A (zh) * | 2019-08-08 | 2020-01-03 | 中山大学 | 一种基于用户评论的推荐算法 |
| CN110648163B (zh) * | 2019-08-08 | 2024-03-22 | 中山大学 | 一种基于用户评论的推荐算法 |
| CN110599295A (zh) * | 2019-08-22 | 2019-12-20 | 阿里巴巴集团控股有限公司 | 物品的推送方法、装置及设备 |
| CN110599295B (zh) * | 2019-08-22 | 2022-04-08 | 创新先进技术有限公司 | 物品的推送方法、装置及设备 |
| CN111091405A (zh) * | 2019-09-12 | 2020-05-01 | 达疆网络科技(上海)有限公司 | 一种解决秒杀促销高并发的实现方案 |
| CN111091405B (zh) * | 2019-09-12 | 2023-08-08 | 达疆网络科技(上海)有限公司 | 一种解决秒杀促销高并发的实现方案 |
| CN111127155A (zh) * | 2019-12-24 | 2020-05-08 | 北京每日优鲜电子商务有限公司 | 商品推荐方法、装置、服务器和存储介质 |
| CN111681067A (zh) * | 2020-04-17 | 2020-09-18 | 清华大学 | 基于图注意力网络的长尾商品推荐方法及系统 |
| CN111681067B (zh) * | 2020-04-17 | 2023-10-31 | 清华大学 | 基于图注意力网络的长尾商品推荐方法及系统 |
| CN111507780A (zh) * | 2020-05-09 | 2020-08-07 | 苏州中仑网络科技有限公司 | 提高客单价的方法及装置 |
| CN111507780B (zh) * | 2020-05-09 | 2024-03-22 | 江苏中仑数字科技有限公司 | 提高客单价的方法及装置 |
| CN111429240A (zh) * | 2020-06-15 | 2020-07-17 | 北京每日优鲜电子商务有限公司 | 生鲜销售平台的商品推送方法及系统、服务器及介质 |
| CN111768239A (zh) * | 2020-06-29 | 2020-10-13 | 腾讯科技（深圳）有限公司 | 道具推荐方法、装置、系统、服务器和存储介质 |
| CN111813992A (zh) * | 2020-07-14 | 2020-10-23 | 四川长虹电器股份有限公司 | 一种影视推荐候选集的排序系统及方法 |
| CN111680221B (zh) * | 2020-08-11 | 2020-11-13 | 腾讯科技（深圳）有限公司 | 信息推荐方法、装置、设备及计算机可读存储介质 |
| CN111680221A (zh) * | 2020-08-11 | 2020-09-18 | 腾讯科技（深圳）有限公司 | 信息推荐方法、装置、设备及计算机可读存储介质 |
| CN112116427A (zh) * | 2020-09-22 | 2020-12-22 | 深圳市分期乐网络科技有限公司 | 一种商品推荐方法、装置、电子设备及存储介质 |
| CN112365283A (zh) * | 2020-11-05 | 2021-02-12 | 广州视琨电子科技有限公司 | 一种优惠券发放方法、装置、终端设备及存储介质 |
| CN112365283B (zh) * | 2020-11-05 | 2024-05-17 | 广州视琨电子科技有限公司 | 一种优惠券发放方法、装置、终端设备及存储介质 |
| CN112330406A (zh) * | 2020-11-10 | 2021-02-05 | 深圳大学 | 一种长尾物品推荐方法、智能终端及存储介质 |
| CN112330406B (zh) * | 2020-11-10 | 2024-05-24 | 深圳大学 | 一种长尾物品推荐方法、智能终端及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109903111A (zh) | 用于个性化推荐的排序方法，排序模型训练方法和排序系统 | |
| CN110222272B (zh) | 一种潜在客户挖掘与推荐方法 | |
| KR101852581B1 (ko) | 이미지 평가 기법 | |
| KR102259358B1 (ko) | 신규 브랜드 크리에이팅 시스템 및 방법 | |
| Sudirjo et al. | The Application of Extended Expectation-Confirmation Model to Identify Influencing Factors Digital Loyalty for Mobile-Based Travel Platform | |
| Singh et al. | E-commerce website quality assessment based on usability | |
| US9846885B1 (en) | Method and system for comparing commercial entities based on purchase patterns | |
| US20070294149A1 (en) | Catalog based price search | |
| US20140172543A1 (en) | Systems and methods for automatic control of marketing actions | |
| CN105469263A (zh) | 一种商品推荐方法及装置 | |
| JP6976207B2 (ja) | 情報処理装置、情報処理方法、およびプログラム | |
| CN106688215A (zh) | 针对内容效能优化的自动点击类型选择 | |
| CN105184596A (zh) | 动态定价系统和方法 | |
| KR20190142508A (ko) | 상품 정보 제공 방법 및 장치 | |
| US20190108571A1 (en) | System and method for efficiently determining relevant products for display in an online marketplace | |
| JPWO2005024689A1 (ja) | 消費者の購買行動分析方法及び装置 | |
| KR101509131B1 (ko) | 온라인 판매자 평가정보 제공방법 | |
| CN111400613A (zh) | 物品推荐方法、装置、介质及计算机设备 | |
| KR102068820B1 (ko) | 온라인 마켓 상에서 상품의 등록 및 통합 관리를 수행하는 컴퓨터 프로그램 및 이의 동작 방법 | |
| JP2019504406A (ja) | 販売促進用表示のための商品選択のシステム及び方法 | |
| US11587028B2 (en) | Computer system for optimizing garment inventory of retailer based on shapes of users | |
| JP2018139036A (ja) | 分析装置 | |
| CN108932625A (zh) | 用户行为数据的分析方法、装置、介质和电子设备 | |
| US20150317709A1 (en) | System and method thereof for effectuating an electronic negotiation between a consumer device and a merchant | |
| KR20210032691A (ko) | 네트워크 기반 상품 추천 방법 및 장치 |
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: 20190618 |