CN110704749B - 推荐引擎定制系统、推荐方法及推荐系统、电子设备 - Google Patents

Abstract

本公开涉及互联网技术领域，公开了一种推荐引擎定制系统、推荐方法及推荐系统、存储介质和电子设备。该推荐引擎定制系统包括：组件配置模块，用于根据推荐业务信息配置数据源组件和算法组件，数据源组件用于获取推荐请求信息对应的数据，算法组件用于对所述数据进行逻辑处理；节点配置模块，用于为数据源组件中的目标数据源组件和算法组件中的目标算法组件配置对应的目标节点；推荐逻辑生成模块，用于根据节点配置模块得到的多个目标节点生成推荐业务信息的推荐逻辑。本公开中的推荐逻辑由多个节点组成，且任意节点由数据源组件和算法组件两部分可配置化组件组成，使推荐引擎的组件可配置化，提高推荐引擎定制的灵活性，开发效率高。

Description

推荐引擎定制系统、推荐方法及推荐系统、电子设备

技术领域

本公开涉及计算机技术领域，更具体地，涉及一种推荐引擎定制系统、一种推荐方法及推荐系统、存储介质和电子设备。

背景技术

随着计算机技术的发展和大数据的思想落地，为了实现自动化推荐，降低人力运营成本，各个行业开始引入推荐系统，以追求高效地为用户推荐符合要求的个性化结果，例如音乐播放器、社交平台、职位招聘和餐饮等服务平台。

相关技术中，推荐引擎通过主动发现用户当前或潜在的需求，为用户推荐感兴趣或需要的对象结果，针对不同业务需求中的推荐引擎，开发工作通常涉及逻辑代码开发、测试、代码打包及部署上线等过程，但开发过程繁琐、重复性工作多，导致开发效率低。

需要说明的是，在上述背景技术部分发明的信息仅用于加强对本公开的背景的理解，因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。

发明内容

本公开的目的在于提供一种推荐引擎定制系统、推荐方法及推荐系统、存储介质和电子设备，进而至少在一定程度上避免了推荐引擎开发过程繁琐、重复性工作多及开发效率低等问题。

本公开的其他特性和优点将通过下面的详细描述变得显然，或部分地通过本公开的实践而习得。

根据本公开的一个方面，提供一种推荐引擎定制系统，所述系统包括：组件配置模块，用于根据推荐业务信息配置数据源组件和算法组件，所述数据源组件用于获取推荐请求信息对应的数据，所述算法组件用于对所述数据进行逻辑处理；节点配置模块，用于为所述数据源组件中的目标数据源组件和所述算法组件中的目标算法组件配置对应的目标节点；推荐逻辑生成模块，用于根据所述节点配置模块得到的多个所述目标节点生成所述推荐业务信息的推荐逻辑。

在本公开的一种示例性实施例中，所述系统还包括：存储分配模块，用于为所述数据源组件和所述算法组件分配对应的存储位置，所述存储位置对应于所述数据源组件和所述算法组件的组件输入参数和组件输出参数。

在本公开的一种示例性实施例中，所述组件配置模块包括数据源组件配置单元和算法组件配置单元；所述数据源组件配置单元用于根据所述推荐业务信息，配置与当前数据源类型的组件格式对应的数据源组件；所述算法组件配置单元用于根据所述推荐业务信息，配置与当前算法类型的组件格式对应的算法组件；

其中，所述当前数据源类型的组件格式和所述当前算法类型的组件格式为预先设置的配置模板的格式。在本公开的一种示例性实施例中，所述节点配置模块包括组件排序单元和组件参数配置单元；所述组件排序单元用于在所述目标节点中包括多个所述目标数据源组件和多个所述目标算法组件时，根据所述推荐业务信息将所述多个目标数据源的执行优先级进行排序；所述组件参数配置单元用于根据所述推荐业务信息配置各所述目标算法组件的组件输入参数和组件输出参数，以根据所述组件输入参数和所述组件输出参数确定所述多个目标算法组件对所述目标数据源组件获取数据的处理顺序；

其中，所述组件输入参数对应于所述目标算法组件所处理数据的存储位置，所述组件输出参数对应于所述目标算法组件处理后的数据的存储位置。

在本公开的一种示例性实施例中，所述逻辑生成模块包括节点参数配置单元；所述节点参数配置单元用于根据所述推荐业务信息配置各所述目标节点的节点输入参数和节点输出参数，以根据所述节点输入参数和节点输出参数确定所述多个目标节点的执行顺序，得到所述推荐逻辑。

在本公开的一种示例性实施例中，所述系统还包括组件管理模块；所述组件管理模块用于根据所述推荐业务信息，修改、增加和/或删除所述推荐逻辑内的目标节点所配置的所述数据源组件和/或算法组件，并对调整配置后的所述目标节点内的数据源组件和/或算法组件的组件输入参数进行调整，得到目标推荐逻辑。

在本公开的一种示例性实施例中，所述根据所述推荐业务信息，修改、增加和/或删除所述推荐逻辑内的目标节点所配置的所述数据源组件和/或算法组件，并对调整配置后的所述目标节点内的数据源组件和/或算法组件的组件输入参数进行调整，得到目标推荐逻辑，包括：将预设的数据源组件和/或算法组件配置至所述目标节点内，并调整所述配置后的所述目标节点内的数据源组件和/或算法组件的组件输入参数，得到所述目标推荐逻辑。

在本公开的一种示例性实施例中，所述系统中的任一所述数据源组件、所述算法组件和所述目标节点分别对应唯一命名。

根据本公开的一个方面，提供一种推荐方法，所述方法包括：根据用户的推荐请求信息，按照上述任一项生成的所述推荐逻辑内未执行的目标节点的执行顺序，通过节点执行模块依次执行未执行的目标节点，并将最末节点的节点执行结果确定为所述推荐请求信息对应的推荐结果；

其中，执行任一所述未执行的目标节点包括：

根据当前目标节点内未执行的数据源组件的执行顺序，通过数据获取模块依次执行所述未执行的数据源组件，获取所述推荐请求对应的数据；根据所述目标节点内未执行的算法组件的执行顺序，通过数据处理模块依次对目标数据进行处理，以获得节点执行结果；所述目标数据包括所述当前目标节点中数据获取模块获得的数据和执行顺序在所述当前目标节点之前的目标节点的节点执行结果。

在本公开的一种示例性实施例中，所述方法还包括：通过判断模块判断所述推荐逻辑内是否存在未执行的目标节点，以及判断当前目标节点内是否存在未执行的数据源组件和算法组件。

在本公开的一种示例性实施例中，所述用户的推荐请求信息包括用户标识；所述根据所述目标节点内未执行的数据源组件的执行顺序，通过数据获取模块依次执行所述未执行的数据源组件获取所述推荐请求信息对应的数据，包括：依次执行所述未执行的数据源组件获取所述用户标识对应的数据。

在本公开的一种示例性实施例中，所述方法还包括：执行目标推荐逻辑内的目标节点所配置的所述数据源组件和算法组件，以获取目标推荐结果；其中所述目标推荐逻辑为经过修改、增加和/或删除数据源组件和/或算法组件后的所述推荐逻辑。

根据本公开的一个方面，提供一种推荐系统，所述推荐系统包括：

节点执行模块，用于根据用户的推荐请求信息，按照推荐逻辑内未执行的目标节点的执行顺序，依次执行所述未执行的目标节点，并将最末节点的节点执行结果确定为所述推荐请求信息对应的推荐结果；数据获取模块，用于在执行任一所述未执行的目标节点时，根据当前目标节点内未执行的数据源组件的执行顺序，依次通过所述未执行的数据源组件获取所述推荐请求对应的数据；数据处理模块，用于在执行任一所述未执行的目标节点时，根据当前目标节点内未执行的算法组件的执行顺序，通过所述算法组件依次对目标数据进行处理，以获得节点执行结果；

其中，所述目标数据包括所述当前目标节点中数据源组件获得的数据和执行顺序在所述当前目标节点之前的目标节点的节点执行结果。

在本公开的一种示例性实施例中，所述系统还包括：数据存储模块，用于存储所述推荐请求信息、所述数据获取模块通过所述未执行的数据源组件获得的数据及所述数据处理模块对获得的所述数据处理后的执行结果。

在本公开的一种示例性实施例中，所述系统还包括：判断模块，用于判断所述推荐逻辑内是否存在未执行的目标节点，以及判断当前目标节点内是否存在未执行的数据源组件和算法组件。

根据本公开的一个方面，提供一种计算机存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述任意一项所述的推荐方法。

根据本公开的一个方面，提供一种电子设备，包括：处理器；以及存储器，用于存储所述处理器的可执行指令；其中，所述处理器配置为经由执行所述可执行指令来执行上述任意一项所述的推荐方法。

本公开的示例性实施方式中的推荐引擎定制系统，通过配置数据源组件和算法组件，并将数据源组件和算法组件配置对应的响应节点，以获得多个节点组成的推荐逻辑，且任意节点由数据源组件和算法组件两部分可配置化组件组成。一方面，允许根据业务需求配置对应的数据源组件和算法组件，使获取数据的数据源组件和对数据进行逻辑处理的算法组件符合业务需求的同时，实现组件的高度可配置化，提高了针对不同业务需求的推荐引擎定制的灵活性；另一方面，允许将针对相同业务逻辑的数据源组件和算法组件配置在同一目标节点，有利于逻辑的分层规划，提高配置逻辑的可读性，便于配置的维护；再一方面，基于本公开的推荐引擎定制系统，面对不同的业务需求，具有相同处理逻辑的数据源组件和算法组件可被复用，仅通过组件配置模块配置当前业务需求特有的组件部分即可，同时，也方便以节点为整体将数据源组件和算法组件进行整体替换，降低开发繁琐程度，提高开发效率。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。

附图说明

通过参考附图阅读下文的详细描述，本公开示例性实施方式的上述以及其他目的、特征和优点将变得易于理解。在附图中，以示例性而非限制性的方式示出了本公开的若干实施方式，其中：

图1示出了本公开的示例性实施方式的推荐引擎定制系统的系统框图；

图2示出了本公开的示例性实施方式的推荐引擎定制系统的架构图；

图3示出了本公开的一示例性实施方式的直播推荐业务的推荐引擎的架构图；

图4示出了本公开的一示例性实施方式的直播推荐业务的推荐引擎的架构图；

图5示出了本公开的示例性实施方式的推荐方法流程图；

图6示出了本公开的示例性实施方式的推荐系统的系统框图；

图7示出了本公开的示例性实施方式的存储介质的示意图；以及

图8示出了本公开的示例性实施方式的电子设备的框图。

在附图中，相同或对应的标号表示相同或对应的部分。

具体实施方式

现在将参考附图更全面地描述示例性实施方式。然而，示例性实施方式能够以多种形式实施，且不应被理解为限于在此阐述的范例；相反，提供这些实施例使得本公开将更加全面和完整，并将示例性实施方式的构思全面地传达给本领域的技术人员。图中相同的附图标记表示相同或类似的结构，因而将省略它们的详细描述。

此外，所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施例中。在下面的描述中，提供许多具体细节从而给出对本公开的实施例的充分理解。然而，本领域技术人员将意识到，可以实践本公开的技术方案而没有所述特定细节中的一个或更多，或者可以采用其它的方法、组件、模块、步骤等。在其它情况下，不详细示出或描述公知结构、方法、装置、实现或者操作以避免模糊本公开的各方面。

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，或在一个或多个软件硬化的模块中实现这些功能实体或功能实体的一部分，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。

在本领域的相关技术中，推荐任务开发涉及两个发面：一方面是离线任务开发，即根据用户特征运用机器学习算法确定用户的待推荐数据；另一方面是推荐引擎开发，即基于用户的推荐请求，对用户对应的待推荐数据进行处理以获得最终推荐结果。然而，上述开发过程均涉及逻辑代码开发、测试、代码打包及部署上线等过程，针对不同推荐业务需求或开发逻辑的调整，重复性的开发工作一定程度上增大了开发的繁琐程度，导致开发效率低。

基于此，在本公开的示例性实施方式中，首先提供了一种推荐引擎定制系统。图1示出了推荐引擎定制系统的系统框图，参考图1，该推荐引擎定制系统100包括组件配置模块110、节点配置模块120和推荐逻辑生成模块130。具体地，

组件配置模块110，用于根据推荐业务信息生成数据源组件和算法组件，所述数据源组件用于获取推荐请求信息对应的数据，所述算法组件用于对所述数据进行逻辑处理，以获得推荐结果；

节点配置模块120，用于为所述数据源组件中的目标数据源组件和所述算法组件中的目标算法组件配置对应的目标节点；

推荐逻辑生成模块130，用于根据所述节点配置模块得到的多个所述目标节点生成所述推荐业务信息的推荐逻辑。

根据本示例性实施方式中的推荐引擎定制系统，一方面，允许根据业务需求配置对应的数据源组件和算法组件，使获取数据的数据源组件和对数据进行逻辑处理的算法组件符合业务需求的同时，实现组件的高度可配置化，提高了针对不同业务需求的推荐引擎定制的灵活性；另一方面，允许将针对相同业务逻辑的数据源组件和算法组件配置在同一目标节点，有利于逻辑的分层规划，提高配置逻辑的可读性，便于配置的维护；再一方面，基于本公开的推荐引擎定制系统，面对不同的业务需求，具有相同处理逻辑的数据源组件和算法组件可被复用，仅通过组件配置模块配置当前业务需求特有的组件部分即可，同时，也方便以节点为整体将数据源组件和算法组件进行整体替换，降低开发繁琐程度，提高开发效率。

下面将结合图1对本公开示例性实施方式中的推荐引擎定制系统进行详细阐述：

组件配置模块110，用于根据推荐业务信息生成数据源组件和算法组件，所述数据源组件用于获取推荐请求信息对应的数据，所述算法组件用于对所述数据进行逻辑处理，以获得推荐结果。

在本公开的示例性实施方式中，推荐业务信息为推荐业务的相关信息，根据不同的推荐业务存在差异，例如，针对用户的个性化推荐业务，推荐业务信息包括但不限于用户标识，如用户ID(Identity document，身份标识号)、用户Session ID(时域标识)或用户的机器码等能唯一标识用户的信息)；又如具有翻页功能的推荐业务，推荐业务信息还可以包括page(页数)、page size(分页数据量)等；又如需区分客户端系统的推荐业务，推荐业务信息还可以包括OS(Operating System，操作系统)信息，等等，本公开对此不再一一列举。数据源组件是用于获取用户的推荐请求信息对应数据的组件，例如通过微服务RPC(RemoteProcedure Call，远程调用方式)、URL(Uniform Resource Locator，统一资源定位符)或Config(配置命令)等方式获取的数据源，例如还可以通过支持的数据库来获取，如数据库redis、数据库mysql和数据库mongodb等；算法组件为对数据源组件获得的数据进行逻辑处理的组件，例如可以为通用的逻辑算法组件，如取差集组件，等等，当然也可以为针对特定需求开发的定制逻辑算法组件，本公开包括但不限于上述的数据源组件和算法组件。

具体而言，组件配置模块110还可以包括数据源组件配置单元1101和算法组件配置单元1102。

其中，数据源组件配置单元1101用于根据推荐业务信息，配置与当前数据源类型的组件格式对应的数据源组件，数据源组件的配置决定数据源组件获取数据的方式，在通过数据源组件配置单元1101配置数据源组件时，以不同数据源类型对应的预置的配置模板的格式为基础进行配置，以得到与各数据源的组件格式对应的数据源组件；不同的配置模板，因数据源组件所需参数的不同存在差异。举例而言，对于redis数据源组件，需配置链接redis数据库的链接地址及需要获取的键名称，基于该参数可确定redis数据源组件对应的配置模板的格式，并基于该配置模板的格式，通过数据源组件配置当前推荐业务对应的数据源组件。此外，为了后续对数据源组件的复用，可以将各数据源组件配置唯一命名，例如“数据源”：数据源配置1名称1，数据源配置2名称2，数据源配置3名称3…数据源配置N名称N。

算法组件配置单元1102用于根据推荐业务信息，配置与当前算法类型的组件格式对应的算法组件，算法组件的配置决定算法组件处理数据的方式，在通过算法组件配置单元1102配置算法组件时，同样以不同算法类型对应的预置的配置模板的格式为基础进行配置，以得到与各算法类型的组件格式对应的算法组件；不同的配置模板，因算法组件所需参数的不同存在差异。其中，算法组件需配置至少一个组件输入参数和至少一个组件输出参数，组件输入参数用于指明算法组件所处理数据的存储位置，组件输出参数用于指明算法组件处理后的数据的存储位置。

因此，推荐引擎定制系统中还包括存储分配模块，用于为数据源组件和算法组件分配对应的存储位置，可选的，内存中的数据结构可以为具有多个键值对的全局哈希字典M。具体的，通过算法组件的组件输入参数指明所处理数据是全局哈希字典M中的第一目标key对应的值，而组件输出参数指明算法组件处理后的数据输出至全局哈希字典M中的第二目标key中，以便于后续配置其它数据源组件、算法组件或目标节点时使用。此外，为了后续对算法组件的复用，也可以将各算法组件配置唯一命名，例如“算法组件”：算法组件配置1名称1，算法组件配置2名称2，算法组件配置3名称3…算法组件配置N名称N。

需要说明的是，上述数据源组件和算法组件的配置方式还可以根据实际业务需求相应调整，本公开包括但不限于上述的数据源组件和算法组件的配置方式。

在可选的实施例中，在通过组件配置模块110配置数据源组件和算法组件时，若配置过程中存在字典结构的配置，可以将字典中的value(关键字对应的键值)部分使用变量表达式的方式，映射全局哈希字典M中对应的键值，则后续数据源组件在执行获取数据的过程时，先把数据源配置中的变量表达式解析为对应的键值，再根据解析结果执行获取数据的过程。基于此，一定程度能简化配置过程，提高组件的配置效率。

进一步的，在通过组件配置模块110配置生成数据源组件和算法组件后，通过节点配置模块120为所述数据源组件中的目标数据源组件和所述算法组件中的目标算法组件配置对应的目标节点。

图2示出了本公开示例性实施例中的推荐引擎定制系统的架构图，如图2可知，一个目标节点由逻辑相关联的两部分配置组成：N个目标数据源组件组成的列表和N个目标算法组件组成的列表；在可选的实施例中，可以将逻辑相关联的目标数据源组件和目标算法组件配置为同一目标节点(例如同配置于第二目标节点)，基于此，在推荐业务信息变化时，可以方便地对该目标节点(目标数据源组件+目标算法组件的组合)整体替换、增加或删除，开发效率高。

继续参照图2所示，若第一目标节点用于获取数据，第二目标节点用于果过滤数据，第三目标节点用于重排序或组合数据，第四目标节点用于截取特定数量的数据，其中任一目标节点中包括逻辑关联的目标数据源组件和目标算法组件，基于此，使得整个推荐逻辑依逻辑分层规划，增加了推荐引擎的配置逻辑的可读性，推荐引擎的配置更易维护。在可选的实施例中，一个目标节点中目标数据源组件的数量和目标算法组件的数量根据推荐业务信息进行调整；在可选的实施例中，为了后续对目标节点的复用，也可以将各目标节点配置唯一命名，例如“目标节点”：目标节点配置1名称1，目标节点配置2名称2，目标节点配置3名称3…目标节点配置N名称N。

在本公开的示例性实施方式中，节点配置模块120可以包括组件排序单元1201和组件参数配置单元1202。下面参照图2所示的第二目标节点对此部分进行示例性说明。

组件排序单元1201用于在目标节点中包括多个目标数据源组件和多个目标算法组件时(图2所示的第二目标节点)，根据推荐业务信息将多个目标数据源组件的执行优先级进行排序。目标数据源组件可以为组件配置模块配置的全部数据源组件，也可以是与当前推荐业务信息相关的处于同一逻辑层的数据源组件，例如为了获取用户待推荐A类型主播列表时，用于获取离线推荐数据的redis数据源组件和用于获取在播主播信息列表的url数据源组件为处于同一逻辑层的目标数据源组件。具体的，根据推荐业务信息的不同，将多个目标数据源组件的执行优先级进行排序以得到一组有序的目标数据源组件，以此来适应不同推荐业务的需求，当然，根据推荐业务信息的不同也可以不对目标数据源组件进行排序。

组件参数配置单元1202用于根据推荐业务信息配置各目标算法组件的组件输入参数和组件输出参数，以根据组件输入参数和组件输出参数确定多个目标算法组件对目标数据源组件获取数据的处理顺序。由上述可知组件输入参对应于目标算法组件所处理数据的存储位置，组件输出参数对应于目标算法组件处理后的数据的存储位置，因而，基于组件输入参数和组件输出参数的设置，能确定各个目标算法组件的执行顺序。继续参数图2所示，通过配置第二目标算法组件的组件输入参数，便可确定该第二目标算法组件在第一目标算法组件之后执行。

在通过将逻辑相关联的目标数据源组件和目标算法组件配置为同一目标节点后，可获得多个针对不同处理逻辑的目标节点，并且任意目标节点中的数据源组件和算法组件均为可配置化。此外，本公开示例性实施例中的推荐引擎定制系统还可以包括组件管理模块，用于根据推荐业务信息，修改、增加和/或删除目标节点所配置的数据源组件和/或算法组件，并对调整后的目标节点内的数据源组件和/或算法组件的组件输入参数进行调整，组件配置灵活性高，无需对整个推荐逻辑重新开发，工作效率极高。在可选的实施例中，还可以复用已配置好的通用组件，并调整相应组件的组件输入参数，提高组件复用率和开发效率。

进一步的，通过推荐逻辑生成模块130根据上述配置模块得到的多个目标节点生成推荐业务信息的推荐逻辑，继续参照图2所示，该推荐逻辑由至少一个目标节点组成，基于获取的用户的推荐请求信息，通过执行该推荐逻辑即可确定推荐结果。其中，推荐逻辑生成模块130可以包括节点参数配置单元1301，用于根据推荐业务信息配置各目标节点的节点输入参数和节点输出参数，以根据节点输入参数和节点输出参数确定多个目标节点的执行顺序，得到包括具有特定数量的有序目标节点的推荐逻辑。

需要说明的是，为了推荐逻辑内各节点、节点内各组件之间的数据流转处理，还可以预设数据流转格式，例如[{“f₁”:x，“f₂”:x,“f₃”:z…}]，其中，任一项数据可以为一个字典，以便携带属性或选择要操作的属性，当然，还可以根据业务需求选择其它的预设数据流转格式，本公开对此不做特殊要求。

下面结合图3、图4，以推荐业务为直播中为用户推荐在播主播为例，对本公开的推荐引擎定制系统进行说明。

参照图3所示，首先，基于直播业务的推荐业务信息，组件配置模块110配置redis数据源组件和URL数据源组件、截取特定数量数据的通用组件以及差集组件；然后，节点配置模块120将redis数据源组件和URL数据源组件以及差集组件配置至第一目标节点，并将截取特定数量数据的通用组件配置至第二目标节点，并配置相应的组件输入参数和组件输出参数；最后，通过推荐逻辑生成模块130，根据第一目标节点和第二目标节点生成直播业务对应的推荐逻辑。

需要说明的是，还可以通过存储分配模块为数据源组件和算法组件分配对应的存储位置，如图3对应的内存中的全局哈希字典M。

另外，图3中所定制的推荐逻辑是为用户推荐5个最喜欢的在播主播，进一步的，若增加推荐业务是为用户推荐5个最喜欢的直播类型为B的在播主播时，则通过组件管理模块，在推荐逻辑内增加一目标节点(图4中的目标节点2)，并配置该目标节点中的算法组件为保留指定字段值数据的通用组件；同时，对调整后目标节点内的数据源组件和/或算法组件的组件(图4所示的目标节点2和目标节点3中的算法组件)组件输入参数进行调整，得到目标推荐逻辑。在此过程中，允许根据业务需求配置对应的数据源组件和算法组件，使配置的组件符合业务需求的同时，实现组件的高度可配置化，提高了针对不同业务需求的推荐引擎定制的灵活性；同时，面对不同的业务需求，具有相同处理逻辑的数据源组件和算法组件(例如图4中的目标节点1及目标节点3)可被复用，仅通过组件配置模块配置当前业务需求特有的组件部分即可，可选的，可以通过选择与推荐业务相关的预置通用组件，与也可以重新开发特有的组件部分，整个开发过程中无重复性工作，开发效率高。

综上可知，本公开的推荐引擎定制系统允许根据业务需求配置对应的数据源组件和算法组件，实现组件的高度可配置化，提高了针对不同业务需求的推荐引擎定制的灵活性；同时，允许将针对相同业务逻辑的数据源组件和算法组件配置在同一目标节点，有利于逻辑的分层规划，提高配置逻辑的可读性，便于配置的维护；此外，面对不同的业务需求，具有相同处理逻辑的数据源组件和算法组件可被复用，仅通过组件配置模块配置当前业务需求特有的组件部分即可，同时，也方便以节点为整体将数据源组件和算法组件进行整体替换，降低开发繁琐程度，提高开发效率。

在本公开的示例性实施方式中，还提供一种推荐方法，执行上述任一项所述的推荐引擎定制系统生成的推荐逻辑，图5示出了本公开中通过执行推荐逻辑实现的业务推荐的流程图，如图5所示，该过程包括：

在步骤S500中，获取用户的推荐请求信息。

在本公开的示例性实施方式中，首先获取用户推荐请求中的推荐将请求信息，并存于对应的内存中。

在步骤S510中，通过判断模块判断推荐逻辑内是否存在未执行的目标节点，若存在，则循环执行步骤S510、步骤520至步骤S524，按照推荐逻辑内未执行的目标节点的执行顺序，通过节点执行模块依次执行未执行的目标节点，直至将推荐逻辑中的目标节点执行完毕；若不存在，则将内存中指定数据返回至用户。

其中，执行任一未执行的目标节点的步骤包括：

在步骤S522中，通过判断模块判断当前目标节点中是否存在未执行的数据源组件；若存在，则循环执行步骤S521和步骤S522，直至将当前目标节点中的数据源组件执行完毕；若不存在，则执行当前目标节点中的算法组件。

其中，根据步骤S523，通过判断模块判断当前目标节点中是否存在未执行的算法组件；若存在，则循环执行步骤S524和步骤S523，直至将当前目标节点中的算法组件执行完毕。其中，目标数据包括当前目标节点中数据获取模块获得的数据和执行顺序在当前目标节点之前的目标节点的节点执行结果。

在步骤S530中，将推荐逻辑内最末节点的节点执行结果确定为推荐请求信息对应的推荐结果。

在本公开的示例性实施方式中，在最末节点执行完毕后，将内存中指定的数据返回至用户，实现对用户的个性化推荐。

需要说明的是，推荐请求信息包括但不限于用户标识、操作系统信息，等等，可选的，获得的用户的推荐请求信息可以以键值对的形式存储在内存中的全局哈希字段M中，推荐请求信息中的参数作为哈希字典的键，推荐请求信息中的参数值作为哈希字典中对应键的值，以基于该推荐请求信息通过数据源组件获取对应的数据，并通过算法组件对数据进行处理；同时，数据源组件获得的数据和算法组件处理后的数据均存储于内存中的全局哈希字典中，当然，也可以根据实际开发需求选择其它存储方式。

此外，本公开的推荐方法还可以通过执行目标推荐逻辑内的目标节点所配置的数据源组件和算法组件，以获取目标推荐结果；其中，目标推荐逻辑为经过修改、增加和/或删除数据源组件和/或算法组件后的推荐逻辑，基于可配置化的推荐逻辑，能实现不同推荐业务的推荐需求，灵活性高。

上述推荐方法中各组件的具体细节在推荐引擎定制系统部分的实施方式中已经详细说明，因此不再赘述。

在公开的示例性实施方式中，还提供一种推荐系统，该推荐系统包括上述任一项所定制的推荐引擎。参考图6所示，该推荐系统600包括节点执行模块610、数据获取模块620和数据处理模块630。具体的，

节点执行模块610，用于根据用户的推荐请求信息，按照推荐逻辑内未执行的目标节点的执行顺序，依次执行所述未执行的目标节点，并将最末节点的节点执行结果确定为所述推荐请求信息对应的推荐结果；

数据获取模块620，用于在执行任一所述未执行的目标节点时，根据当前目标节点内未执行的数据源组件的执行顺序，依次通过所述未执行的数据源组件获取所述推荐请求对应的数据；

数据处理模块630，用于在执行任一所述未执行的目标节点时，根据当前目标节点内未执行的算法组件的执行顺序，通过所述算法组件依次对目标数据进行处理，以获得节点执行结果；

其中，目标数据包括当前目标节点中数据源组件获得的数据和执行顺序在当前目标节点之前的目标节点的节点执行结果。

在本公开的示例性实施方式中，该系统还包括数据存储模块，用于存储推荐请求信息、数据获取模块通过未执行的数据源组件获得的数据及数据处理模块对获得的数据处理后的执行结果。

在本公开的示例性实施方式中，该系统还包括判断模块，用于判断推荐逻辑内是否存在未执行的目标节点，以及判断当前目标节点内是否存在未执行的数据源组件和算法组件。

上述系统中各模块/组件的具体细节在推荐方法部分的实施方式中已经详细说明，因此不再赘述。

此外，在本公开的示例性实施方式中，还提供了一种能够实现上述方法的计算机存储介质。其上存储有能够实现本说明书上述方法的程序产品。在一些可能的实施例中，本公开的各个方面还可以实现为一种程序产品的形式，其包括程序代码，当所述程序产品在终端设备上运行时，所述程序代码用于使所述终端设备执行本说明书上述“示例性方法”部分中描述的根据本公开各种示例性实施例的步骤。

参考图7所示，描述了根据本公开的示例性实施方式的用于实现上述方法的程序产品700，其可以采用便携式紧凑盘只读存储器(CD-ROM)并包括程序代码，并可以在终端设备，例如个人电脑上运行。然而，本公开的程序产品不限于此，在本文件中，可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。

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。

计算机可读信号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。可读信号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公开操作的程序代码，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)。

此外，在本公开的示例性实施例中，还提供了一种能够实现上述方法的电子设备。所属技术领域的技术人员能够理解，本公开的各个方面可以实现为系统、方法或程序产品。因此，本公开的各个方面可以具体实现为以下形式，即：完全的硬件实施例、完全的软件实施例(包括固件、微代码等)，或硬件和软件方面结合的实施例，这里可以统称为“电路”、“模块”或“系统”。

下面参照图8来描述根据本公开的这种实施例的电子设备800。图8显示的电子设备800仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。

如图8所示，电子设备800以通用计算设备的形式表现。电子设备800的组件可以包括但不限于：上述至少一个处理单元810、上述至少一个存储单元820、连接不同系统组件(包括存储单元820和处理单元810)的总线830、显示单元840。

其中，所述存储单元存储有程序代码，所述程序代码可以被所述处理单元810执行，使得所述处理单元810执行本说明书上述“示例性方法”部分中描述的根据本公开各种示例性实施例的步骤。

存储单元8201可以包括易失性存储单元形式的可读介质，例如随机存取存储单元(RAM)8201和/或高速缓存存储单元8202，还可以进一步包括只读存储单元(ROM)8203。

存储单元820还可以包括具有一组(至少一个)程序模块8205的程序/实用工具8204，这样的程序模块8205包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。

总线830可以为表示几类总线结构中的一种或多种，包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。

电子设备800也可以与一个或多个外部设备900(例如键盘、指向设备、蓝牙设备等)通信，还可与一个或者多个使得用户能与该电子设备800交互的设备通信，和/或与使得该电子设备800能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口850进行。并且，电子设备800还可以通过网络适配器860与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图所示，网络适配器860通过总线830与电子设备800的其它模块通信。应当明白，尽管图中未示出，可以结合电子设备800使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。

通过以上的实施例的描述，本领域的技术人员易于理解，这里描述的示例实施例可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本公开实施例的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM，U盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、终端装置、或者网络设备等)执行根据本公开实施例的方法。

此外，上述附图仅是根据本公开示例性实施例的方法所包括的处理的示意性说明，而不是限制目的。易于理解，上述附图所示的处理并不表明或限制这些处理的时间顺序。另外，也易于理解，这些处理可以是例如在多个模块中同步或异步执行的。

本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本公开的其他实施例。本公开旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由权利要求指出。

应当理解的是，本公开并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限。

Claims (17)

1.一种推荐引擎定制系统，其特征在于，所述系统包括：

组件配置模块，用于根据推荐业务信息配置数据源组件和算法组件，所述数据源组件用于获取推荐请求信息对应的数据，所述算法组件用于对所述数据进行逻辑处理；

节点配置模块，用于为所述数据源组件中的目标数据源组件和所述算法组件中的目标算法组件配置对应的目标节点；

推荐逻辑生成模块，用于根据所述节点配置模块得到的多个所述目标节点生成所述推荐业务信息的推荐逻辑；

其中，所述推荐逻辑用于根据用户的推荐请求信息，按照所述推荐逻辑内未执行的目标节点的执行顺序，通过节点执行模块依次执行未执行的目标节点，并将最末节点的节点执行结果确定为所述推荐请求信息对应的推荐结果；

其中，执行任一所述未执行的目标节点包括：

根据当前目标节点内未执行的数据源组件的执行顺序，通过数据获取模块依次执行所述未执行的数据源组件，获取所述推荐请求信息对应的数据；

根据所述目标节点内未执行的算法组件的执行顺序，通过数据处理模块依次对目标数据进行处理，以获得节点执行结果；

所述目标数据包括所述当前目标节点中数据获取模块获得的数据，和执行顺序在所述当前目标节点之前的目标节点的节点执行结果。

2.根据权利要求1所述的系统，其特征在于，所述系统还包括：

存储分配模块，用于为所述数据源组件和所述算法组件分配对应的存储位置，所述存储位置对应于所述数据源组件和所述算法组件的组件输入参数和组件输出参数。

3.根据权利要求1所述的系统，其特征在于，所述组件配置模块包括数据源组件配置单元和算法组件配置单元；

所述数据源组件配置单元用于根据所述推荐业务信息，配置与当前数据源类型的组件格式对应的数据源组件；

所述算法组件配置单元用于根据所述推荐业务信息，配置与当前算法类型的组件格式对应的算法组件；

其中，所述当前数据源类型的组件格式和所述当前算法类型的组件格式为预先设置的配置模板的格式。

4.根据权利要求1所述的系统，其特征在于，所述节点配置模块包括组件排序单元和组件参数配置单元；

所述组件排序单元用于在所述目标节点中包括多个所述目标数据源组件和多个所述目标算法组件时，根据所述推荐业务信息将所述多个目标数据源组件的执行优先级进行排序；

所述组件参数配置单元用于根据所述推荐业务信息配置各所述目标算法组件的组件输入参数和组件输出参数，以根据所述组件输入参数和所述组件输出参数确定所述多个目标算法组件对所述目标数据源组件获取数据的处理顺序；

其中，所述组件输入参数对应于所述目标算法组件所处理数据的存储位置，所述组件输出参数对应于所述目标算法组件处理后的数据的存储位置。

5.根据权利要求1所述的系统，其特征在于，所述逻辑生成模块包括节点参数配置单元；

所述节点参数配置单元用于根据所述推荐业务信息，配置各所述目标节点的节点输入参数和节点输出参数，以根据所述节点输入参数和节点输出参数确定所述多个目标节点的执行顺序，得到所述推荐逻辑。

6.根据权利要求1所述的系统，其特征在于，所述系统还包括组件管理模块；

所述组件管理模块用于根据所述推荐业务信息，修改、增加和/或删除所述推荐逻辑内的目标节点所配置的所述数据源组件和/或算法组件，并对调整配置后的所述目标节点内的数据源组件和/或算法组件的组件输入参数进行调整，得到目标推荐逻辑。

7.根据权利要求6所述的系统，其特征在于，所述根据所述推荐业务信息，修改、增加和/或删除所述推荐逻辑内的目标节点所配置的所述数据源组件和/或算法组件，并对调整配置后的所述目标节点内的数据源组件和/或算法组件的组件输入参数进行调整，得到目标推荐逻辑，包括：

将预设的数据源组件和/或算法组件配置至所述目标节点内，并调整配置后的所述目标节点内的数据源组件和/或算法组件的组件输入参数，得到所述目标推荐逻辑。

8.根据权利要求1至7任一项所述的系统，其特征在于，所述系统中的任一所述数据源组件、所述算法组件和所述目标节点分别对应唯一命名。

9.一种推荐方法，其特征在于，所述方法包括：

根据用户的推荐请求信息，按照权利要求1至8任一项生成的推荐逻辑内未执行的目标节点的执行顺序，通过节点执行模块依次执行未执行的目标节点，并将最末节点的节点执行结果确定为所述推荐请求信息对应的推荐结果；

其中，执行任一所述未执行的目标节点包括：

根据当前目标节点内未执行的数据源组件的执行顺序，通过数据获取模块依次执行所述未执行的数据源组件，获取所述推荐请求信息对应的数据；

根据所述目标节点内未执行的算法组件的执行顺序，通过数据处理模块依次对目标数据进行处理，以获得节点执行结果；

所述目标数据包括所述当前目标节点中数据获取模块获得的数据，和执行顺序在所述当前目标节点之前的目标节点的节点执行结果。

10.根据权利要求9所述的方法，其特征在于，所述方法还包括：

通过判断模块判断所述推荐逻辑内是否存在未执行的目标节点，以及判断当前目标节点内是否存在未执行的数据源组件和算法组件。

11.根据权利要求9所述的方法，其特征在于，所述用户的推荐请求信息包括用户标识；

所述根据所述目标节点内未执行的数据源组件的执行顺序，通过数据获取模块依次执行所述未执行的数据源组件获取所述推荐请求信息对应的数据，包括：

依次执行所述未执行的数据源组件，获取所述用户标识对应的数据。

12.根据权利要求9所述的方法，其特征在于，所述方法还包括：

执行目标推荐逻辑内的目标节点所配置的数据源组件和算法组件，以获取目标推荐结果；其中所述目标推荐逻辑为经过修改、增加和/或删除数据源组件和/或算法组件后的所述推荐逻辑。

13.一种推荐系统，其特征在于，所述系统包括：

节点执行模块，用于根据用户的推荐请求信息，按照权利要求1至8任一项生成的推荐逻辑内未执行的目标节点的执行顺序，依次执行所述未执行的目标节点，并将最末节点的节点执行结果确定为所述推荐请求信息对应的推荐结果；

数据获取模块，用于在执行任一所述未执行的目标节点时，根据当前目标节点内未执行的数据源组件的执行顺序，依次通过所述未执行的数据源组件获取所述推荐请求信息对应的数据；

数据处理模块，用于在执行任一所述未执行的目标节点时，根据当前目标节点内未执行的算法组件的执行顺序，通过所述算法组件依次对目标数据进行处理，以获得节点执行结果；

其中，所述目标数据包括所述当前目标节点中数据源组件获得的数据和执行顺序在所述当前目标节点之前的目标节点的节点执行结果。

14.根据权利要求13所述的推荐系统，其特征在于，所述系统还包括：

数据存储模块，用于存储所述推荐请求信息、所述数据获取模块通过所述未执行的数据源组件获得的数据及所述数据处理模块对获得的所述数据处理后的执行结果。

15.根据权利要求13所述的推荐系统，其特征在于，所述系统还包括：

判断模块，用于判断所述推荐逻辑内是否存在未执行的目标节点，以及判断当前目标节点内是否存在未执行的数据源组件和算法组件。

16.一种存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现根据权利要求9至12中任一项所述的推荐方法。

17.一种电子设备，其特征在于，包括：

处理器；以及

存储器，用于存储所述处理器的可执行指令；

其中，所述处理器配置为经由执行所述可执行指令来执行权利要求9至12中任一项所述的推荐方法。

Images