CN111125518A - 家电信息推荐的系统及方法 - Google Patents

Abstract

本申请涉及一种家电信息推荐的系统及方法，该系统包括：数据平台，被配置为将接入的离线家电数据、以及实时家电数据以设定数据格式存储在家电数据库中，并将所述离线家电数据和所述实时家电数据发送至计算平台；计算平台，被配置为在定义了标准接口的算法库以及规则库中，确定与每个业务请求匹配的算法策略以及规则策略，并根据匹配获得的算法策略、规则策略以及所述家电数据库中的数据信息，生成与每个业务请求对应的推荐信息；其中，所述每个业务请求由业务平台发送。这样，家电信息推荐系统可支撑家电大数据的多种推荐业务，提高了推荐系统的扩展性。

Description

家电信息推荐的系统及方法

技术领域

本申请涉及信息技术领域，例如涉及家电信息推荐的系统及方法。

背景技术

随着家电智能化的普及，家电互联，用户与家电交互的场景愈发频繁。在与家电互联的应用APP端，家电终端，对用户而言，存在严重信息过载问题；在终端展示位有限情况下，如何才能让用户看到自己感兴趣东西同样是一个亟需解决的问题。

目前，可针对用户不同的业务需求，进行对应家电信息推荐，例如：电子商务网站的推荐系统会向终端进行产品的推荐。但在实现本公开实施例的过程中，发现相关技术中至少存在如下问题：相关的推荐系统的可扩展性差，只能用于特定业务，不能很好的扩展其他业务，如需新增业务只能重新开发，工作量大且重复劳动量多。

发明内容

为了对披露的实施例的一些方面有基本的理解，下面给出了简单的概括。所述概括不是泛泛评述，也不是要确定关键/重要组成元素或描绘这些实施例的保护范围，而是作为后面的详细说明的序言。

本公开实施例提供了一种家电信息推荐的系统及方法，以解决推荐系统可扩展性差的技术问题。

在一些实施例中，所述系统包括：

数据平台，被配置为将接入的离线家电数据、以及实时家电数据以设定数据格式存储在家电数据库中，并将所述离线家电数据和所述实时家电数据发送至计算平台；

计算平台，被配置为在定义了标准接口的算法库以及规则库中，确定与每个业务请求匹配的算法策略以及规则策略，并根据匹配获得的算法策略、规则策略以及所述家电数据库中的数据信息，生成与每个业务请求对应的推荐信息；

其中，所述每个业务请求由业务平台发送。

在一些实施例中，所述方法包括：

通过推荐API，接收业务平台发送的业务请求；

在定义了标准接口的算法库以及规则库中，确定与业务请求匹配的算法策略以及规则策略；

根据匹配获得的算法策略、规则策略以及所述家电数据库中的数据信息，生成与每个业务请求对应的推荐信息。

本公开实施例提供了一种服务器，所述服务器包括：处理器和存储有程序指令的存储器，所述处理器被配置为在执行所述程序指令时，执行上述的家电信息推荐方法。

本公开实施例提供的一些技术方案可以实现以下技术效果：

家电信息推荐系统可支撑家电大数据的多种推荐业务，并且，能够灵活从离线，近线，在线各种方式对家电设备终端、APP等数据接入处理，具备扩展性、容错性和可靠性。

以上的总体描述和下文中的描述仅是示例性和解释性的，不用于限制本申请。

附图说明

一个或多个实施例通过与之对应的附图进行示例性说明，这些示例性说明和附图并不构成对实施例的限定，附图中具有相同参考数字标号的元件示为类似的元件，附图不构成比例限制，并且其中：

图1是本公开实施例提供的一种家电信息推荐系统的结构示意图；

图2是本公开实施例提供的一种算法库以及规则库的示意图；

图3是本公开实施例提供的一种家电信息推荐系统的结构示意图；

图4是本公开实施例提供的一种家电信息推荐系统的结构示意图；

图5是本公开实施例提供的一种家电信息推荐方法的流程示意图；

图6是本公开实施例提供的一种家电信息推荐的交互示意图；

图7是本公开实施例提供的电子设备的结构示意图。

具体实施方式

为了能够更加详尽地了解本公开实施例的特点与技术内容，下面结合附图对本公开实施例的实现进行详细阐述，所附附图仅供参考说明之用，并非用来限定本公开实施例。在以下的技术描述中，为方便解释起见，通过多个细节以提供对所披露实施例的充分理解。然而，在没有这些细节的情况下，一个或多个实施例仍然可以实施。在其它情况下，为简化附图，熟知的结构和装置可以简化展示。

图1是本公开实施例提供的一种家电信息推荐系统的结构示意图。如图1所示，家电信息推荐系统包括：数据平台100和计算平台200。

数据平台100，被配置为将接入的离线家电数据、以及实时家电数据以设定数据格式存储在家电数据库中，并将离线家电数据和实时家电数据发送至计算平台。

计算平台200，被配置为在定义了标准接口的算法库以及规则库中，确定与每个业务请求匹配的算法策略以及规则策略，并根据匹配获得的算法策略、规则策略以及家电数据库中的数据信息，生成与每个业务请求对应的推荐信息。

可见，本公开实施例中，数据平台100主要负责家电大数据的接入以及预处理，而家电大数据包括：离线家电数据和实时家电数据，离线家电数据可包括用户相关数据，物品相关数据、以及用户行为数据，而实时家电数据可包括用户实时行为数据。

数据平台100可将离线家电数据和实时家电数据预处理为统一的数据格式，即设定数据格式，并存储在家电数据中，即数据平台100，可具体被配置为通过消息队列系统，对离线家电数据和实时家电数据进行离线接入，并分别在设定数据格式的家电数据库中存储接入的离线家电数据和实时家电数据。这样，降低了数据泄露的风险。

其中，数据平台100可通过离线数据同步工具(DATAX)、数据库接入等方式，接入离线家电数据，并可具体配置为对接入的离线家电数据进行预处理，配置为设定数据格式的数据输入表格，并存入家电数据库中。数据输入表格包括：用户表格、用户属性表格、物品表格、物品属性表格、用户行为表格和待推荐物品表格中的一个或一个以上。

对于实时家电数据可通过kafka(流处理平台)，uAnalytics SDK(软件开发工具包)等方式接入，从而，数据平台100可具体配置为对接入的实时家电数据按照设定时间间隔，转换为设定数据格式的数据输入表格，并存入家电数据库中。当然，对于实时家电数据，数据输入表格可包括：用户行为表格。例如，可通过kafka流式数据接入实时家电数据，并按天落地为设定数据格式的用户行为表格。

本公开实施例中，家电数据库中的数据输入表格都是具有设定数据格式的，其中，每个数据输入表格的公共特性封装成一列公共属性列，每个数据输入表格的业务差异特性封装成一列综合属性列。在一些实施例中，综合属性列中各个子属性可采用特定字符串进行分割。由于家电数据库中，数据输入表格都是统一的设定格式，因此，计算平台可统一处理数据，这样，无论同时针对一个、两个或多个业务，都是基于具有统一的设定数据格式的家电数据库，可降低业务开发的工作量也降低了成本。

本公开实施例中，计算平台200包括了算法库和规则库，算法库和规则库不包含任何业务逻辑，是将推荐系统里面通用的算法和规则进行抽象，形成通用的模块可供计算平台200使用。算法和规则有明确的输入和输出定义，对应到不同的推荐业务需求仅仅只是将多种算法和规则进行组合形成特定业务对应的算法策略以及规则策略。

图2是本公开实施例提供的一种算法库以及规则库的示意图。如图2所示，算法库中包括了：协同过滤推荐算法、基于内容的推荐算法、基于模型的推荐算法，以及基于流行度的推荐算法。而规则库中包括了过滤规则和关联规则。

其中，算法库以及规则库中的每种算法以及每种规则都定义了标准接口，即计算平台200，可具体被配置为将协同过滤推荐算法、基于内容的推荐算法、基于模型的推荐算法以及基于流行度的推荐算法分别进行了标准接口定义，以及配置参数的配置，并保存在算法库以及规则库中。可选地，对如图2所示的四种推荐算法策略进行标准接口定义，规定其输入表集，输出表集，算法策略参数：子策略，策略参数，推荐数目，物品分类等。当然，本公开实施例中，计算平台200还可在大数据机器学习库基础上集成其他推荐算法框架以及自主研发算法包，这样，可进一步提高推荐可兼容性以及推荐的精确性。可选地，可集成spark ML，Mahout(大数据机器学习库)计算框架及自主研发算法包。

同样，计算平台规则库中的各个规则也进行了标准接口定义，包括：规则名称、规则ID、规则策略，规则应用范围中的一个、两个或多个。

用户可在应用APP终端上或业务平台发起业务请求，这样，推荐系统所在服务器接收到业务请求后，推荐系统中的计算平台可从算法库以及规则库中，确定与业务请求匹配的算法策略以及规则策略，确定的算法策略可是一个、两个或多个，同样规则策略也可是一个、两个或多个，从而，可形成了与业务请求匹配的多算法多规则的混合策略，或单一算法单一规则的单一策略。

从而，本公开实施例中，计算平台200，可具体被配置为根据匹配获得的算法策略和规则策略，对家电数据库中的离线家电数据进行处理，生成与每个业务请求对应的第一家电数据特征模型；在接收到实时家电数据的情况下，根据实时家电数据，对算法策略，规则策略以及第一家电数据特征模型进行更新处理，生成与每个业务请求对应的第二家电数据特征模型；以及，根据第一家电数据特征模型与第二家电数据特征模型，生成与每个业务请求对应的推荐信息。

计算平台200提供的基础计算引擎，由离线计算，近线计算和在线计算组成。在一些实施例中，离线计算可采用已有的spark/hive(大数据计算引擎)计算引擎；近线计算采用spark streaming结合Flink(实时计算引擎)的计算引擎；在线计算要求毫秒级的时间响应，其包含的业务逻辑需要尽可能的简单和独立，因此采用基于FTRL(在线学习算法)算法。因此，在一些实施例中，计算平台，具体被配置为通过大数据计算引擎spark/hive，对家电数据库中的离线家电数据进行处理。在一些实施例中，计算平台，具体被配置为通过sparkstreaming结合Flink的实时计算引擎，对算法策略，规则策略以及第一家电数据特征模型进行更新处理。

对于离线计算，可基于数据平台存储的家电数据库中的数据信息，即数据输入表格中的数据信息，根据这些数据信息，可进行家电大数量居的用户画像，以及物品画像，即可根据数据平台存储的家电数据库中的数据信息、算法策略以及规则策略，生成与每个业务请求对应的第一家电数据特征模型。其中，第一家电数据特征模型中，对于业务中可共用的画像属性可由计算平台直接完成，而对于业务中的业务属性可集成为应用程序API接口模式，这样，业务请求对应的业务平台可通过API接口完成后续的画像。

对于近线计算，可根据数据平台100传输过来的实时家电数据，更新离线计算生成的第一家电数据特征模型。计算平台200可对接入的实时家电数据按照预先定义了统一格式的埋点数据格式进行处理。计算平台200可根据实时家电数据，更新第一家电数据特征模型、算法策略以及规则策略，得到更新后与每个业务请求对应的第二家电数据特征模型。其中，不同算法策略对应的近线计算是不同。在一些实施例中，对应算法策略为基于流行度的推荐算法，可基于用户实时行为动态计算物品PV(页面浏览量)值生成推荐表。对应算法策略为基于模型的推荐算法和基于系统过滤推荐算法，是基于用户实时行为生成用户短期/瞬时可能感兴趣的推荐表。

在线计算，可根据第一家电数据特征模型以及第二家电数据特征模型，生成最终的推荐信息，即对第一家电数据特征模型以及第二家电数据特征模型中的推荐列表，进行过滤补齐排序的等工作。

在一些实施例中，计算平台200，可具体被配置为在算法策略只有一个的情况下，对第一家电数据特征模型以及第二家电数据特征模型中的推荐列表，进行过滤补齐排序处理，将处理后的推荐列表确定为推荐信息。

在一些实施例中，计算平台200，可具体被配置为在算法策略有一个以上的情况下，根据与每种算法策略对应的设定权重值，对第一家电数据特征模型以及第二家电数据特征模型中的推荐列表，进行混合排序处理，将处理后的推荐列表确定为推荐信息。

在一些实施例中，计算平台200，可具体被配置为在算法策略有一个以上的情况下，通过在线学习算法，对第一家电数据特征模型以及第二家电数据特征模型中的推荐列表进行在线学习，得到推荐信息。例如：在线学习算法可包括FTRL算法。

本公开实施例中，每个业务请求由业务平台发送，而业务请求可通过家电信息推荐系统中的服务平台的推荐应用程序接口API来接收的，因此，家电信息推荐系统中还可包括服务平台和管理平台。

图3是本公开实施例提供的一种家电信息推荐系统的结构示意图。如图3所示，家电信息推荐系统包括：数据平台100、计算平台200、服务平台300和管理平台400。

数据平台100，被配置为将接入的离线家电数据、以及实时家电数据以设定数据格式存储在家电数据库中，并将离线家电数据和实时家电数据发送至计算平台。

计算平台200，被配置为在定义了标准接口的算法库以及规则库中，确定与每个业务请求匹配的算法策略以及规则策略，并根据匹配获得的算法策略、规则策略以及家电数据库中的数据信息，生成与每个业务请求对应的推荐信息。

服务平台300，被配置为通过推荐应用程序接口API接收业务平台发送的业务请求，并基于业务请求向业务平台反馈对应的推荐信息。

管理平台400，被配置为对接收到的业务请求，以及反馈的推荐信息进行调度管理。

数据平台100和数据平台200的具体结构以及功能可如上述，不再累述了。

服务平台300可面向业务请求对应的业务平台，因此，服务平台300可被配置为定义推荐应用程序接口API，并通过推荐API，接收业务请求，以及向与每个业务请求对应的业务平台推荐对应的推荐信息。服务平台300可能会通过推荐API接收到一个、两个或多个业务请求，因此，服务平台300，可具体配置为在推荐API上，通过负载均衡策略，对接收一个或一个以上的业务请求进行分发，并通过自动熔断策略，切断接收业务请求。这样，可有效解决推荐服务请求高并发的问题。服务器平台300定义了推荐API的格式，这样，业务请求可包括：业务id，场景id，userId，itemid，类别，推荐数目中的一个、两个或多个。当然，服务平台300还可向业务请求对应的业务平台反馈对应的推荐信息，包括：对话ID，推荐列表。

为优化推荐效果，在一些实施例中，服务平台300还可被配置为在推荐API中添加A/B测试标签，接收业务平台根据A/B测试标签反馈的推荐效果信息，并将推荐效果发送给计算平台以及管理平台。即添加A/B测试标签，就可以分析用户行为中不用测试下的点击率，曝光率等指标并进行统计，用于给业务方反馈不同的推荐策略下的效果。当然，为便于推荐效果的评估，可在算法策略配置参数中可配置推荐效果的评估指标。这样，计算平台200，还被配置为根据推荐效果信息，修改对应算法策略的配置参数中效果评估指标。

管理平台400可对接收到的业务请求进行调度管理，以及管理每个业务请求对应的配置文件。当然，在一些实施例中，针对添加A/B测试标签，管理平台400还被配置为根据推荐效果信息，更新展示的A/B测试的指标值。例如：针对业务平台，A/B测试的测试测试指标展示，以天为周期，每天动态更新指标值。

管理平台400在进行任务调度时，可具体配置为采用离线处理框架的方式，配置与每个业务请求对应的推荐业务的调度周期，并在任务调度平台上进行调度管理。

当然，管理平台400在进行配置管理时，可负责管理推荐业务的配置文件，推荐框架采用XML(文件格式)格式的配置文件，统一的配置格式，配置模板，这样，业务平台仅按需修改配置即可实现自己的推荐业务逻辑。

可见，本公开实施例中，家电信息推荐系统可支撑家电大数据的多种推荐业务，并且，能够灵活从离线，近线，在线各种方式对家电设备终端、APP等数据接入处理，具备扩展性、容错性和可靠性推；兼容当前成熟的大数据平台，能够支持大数据量的计算，并易开发和测试，推荐算法的推荐精准率极高。最终还可将推荐信息通过本系统的服务平台实现结果分发，可灵活应对频繁的家电推荐业务需求或规则变更。另外，将推荐效果的点击率，转化率，曝光率与A/B测试进行结合，提供监控和效果评测机制，减低了泄露风险，通过统一格式的配置模板，业务平台可快速构建多个推荐业务，降低了业务平台方的工作量，降低了成本。有效地支撑家电物联网，设备终端，APP等各种家电物联网推荐业务。

下面举例说明本公开实施例提供的家电信息推荐系统。

本实施例中，可将每个平台进行细化，对应可包括一个、两个或多个功能模块。

图4是本公开实施例提供的一种家电信息推荐系统的结构示意图。如图4所示，家电信息推荐系统包括：数据平台100、计算平台200、服务平台300和管理平台400。其中，数据平台100可包括离线存储模块110，以及信息传输模块120；计算平台200可包括：离线计算模块210、近线计算模块220、在线存储模块230、以及在线计算模块240；服务平台300可包括：推荐接口模块310和A/B测试模块320；而管理平台400可包括：效果评估模块410、配置管理模块420、服务监控模块430和调度管理模块440。

离线存储模块110，被配置为对接入的离线家电数据进行预处理，存储在设定数据格式的家电数据库中，将接入的实时家电数据落地存储在设定数据格式的家电数据库。

消息传输模块120，被配置为将实时家电数据发送给计算平台。

其中，离线存储模块110可通过消息队列系统对离线数据接入工具和实时数据接入工具进行离线接入，并分别在设定数据格式的家电数据库中存储接入的离线家电数据和实时家电数据。

离线存储模块110还可对接入的离线家电数据进行预处理，配置为设定数据格式的数据输入表格，并存入家电数据库中，对接入的实时家电数据按照设定时间间隔，落地为设定数据格式的数据输入表格，并存入家电数据库中，其中，数据输入表格包括：用户表格、用户属性表格、物品表格、物品属性表格、用户行为表格和待推荐物品表格中的一个或一个以上，且每个数据输入表格的公共特性封装成一列公共属性列，每个数据输入表格的业务差异特性封装成一列综合属性列。

离线计算模块210，被配置为在定义了标准接口的算法库以及规则库中，确定与每个业务请求匹配的算法策略以及规则策略，并根据数据平台存储的家电数据库中的数据信息、算法策略以及规则策略，生成与每个业务请求对应的第一家电数据特征模型。其中，可将协同过滤推荐算法、基于内容的推荐算法、基于模型的推荐算法以及基于流行度的推荐算法分别进行了标准接口定义，并保存在算法库中，并在大数据机器学习库基础上集成其他推荐算法框架以及自主研发算法包。

近线计算模块220、被配置为在接收到实时家电数据的情况下，根据实时家电数据，更新第一家电数据特征模型、算法策略以及规则策略，得到更新后的与每个业务请求对应的第二家电数据特征模型。

在线存储模块230，被配置为在线存储第一家电数据特征模型以及第二家电数据特征模型。

在线计算模块240，根据第一家电数据特征模型以及第二家电数据特征模型，生成与每个业务请求对应的推荐信息。

其中，在线计算模块240可在算法策略只有一个的情况下，对第一家电数据特征模型以及第二家电数据特征模型中的推荐列表，进行过滤补齐排序处理，将处理后的推荐列表确定为推荐信息。或，在算法策略有一个以上的情况下，根据与每种算法策略对应的设定权重值，对第一家电数据特征模型以及第二家电数据特征模型中的推荐列表，进行混合排序处理，将处理后的推荐列表确定为推荐信息。或，在算法策略有一个以上的情况下，通过FTRL算法，对第一家电数据特征模型以及第二家电数据特征模型中的推荐列表进行在线学习，得到推荐信息。

推荐接口模块310，被配置为定义推荐应用程序接口API，并通过推荐API，接收业务请求，以及向与每个业务请求对应的业务平台推荐对应的推荐信息。其中，可在推荐API上进行了负载均衡和自动熔断的策略，接收一个或一个以上的业务请求。

A/B测试模块320，被配置为在推荐API中添加A/B测试标签，接收业务平台根据A/B测试标签反馈的推荐效果信息，并将推荐效果发送给计算平台以及管理平台。

管理平台400可对接收到的业务请求进行调度管理，以及管理每个业务请求对应的配置文件。这样，效果评估模块410可根据推荐效果信息，更新展示的A/B测试的指标值。配置管理模块420可在进行配置管理时，可负责管理推荐业务的配置文件，推荐框架采用XML(文件格式)格式的配置文件，统一的配置格式，配置模板。而服务监控模块430对信息推荐服务进行监控。调度管理模块440则可采用离线处理框架HDDT的方式，配置与每个业务请求对应的推荐业务的调度周期，并在任务调度平台AZKaban上进行调度管理。

可见，本实施例中，家电信息推荐系统可支撑家电大数据的多种推荐业务，并且，能够灵活从离线，近线，在线各种方式对家电设备终端、APP等数据接入处理，具备扩展性、容错性和可靠性推；兼容当前成熟的大数据平台，能够支持大数据量的计算，并易开发和测试，推荐算法的推荐精准率极高。最终还可将推荐信息通过本系统的服务平台实现结果分发，可灵活应对频繁的家电推荐业务需求或规则变更。另外，将推荐效果的点击率，转化率，曝光率与A/B测试进行结合，提供监控和效果评测机制，减低了泄露风险，通过统一格式的配置模板，业务平台可快速构建多个推荐业务，降低了业务平台方的工作量，降低了成本。有效地支撑家电物联网，设备终端，APP等各种家电物联网推荐业务。

图5是本公开实施例提供的一种家电信息推荐方法的流程示意图。家电信息推荐方法应用于上述家电信息推荐系统中，如图5所示，家电信息推荐的过程包括：

步骤501：通过推荐API，接收业务平台发送的业务请求。

步骤502：在定义了标准接口的算法库以及规则库中，确定与业务请求匹配的算法策略以及规则策略。

步骤503：根据匹配获得的算法策略、规则策略以及家电数据库中的数据信息，生成与每个业务请求对应的推荐信息。

其中，家电数据库中的数据信息获取的过程可包括：通过消息队列系统，对离线家电数据和实时家电数据接入进行离线接入；分别在设定数据格式的家电数据库中存储接入的离线家电数据和实时家电数据

在一些实施例中，分别在设定数据格式的家电数据库中存储接入的离线家电数据和实时家电数据包括：对接入的离线家电数据进行预处理，配置为设定数据格式的数据输入表格，并存入家电数据库中；对接入的实时家电数据按照设定时间间隔，转换为设定数据格式的数据输入表格，并存入家电数据库中。

在一些实施例中，算法库以及规则库的标准接口定义过程中，可将协同过滤推荐算法、基于内容的推荐算法、基于模型的推荐算法以及基于流行度的推荐算法分别进行了标准接口定义，以及配置参数的配置，并保存在算法库以及规则库中。

从而，生成与每个业务请求对应的推荐信息包括：根据匹配获得的算法策略和规则策略，对家电数据库中的离线家电数据进行处理，生成与每个业务请求对应的第一家电数据特征模型；在接收到实时家电数据的情况下，根据实时家电数据，对算法策略，规则策略以及第一家电数据特征模型进行更新处理，生成与每个业务请求对应的第二家电数据特征模型；根据第一家电数据特征模型与第二家电数据特征模型，生成与每个业务请求对应的推荐信息。

在一些实施例中，根据第一家电数据特征模型与第二家电数据特征模型，生成与每个业务请求对应的推荐信息包括：在算法策略只有一个的情况下，对第一家电数据特征模型以及第二家电数据特征模型中的推荐列表，进行过滤补齐排序处理；将处理后的推荐列表确定为推荐信息。

在一些实施例中，根据第一家电数据特征模型与第二家电数据特征模型，生成与每个业务请求对应的推荐信息包括：在算法策略有一个以上的情况下，根据与每种算法策略对应的设定权重值，对第一家电数据特征模型以及第二家电数据特征模型中的推荐列表，进行混合排序处理；将处理后的推荐列表确定为推荐信息。

在一些实施例中，根据第一家电数据特征模型与第二家电数据特征模型，生成与每个业务请求对应的推荐信息包括：在算法策略有一个以上的情况下，通过在线学习算法，对第一家电数据特征模型以及第二家电数据特征模型中的推荐列表进行在线学习；将学习后的推荐列表确定为推荐信息。

家电信息推荐系统中还可包括服务平台和管理平台，服务平台还可被配置为在推荐API中添加A/B测试标签，因此，在一些实施例中，发送给业务平台之后，还包括：通过推荐API向业务平台发送A/B测试标签；接收业务平台根据A/B测试标签反馈的推荐效果信息；根据推荐效果信息，修改对应算法策略的配置参数中效果评估指标，以及以预设的更新周期，更新展示的A/B测试的指标值。

在一些实施例中，在业务请求包括一个以上的情况下，通过推荐API，接收业务平台发送的业务请求包括：在推荐API上，通过负载均衡策略，对接收的业务请求进行分发，并通过自动熔断的策略，切断接收业务请求。

在一些实施例中，在业务请求包括一个以上的情况下，方法还包括：采用离线处理框架的方式，配置与每个业务请求对应的推荐业务的调度周期，并在任务调度平台上进行调度管理。

下面结合具体实施例中，举例说明本发明实施例提供的家电信息推荐过程。

图6是本公开实施例提供的一种家电信息推荐的交互示意图。本实施例中，家电推荐系统中的数据平台可从数据源中获取离线家电数据，并配置为设定数据格式的数据输入表格，并存入家电数据库中。当获得到实时家电数据时，可按天将实时家电数据落地为设定数据格式的数据输入表格，并存入家电数据库中，其中，数据输入表格包括：用户表格、用户属性表格、物品表格、物品属性表格、用户行为表格和待推荐物品表格。服务平台的推荐API中添加A/B测试标签，这样，计算平台的算法策略的配置参数中包括了评估指标值。

如图6所示，家电信息推荐的过程包括：

步骤601：业务平台修改管理平台提供的配置模板中的配置，通过服务平台的推荐API向推荐系统发起多个推荐业务请求。

步骤602：推荐系统的管理平台采用HDDT的方式对多个推荐业务请求进行调度，并将每个推荐业务请求分别发送给计算平台。

步骤603：推荐系统的计算平台确定与每个业务请求匹配的算法策略以及规则策略。

步骤604：计算平台根据数据平台存储的家电数据库中的数据信息、确定的算法策略以及规则策略，生成与每个业务请求对应的第一家电数据特征模型。

步骤605：计算平台根据数据平台接入的实时家电数据，更新第一家电数据特征模型、算法策略以及规则策略，得到更新后的与每个业务请求对应的第二家电数据特征模型。

步骤606：计算平台根据第一家电数据特征模型以及第二家电数据特征模型，生成与每个业务请求对应的推荐信息。

步骤607：服务器平台将推荐信息通过推荐API，向与每个业务请求对应的业务平台推荐对应的推荐信息。

步骤608：业务平台根据推荐信息中的A/B测试标签，反馈推荐效果信息。

步骤609：管理平台根据反馈效果信息，以天为周期，动态更新算法策略中的评估指标值。

可见，本实施例中，家电信息推荐系统可进行多推荐业务的处理，能够支持大数据量的计算，并易开发和测试。最终还可将推荐信息通过本系统的服务平台实现结果分发，可灵活应对频繁的家电推荐业务需求或规则变更。另外，将推荐效果的点击率，转化率，曝光率与A/B测试进行结合，提供监控和效果评测机制。通过统一格式的配置模板，业务平台可快速构建多个推荐业务，降低了业务平台方的工作量，降低了成本。有效地支撑家电物联网，设备终端，APP等各种家电物联网推荐业务。

本公开实施例提供了一种服务器，服务器包括：处理器和存储有程序指令的存储器，处理器被配置为在执行程序指令时，执行上述的家电信息推荐方法。

本公开实施例提供了一种电子设备，其结构如图7所示，该电子设备包括：

至少一个处理器(processor)1000，图7中以一个处理器1000为例；和存储器(memory)1001，还可以包括通信接口(Communication Interface)1002和总线1003。其中，处理器1000、通信接口1002、存储器1001可以通过总线1003完成相互间的通信。通信接口1002可以用于信息传输。处理器1000可以调用存储器1001中的逻辑指令，以完成上述实施例的家电信息推荐系统中每个平台对应的功能。

此外，上述的存储器1001中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。

存储器1001作为一种计算机可读存储介质，可用于存储软件程序、计算机可执行程序，如本公开实施例中的方法对应的程序指令/模块。处理器1000通过运行存储在存储器1001中的软件程序、指令以及模块，从而执行功能应用以及数据处理，即实现上述方法实施例中的家电信息推荐系统中每个平台对应的功能。

存储器1001可包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序；存储数据区可存储根据终端设备的使用所创建的数据等。此外，存储器1001可以包括高速随机存取存储器，还可以包括非易失性存储器。

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，该计算机软件产品存储在一个存储介质中，包括一个或多个指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本公开实施例所述方法的全部或部分步骤。而前述的存储介质可以是非暂态存储介质，包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等多种可以存储程序代码的介质，也可以是暂态存储介质。

以上描述和附图充分地示出了本公开的实施例，以使本领域的技术人员能够实践它们。其他实施例可以包括结构的、逻辑的、电气的、过程的以及其他的改变。实施例仅代表可能的变化。除非明确要求，否则单独的部件和功能是可选的，并且操作的顺序可以变化。一些实施例的部分和特征可以被包括在或替换其他实施例的部分和特征。本公开实施例的范围包括权利要求书的整个范围，以及权利要求书的所有可获得的等同物。当用于本申请中时，虽然术语“第一”、“第二”等可能会在本申请中使用以描述各元件，但这些元件不应受到这些术语的限制。这些术语仅用于将一个元件与另一个元件区别开。比如，在不改变描述的含义的情况下，第一元件可以叫做第二元件，并且同样第，第二元件可以叫做第一元件，只要所有出现的“第一元件”一致重命名并且所有出现的“第二元件”一致重命名即可。第一元件和第二元件都是元件，但可以不是相同的元件。而且，本申请中使用的用词仅用于描述实施例并且不用于限制权利要求。如在实施例以及权利要求的描述中使用的，除非上下文清楚地表明，否则单数形式的“一个”(a)、“一个”(an)和“所述”(the)旨在同样包括复数形式。类似地，如在本申请中所使用的术语“和/或”是指包含一个或一个以上相关联的列出的任何以及所有可能的组合。另外，当用于本申请中时，术语“包括”(comprise)及其变型“包括”(comprises)和/或包括(comprising)等指陈述的特征、整体、步骤、操作、元素，和/或组件的存在，但不排除一个或一个以上其它特征、整体、步骤、操作、元素、组件和/或这些的分组的存在或添加。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、方法或者设备中还存在另外的相同要素。本文中，每个实施例重点说明的可以是与其他实施例的不同之处，各个实施例之间相同相似部分可以互相参见。对于实施例公开的方法、产品等而言，如果其与实施例公开的方法部分相对应，那么相关之处可以参见方法部分的描述。

本领域技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，可以取决于技术方案的特定应用和设计约束条件。所述技术人员可以对每个特定的应用来使用不同方法以实现所描述的功能，但是这种实现不应认为超出本公开实施例的范围。所述技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

本文所披露的实施例中，所揭露的方法、产品(包括但不限于装置、设备等)，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，可以仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例。另外，在本公开实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。

附图中的流程图和框图显示了根据本公开实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这可以依所涉及的功能而定。在附图中的流程图和框图所对应的描述中，不同的方框所对应的操作或步骤也可以以不同于描述中所披露的顺序发生，有时不同的操作或步骤之间不存在特定的顺序。例如，两个连续的操作或步骤实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这可以依所涉及的功能而定。框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

Claims (25)

1.一种家电信息推荐的系统，其特征在于，包括：

数据平台，被配置为将接入的离线家电数据、以及实时家电数据以设定数据格式存储在家电数据库中，并将所述离线家电数据和所述实时家电数据发送至计算平台；

计算平台，被配置为在定义了标准接口的算法库以及规则库中，确定与每个业务请求匹配的算法策略以及规则策略，并根据匹配获得的算法策略、规则策略以及所述家电数据库中的数据信息，生成与每个业务请求对应的推荐信息；

其中，所述每个业务请求由业务平台发送。

2.根据权利要求1所述的系统，其特征在于，还包括：

服务平台，被配置为通过推荐应用程序接口API接收所述业务平台发送的业务请求，并基于所述业务请求向所述业务平台反馈对应的所述推荐信息；

管理平台，被配置为对接收到的所述业务请求，以及反馈的所述推荐信息进行调度管理。

3.根据权利要求2所述的系统，其特征在于，

所述服务平台，还被配置为在所述推荐API中添加A/B测试标签，接收所述业务平台根据所述A/B测试标签反馈的推荐效果信息，并将所述推荐效果发送给所述计算平台以及所述管理平台；

所述计算平台，还被配置为根据所述推荐效果信息，修改对应算法策略的配置参数中效果评估指标；

所述管理平台，还被配置为根据所述推荐效果信息，以预设的更新周期，更新展示的A/B测试的指标值。

4.根据权利要求1、2或3所述的系统，其特征在于，

所述数据平台，具体被配置为通过消息队列系统，对所述离线家电数据和所述实时家电数据进行离线接入，并分别在所述设定数据格式的家电数据库中存储接入的所述离线家电数据和所述实时家电数据。

5.根据权利要求4所述的系统，其特征在于，

所述数据平台，具体被配置为对接入的所述离线家电数据进行预处理，配置为设定数据格式的数据输入表格，并存入所述家电数据库中，对接入的所述实时家电数据按照设定时间间隔，转换为设定数据格式的数据输入表格，并存入所述家电数据库中。

6.根据权利要求1、2或3所述的系统，其特征在于，

所述计算平台，具体被配置为将协同过滤推荐算法、基于内容的推荐算法、基于模型的推荐算法以及基于流行度的推荐算法分别进行了标准接口定义，以及配置参数的配置，并保存在所述算法库以及规则库中。

7.根据权利要求1、2或3所述的系统，其特征在于，

所述计算平台，具体被配置为根据匹配获得的所述算法策略和所述规则策略，对所述家电数据库中的所述离线家电数据进行处理，生成与每个业务请求对应的第一家电数据特征模型；在接收到所述实时家电数据的情况下，根据所述实时家电数据，对所述算法策略，所述规则策略以及所述第一家电数据特征模型进行更新处理，生成与每个业务请求对应的第二家电数据特征模型；以及，根据所述第一家电数据特征模型与所述第二家电数据特征模型，生成与每个业务请求对应的推荐信息。

8.根据权利要求7所述的系统，其特征在于，所述计算平台，具体被配置为通过大数据计算引擎spark/hive，对所述家电数据库中的所述离线家电数据进行处理。

9.根据权利要求7所述的系统，其特征在于，所述计算平台，具体被配置为通过sparkstreaming结合Flink的实时计算引擎，对所述算法策略，所述规则策略以及所述第一家电数据特征模型进行更新处理。

10.根据权利要求7所述的系统，其特征在于，

所述计算平台，具体被配置为在所述算法策略只有一个的情况下，对所述第一家电数据特征模型以及所述第二家电数据特征模型中的推荐列表，进行过滤补齐排序处理，将处理后的所述推荐列表确定为所述推荐信息。

11.根据权利要求7所述的系统，其特征在于，

所述计算平台，具体被配置为在所述算法策略有一个以上的情况下，根据与每种算法策略对应的设定权重值，对所述第一家电数据特征模型以及所述第二家电数据特征模型中的推荐列表，进行混合排序处理，将处理后的所述推荐列表确定为所述推荐信息。

12.根据权利要求7所述的系统，其特征在于，

所述计算平台，具体被配置为在所述算法策略有一个以上的情况下，通过在线学习算法，对所述第一家电数据特征模型以及所述第二家电数据特征模型中的推荐列表进行在线学习，得到所述推荐信息。

13.根据权利要求2或3所述的系统，其特征在于，

所述服务平台，具体配置为在所述推荐API上，通过负载均衡策略，对接收一个或一个以上的所述业务请求进行分发，并通过自动熔断策略，切断接收所述业务请求。

14.根据权利要求2或3所述的系统，其特征在于，

所述管理平台，具体配置为采用离线处理框架的方式，配置与每个业务请求对应的推荐业务的调度周期，并在任务调度平台上进行调度管理。

15.一种家电信息推荐的方法，其特征在于，包括：

通过推荐API，接收业务平台发送的业务请求；

在定义了标准接口的算法库以及规则库中，确定与业务请求匹配的算法策略以及规则策略；

根据匹配获得的算法策略、规则策略以及所述家电数据库中的数据信息，生成与每个业务请求对应的推荐信息。

16.根据权利要求15所述的方法，其特征在于，所述方法还包括：

通过消息队列系统，对所述离线家电数据和实时家电数据接入进行离线接入；

分别在所述设定数据格式的家电数据库中存储接入的所述离线家电数据和所述实时家电数据。

17.根据权利要求15所述的方法，其特征在于，所述分别在所述设定数据格式的家电数据库中存储接入的所述离线家电数据和所述实时家电数据包括：

对接入的所述离线家电数据进行预处理，配置为设定数据格式的数据输入表格，并存入所述家电数据库中；

对接入的所述实时家电数据按照设定时间间隔，转换为设定数据格式的数据输入表格，并存入所述家电数据库中。

18.根据权利要求15所述的方法，其特征在于，所述方法还包括：

将协同过滤推荐算法、基于内容的推荐算法、基于模型的推荐算法以及基于流行度的推荐算法分别进行了标准接口定义，以及配置参数的配置，并保存在所述算法库以及规则库中。

19.根据权利要求15所述的方法，其特征在于，所述生成与每个业务请求对应的推荐信息包括：

根据匹配获得的所述算法策略和所述规则策略，对所述家电数据库中的所述离线家电数据进行处理，生成与每个业务请求对应的第一家电数据特征模型；

在接收到所述实时家电数据的情况下，根据所述实时家电数据，对所述算法策略，所述规则策略以及所述第一家电数据特征模型进行更新处理，生成与每个业务请求对应的第二家电数据特征模型；

根据所述第一家电数据特征模型与所述第二家电数据特征模型，生成与每个业务请求对应的推荐信息。

20.根据权利要求19所述的方法，其特征在于，所述根据所述第一家电数据特征模型与所述第二家电数据特征模型，生成与每个业务请求对应的推荐信息包括：

在所述算法策略只有一个的情况下，对所述第一家电数据特征模型以及所述第二家电数据特征模型中的推荐列表，进行过滤补齐排序处理；

将处理后的所述推荐列表确定为所述推荐信息。

21.根据权利要求19所述的方法，其特征在于，所述根据所述第一家电数据特征模型与所述第二家电数据特征模型，生成与每个业务请求对应的推荐信息包括：

在所述算法策略有一个以上的情况下，根据与每种算法策略对应的设定权重值，对所述第一家电数据特征模型以及所述第二家电数据特征模型中的推荐列表，进行混合排序处理；

将处理后的所述推荐列表确定为所述推荐信息。

22.根据权利要求19所述的方法，其特征在于，所述根据所述第一家电数据特征模型与所述第二家电数据特征模型，生成与每个业务请求对应的推荐信息包括：

在所述算法策略有一个以上的情况下，通过在线学习算法，对所述第一家电数据特征模型以及所述第二家电数据特征模型中的推荐列表进行在线学习；

将学习后的所述推荐列表确定为所述推荐信息。

23.根据权利要求15述的方法，其特征在于，所述发送给所述业务平台之后，还包括：

通过所述推荐API向所述业务平台发送A/B测试标签；

接收所述业务平台根据所述A/B测试标签反馈的推荐效果信息；

根据所述推荐效果信息，修改对应算法策略的配置参数中效果评估指标，以及以预设的更新周期，更新展示的A/B测试的指标值。

24.根据权利要求15所述的方法，其特征在于，在所述业务请求包括一个以上的情况下，所述通过推荐API，接收业务平台发送的业务请求包括：

在所述推荐API上，通过负载均衡策略，对接收的所述业务请求进行分发，并通过自动熔断的策略，切断接收所述业务请求。

25.根据权利要求15所述的方法，其特征在于，在所述业务请求包括一个以上的情况下，所述方法还包括：

采用离线处理框架的方式，配置与每个业务请求对应的推荐业务的调度周期，并在任务调度平台上进行调度管理。

Images