CN111611480A - 推荐策略生成方法、装置、计算机设备及存储介质 - Google Patents
推荐策略生成方法、装置、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN111611480A CN111611480A CN202010378249.1A CN202010378249A CN111611480A CN 111611480 A CN111611480 A CN 111611480A CN 202010378249 A CN202010378249 A CN 202010378249A CN 111611480 A CN111611480 A CN 111611480A
- Authority
- CN
- China
- Prior art keywords
- recommendation
- strategy
- server
- algorithm
- condition
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 54
- 238000006731 degradation reaction Methods 0.000 claims description 78
- 230000015556 catabolic process Effects 0.000 claims description 77
- 238000012544 monitoring process Methods 0.000 claims description 25
- 238000012545 processing Methods 0.000 claims description 14
- 230000006870 function Effects 0.000 claims description 12
- 238000011084 recovery Methods 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 7
- 230000000694 effects Effects 0.000 abstract description 17
- 238000010586 diagram Methods 0.000 description 10
- 241000283965 Ochotona princeps Species 0.000 description 9
- 238000004891 communication Methods 0.000 description 5
- 241000282326 Felis catus Species 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 239000003607 modifier Substances 0.000 description 3
- 210000001072 colon Anatomy 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000009193 crawling Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9535—Search customisation based on user profiles and personalisation
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Information Transfer Between Computers (AREA)
Abstract
本申请公开了一种推荐策略生成方法、装置、计算机设备及存储介质。该方法包括：获取推荐系统的运行信息；当推荐信息的运行信息满足预设更新条件时，生成目标推荐策略；向推荐系统中的存储服务器发送目标推荐策略，推荐系统中的推荐服务器用于从存储服务器获取并执行目标推荐策略。本申请实施例提供的技术方案，通过获取推荐系统的运行信息，并在推荐系统的运行信息满足推荐算法切换的条件时，生成用于指示推荐算法切换的推荐策略，并指示推荐系统按照该推荐策略提供内容推荐服务，可以实现提升推荐系统的稳定性以及持续可用性，提升推荐效果。
Description
技术领域
本申请实施例涉及互联网技术领域，特别涉及一种推荐策略生成方法、装置、计算机设备及存储介质。
背景技术
目前，大多数应用程序厂商都面向用户提供内容推荐服务，也即向用户推荐视频、图像、新闻、文字等内容。
相关技术中，当需要向数量较多的用户提供内容推荐服务时，计算机设备获取该应用程序对应的后台服务器的运行参数，并根据该运行参数确定相应的丢弃率，之后按照上述丢弃率，停止向部分用户提供内容推荐服务。
相关技术中，当需要向数量较多的用户提供内容推荐服务时，部分用户无法获取内容推荐服务，推荐效果不佳。
发明内容
本申请实施例提供一种推荐策略生成方法、装置、计算机设备及存储介质，可以提升推荐效果。所述技术方案如下：
一方面，本申请实施例提供一种推荐策略生成方法，所述方法包括：
获取推荐系统的运行信息，所述推荐系统的运行信息用于描述所述推荐系统中的至少一个设备的运行情况；
当所述推荐信息的运行信息满足预设更新条件时，生成目标推荐策略，所述预设更新条件是指用于触发推荐算法更新的条件；
向所述推荐系统中的存储服务器发送所述目标推荐策略，所述推荐系统中的推荐服务器用于从所述存储服务器获取并执行所述目标推荐策略。
另一方面，本申请实施例提供一种推荐策略生成装置，所述装置包括：
信息获取模块，用于获取推荐系统的运行信息，所述推荐系统的运行信息用于描述所述推荐系统中的至少一个设备的运行情况；
策略生成模块，用于当所述推荐信息的运行信息满足预设更新条件时，生成目标推荐策略，所述预设更新条件是指用于触发推荐算法更新的条件；
策略发送模块，用于向所述推荐系统中的存储服务器发送所述目标推荐策略，所述推荐系统中的推荐服务器用于从所述存储服务器获取并执行所述目标推荐策略。
又一方面，提供了一种计算机设备，所述计算机设备包括处理器和存储器，所述存储器存储有计算机程序，所述计算机程序由所述处理器加载并执行以实现一方面所述的推荐策略生成方法。
再一方面，提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机程序，所述计算机程序由处理器加载并执行以实现一方面所述的推荐策略生成方法。
本申请实施例提供的技术方案带来的有益效果至少包括：
通过获取推荐系统的运行信息，并在推荐系统的运行信息满足推荐算法切换的条件时，生成用于指示推荐算法切换的推荐策略，并指示推荐系统按照该推荐策略提供内容推荐服务；例如，当推荐系统的负载较大且采用的推荐算法消耗较大时，生成的推荐策略用于指示将计算资源消耗较大的推荐算法切换至计算资源消耗较少的推荐算法；再例如，当推荐系统的负载较小且采用的推荐算法消耗较小时，生成的推荐策略用于指示将计算资源消耗较小的推荐算法切换至计算资源消耗较大的推荐算法；通过上述方式，可以实现提升推荐系统的稳定性以及持续可用性，提升推荐效果。
附图说明
图1是本申请一个示例性实施例示出的实施环境的示意图；
图2是本申请另一个示例性实施例示出的实施环境的示意图；
图3是本申请一个示例性实施例示出的推荐策略生成方法的流程图；
图4是本申请另一个示例性实施例示出的推荐策略生成方法的流程图；
图5是本申请一个示例性实施例示出的生成推荐策略的界面示意图；
图6是本申请另一个示例性实施例示出的推荐策略生成方法的流程图；
图7是本申请另一个示例性实施例示出的推荐策略生成方法的流程图；
图8是本申请另一个示例性实施例示出的推荐策略生成装置的框图；
图9是本申请一个示例性实施例示出的计算机设备的结构框图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚，下面将结合附图对本申请实施方式作进一步地详细描述。
下面对本申请实施例涉及的相关名词进行介绍。
降级：将推荐系统中来自特定平台、特定渠道的特定用户对应的第一推荐算法切换成第二推荐算法。
第一推荐算法：消耗计算资源较多、不稳定但推荐效果较好的算法。
第二推荐算法：消耗计算资源较少、稳定但推荐效果一般的算法。
恢复：降级的逆过程，将推荐系统中来自特定平台、特定渠道的特定用户对应的第二推荐算法切换成第一推荐算法。
下面介绍本申请实施例涉及的数据库表。
结合参考表-1，其示出了本申请一个实施例示出的推荐策略的运行信息的数据库表。
表-1
在表-1中，推荐策略的运行信息包括唯一编码(也即ID)、设备的网络地址(也即Ip_rs)、CPU信息、内存信息、创建时间等内容。
结合参考表-2，其示出了本申请一个实施例示出的预设更新条件(也即降级条件)的数据库表。
表-2
在表-2中，预设更新条件包括唯一编码(也即ID)、存储服务器的CPU信息(也即pika_cpu)、存储服务器的内存信息(也即pika_mem)、推荐服务器的内存信息(也即rs_mem)、推荐服务器的CPU信息(rs_cpu)、单位时间查询量(cat_qps)、创建时间(也即create_time)、修改时间(也即modify_time)、创建人(也即create_user)、修改人(也即modify_time)、单位时间错误增量(也即cat_error)等内容。
结合参考表-3，其示出了本申请一个实施例示出的推荐策略的数据库表。
表-3
在表-3中，推荐策略包括唯一编码(也即ID)、切换前的推荐算法(也即Before_relegate)、切换后的推荐算法(也即after_relegate)、创建时间(也即create_time)、修改时间(也即modify_time)、创建人(也即create_user)、修改人(也即modify_time)等内容。
结合参考表-4，其示出了本申请一个实施例示出的降级历史的数据库表。
表-4
在表-4中，降级历史包括唯一编码(也即ID)、降级原因(也即reason)、网络地址(也即ip)、标准值(也即Standard_value)、实际值(也即Actual_value)、切换前的推荐算法(也即Before_relegate)、持续时间(也即duration)、创建时间(也即create_time)等内容。
请参考图1，其示出了本申请一个实施例提供的实施环境的示意图。该实施环境包括：推荐系统10和策略服务器11。
策略服务器11用于生成推荐系统所采用的推荐策略。策略服务器11可以是一台服务器，也可以是多台服务器组成的服务器集群，还可以是一个云计算服务中心。在一些实施例中，策略服务器11对应有策略客户端，该策略客户端安装在终端中，相关运营人员可以在该策略客户端上设置预设更新条件(比如降级条件)、设置推荐策略、查看策略生成历史(比如降级历史等等)。
推荐策略用于指示推荐系统所采用的推荐算法，以及以下至少一项：目标平台、目标频道以及目标用户帐号。在本申请实施例中，目标平台是指运行有指定应用程序的操作系统，上述指定应用程序是指向不同用户提供内容推荐服务的应用程序，目标平台可以是IOS平台，还可以是安卓平台。目标频道是指指定应用程序中的不同用户界面，其可以根据内容类型进行划分得到，比如“电影”、“电视剧”、“儿童”、“动漫”等等。目标用户帐号是指接受指定应用程序提供的内容推荐服务的用户帐号。
在一个具体的例子中，推荐策略包括推荐算法A、安卓平台、电视剧频道、目标用户帐号B等内容，也即目标用户帐号B在安卓平台上访问电视剧频道时，推荐服务器采用推荐算法A对其进行内容推荐。
推荐系统10包括推荐服务器101、存储服务器102、监控服务器103。
推荐服务器101用于向不同用户提供内容推荐服务。在本申请实施例中，推荐服务器101从存储服务器102获取策略服务器11制定的推荐策略，并按照上述推荐策略向不同用户提供内容推荐服务。推荐服务器101可以是一台服务器，也可以是多台服务器组成的服务器集群，还可以是一个云计算服务中心。
存储服务器102用于存储推荐系统所需的数据或者推荐算法所需的特征等数据。在本申请实施例中，存储服务器102存储有策略服务器11制定的推荐策略。存储服务器102可以是一台服务器，也可以是多台服务器组成的服务器集群，还可以是一个云计算服务中心。
监控服务器103用于对推荐系统10的运行参数进行监控。上述运行参数包括单位时间查询量、单位时间错误增量等等。单位时间查询量是指单位时间内接受内容推荐服务的用户数量，单位时间可以根据实际需求设定，比如单位时间为秒。单位时间错误增量是指单位时间内提供内容推荐服务出现错误的数量。监控服务器103可以是一台服务器，也可以是多台服务器组成的服务器集群，还可以是一个云计算服务中心。
在本申请实施例中，该实施环境还包括数据库，该数据库用于存储推荐系统10的运行信息。上述推荐系统的运行信息包括以下至少一项：推荐服务器101的内存信息、推荐服务器101的中央处理单元(Central Processing Unit，CPU)信息、存储服务器102的内存信息、存储服务器102的CPU信息、单位时间查询量、单位时间错误增量等等。
上述策略服务器11、推荐服务器101、存储服务器102以及监控服务器103等四个服务器两两之间通过无线网络或有线网络建立通信连接。上述的无线网络或有线网络使用标准通信技术和/或协议。网络通常为因特网、但也可以是其它任何网络，包括但不限于局域网(Local Area Network，LAN)、城域网(Metropolitan Area Network，MAN)、广域网(WideArea Network，WAN)、移动、有线或者无线网络、专用网络或者虚拟专用网络的任何组合)。在一些实施例中，使用包括超文本标记语言(Hyper Text Mark-up Language，HTML)、可扩展标记语言(Extensible Markup Language，XML)等的技术和/或格式来代表通过网络交换的数据。此外还可以使用诸如安全套接字层(Secure Socket Layer，SSL)、传输层安全(Transport Layer Security，TLS)、虚拟专用网络(Virtual Private Network，VPN)、网际协议安全(Internet Protocol Security，IPsec)等常规加密技术来加密所有或者一些链路。在另一些实施例中，还可以使用定制和/或专用数据通信技术取代或者补充上述数据通信技术。
请参考图2，其示出了本申请一个实施例示出的实施环境的示意图。该实施环境包括AB平台前端(也即图1实施例提到的策略客户端)、AB平台后端(也即策略服务器11)、数据库、推荐系统服务(也即推荐服务器101)、PIKA集群(也即存储服务器102)、Cat应用监控系统(也即监控服务器103)。
推荐系统服务采集推荐系统机器的CPU信息以及内存信息，并将采集到的信息写入数据库；PIKA集群采集PIKA机器的CPU信息以及内存信息，并将采集到的信息写入数据库；Cat应用监控系统解析Xml文件，获得实时单位时间查询量、单位时间错误增量等信息，并将获取到的信息写入数据库。
AB平台后端从数据库读取上述推荐系统机器的CPU信息以及内存信息、PIKA机器的CPU信息以及内存信息、实时单位时间查询量、单位时间错误增量等信息，并根据上述信息生成推荐策略(比如降级策略)，之后将上述推荐策略写入PIKA集群。
推荐系统服务从PIKA集群获取上述推荐策略，之后按照上述推荐策略向不同用户提供内容推荐服务。
此外，相关运营人员可以在AB平台前端设置预设更新条件(比如降级条件)、查看降级策略、降级历史等信息。
请参考图3，其示出了本申请一个实施例示出的推荐策略生成方法的流程图，该方法应用于图1所示实施环境中的策略服务器。该方法包括：
步骤301，获取推荐系统的运行信息。
推荐系统的运行信息用于描述推荐系统中的至少一个设备的运行情况。推荐系统中的至少一个设备包括推荐服务器、存储服务器和监控服务器。
推荐服务器部署有推荐服务，其可以通过该推荐服务向用户提供内容推荐服务器。在本申请实施例中，推荐服务器从存储服务器获取策略服务器制定的推荐策略，并按照上述推荐策略向不同用户提供内容推荐服务。
存储服务器用于存储推荐系统所需的数据或者推荐算法所需的特征等数据。在本申请实施例中，存储服务器存储有策略服务器制定的推荐策略。
监控服务器用于监控推荐系统的各项参数，比如单位时间查询量、单位时间错误增量等等。
推荐系统的运行信息包括以下至少一项：存储服务器的CPU使用率、推荐服务器的CPU占用率、单位时间查询量、单位时间错误增量。单位时间查询量是指单位时间内接受内容推荐服务的用户数量。单位时间错误增量是指单位时间内提供内容推荐服务出现错误的数量。
在一些实施例中，存储服务器通过java方式执行预设命令，以截取出存储服务器的实时内存信息以及实时CPU信息，上述实时CPU信息包括CPU使用率。预设命令可以是pidof命令、top命令等等。其中，pid of命令用于查找指定名称的进程的进程标识。Top命令用于监测CPU、内存的使用情况。
在一些实施例中，推荐服务器也通过java方式执行预设命令，以截取出推荐服务器的实时内存信息以及实时CPU信息，上述实时CPU信息包括CPU占用率。预设命令也可以是pid of命令、top命令等等。
在一些实施例中，监控服务器通过爬取网页的方式，以及对可扩展标记语言(eXtensible Markup Language，XML)文件进行解析得到单位时间查询量、单位时间错误增量。
策略服务器每隔预设时间从推荐系统中的各个设备获取推荐系统的运行信息。上述预设时间可以根据实际需求设定，本申请实施例对此不作限定。
步骤302，当推荐系统中的运行信息满足预设更新条件时，生成目标推荐策略。
预设更新条件是指用于触发推荐算法更新的条件。预设更新条件可以是降级条件或恢复条件。降级条件用于触发将第一推荐算法切换至第二推荐算法。第一推荐算法所需的计算资源大于第二推荐算法所需的计算资源。恢复条件用于触发将第三推荐算法切换至第四推荐算法。第三推荐算法所需的计算资源小于第四推荐算法所需的计算资源。第一推荐算法与第四推荐算法可以相同，也可以不同。第二推荐算法与第三推荐算法可以相同，也可以不同。
目标推荐策略包括目标推荐算法，目标推荐算法用于指示切换后的推荐算法。目标推荐策略还包括以下至少一项：目标平台、目标频道以及目标用户帐号，从而实现以平台、频道、用户帐号为粒度进行推荐算法切换。
目标平台是指运行有指定应用程序的操作系统，上述指定应用程序是指向不同用户提供内容推荐服务的应用程序，目标平台可以是IOS平台，还可以是安卓平台。目标频道是指指定应用程序中的不同用户界面，其可以根据内容类型进行划分得到，比如“电影”、“电视剧”、“儿童”、“动漫”等等。目标用户帐号是指接受指定应用程序提供的内容推荐服务的用户帐号。
在一个具体的例子中，推荐策略包括推荐算法A、安卓平台、电视剧频道、目标用户帐号B等内容，也即目标用户帐号B在安卓平台上访问电视剧频道时，推荐服务器采用推荐算法A对其进行内容推荐。
步骤303，向推荐系统中的存储服务器发送目标推荐策略。
相应地，存储服务器接收策略服务器发送的目标推荐策略。推荐系统中的推荐服务器用于从存储服务器获取并执行目标推荐策略。
在一些实施例中，策略服务器将上述目标推荐策略同步到存储服务器中的一个KEY中，后续推荐服务器定时从该KEY中读取目标推荐策略。该KEY可以是kg.live.recommend.abquick.entrance.singleTail。
在一些实施例中，策略服务器在获取推荐系统的运行信息，并根据运行信息生成推荐策略之前，还检测算法切换功能是否处于开启状态。算法切换功能是指根据推荐系统的运行信息自动切换推荐算法的功能。若算法切换功能处于开启状态，则执行后续步骤，若算法切换功能处于关闭状态，则结束流程。
综上所述，本申请实施例提供的技术方案，通过获取推荐系统的运行信息，并在推荐系统的运行信息满足推荐算法切换的条件时，生成用于指示推荐算法切换的推荐策略，并指示推荐系统按照该推荐策略提供内容推荐服务；例如，当推荐系统的负载较大且采用的推荐算法消耗较大时，生成的推荐策略用于指示将计算资源消耗较大的推荐算法切换至计算资源消耗较少的推荐算法；再例如，当推荐系统的负载较小且采用的推荐算法消耗较小时，生成的推荐策略用于指示将计算资源消耗较小的推荐算法切换至计算资源消耗较大的推荐算法；可以提升推荐系统的稳定性以及持续可用性，提升推荐效果。
请参考图4，其示出了本申请一个实施例示出的推荐策略生成方法的流程图，该方法应用于图1所示实施环境中的策略服务器。该方法包括：
步骤401，获取推荐系统的运行信息。
推荐系统的运行信息用于描述推荐系统中的至少一个设备的运行情况。
步骤402，当推荐信息的运行信息满足降级条件时，生成目标推荐策略。
降级条件用于触发将第一推荐算法切换至第二推荐算法。第一推荐算法所需的计算资源大于第二推荐算法所需的计算资源。第一推荐算法所需的计算资源较大，推荐效果不稳定，但推荐效果较好。第二推荐算法所需的计算资源较小，推荐效果不定，但推荐效果较差。
降级条件包括以下一项或多项的组合：存储服务器的中央处理单元CPU使用率大于不小于第一阈值、推荐服务器的CPU占用率不小于第二阈值、推荐系统的监控服务器的单位时间查询量不小于第三阈值、监控服务器的单位时间错误增量不小于第四阈值。
第一阈值、第二阈值、第三阈值、第四阈值均可以根据实际需求设定，本申请实施例对此不作限定。例如，第一阈值为50％，第二阈值为1200％，第三阈值为5000，第四阈值为50。另外，上述第一阈值、第二阈值、第三阈值、第四阈值可以由相关运营人员在策略客户端设定。
结合参考图5，其示出了本申请一个实施例提供的生成推荐策略的界面示意图。在条件设置界面，存储服务器的CPU使用率对应的第一阈值(也即pika_cpu)被设置为50，推荐服务器的CPU利用率对应的第二阈值(也即rs_cpu)被设置为1200，单位时间查询量(cat_qps)被设置为5000，单位时间错误增量(也即cat_error)被设置为50。此外，条件设置界面还包括创建人、创建时间、修改人、修改时间等内容。
步骤403，获取推荐系统的降级标识。
降级标识用于指示是否发生降级。当降级标识为第一预设值时，则说明未发生降级，当降级标识为第二预设值时，则说明已发生降级。第一预设值与第二预设值不相同。上述第一预设值与第二预设值可以预先规定，例如第一预设值为0，第二预设值为1。
步骤404，当推荐系统的降级标识为第一预设值时，向存储服务器发送目标推荐策略。
在本申请实施例中，在推荐系统的运行信息满足降级条件，并且未发生过降级时，向存储服务器发送生成的推荐策略，以使得推荐服务器能够获取并执行上述推荐策略，降低推荐系统需要消耗的处理资源。
结合参考图5，其示出了本申请一个实施例示出的执行推荐策略的界面示意图。以第一行为例，冒号前部分"1.10"中的“1”用于代表平台(例如安卓、IOS等)，“10”用于代表频道，冒号后部分用于代表用户帐号的尾号，第一行在降级前后无变化，则表示来自“1”平台、“10”频道的所有用户帐号对应的推荐算法均没有更新。以第三行为例，来自“1”平台、“12”频道，且尾号为“5、6、7、8、9”的用户帐号对应的推荐算法发生了降级。
策略服务器在向存储服务器发送目标推荐策略后，可以保存降级历史。降级历史可以包括降级原因、单位时间错误增量的标准值、单位时间错误增量的实际值、降级持续时间、创建时间等等。后续运营人员可以在策略客户端(也即AB平台前端)查看上述降级历史，并根据降级历史对推荐系统进行维护。
结合参考表-5，其示例性示出了降级历史。
表-5
从表-5中可以看出，三次降级的原因均为单位时间错误增量(也即Cat_error)的实际值超过了标准值，降级持续时间均为2秒。
步骤405，将推荐系统的降级标识由第一预设值更新为第二预设值。
第一预设值与第二预设值不相同。在本申请实施例中，策略服务器向推荐系统发送生成的推荐策略后，更新降级标识。
综上所述，本申请实施例提供的技术方案，通过获取推荐系统的运行信息，并在推荐系统的运行信息满足降级条件且未发生过降级时，生成用于指示推荐算法切换的推荐策略，以指示推荐系统将计算资源消耗较大的推荐算法切换至计算资源消耗较少的推荐算法，降低推荐系统的需要消耗的处理资源，缓解推荐系统的处理压力。
请参考图6，其示出了本申请一个实施例示出的推荐策略生成方法的流程图，该方法应用于图1所示实施环境中的策略服务器。该方法包括：
步骤601，获取推荐系统的运行信息。
推荐系统的运行信息用于描述推荐系统中的至少一个设备的运行情况。
步骤602，当推荐信息的运行信息满足恢复条件时，生成目标推荐策略。
恢复条件用于触发将第三推荐算法切换至第四推荐算法。第三推荐算法所需的计算资源小于第四推荐算法所需的计算资源。
第三推荐算法所需的计算资源小于第四推荐算法所需的计算资源。第四推荐算法所需的计算资源较大，推荐效果不稳定，但推荐效果较好。第三推荐算法所需的计算资源较小，推荐效果不定，但推荐效果较差。
恢复条件包括以下一项或多项的组合：存储服务器的中央处理单元CPU使用率小于第一阈值、推荐服务器的CPU占用率小于第二阈值、推荐系统的监控服务器的单位时间查询量小于第三阈值、监控服务器的单位时间错误增量小于第四阈值。
步骤603，获取推荐系统的降级标识。
降级标识用于指示是否发生降级。
步骤604，当推荐系统的降级标识为第二预设值时，向存储服务器发送目标推荐策略。
步骤605，将推荐系统的降级标识由第二预设值更新为第一预设值。
第一预设值与第二预设值不相同。
综上所述，本申请实施例提供的技术方案，通过获取推荐系统的运行信息，并在推荐系统的运行信息满足恢复条件且已发生过降级时，生成用于指示推荐算法切换的推荐策略，以指示推荐系统将计算资源消耗较小的推荐算法切换至计算资源消耗较大的推荐算法，提升推荐效果。
在一个具体的例子中，结合参考图7，其示出了本申请一个示例性实施例示出的推荐策略生成方法的流程图，该方法可以包括如下步骤：
步骤701，检测自动降级开关是否打开。
步骤702，检测降级配置是否发生更新。
步骤703，更新未降级配置到存储服务器。
步骤704，更新已降级配置到存储服务器。
步骤705，读取预设更新条件，并检测采集到的推荐系统的运行信息是否满足预设更新条件。
步骤706，当推荐系统的运行信息满足降级条件时，检测降级标识是否用于指示未发生降级。
步骤707，保存降级历史，将生成的推荐策略发送到存储服务器，并将降级标识设置为已降级。
步骤708，当推荐系统的运行信息满足恢复条件时，检测降级标识是否用于指示已发生降级。
步骤709，更新上次降级持续时间，将生成的推荐策略发送到存储服务器，并将降级标识设置为未降级。
以下为本申请装置实施例，对于装置实施例中未详细阐述的部分，可以参考上述方法实施例中公开的技术细节。
请参考图8，其示出了本申请一个示例性实施例提供的推荐策略生成装置的框图。该推荐策略生成装置可以通过软件、硬件或者两者的组合实现成为终端的全部或一部分。该装置包括：
信息获取模块801，用于获取推荐系统的运行信息，所述推荐系统的运行信息用于描述所述推荐系统中的至少一个设备的运行情况。
策略生成模块802，用于当所述推荐信息的运行信息满足预设更新条件时，生成目标推荐策略，所述预设更新条件是指用于触发推荐算法更新的条件。
策略发送模块803，用于向所述推荐系统中的存储服务器发送所述目标推荐策略，所述推荐系统中的推荐服务器用于从所述存储服务器获取并执行所述目标推荐策略。
综上所述，本申请实施例提供的技术方案，通过获取推荐系统的运行信息，并在推荐系统的运行信息满足推荐算法切换的条件时，生成用于指示推荐算法切换的推荐策略，并指示推荐系统按照该推荐策略提供内容推荐服务；例如，当推荐系统的负载较大且采用的推荐算法消耗较大时，生成的推荐策略用于指示将计算资源消耗较大的推荐算法切换至计算资源消耗较少的推荐算法；再例如，当推荐系统的负载较小且采用的推荐算法消耗较小时，生成的推荐策略用于指示将计算资源消耗较小的推荐算法切换至计算资源消耗较大的推荐算法；可以提升推荐系统的稳定性以及持续可用性，提升推荐效果。
在基于图8所示实施例提供的一个可选实施例中，所述预设更新条件为降级条件，所述降级条件用于触发将第一推荐算法切换至第二推荐算法，所述第一推荐算法所需的计算资源大于所述第二推荐算法所需的计算资源；
所述装置还包括：标识获取模块(图8未示出)。
标识获取模块，用于获取所述推荐系统的降级标识，所述降级标识用于指示是否发生降级。
所述策略发送模块803，用于当所述推荐系统的降级标识为第一预设值时，向所述存储服务器发送所述目标推荐策略。
可选地，所述装置还包括：标识更新模块(图8未示出)。
所述标识更新模块，用于将所述推荐系统的降级标识由所述第一预设值更新为第二预设值，所述第一预设值与所述第二预设值不相同。
可选地，所述降级条件包括以下一项或多项的组合：
所述存储服务器的中央处理单元CPU使用率大于不小于第一阈值、所述推荐服务器的CPU占用率不小于第二阈值、所述推荐系统的监控服务器的单位时间查询量不小于第三阈值、所述监控服务器的单位时间错误增量不小于第四阈值。
在基于图8所示实施例提供的一个可选实施例中，所述预设更新条件为恢复条件，所述恢复条件用于触发将第三推荐算法切换至第四推荐算法，所述第三推荐算法所需的计算资源小于所述第四推荐算法所需的计算资源；
所述装置还包括：标识获取模块(图8未示出)。
标识获取模块，用于获取所述推荐系统的降级标识，所述降级标识用于指示是否发生降级。
所述策略发送模块803，用于当所述推荐系统的降级标识为第二预设值时，向所述存储服务器发送所述目标推荐策略。
可选地，所述装置还包括：标识更新模块(图8未示出)。
所述标识更新模块，用于将所述推荐系统的降级标识由所述第二预设值更新为第一预设值，所述第一预设值与所述第二预设值不相同。
可选地，所述恢复条件包括以下一项或多项的组合：所述存储服务器的中央处理单元CPU使用率小于第一阈值、所述推荐服务器的CPU占用率小于第二阈值、所述推荐系统的监控服务器的单位时间查询量小于第三阈值、所述监控服务器的单位时间错误增量小于第四阈值。
在基于图8所示实施例提供地一个可选实施例中，所述装置还包括：状态检测模块(图8未示出)。
状态检测模块，用于检测算法切换功能是否处于开启状态；
所述策略生成模块802，还用于若所述算法切换功能处于所述开启状态，则执行所述生成目标推荐策略的步骤。
需要说明的是，上述实施例提供的装置在实现其功能时，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将设备的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。另外，上述实施例提供的装置与方法实施例属于同一构思，其具体实现过程详见方法实施例，这里不再赘述。
请参考图9，其示出了本申请一个实施例提供的服务器的结构示意图。该服务器900为图1中的服务器。具体来讲：所述服务器900包括CPU901、包括随机存取存储器(RandomAccess Memory，RAM)902和只读存储器(Read-Only Memory，ROM)903的系统存储器904，以及连接系统存储器904和中央处理单元901的系统总线905。所述服务器900还包括帮助计算机内的各个器件之间传输信息的基本输入/输出系统(Input/Output，I/O系统)906，和用于存储操作系统913、应用程序914和其他程序模块915的大容量存储设备907。
所述基本输入/输出系统906包括有用于显示信息的显示器909和用于用户输入信息的诸如鼠标、键盘之类的输入设备909。其中所述显示器909和输入设备909都通过连接到系统总线905的输入输出控制器910连接到中央处理单元901。所述基本输入/输出系统906还可以包括输入输出控制器910以用于接收和处理来自键盘、鼠标、或电子触控笔等多个其他设备的输入。类似地，输入输出控制器910还提供输出到显示屏、打印机或其他类型的输出设备。
所述大容量存储设备907通过连接到系统总线905的大容量存储控制器(未示出)连接到中央处理单元901。所述大容量存储设备907及其相关联的计算机可读介质为服务器900提供非易失性存储。也就是说，所述大容量存储设备907可以包括诸如硬盘之类的计算机可读介质(未示出)。
不失一般性，所述计算机可读介质可以包括计算机存储介质和通信介质。计算机存储介质包括以用于存储诸如计算机可读指令、数据结构、程序模块或其他数据等信息的任何方法或技术实现的易失性和非易失性、可移动和不可移动介质。计算机存储介质包括RAM、ROM、闪存或其他固态存储其技术，高密度数字视频光盘(Digital Video Disc，DVD)或其他光学存储、磁带盒、磁带、磁盘存储或其他磁性存储设备。当然，本领域技术人员可知所述计算机存储介质不局限于上述几种。上述的系统存储器904和大容量存储设备907可以统称为存储器。
根据本申请的各种实施例，所述服务器900还可以通过诸如因特网等网络连接到网络上的远程计算机运行。也即服务器900可以通过连接在所述系统总线905上的网络接口单元911连接到网络912，或者说，也可以使用网络接口单元911来连接到其他类型的网络或远程计算机系统(未示出)。
所述存储器还包括一个或者一个以上的程序，所述一个或者一个以上程序存储于存储器中，所述一个或者一个以上程序包含用于进行本申请实施例提供的推荐策略生成方法中的步骤。
上述本申请实施例序号仅仅为了描述，不代表实施例的优劣。
本领域普通技术人员可以理解实现上述实施例推荐策略生成方法中全部或部分步骤可以通过硬件来完成，也可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，上述提到的存储介质可以是只读存储器，磁盘或光盘等。
以上所述仅为本申请的可选实施例，并不用以限制本申请，凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。
Claims (11)
1.一种推荐策略生成方法，其特征在于，所述方法包括：
获取推荐系统的运行信息，所述推荐系统的运行信息用于描述所述推荐系统中的至少一个设备的运行情况；
当所述推荐信息的运行信息满足预设更新条件时，生成目标推荐策略，所述预设更新条件是指用于触发推荐算法更新的条件；
向所述推荐系统中的存储服务器发送所述目标推荐策略，所述推荐系统中的推荐服务器用于从所述存储服务器获取并执行所述目标推荐策略。
2.根据权利要求1所述的方法，其特征在于，所述预设更新条件为降级条件，所述降级条件用于触发将第一推荐算法切换至第二推荐算法，所述第一推荐算法所需的计算资源大于所述第二推荐算法所需的计算资源；
所述向所述推荐系统中的存储服务器发送所述目标推荐策略之前，还包括：
获取所述推荐系统的降级标识，所述降级标识用于指示是否发生降级；
当所述推荐系统的降级标识为第一预设值时，向所述存储服务器发送所述目标推荐策略。
3.根据权利要求2所述的方法，其特征在于，所述向所述存储服务器发送所述目标推荐策略之后，还包括：
将所述推荐系统的降级标识由所述第一预设值更新为第二预设值，所述第一预设值与所述第二预设值不相同。
4.根据权利要求2所述的方法，其特征在于，所述降级条件包括以下一项或多项的组合：
所述存储服务器的中央处理单元CPU使用率大于不小于第一阈值、所述推荐服务器的CPU占用率不小于第二阈值、所述推荐系统的监控服务器的单位时间查询量不小于第三阈值、所述监控服务器的单位时间错误增量不小于第四阈值。
5.根据权利要求1所述的方法，其特征在于，所述预设更新条件为恢复条件，所述恢复条件用于触发将第三推荐算法切换至第四推荐算法，所述第三推荐算法所需的计算资源小于所述第四推荐算法所需的计算资源；
所述向所述推荐系统中的存储服务器发送所述目标推荐策略之前，还包括：
获取所述推荐系统的降级标识，所述降级标识用于指示是否发生降级；
当所述推荐系统的降级标识为第二预设值时，向所述存储服务器发送所述目标推荐策略。
6.根据权利要求5所述的方法，其特征在于，所述向所述存储服务器发送所述目标推荐策略之后，还包括：
将所述推荐系统的降级标识由所述第二预设值更新为第一预设值，所述第一预设值与所述第二预设值不相同。
7.根据权利要求5所述的方法，其特征在于，所述恢复条件包括以下一项或多项的组合：
所述存储服务器的中央处理单元CPU使用率小于第一阈值、所述推荐服务器的CPU占用率小于第二阈值、所述推荐系统的监控服务器的单位时间查询量小于第三阈值、所述监控服务器的单位时间错误增量小于第四阈值。
8.根据权利要求1至7任一项所述的方法，其特征在于，所述生成目标推荐策略之前，还包括：
检测算法切换功能是否处于开启状态；
若所述算法切换功能处于所述开启状态，则执行所述生成目标推荐策略的步骤。
9.一种推荐策略生成装置，其特征在于，所述装置包括：
信息获取模块，用于获取推荐系统的运行信息，所述推荐系统的运行信息用于描述所述推荐系统中的至少一个设备的运行情况；
策略生成模块，用于当所述推荐信息的运行信息满足预设更新条件时，生成目标推荐策略，所述预设更新条件是指用于触发推荐算法更新的条件；
策略发送模块，用于向所述推荐系统中的存储服务器发送所述目标推荐策略，所述推荐系统中的推荐服务器用于从所述存储服务器获取并执行所述目标推荐策略。
10.一种计算机设备，其特征在于，所述包括处理器和存储器，所述存储器存储有计算机程序，所述计算机程序由所述处理器加载并执行以实现如权利要求1至8任一项所述的推荐策略生成方法。
11.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有计算机程序，所述计算机程序由处理器加载并执行以实现如权利要求1至8任一项所述的视频生成推荐策略生成方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010378249.1A CN111611480B (zh) | 2020-05-07 | 2020-05-07 | 推荐策略生成方法、装置、计算机设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010378249.1A CN111611480B (zh) | 2020-05-07 | 2020-05-07 | 推荐策略生成方法、装置、计算机设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111611480A true CN111611480A (zh) | 2020-09-01 |
| CN111611480B CN111611480B (zh) | 2024-05-24 |
Family
ID=72199537
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010378249.1A Active CN111611480B (zh) | 2020-05-07 | 2020-05-07 | 推荐策略生成方法、装置、计算机设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111611480B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114051052A (zh) * | 2021-11-11 | 2022-02-15 | 北京淘友天下科技发展有限公司 | 行为事件配置方法、系统、装置、服务器及存储介质 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1503504A (zh) * | 2002-10-31 | 2004-06-09 | ���µ�����ҵ��ʽ���� | 通信装置、通信系统和算法选择方法 |
| CN105072139A (zh) * | 2015-06-26 | 2015-11-18 | 腾讯科技（深圳）有限公司 | 推荐方法和装置 |
| CN107577821A (zh) * | 2017-09-21 | 2018-01-12 | 星潮闪耀移动网络科技（中国）有限公司 | 一种信息推荐的方法、装置及设备 |
| CN108259526A (zh) * | 2016-12-28 | 2018-07-06 | 阿里巴巴集团控股有限公司 | 一种数据传输方法和装置 |
-
2020
- 2020-05-07 CN CN202010378249.1A patent/CN111611480B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1503504A (zh) * | 2002-10-31 | 2004-06-09 | ���µ�����ҵ��ʽ���� | 通信装置、通信系统和算法选择方法 |
| CN105072139A (zh) * | 2015-06-26 | 2015-11-18 | 腾讯科技（深圳）有限公司 | 推荐方法和装置 |
| CN108259526A (zh) * | 2016-12-28 | 2018-07-06 | 阿里巴巴集团控股有限公司 | 一种数据传输方法和装置 |
| CN107577821A (zh) * | 2017-09-21 | 2018-01-12 | 星潮闪耀移动网络科技（中国）有限公司 | 一种信息推荐的方法、装置及设备 |
Non-Patent Citations (1)
| Title |
|---|
| 薛霄 等: "O2O服务推荐策略的计算实验比较", 计算机集成制造系统, vol. 23, no. 05, 15 May 2017 (2017-05-15) * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114051052A (zh) * | 2021-11-11 | 2022-02-15 | 北京淘友天下科技发展有限公司 | 行为事件配置方法、系统、装置、服务器及存储介质 |
| CN114051052B (zh) * | 2021-11-11 | 2024-05-28 | 北京淘友天下科技发展有限公司 | 行为事件配置方法、系统、装置、服务器及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111611480B (zh) | 2024-05-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US10776159B2 (en) | Distributed storage-based filed delivery system and method using calculated dependencies between tasks to ensure consistancy of files | |
| CN109271233B (zh) | 基于Kubernetes组建Hadoop集群的实现方法 | |
| CN110737566B (zh) | 主机性能监控方法及装置、电子设备及存储介质 | |
| US8191068B2 (en) | Resource management system, resource information providing method and program | |
| US10069942B2 (en) | Method and apparatus for changing configurations | |
| US20080168122A1 (en) | Publish/subscribe system | |
| CN108390933B (zh) | 消息分发方法、装置、服务器及存储介质 | |
| US20150319032A1 (en) | Method and system for detecting changes in a network using simple network management protocol polling | |
| CN104104707A (zh) | 网页数据更新方法、终端、缓存服务器及系统 | |
| JP4205323B2 (ja) | 配信システム、配信サーバとその配信方法、配信プログラム | |
| CN112506870B (zh) | 数据仓库增量更新方法、装置及计算机设备 | |
| CN112543354B (zh) | 业务感知的分布式视频集群高效伸缩方法和系统 | |
| US11140089B2 (en) | Data writing method, system, device and computer-readable storage medium | |
| CN116069450A (zh) | 虚拟机热迁移的迁移模式决策方法、装置、设备及介质 | |
| CN111611480B (zh) | 推荐策略生成方法、装置、计算机设备及存储介质 | |
| CN115001967A (zh) | 一种数据采集方法、装置、电子设备及存储介质 | |
| WO2014183634A1 (zh) | 一种终端桌面展现方法、装置、终端及计算机存储介质 | |
| CN111427704B (zh) | 配置指令的远程监控方法、装置、设备及存储介质 | |
| WO2023065900A1 (zh) | 设备状态消息处理方法及消息分发系统 | |
| CN107948316B (zh) | 一种文件同步方法、装置及设备 | |
| CN108089917A (zh) | 一种应用进程控制方法及装置 | |
| CN113301050B (zh) | 网页页面多用户实时登录登出管理方法、系统、终端及介质 | |
| US10091068B1 (en) | System for modeling distributed systems | |
| CN111294231B (zh) | 资源管理方法及系统 | |
| CN113542424A (zh) | 数据处理方法、装置、设备及计算机程序产品 |
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 |