CN113378033A - 一种推荐模型的训练方法和装置 - Google Patents
一种推荐模型的训练方法和装置 Download PDFInfo
- Publication number
- CN113378033A CN113378033A CN202010157347.2A CN202010157347A CN113378033A CN 113378033 A CN113378033 A CN 113378033A CN 202010157347 A CN202010157347 A CN 202010157347A CN 113378033 A CN113378033 A CN 113378033A
- Authority
- CN
- China
- Prior art keywords
- recommendation
- user
- similarity
- weight
- behavior
- 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
- 238000000034 method Methods 0.000 title claims abstract description 49
- 238000012549 training Methods 0.000 title claims abstract description 42
- 238000006243 chemical reaction Methods 0.000 claims abstract description 38
- 230000007246 mechanism Effects 0.000 claims abstract description 26
- 238000004364 calculation method Methods 0.000 claims abstract description 24
- 238000005457 optimization Methods 0.000 claims abstract description 22
- 230000006399 behavior Effects 0.000 claims description 111
- 239000013598 vector Substances 0.000 claims description 26
- 238000012545 processing Methods 0.000 claims description 25
- 230000004913 activation Effects 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 9
- 238000012163 sequencing technique Methods 0.000 claims description 8
- 230000008602 contraction Effects 0.000 claims description 5
- 230000003213 activating effect Effects 0.000 claims description 4
- 230000008859 change Effects 0.000 abstract description 3
- 238000004422 calculation algorithm Methods 0.000 description 24
- 238000010586 diagram Methods 0.000 description 22
- 230000006870 function Effects 0.000 description 16
- 230000008901 benefit Effects 0.000 description 9
- 230000008569 process Effects 0.000 description 9
- 238000001914 filtration Methods 0.000 description 7
- 238000004891 communication Methods 0.000 description 6
- 238000009826 distribution Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 230000009471 action Effects 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 238000005192 partition Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 238000003066 decision tree Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 230000003542 behavioural effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000008187 granular material Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction Methods 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
-
- 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]
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种推荐模型的训练方法和装置,涉及计算机技术领域。该方法的一具体实施方式包括:对底层数据进行离线计算以得到目标属性值;根据目标属性值和预设的召回策略,基于注意力机制实时计算推荐结果并显示推荐结果;根据用户对推荐结果的行为计算推荐结果转换率;根据推荐结果转换率,基于群优化策略进行参数调整以训练推荐模型。该实施方式能够通过实时在线学习训练推荐模型,及时学习用户偏好发生变化的规律,且推荐模型的可解释性也更强,推荐结果覆盖全面,且能体现不同类型店铺推荐策略的差异性,可实现对跨店铺数据进行推荐,推荐结果更为科学。
Description
技术领域
本发明涉及计算机技术领域,尤其涉及一种推荐模型的训练方法和装置。
背景技术
现有的推荐系统多是根据用户过往的历史行为数据,通过离线的预测模型进行推荐模型的训练,然后使用推荐模型对用户进行个性化推荐的。但是对于电子商务平台的各个店铺来说,店铺的个性化推荐不同于首页的推荐,它的用户访问量小,数据稀疏,且店铺之间相互独立,用户的数量远大于店铺内的商品数量,因此大多数的常用推荐算法并不适用店铺的个性化推荐。
在实现本发明过程中,发明人发现现有技术中至少存在如下问题:
(1)推荐模型使用离线预测,不能适应用户偏好发生的转移;
(2)评分偏好的计算只考虑单个行为的作用,使得推荐结果覆盖不够全面;
(3)不同类型的店铺使用同一推荐模型时,不能体现不同类型店铺推荐策略的差异性;
(4)各个店铺的推荐模型只进行店铺内的推荐,无法对跨店铺数据进行推荐;
(5)推荐模型使用的算法单一,推荐结果具有一定的缺陷和局限性。
发明内容
有鉴于此,本发明实施例提供一种推荐模型的训练方法和装置,能够通过实时在线学习训练推荐模型,及时学习用户偏好发生变化的规律,且推荐模型的可解释性也更强,推荐结果覆盖全面,且能体现不同类型店铺推荐策略的差异性,可实现对跨店铺数据进行推荐,推荐结果更为科学。
为实现上述目的,根据本发明实施例的一个方面,提供了一种推荐模型的训练方法。
一种推荐模型的训练方法,包括:对底层数据进行离线计算以得到目标属性值;根据所述目标属性值和预设的召回策略,基于注意力机制实时计算推荐结果并显示所述推荐结果;根据用户对所述推荐结果的行为计算推荐结果转换率;根据所述推荐结果转换率,基于群优化策略进行参数调整以训练推荐模型。
可选地,所述目标属性值包括下列中的不少于一个:对象热度值、对象行为相似度、对象属性相似度和用户对对象的偏好度。
可选地,所述对象行为相似度通过以下方法计算得到:统计用户发生过行为的对象集;统计对所述对象集中两个对象同时发生过行为的用户数、每个对象对应的用户集和用户对每个对象的偏好度;根据统计的用户数以及每个对象对应的用户集计算两两对象行为交集的第一相似度;根据用户对每个对象的偏好度,计算对象之间的第二相似度;将所述第一相似度和所述第二相似度进行加权求和以得到所述对象行为相似度。
可选地,用户对每个对象的偏好度通过对用户对每个对象的不同行为对应的偏好度进行加权平均得到。
可选地,计算对象之间的第二相似度之后,还包括:对所述第二相似度进行收缩和加权处理。
可选地,所述召回策略包括:衰减策略、复购策略和行为类型策略。
可选地,基于注意力机制实时计算推荐结果包括:对衰减因子、复购概率因子和行为类型这3个因子进行加权求和并进行激活以得到对象的注意力权重;将候选对象的注意力权重与所述候选对象的对象行为相似度和对象属性相似度分别相乘累加并乘以激活函数以得到候选对象的行为推荐权重和属性推荐权重;将热度推荐权重、所述行为推荐权重、所述属性推荐权重和偏好推荐权重分别与对应的召回数据相乘后排序,以得到推荐结果,其中,每个推荐权重对应的召回数据是根据所述推荐权重对应的目标属性值从候选对象集合中选取的。
可选地,基于群优化策略进行参数调整包括:构建店铺对应的权重张量模型;获取每个店铺对应的张量单元;对每个张量单元内的店铺进行均匀分组,得到每个店铺对应的小组标识以得到每个小组对应的权值向量;统计周期内每个小组对应的权值向量对应的点击率;更新每个小组对应的权值向量,直至推荐结果转换率达到最大。
可选地,所述权重张量模型根据预设维度将店铺均匀量化为所述预设维度的网格模型;其中,每个网格模型具有多维的权重向量。
根据本发明实施例的另一方面,提供了一种推荐模型的训练装置。
一种推荐模型的训练装置,包括:离线处理模块,用于对底层数据进行离线计算以得到目标属性值;实时召回模块,用于根据所述目标属性值和预设的召回策略,基于注意力机制实时计算推荐结果并显示所述推荐结果;结果转换模块,用于根据用户对所述推荐结果的行为计算推荐结果转换率;参数调整模块,用于根据所述推荐结果转换率,基于群优化策略进行参数调整以训练推荐模型。
根据本发明实施例的又一方面,提供了一种训练推荐模型的电子设备。
一种训练推荐模型的电子设备,包括:一个或多个处理器;存储装置,用于存储一个或多个程序,当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现本发明实施例所提供的推荐模型的训练方法。
根据本发明实施例的再一方面,提供了一种计算机可读介质。
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本发明实施例所提供的推荐模型的训练方法。
上述发明中的一个实施例具有如下优点或有益效果:通过对底层数据进行离线计算以得到目标属性值;根据目标属性值和预设的召回策略,基于注意力机制实时计算推荐结果并显示推荐结果;根据用户对推荐结果的行为计算推荐结果转换率;根据推荐结果转换率,基于群优化策略进行参数调整以训练推荐模型,可以实现通过对底层数据的离线分析,并基于注意力机制的行为序列来实时计算推荐结果,以及将推荐结果的转换率作为反馈引入到推荐模型的训练中,实现了通过实时在线学习训练推荐模型,能及时学习用户偏好发生变化的规律,且推荐模型的可解释性也更强。另外,本发明的推荐模型的训练方法,评分偏好的计算考虑多个行为的作用,使得推荐结果覆盖全面;不同类型的店铺在使用该推荐模型进行推荐时,模型会根据店铺特征自适应进行参数调整,从而体现不同类型店铺推荐策略的差异性;由于在进行推荐时考虑了用户的跨店铺行为,故而可实现对跨店铺数据进行推荐;推荐模型使用的算法多样,使得多种推荐算法优劣互补,推荐结果更为科学。
上述的非惯用的可选方式所具有的进一步效果将在下文中结合具体实施方式加以说明。
附图说明
附图用于更好地理解本发明,不构成对本发明的不当限定。其中:
图1是根据本发明实施例的推荐模型的训练方法的主要步骤示意图;
图2是本发明一个实施例的系统框架结构示意图;
图3是本发明一个实施例的数据流向示意图;
图4是本发明一个实施例的离线数据处理流程示意图;
图5是本发明一个实施例的变换前与变换后的相似度分布图;
图6是本发明一个实施例的复购概率密度分布图;
图7是本发明一个实施例的实时召回算法的实现原理示意图;
图8是本发明一个实施例的召回算法的实现逻辑示意图;
图9是本发明一个实施例的权重张量模型示意图;
图10是根据本发明实施例的推荐模型的训练装置的主要模块示意图;
图11是本发明实施例可以应用于其中的示例性系统架构图;
图12是适于用来实现本发明实施例的终端设备或服务器的计算机系统的结构示意图。
具体实施方式
以下结合附图对本发明的示范性实施例做出说明,其中包括本发明实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本发明的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
现有的推荐模型大多是通过离线的预测模型进行推荐模型的训练,且使用的推荐模型比较单一,如GBDT(Gradient Boosting Decision Tree,梯度提升迭代决策树)算法等。把用户的行为数据、用户的属性数据、商品的属性数据等混合输入训练出固定参数的模型中以得到推荐结果,而这样的推荐模型不能实时在线学习,不能适应用户偏好发生的变化,同时缺乏可解释性;推荐模型使用的算法单一,推荐结果具有一定的缺陷和局限性。
并且,对于店铺推荐来说,由于其有用户访问数据量小导致数据稀疏,且用户的数量远大于店铺内的商品数量,店铺之间相互独立等特点,不同类型的店铺使用同一推荐模型则无法体现各个店铺推荐策略的差异性,且没有引入对用户的跨店铺行为数据的分析,只能进行店铺内的推荐,等等,这些都导致了现有的推荐系统无法适用于店铺推荐。
为了解决现有技术中存在的上述问题,本发明提供了一种推荐模型的训练方法和装置,可以实现完整的店铺推荐系统,综合使用协同过滤、内容推荐、模型推荐、热点推荐等多种推荐方法。本发明的推荐模型的训练方法,主要体现在以下几个方面:
(1)融合多种推荐算法,各算法优劣互补;
(2)改进协同过滤item-based(基于项目)的算法逻辑,提升计算效率,使用spark(一种快速通用的计算引擎)的分布式计算框架进行计算,并对协同过滤数据的分布进行变换,增强了系统的鲁棒性;
(3)实现了基于多种用户行为的隐式反馈偏好评分机制,增强数据的评分数据的健壮性;
(4)实现了基于注意力机制的商品行为序列召回策略模型;
(5)基于用户属性的偏好回归模型解决用户行为数据稀疏造成的冷启动问题;
(6)实现了不同类型、sku数量、用户访问量的店铺的张量权重优化模型;
(7)使用了张量权重的群优化策略,使不同店铺的模型收敛到最优点击率目标;
(8)系统模型的可解释性强,可机器自动调参,也可人工根据经验调整参数。
图1是根据本发明实施例的推荐模型的训练方法的主要步骤示意图。如图1所示,本发明实施例的推荐模型的训练方法主要包括如下的步骤S101至步骤S104。
步骤S101:对底层数据进行离线计算以得到目标属性值;
步骤S102:根据目标属性值和预设的召回策略,基于注意力机制实时计算推荐结果并显示推荐结果;
步骤S103:根据用户对推荐结果的行为计算推荐结果转换率;
步骤S104:根据推荐结果转换率,基于群优化策略进行参数调整以训练推荐模型。
根据上述的步骤S101至步骤S104来训练推荐模型,可以实现通过对底层数据的离线分析,并基于注意力机制的行为序列来实时计算推荐结果,以及将推荐结果的转换率作为反馈引入到推荐模型的训练中,实现了通过实时在线学习训练推荐模型,能及时学习用户偏好发生变化的规律,且推荐模型的可解释性也更强。
根据本发明的一个实施例,目标属性值包括下列中的不少于一个:对象热度值、对象行为相似度、对象属性相似度和用户对对象的偏好度。通过对多个目标属性进行分析来训练推荐模型,实现了基于多种用户行为的偏好评分机制,增强了数据评分机制的健壮性。
根据本发明的实施例,对象行为相似度例如通过以下方法计算:
统计用户发生过行为的对象集;
统计对对象集中两个对象同时发生过行为的用户数、每个对象对应的用户集和用户对每个对象的偏好度;
根据统计的用户数以及每个对象对应的用户集计算两两对象行为交集的第一相似度;
根据用户对每个对象的偏好度,计算对象之间的第二相似度;
将第一相似度和第二相似度进行加权求和以得到对象行为相似度。
根据上述方法来计算对象行为相似度,可以通过用户行为的相似性和用户对对象的偏好的相似性来获取相似对象。
根据本发明的一个实施例,用户对每个对象的偏好度通过对用户对每个对象的不同行为对应的偏好度进行加权平均得到。在本发明的实施例中,通过统计用户对每个对象的不同行为,然后对这些行为进行分析并与用户对对象的偏好度相关联,进而可以得到不同行为所对应的偏好度。之后,再为不同行为赋予不同的权重,即可通过加权平均的方式来得到用户对每个对象的偏好度。
根据本发明的另一个实施例,在计算对象之间的第二相似度之后,还可以对第二相似度进行收缩和加权处理。
根据本发明的又一个实施例,召回策略包括:衰减策略、复购策略和行为类型策略。由于用户对对象的偏好会随着时间衰减,故而在计算推荐对象时需考虑衰减策略;复购策略指的是根据用户对对象的两次访问时间间隔来统计用户重复操作该对象的概率;行为类型策略指的是根据用户对对象的行为类型来确定用户对对象的偏好度。
根据本发明的再一个实施例,基于注意力机制实时计算推荐结果时,可以包括以下步骤:
对衰减因子、复购概率因子和行为类型这3个因子进行加权求和并进行激活以得到对象的注意力权重;
将候选对象的注意力权重分别与所述候选对象的对象行为相似度和对象属性相似度相乘累加并乘以激活函数,以得到候选对象的行为推荐权重和属性推荐权重;
将热度推荐权重、所述行为推荐权重、所述属性推荐权重和偏好推荐权重分别与对应的召回数据相乘后排序,以得到推荐结果,其中,每个推荐权重对应的召回数据是根据所述推荐权重对应的目标属性值从候选对象集合中选取的。
在本发明的实施例中,基于注意力机制来实时计算推荐结果,可以将用户的不同行为所体现的对对象的偏好转换为用户对对象的注意力,从而更好地确定推荐对象。
根据本发明的技术方案,基于群优化策略进行参数调整具体可以包括:
构建店铺对应的权重张量模型;
获取每个店铺对应的张量单元;
对每个张量单元内的店铺进行均匀分组,得到每个店铺对应的小组标识以得到每个小组对应的权值向量;
统计周期内每个小组对应的权值向量对应的点击率;
更新每个小组对应的权值向量,直至推荐结果转换率达到最大。
其中,权重张量模型根据预设维度将店铺均匀量化为预设维度的网格模型;其中,每个网格模型具有多维的权重向量。
下面结合具体实施例介绍本发明的技术方案的具体实施过程。在本发明的实施例中,待推荐的对象指的是商品。
图2是本发明一个实施例的系统框架结构示意图。如图2所示,本发明的实施例的推荐模型的训练流程框架主要包括离线计算、召回策略、加权排序处理、结果过滤、推荐结果显示、转换率提取和在线学习群优化策略等几个部分。
离线计算部分用于计算商品行为相似性、商品属性相似性、用户对商品的偏好度、商品热度值。召回策略部分基于衰减策略、复购策略、行为类型策略的实时注意力机制计算召回商品。加权排序处理部分包括对离线计算部分计算得到的四部分数据的加权排序处理,可以融合多种推荐算法的结果。结果过滤部分是根据商品库存、地区等对召回结果进行过滤。然后,将过滤后的推荐结果进行显示。为了优化推荐结果的点击率,得到更优的推荐结果转换率,本发明的实施例通过建立权重张量模型,以使用群优化策略优化推荐模型的参数和权重,包括离线参数和权重、召回参数和权重、排序参数和权重,等等。
图3是本发明一个实施例的数据流向示意图。如图3,其示出了本发明实施例的数据流向。首先,对于数据集市中的底层数据,主要指的是用户行为数据,离线通过Spark计算item-based(基于物品)的商品行为相似性、商品属性相似性、用户对商品的偏好度、商品热度值等4部分数据。然后,将这4部分离线数据保存到Hbase中,在计算召回商品时从Hbase中读取离线数据,并使用Redis缓存解决重复读取同一数据。在计算得到召回数据后,召回数据同样使用Hbase进行持久化存储和使用Redis进行缓存。最终在进行数据排序、过滤等进一步处理以得到推荐结果时,将排序、过滤后的推荐结果数据存入Redis缓存中,以等待推荐结果的显示接口调用。
在本发明的实施例中,还提出了基于用户的行为数据进行用户对商品的偏好度的计算机制。用户对商品的偏好度计算使用用户的浏览、收藏、购买、加入购物车、停留时长等行为得分的综合加权获得。Rb表示浏览偏好,Rc表示收藏偏好,Rp表示购买偏好,Ra表示加购偏好,Rs表示停留时长偏好,Nb、Nc、Np、Na、Ns表示这些行为在统计周期内的发生次数,R表示这些偏好的加权平均。则:
Rb=tanh(Nb,Tb);Rp=tanh(Np,Tp);Ra=tanh(Na,Ta);Rs=tanh(Ns,Ts);
R=Wb*Rb+Wc*Rc+Wp*Rp+Wa*Ra+Ws*Rs;
其中,tanh(x,T)为激活函数,T为当前时间,Tb、Tc、Tp、Ta、Ts分别为对应的激活函数的参数。
但是,对于未对商品发生过任何用户行为的用户来说,在计算其对商品的偏好度时,是通过基于用户属性的回归模型来预测用户对商品的偏好度,具体地,可采用GBDT(Gradient Boosting Decision Tree,梯度提升迭代决策树)算法,建立用户属性和用户对商品偏好的预测模型,由于单个商品的数据店铺内的数据比较稀疏,这里把数据集提升到以商品所属的具体品类为对象的数据集合进行回归训练,再使用店铺内的单个商品利用热度进行加权。
根据本发明的实施例,得到的基于用户属性的回归表例如下表1。
表1
性别 | 年龄 | 地域 | 偏好度 |
男 | 30 | 四川 | 0.9 |
女 | 20 | 北京 | 0.8 |
男 | 50 | 山东 | 0.1 |
女 | 18 | 河南 | 0.6 |
用户对单个商品的偏好度的计算公式如下:
Pus=Hi*Puc;
其中,Hi是商品的热度值,Puc是用户对商品的偏好度,是基于用户属性的回归模型的输出。
基于商品内容的推荐依赖于商品之间属性的相似度,一般情况下,任务同一个品类的商品均是具有较高的属性相似度的商品。因此,本发明的实施例中,将同一品类下的商品的热度值作为用户对商品的偏好度。同一品类下商品的热度值计算如下:
Bt=∑At*Pt;
其中,Pt表示用户对商品的偏好度,At表示在时刻t用户对商品偏好的衰减值,Bi表示在商品的累加热度,Hi表示标准化后的热度值。
进而,用户对所有品类的商品(记为S)的偏好度即为通过对不同时间的衰减因子和偏好的加权累加得到的商品的热度值:
Bt=∑At*Pt;
对得到的热度值进行标准化如下式:
图4是本发明一个实施例的离线数据处理流程示意图。如图4所示,本发明的实施例中,基于spark的分布式计算需要对数据分区,使得分区内所有店铺的行为数据都存在此分区中,每个分区的数据通过groupbykey操作实现店铺内的数据分组聚合,然后实现店铺内数据的item-based计算,这种设计使一个分布计算节点可以只保存一个店铺的数据,算法直接在内存中取数据,而不使用弹性分布数据,提高了离线计算的效率。
Item_based算法由于两重循环计算量比较大,这里先统计用户的行为,再在用户的行为集合里实现双重循环计算相似性,算法步骤如下:
1)统计用户发生过行为的商品集,并过滤掉商品行为次数过多的用户,防止网页爬虫产生的数据;
2)用户的商品集合内循环对两个商品被同一人购买的计数C,并统计商品的用户集和用户对商品的评分。统计完所有用户的商品集后,通过杰卡德系数jcd来计算两两商品行为交集的第一相似度:
3)根据每个商品对应的用户集,以及用户对商品的偏好度评分,计算商品之间的第二相似度:
4)将第一相似度和第二相似度进行加权求和以得到商品行为相似度SIM(k,j),进而确定与物品j相似的物品k(可能是一个,也可能是多个)。
由于不同店铺的商品sku数量不一样,商品数量少的店铺的商品之间的相似性计算比较大,而店铺sku数量比较多的商品之间相似性值比较小,同时相似性数据会出现长尾分布,因此这里需要对计算的第二相似度进行收缩和加权处理,处理后得到的第二相似度为:
S(i,j)=1-tanh(-ln(x*Nsku),T);
其中,Nsku表示店铺sku的数量,T为激活函数tanh的参数。
图5是本发明一个实施例的变换前与变换后的相似度分布图。如图5所示,左边是进行收缩和加权处理变换之前的原始分布图,右边是变换后的分布图,变换后的分布避免了出现长尾分布。
根据上述结合图2至图5的介绍即可通过对底层数据的离线处理得到对象热度值、对象行为相似度、对象属性相似度和用户对对象的偏好度等目标属性值。
下面介绍各个召回策略及其具体实现。首先,相似性的衰减策略。考虑到用户对一个商品的偏好会随着时间衰减,这里建立衰减函数,tmax表示用户最近一次发生行为的时刻,t表示历史行为的发生时刻,在t时刻的衰减因子At如下式:
At=1-tanh(tmax,Ta);
其中,Ta为激活函数tanh的参数。
其次,用户对商品的复购策略。图6是本发明一个实施例的复购概率密度分布图。在本发明的实施例中,以每个品类为统计对象,不同的品类对用户产生的衰减效用是不同的,通过统计用户对每个品类的商品的两次访问时间间隔的数据样本,建立高斯混合模型GMM,根据EM(Expectation-Maximization algorithm,最大期望算法)算法估计出复购时间的概率密度函数:
图7是本发明一个实施例的实时召回算法的实现原理示意图。如图7,图中St、St+1、St+2表示用户对某商品发生行为的时间序列,At、Tt、Ft分别代表衰减因子、行为类型因子和复购概率因子,对这3个因子加权求和并进行tanh激活得到用户对商品的注意力权重,然后从候选商品集Sk中进行商品召回,具体地,把所有行为序列的注意力权重和相似度的值相乘累加并乘以激活函数tanh即可得到最终的候选商品的行为推荐权重和候选商品的属性推荐权重Wck:
Wck=tanh(∑j∈SHj*Ms,T);
其中,Ms=tanh(Wt*Tt+WA*At+WF*Ft,T);Wt表示行为的注意力权重,Tt表示在t时刻行为对应的偏好度得分,WA表示衰减因子的注意力权重,At表示衰减因子,WF是复购概率因子的注意力权重,Ft是复购概率因子,Ms是浏览商品s的注意力权重,SIM(k,j)是浏览的商品k与其它商品的商品行为相似性。
在本发明的实施例中,由于候选商品的热度推荐权重和偏好推荐权重不太重要,因此可预先设定为固定值。
最后,将热度推荐权重、行为推荐权重、属性推荐权重和偏好推荐权重分别与对应的召回数据相乘后排序,即可以得到推荐结果。具体地,是对实时行为召回数据Ib、实时内容召回数据Ic、用户属性回归数据Ir、全品热点数据Ih这四部分数据进行加权Wb、Wc、Wr、Wh后排序,获得最终的推荐结果。具体过程例如是:
(Ib1,Ib2,...)*Wb,(Ic1,Ic2,...)*Wc,(Ir1,Ir2,...)*Wr,(Ih1,Ih2,...)*Wh→Ib1*Wb,Ib2*Wb,…,Ic1*Wc,Ic2*Wc,…,Ir1*Wr,Ir2*Wr,…→Ib1*Wb,Ic2*Wc,Ir1*Wr,Ih1*Wh,Ib2*Wb,…。
图8是本发明一个实施例的召回算法的实现逻辑示意图。用户浏览店铺有两种情况,一是用户浏览店铺首页,二是用户浏览店铺的单品页。若用户浏览了单品页,则通过对行为相似性、品类、用户属性、热点四种数据进行处理以计算对象热度值、对象行为相似度、对象属性相似度和用户对对象的偏好度这4种目标属性值,并计算召回商品;若用户浏览了店铺首页,则根据商品的品类、用户属性、热点这3种数据进行处理以计算对象热度值、对象属性相似度和用户对对象的偏好度这3种目标属性值,并计算召回商品。
如图8所示,若用户进入单品页,则根据行为相似度进行商品召回以得到品类内的召回数据,并保存根据行为相似度获取的召回数据。然后,获取对象热度值、对象属性相似度和用户对对象的偏好度对应的召回数据,并进行所有召回数据的加权求和以及排序等处理,从而得到推荐结果。若用户未进入单品页,进入的是店铺首页,则首先查询该店铺中是否有前一店铺的商品品类,若有,则召回与前一店铺的品类相同的热点数据并保存品类召回数据;若无,则获取历史召回数据。然后,获取对象热度值、对象属性相似度和用户对对象的偏好度对应的召回数据,并进行所有召回数据的加权求和以及排序等处理,从而得到推荐结果。
图9是本发明一个实施例的权重张量模型示意图。考虑到店铺有不同的商品sku数量和不同的访客数量以及不同的类型,因此对这三个变量进行离散,在不同的离散单元下分配权重向量,可以得到m*n*l*h维的张量。在图9中,是把店铺的sku数量、访客数量、店铺类型均等分成4*4*4的矩阵权张量,每组权重向量为5维[Ta,Wb,Wc,Wr,Wh],初始化都是0~1的随机参数。
其中,权重张量模型可以按以下步骤建立:
1、对所有的店铺id按sku数量排序,均分m组;
2、对sku数量的每个分组按访客数量排序,均分n组;
3、对访客数量的每个分组按店铺类型分组,均分l组。
为了提高推荐系统的点击率(用于衡量推荐结果的转换率),对前面的权重张量进行优化,由于推荐算法的点击率的数据完成需要在T时间窗口后才能统计完成,故使用群优化策略。
在本发明的实施例中,使用g个粒子,即是把所有的店铺分成g组,分组按如下步骤进行。
(1)求出每个店铺id对应的张量单元,张量单元按sku数量、访客数量,店铺类型的分组数进行编码获得:ids=i*n*l+j*l+k;
(2)对每个张量单元内的店铺id进行均匀分组,获得每个店铺对应的组id:idg=idexs%g;
(3)按以上步骤可得到g组权值,每组的权值向量为上面所有张量单元权重的拼接合成,所合成的向量维度为m*n*l*5,合成的向量为:
v=[Ta,Wb,Wc,Wp,Wh]*M*N*L;
(4)初始化g组合成向量v;
(5)统计周期内g组向量对应的点击率;
(6)更新g组合成向量v:
v=Vrand+(Vb-Vrand)*Lrb+(Vg-Vrand)*Lrg;
其中,Vb表示一轮优化中g组中的局部最优解,Vg代表一轮优化中的全局最优解,Lrb表示局部最优解的学习率,Lrg表示全局最优解的学习率,Vrand表示随机向量;
(7)重复上述的步骤(5)和(6),直到两个周期的点击率之差小于设定的门限值,以使得点击率达到最优。由于点击率的数据统计周期比较长,一般是1天,故而根据条件g可取100以上,以便可以加快模型的收敛速度。
图10是根据本发明实施例的推荐模型的训练装置的主要模块示意图。如图10所示,本发明实施例的推荐模型的训练装置1000主要包括离线处理模块1001、实时召回模块1002、结果转换模块1003和参数调整模块1004。
离线处理模块1001,用于对底层数据进行离线计算以得到目标属性值;
实时召回模块1002,用于根据所述目标属性值和预设的召回策略,基于注意力机制实时计算推荐结果并显示所述推荐结果;
结果转换模块1003,用于根据用户对所述推荐结果的行为计算推荐结果转换率;
参数调整模块1004,用于根据所述推荐结果转换率,基于群优化策略进行参数调整以训练推荐模型。
根据本发明的一个实施例,所述目标属性值包括下列中的不少于一个:对象热度值、对象行为相似度、对象属性相似度和用户对对象的偏好度。
根据本发明的另一个实施例,所述对象行为相似度通过以下方法计算得到:
统计用户发生过行为的对象集;
统计对所述对象集中两个对象同时发生过行为的用户数、每个对象对应的用户集和用户对每个对象的偏好度;
根据统计的用户数以及每个对象对应的用户集计算两两对象行为交集的第一相似度;
根据用户对每个对象的偏好度,计算对象之间的第二相似度;
将所述第一相似度和所述第二相似度进行加权求和以得到所述对象行为相似度。
根据本发明的又一个实施例,用户对每个对象的偏好度通过对用户对每个对象的不同行为对应的偏好度进行加权平均得到。
根据本发明的再一个实施例,推荐模型的训练装置1000还包括数据调整模块(图中未示出),用于:
在计算对象之间的第二相似度之后,对所述第二相似度进行收缩和加权处理。
根据本发明的实施例,所述召回策略例如可以包括:衰减策略、复购策略和行为类型策略。
根据本发明的又一个实施例,实时召回模块1002在基于注意力机制实时计算推荐结果时,还可以用于:
对衰减因子、复购概率因子和行为类型这3个因子进行加权求和并进行激活以得到对象的注意力权重;
将候选对象的注意力权重与所述候选对象的对象行为相似度和对象属性相似度分别相乘累加并乘以激活函数以得到候选对象的行为推荐权重和属性推荐权重;
将热度推荐权重、所述行为推荐权重、所述属性推荐权重和偏好推荐权重分别与对应的召回数据相乘后排序,以得到推荐结果,其中,每个推荐权重对应的召回数据是根据所述推荐权重对应的目标属性值从候选对象集合中选取的。
根据本发明的又一个实施例,所述参数调整模块1004在基于群优化策略进行参数调整时,还可以用于:
构建店铺对应的权重张量模型;
获取每个店铺对应的张量单元;
对每个张量单元内的店铺进行均匀分组,得到每个店铺对应的小组标识以得到每个小组对应的权值向量;
统计周期内每个小组对应的权值向量对应的点击率;
更新每个小组对应的权值向量,直至推荐结果转换率达到最大。
根据本发明的又一个实施例,所述权重张量模型根据预设维度将店铺均匀量化为所述预设维度的网格模型;其中,每个网格模型具有多维的权重向量。
根据本发明实施例的技术方案,通过对底层数据进行离线计算以得到目标属性值;根据目标属性值和预设的召回策略,基于注意力机制实时计算推荐结果并显示推荐结果;根据用户对推荐结果的行为计算推荐结果转换率;根据推荐结果转换率,基于群优化策略进行参数调整以训练推荐模型,可以实现通过对底层数据的离线分析,并基于注意力机制的行为序列来实时计算推荐结果,以及将推荐结果的转换率作为反馈引入到推荐模型的训练中,实现了通过实时在线学习训练推荐模型,能及时学习用户偏好发生变化的规律,且推荐模型的可解释性也更强。另外,本发明的推荐模型的训练方法,评分偏好的计算考虑多个行为的作用,使得推荐结果覆盖全面;不同类型的店铺在使用该推荐模型进行推荐时,模型会根据店铺特征自适应进行参数调整,从而体现不同类型店铺推荐策略的差异性;由于在进行推荐时考虑了用户的跨店铺行为,故而可实现对跨店铺数据进行推荐;推荐模型使用的算法多样,使得多种推荐算法优劣互补,推荐结果更为科学。
图11示出了可以应用本发明实施例的推荐模型的训练方法或推荐模型的训练装置的示例性系统架构1100。
如图11所示,系统架构1100可以包括终端设备1101、1102、1103,网络1104和服务器1105。网络1104用以在终端设备1101、1102、1103和服务器1105之间提供通信链路的介质。网络1104可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备1101、1102、1103通过网络1104与服务器1105交互,以接收或发送消息等。终端设备1101、1102、1103上可以安装有各种通讯客户端应用,例如购物类应用、网页浏览器应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等(仅为示例)。
终端设备1101、1102、1103可以是具有显示屏并且支持网页浏览的各种电子设备,包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。
服务器1105可以是提供各种服务的服务器,例如对用户利用终端设备1101、1102、1103所浏览的购物类网站提供支持的后台管理服务器(仅为示例)。后台管理服务器可以对接收到的产品信息查询请求等数据进行分析等处理,并将处理结果(例如目标推送信息、产品信息--仅为示例)反馈给终端设备。
需要说明的是,本发明实施例所提供的推荐模型的训练方法一般由服务器1105执行,相应地,推荐模型的训练装置一般设置于服务器1105中。
应该理解,图11中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的终端设备、网络和服务器。
下面参考图12,其示出了适于用来实现本发明实施例的终端设备或服务器的计算机系统1200的结构示意图。图12示出的终端设备或服务器仅仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。
如图12所示,计算机系统1200包括中央处理单元(CPU)1201,其可以根据存储在只读存储器(ROM)1202中的程序或者从存储部分1208加载到随机访问存储器(RAM)1203中的程序而执行各种适当的动作和处理。在RAM 1203中,还存储有系统1200操作所需的各种程序和数据。CPU 1201、ROM 1202以及RAM 1203通过总线1204彼此相连。输入/输出(I/O)接口1205也连接至总线1204。
以下部件连接至I/O接口1205:包括键盘、鼠标等的输入部分1206;包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分1207;包括硬盘等的存储部分1208;以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分1209。通信部分1209经由诸如因特网的网络执行通信处理。驱动器1210也根据需要连接至I/O接口1205。可拆卸介质1211,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器1210上,以便于从其上读出的计算机程序根据需要被安装入存储部分1208。
特别地,根据本发明公开的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本发明公开的实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信部分1209从网络上被下载和安装,和/或从可拆卸介质1211被安装。在该计算机程序被中央处理单元(CPU)1201执行时,执行本发明的系统中限定的上述功能。
需要说明的是,本发明所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——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。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本发明中,计算机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。而在本发明中,计算机可读的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,其中承载了计算机可读的程序代码。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。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、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。计算机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、电线、光缆、RF等等,或者上述的任意合适的组合。
附图中的流程图和框图,图示了按照本发明各种实施例的系统、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,上述模块、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。也应当注意,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,两个接连地表示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,这依所涉及的功能而定。也要注意的是,框图或流程图中的每个方框、以及框图或流程图中的方框的组合,可以用执行规定的功能或操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。
描述于本发明实施例中所涉及到的单元或模块可以通过软件的方式实现,也可以通过硬件的方式来实现。所描述的单元或模块也可以设置在处理器中,例如,可以描述为:一种处理器包括离线处理模块、实时召回模块、结果转换模块和参数调整模块。其中,这些单元或模块的名称在某种情况下并不构成对该单元或模块本身的限定,例如,离线处理模块还可以被描述为“用于对底层数据进行离线计算以得到目标属性值的模块”。
作为另一方面,本发明还提供了一种计算机可读介质,该计算机可读介质可以是上述实施例中描述的设备中所包含的;也可以是单独存在,而未装配入该设备中。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,使得该设备包括:对底层数据进行离线计算以得到目标属性值;根据所述目标属性值和预设的召回策略,基于注意力机制实时计算推荐结果并显示所述推荐结果;根据用户对所述推荐结果的行为计算推荐结果转换率;根据所述推荐结果转换率,基于群优化策略进行参数调整以训练推荐模型。
根据本发明实施例的技术方案,通过对底层数据进行离线计算以得到目标属性值;根据目标属性值和预设的召回策略,基于注意力机制实时计算推荐结果并显示推荐结果;根据用户对推荐结果的行为计算推荐结果转换率;根据推荐结果转换率,基于群优化策略进行参数调整以训练推荐模型,可以实现通过对底层数据的离线分析,并基于注意力机制的行为序列来实时计算推荐结果,以及将推荐结果的转换率作为反馈引入到推荐模型的训练中,实现了通过实时在线学习训练推荐模型,能及时学习用户偏好发生变化的规律,且推荐模型的可解释性也更强。另外,本发明的推荐模型的训练方法,评分偏好的计算考虑多个行为的作用,使得推荐结果覆盖全面;不同类型的店铺在使用该推荐模型进行推荐时,模型会根据店铺特征自适应进行参数调整,从而体现不同类型店铺推荐策略的差异性;由于在进行推荐时考虑了用户的跨店铺行为,故而可实现对跨店铺数据进行推荐;推荐模型使用的算法多样,使得多种推荐算法优劣互补,推荐结果更为科学。
上述具体实施方式,并不构成对本发明保护范围的限制。本领域技术人员应该明白的是,取决于设计要求和其他因素,可以发生各种各样的修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等,均应包含在本发明保护范围之内。
Claims (12)
1.一种推荐模型的训练方法,其特征在于,包括:
对底层数据进行离线计算以得到目标属性值;
根据所述目标属性值和预设的召回策略,基于注意力机制实时计算推荐结果并显示所述推荐结果;
根据用户对所述推荐结果的行为计算推荐结果转换率;
根据所述推荐结果转换率,基于群优化策略进行参数调整以训练推荐模型。
2.根据权利要求1所述的方法,其特征在于,所述目标属性值包括下列中的不少于一个:对象热度值、对象行为相似度、对象属性相似度和用户对对象的偏好度。
3.根据权利要求2所述的方法,其特征在于,所述对象行为相似度通过以下方法计算得到:
统计用户发生过行为的对象集;
统计对所述对象集中两个对象同时发生过行为的用户数、每个对象对应的用户集和用户对每个对象的偏好度;
根据统计的用户数以及每个对象对应的用户集计算两两对象行为交集的第一相似度;
根据用户对每个对象的偏好度,计算对象之间的第二相似度;
将所述第一相似度和所述第二相似度进行加权求和以得到所述对象行为相似度。
4.根据权利要求3所述的方法,其特征在于,用户对每个对象的偏好度通过对用户对每个对象的不同行为对应的偏好度进行加权平均得到。
5.根据权利要求3所述的方法,其特征在于,计算对象之间的第二相似度之后,还包括:
对所述第二相似度进行收缩和加权处理。
6.根据权利要求1所述的方法,其特征在于,所述召回策略包括:衰减策略、复购策略和行为类型策略。
7.根据权利要求1或6所述的方法,其特征在于,基于注意力机制实时计算推荐结果包括:
对衰减因子、复购概率因子和行为类型这3个因子进行加权求和并进行激活以得到对象的注意力权重;
将候选对象的注意力权重分别与所述候选对象的对象行为相似度和对象属性相似度相乘累加并乘以激活函数,以得到候选对象的行为推荐权重和属性推荐权重;
将热度推荐权重、所述行为推荐权重、所述属性推荐权重和偏好推荐权重分别与对应的召回数据相乘后排序,以得到推荐结果,其中,每个推荐权重对应的召回数据是根据所述推荐权重对应的目标属性值从候选对象集合中选取的。
8.根据权利要求1所述的方法,其特征在于,基于群优化策略进行参数调整包括:
构建店铺对应的权重张量模型;
获取每个店铺对应的张量单元;
对每个张量单元内的店铺进行均匀分组,得到每个店铺对应的小组标识以得到每个小组对应的权值向量;
统计周期内每个小组对应的权值向量对应的点击率;
更新每个小组对应的权值向量,直至推荐结果转换率达到最大。
9.根据权利要求8所述的方法,其特征在于,所述权重张量模型根据预设维度将店铺均匀量化为所述预设维度的网格模型;其中,每个网格模型具有多维的权重向量。
10.一种推荐模型的训练装置,其特征在于,包括:
离线处理模块,用于对底层数据进行离线计算以得到目标属性值;
实时召回模块,用于根据所述目标属性值和预设的召回策略,基于注意力机制实时计算推荐结果并显示所述推荐结果;
结果转换模块,用于根据用户对所述推荐结果的行为计算推荐结果转换率;
参数调整模块,用于根据所述推荐结果转换率,基于群优化策略进行参数调整以训练推荐模型。
11.一种训练推荐模型的电子设备,其特征在于,包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-9中任一所述的方法。
12.一种计算机可读介质,其上存储有计算机程序,其特征在于,所述程序被处理器执行时实现如权利要求1-9中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010157347.2A CN113378033A (zh) | 2020-03-09 | 2020-03-09 | 一种推荐模型的训练方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010157347.2A CN113378033A (zh) | 2020-03-09 | 2020-03-09 | 一种推荐模型的训练方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113378033A true CN113378033A (zh) | 2021-09-10 |
Family
ID=77568457
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010157347.2A Pending CN113378033A (zh) | 2020-03-09 | 2020-03-09 | 一种推荐模型的训练方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113378033A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114912623A (zh) * | 2022-04-08 | 2022-08-16 | 支付宝(杭州)信息技术有限公司 | 用于模型解释的方法及装置 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2002033628A2 (en) * | 2000-10-18 | 2002-04-25 | Johnson & Johnson Consumer Companies, Inc. | Intelligent performance-based product recommendation system |
US6845374B1 (en) * | 2000-11-27 | 2005-01-18 | Mailfrontier, Inc | System and method for adaptive text recommendation |
CN102713889A (zh) * | 2009-10-06 | 2012-10-03 | 布莱特艾吉技术有限公司 | 将网页访问者和转换与外部引用相关联 |
US20120323725A1 (en) * | 2010-12-15 | 2012-12-20 | Fourthwall Media | Systems and methods for supplementing content-based attributes with collaborative rating attributes for recommending or filtering items |
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 |
CN110020921A (zh) * | 2019-04-09 | 2019-07-16 | 浩鲸云计算科技股份有限公司 | 一种ai推荐引擎赋能商品营销方法 |
WO2019141072A1 (zh) * | 2018-01-22 | 2019-07-25 | 阿里巴巴集团控股有限公司 | 店铺信息推荐方法、装置及客户端 |
-
2020
- 2020-03-09 CN CN202010157347.2A patent/CN113378033A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2002033628A2 (en) * | 2000-10-18 | 2002-04-25 | Johnson & Johnson Consumer Companies, Inc. | Intelligent performance-based product recommendation system |
US20020161664A1 (en) * | 2000-10-18 | 2002-10-31 | Shaya Steven A. | Intelligent performance-based product recommendation system |
US6845374B1 (en) * | 2000-11-27 | 2005-01-18 | Mailfrontier, Inc | System and method for adaptive text recommendation |
CN102713889A (zh) * | 2009-10-06 | 2012-10-03 | 布莱特艾吉技术有限公司 | 将网页访问者和转换与外部引用相关联 |
US20120323725A1 (en) * | 2010-12-15 | 2012-12-20 | Fourthwall Media | Systems and methods for supplementing content-based attributes with collaborative rating attributes for recommending or filtering items |
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 |
WO2019141072A1 (zh) * | 2018-01-22 | 2019-07-25 | 阿里巴巴集团控股有限公司 | 店铺信息推荐方法、装置及客户端 |
CN110020921A (zh) * | 2019-04-09 | 2019-07-16 | 浩鲸云计算科技股份有限公司 | 一种ai推荐引擎赋能商品营销方法 |
Non-Patent Citations (1)
Title |
---|
管水城;申贵成;: "一种基于矩阵分解技术和考虑社交网络的推荐策略", 图书馆学研究, no. 14, 25 July 2018 (2018-07-25), pages 33 - 39 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114912623A (zh) * | 2022-04-08 | 2022-08-16 | 支付宝(杭州)信息技术有限公司 | 用于模型解释的方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110162693B (zh) | 一种信息推荐的方法以及服务器 | |
CN111523976B (zh) | 商品推荐方法、装置、电子设备及存储介质 | |
CN111080413A (zh) | 电商平台商品的推荐方法、装置、服务器和存储介质 | |
CN110969516A (zh) | 一种商品推荐方法及装置 | |
EP4242955A1 (en) | User profile-based object recommendation method and device | |
CN110175895B (zh) | 一种物品推荐方法及装置 | |
CN108805598A (zh) | 相似度信息确定方法、服务器及计算机可读存储介质 | |
CN113516496B (zh) | 广告转化率预估模型构建方法、装置、设备及其介质 | |
CN111949887A (zh) | 物品推荐方法、装置及计算机可读存储介质 | |
CN112417294A (zh) | 一种基于神经网络挖掘模型的业务智能推荐方法 | |
CN103353880A (zh) | 一种利用相异度聚类和关联的数据挖掘方法 | |
CN113689259A (zh) | 基于用户行为的商品个性化推荐方法及系统 | |
CN111429161A (zh) | 特征提取方法、特征提取装置、存储介质及电子设备 | |
CN112116426A (zh) | 一种推送物品信息的方法和装置 | |
CN113610610B (zh) | 基于图神经网络和评论相似度的会话推荐方法和系统 | |
CN108876422B (zh) | 用于信息推广的方法、装置、电子设备及计算机可读介质 | |
CN113378033A (zh) | 一种推荐模型的训练方法和装置 | |
CN113495991A (zh) | 一种推荐方法和装置 | |
CN110490682B (zh) | 分析商品属性的方法和装置 | |
CN113744009A (zh) | 目标对象输出方法、装置、计算机可读介质及电子设备 | |
WO2017095371A1 (en) | Product recommendations based on selected user and product attributes | |
CN110838019A (zh) | 确定试用品发放人群的方法和装置 | |
CN110544140A (zh) | 一种处理浏览数据的方法和装置 | |
CN110766488A (zh) | 一种自动确定主题场景的方法和装置 | |
CN113781134A (zh) | 物品推荐方法、装置及计算机可读存储介质 |
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 |