基于类似受众的实时推荐系统及方法技术方案

本发明专利技术公开了基于类似受众的实时推荐系统及方法，该系统包括离线模块、实时模块、业务推荐服务器，评估用户所有历史数据，通过机器学习得知用户的行为，并在秒级内完成对用户的评估，从而可以及时向用户推荐相关业务，并能真正做到客观有效，避免人为干预所带来的诸多问题，使推荐更佳精确，服务更佳定制化，转化率更高，对于产品/服务推荐公司来说，不但可以使业务拓展更精准，也极大地降低了拓展成本，使产品的推广变的更加快速便捷更加精准，同时让终端用户享受到更加适合他们的产品和服务。本发明专利技术能够用于金融产品的实时推荐，以及其他电商产品和广告系统或其他类似系统的实时推荐。

【技术实现步骤摘要】
基于类似受众的实时推荐系统及方法
本专利技术涉及大数据、数据分析和数据挖掘的
，尤其涉及基于类似受众的实时推荐系统及方法。
技术介绍
金融衍生产品的丰富给用户提供了丰富的选择，多样性的选择也加大了用户的使用困难，当用户面临这些选择时，往往无法做出合适的选择，从而影响了金融业务的发展，也阻碍了用户享受其本应该享受的优质服务。针对这个问题，现在行业的通用做法是，金融公司成立庞大的业务部门，由业务人员向用户推销和定制用户需要的业务。这同样存在很大的问题。一方面，这种业务的开展一般只能线下进行，费时费力，浪费资源。另一方面，由于大量的人工干预，存在很多主观不确定因素，使得用户无法真正得到自己最需要的服务。除此以外，消费者和金融服务公司之间产生沟通问题和信任问题，也就阻碍了业务的顺利发展。技术方面，网络推荐系统的出现已经出现在一些电子商务和广告推荐应用场景中。这些系统一般会处理大量的用户数据，并通过用户的行为学习用户的特征，定期产生模型，并基于产生的模型向用户推广产品或者是广告。但这种模型一般是基于海量数据而来，所以其数据分析过程一般需要很长的时间，比如几个小时到几天不等。当把生成的模型应用到实时系统的时候，用户的行为可能已经发生了巨大的变化，从而浪费推荐资源，也就无法向用户提供更精准的服务。另外，即使是在电子商务或者网络广告推荐系统中，推荐系统一般还是是基于业务经验，人为定义一些规则并用来匹配一个新用户的行为，决定是否向其推荐相关货物或者广告。这里同样存在一个经验和主观性问题，因为规则的定义是依靠经验，而人的主观性和经验区别直接限制了定义的规则的有效性。类似的，这种需要实时推荐的场合，现有技术不能很好地满足用户和产品/服务提供商对于实时、精准推荐内容的需求。
技术实现思路
为了克服现有技术的不足，本专利技术的目的在于提供基于类似受众的实时推荐系统及方法，旨在解决现有技术无法实时、精准地向用户推荐内容或服务的问题。本专利技术的目的采用以下技术方案实现：一种基于类似受众的实时推荐系统，包括离线模块、实时模块、业务推荐服务器，其中：离线模块包括顺序连接的HDFS单元、模型编译器、模型数据库单元；HDFS单元还与实时数据库单元连接；实时模块包括顺序连接的数据接入模块、特征提取单元、决策引擎单元、实时数据库单元；规则数据库单元与模型编译器连接；特征提取单元、决策引擎单元还分别与模型编译器连接；业务推荐服务器与实时数据库单元连接；HDFS单元定时从实时数据库单元载入种子数据和规则；模型编译器从HDFS单元获取所有种子数据以及这些种子数据的所有历史数据，提取特征，对这些种子数据及其提取出来的特征进行智能分析，提取共同特征，编译成模型并存入模型数据库单元，以及对规则数据库单元中的规则进行删除或更新；在业务推荐服务器接收到服务请求时，用户的实时行为数据通过数据接入模块进入特征提取单元进行特征提取；实时数据库单元提取用户的历史行为数据；决策引擎单元结合用户的实时行为数据和历史行为数据，从模型数据库单元加载模型对用户进行综合评估运算，将运算结果返回到实时数据库单元；业务推荐服务器调用决策引擎单元返回的运算结果。在上述实施例的基础上，优选的，还包括API服务器；API服务器分别与HDFS单元、规则数据库单元连接；API服务器接收种子数据和自定义规则，将种子数据发送到HDFS单元，将自定义规则发送到规则数据库单元。在上述任意实施例的基础上，优选的，还包括与HDFS单元连接的tracker服务器；所述运算结果包括推荐内容；业务推荐服务器记录与服务请求相应的用户对推荐内容的行为；tracker服务器对用户进行跟踪并将跟踪结果存入HDFS单元。在上述任意实施例的基础上，优选的，离线模块在Hadoop架构上运行；实时模块在ApacheHeron架构上运行。一种基于类似受众的实时推荐方法，包括：离线步骤：HDFS单元定时从实时数据库单元载入种子数据和规则；模型编译器从HDFS单元获取所有种子数据以及这些种子数据的所有历史数据，提取特征，对这些种子数据及其提取出来的特征进行智能分析，提取共同特征，编译成模型并存入模型数据库单元，以及对规则数据库单元中的规则进行删除或更新；实时步骤：在业务推荐服务器接收到服务请求时，用户的实时行为数据通过数据接入模块进入特征提取单元进行特征提取；实时数据库单元提取用户的历史行为数据；决策引擎单元结合用户的实时行为数据和历史行为数据，从模型数据库单元加载模型对用户进行综合评估运算，将运算结果返回到实时数据库单元；业务推荐服务器调用决策引擎单元返回的运算结果。在上述实施例的基础上，优选的，所述离线步骤还包括；API服务器接收种子数据和自定义规则，将种子数据发送到HDFS单元，将自定义规则发送到规则数据库单元。在上述任意实施例的基础上，优选的，所述实时步骤还包括：业务推荐服务器将用户的实时行为数据的元数据和运算结果存入实时数据库单元，并实时同步给HDFS单元。在上述任意实施例的基础上，优选的，所述实时步骤还包括：所述运算结果包括推荐内容；业务推荐服务器记录与服务请求相应的用户对推荐内容的行为；tracker服务器对用户进行跟踪并将跟踪结果存入HDFS单元。在上述任意实施例的基础上，优选的，所述用户对推荐内容的行为包括点击和/或填表申请。在上述任意实施例的基础上，优选的，模型编译器对模型的编译包括完全编译和增量编译。相比现有技术，本专利技术的有益效果在于：本专利技术公开了基于类似受众的实时推荐系统及方法，该系统包括离线模块、实时模块、业务推荐服务器，评估用户所有历史数据，通过机器学习得知用户的行为，并在秒级内完成对用户的评估，从而可以及时向用户推荐相关业务，并能真正做到客观有效，避免人为干预所带来的诸多问题，使推荐更佳精确，服务更佳定制化，转化率更高，对于产品/服务推荐公司来说，不但可以使业务拓展更精准，也极大地降低了拓展成本，使产品的推广变的更加快速便捷更加精准，同时让终端用户享受到更加适合他们的产品和服务。本专利技术能够用于金融产品的实时推荐，以及其他电商产品和广告系统或其他类似系统的实时推荐。附图说明下面结合附图和实施例对本专利技术进一步说明。图1示出了本专利技术实施例提供的一种基于类似受众的实时推荐系统的结构示意图；图2示出了本专利技术实施例提供的一种基于类似受众的实时推荐方法的流程示意图。具体实施方式下面，结合附图以及具体实施方式，对本专利技术做进一步描述，需要说明的是，在不相冲突的前提下，以下描述的各实施例之间或各技术特征之间可以任意组合形成新的实施例。具体实施例一如图1所示，本专利技术实施例提供了一种基于类似受众的实时推荐系统，包括离线模块、实时模块、业务推荐服务器，其中：离线模块包括顺序连接的HDFS单元、模型编译器、模型数据库单元；HDFS单元还与实时数据库单元连接；实时模块包括顺序连接的数据接入模块、特征提取单元、决策引擎单元、实时数据库单元；规则数据库单元与模型编译器连接；特征提取单元、决策引擎单元还分别与模型编译器连接；业务推荐服务器与实时数据库单元连接；HDFS单元定时从实时数据库单元载入种子数据和规则；模型编译器从HDFS单元获取所有种子数据以及这些种子数据的所有历史数据，提取特征，对这些种子数据及其提取出来的特征进行智能本文档来自技高网...

【技术保护点】
1.一种基于类似受众的实时推荐系统，其特征在于，包括离线模块、实时模块、业务推荐服务器，其中：离线模块包括顺序连接的HDFS单元、模型编译器、模型数据库单元；HDFS单元还与实时数据库单元连接；实时模块包括顺序连接的数据接入模块、特征提取单元、决策引擎单元、实时数据库单元；规则数据库单元与模型编译器连接；特征提取单元、决策引擎单元还分别与模型编译器连接；业务推荐服务器与实时数据库单元连接；HDFS单元定时从实时数据库单元载入种子数据和规则；模型编译器从HDFS单元获取所有种子数据以及这些种子数据的所有历史数据，提取特征，对这些种子数据及其提取出来的特征进行智能分析，提取共同特征，编译成模型并存入模型数据库单元，以及对规则数据库单元中的规则进行删除或更新；在业务推荐服务器接收到服务请求时，用户的实时行为数据通过数据接入模块进入特征提取单元进行特征提取；实时数据库单元提取用户的历史行为数据；决策引擎单元结合用户的实时行为数据和历史行为数据，从模型数据库单元加载模型对用户进行综合评估运算，将运算结果返回到实时数据库单元；业务推荐服务器调用决策引擎单元返回的运算结果。

【技术特征摘要】
1.一种基于类似受众的实时推荐系统，其特征在于，包括离线模块、实时模块、业务推荐服务器，其中：离线模块包括顺序连接的HDFS单元、模型编译器、模型数据库单元；HDFS单元还与实时数据库单元连接；实时模块包括顺序连接的数据接入模块、特征提取单元、决策引擎单元、实时数据库单元；规则数据库单元与模型编译器连接；特征提取单元、决策引擎单元还分别与模型编译器连接；业务推荐服务器与实时数据库单元连接；HDFS单元定时从实时数据库单元载入种子数据和规则；模型编译器从HDFS单元获取所有种子数据以及这些种子数据的所有历史数据，提取特征，对这些种子数据及其提取出来的特征进行智能分析，提取共同特征，编译成模型并存入模型数据库单元，以及对规则数据库单元中的规则进行删除或更新；在业务推荐服务器接收到服务请求时，用户的实时行为数据通过数据接入模块进入特征提取单元进行特征提取；实时数据库单元提取用户的历史行为数据；决策引擎单元结合用户的实时行为数据和历史行为数据，从模型数据库单元加载模型对用户进行综合评估运算，将运算结果返回到实时数据库单元；业务推荐服务器调用决策引擎单元返回的运算结果。2.根据权利要求1所述的基于类似受众的实时推荐系统，其特征在于，还包括API服务器；API服务器分别与HDFS单元、规则数据库单元连接；API服务器接收种子数据和自定义规则，将种子数据发送到HDFS单元，将自定义规则发送到规则数据库单元。3.根据权利要求1或2所述的基于类似受众的实时推荐系统，其特征在于，还包括与HDFS单元连接的tracker服务器；所述运算结果包括推荐内容；业务推荐服务器记录与服务请求相应的用户对推荐内容的行为；tracker服务器对用户进行跟踪并将跟踪结果存入HDFS单元。4.根据权利要求1或2所述的基于类似受众的实时推荐系统，其特征在于，离线模块在Ha...

【专利技术属性】
技术研发人员：骆海燕，
申请(专利权)人：杭州排列科技有限公司，
类型：发明
国别省市：浙江,33