混合推荐系统技术方案

本发明专利技术的各实施方式总体上涉及一种混合推荐系统。具体地，混合推荐系统使用离线测试和在线测试来生成并优化推荐函数。该些函数生成可以被在线展现用于产品购买的推荐。索引从该些推荐中创建。查找可以在该些索引上执行，来为特定的用户选择推荐。所选择的推荐可以在向用户展现之前被过滤。

【技术实现步骤摘要】
【专利摘要】本专利技术的各实施方式总体上涉及一种混合推荐系统。具体地，混合推荐系统使用离线测试和在线测试来生成并优化推荐函数。该些函数生成可以被在线展现用于产品购买的推荐。索引从该些推荐中创建。查找可以在该些索引上执行，来为特定的用户选择推荐。所选择的推荐可以在向用户展现之前被过滤。【专利说明】混合推荐系统
技术介绍
在线购物和在线购买历年来显著地增加。在线零售商之间的竞争已经变得激烈，并且这些在线零售商尝试提供最好的用户体验，并且还尝试实施技术来增加销量。一个这样的技术是通过推荐。对于在线零售商向浏览特定产品的网页的用户提供推荐并不罕见。通常，该推荐将由其他用户购买的其他产品与用户当前正在浏览的产品一起标识。然而，在许多情况中，推荐是过时的或者重复的或者不是零售商进一步明确的目标。【专利附图】【附图说明】在下面的描述中参考以下附图详细描述各实施方式。这些附图图示了各实施方式的示例。图1图示了混合推荐系统。图2图示了推荐引擎。图3图示了可以用于本文所述方法和系统的计算机系统。图4图示了可以由混合推荐系统执行的方法。图5图示了为了确定推荐函数需要考虑的因素的示例。图6图示了用于确定推荐的详细步骤和因素的示例。图7图示了用于选择推荐的过程的概要的示例。图8图示了针对优惠券的特定使用情形的示例。图9图示了用于提供实时推荐和在选择推荐时可以被考虑的因素的示例。【具体实施方式】为了简单和说明的目的，本专利技术的各实施方式主要参考示例进行描述。此外，许多特定的细节被陈述以便于提供对各实施方式的全面理解。然而，本领域技术人员容易理解各实施方式可以不限制于一个或多个这些特定细节而被实施。在一些情况中，众所周知的方法和结构没有被详细描述，从而不会不必要地使各实施方式的描述主题不明。根据一个实施方式，混合推荐系统基于离线和在线测试确定用于产品购买的推荐。离线测试分析和调节多个推荐函数，并且在线测试可以用于验证或者进一步调节推荐函数，从而最大化一个或多个性能指标。这些推荐函数可以用于创建推荐索引，该推荐索引代表针对不同产品和用户的推荐。该索引继而用于在实时环境中确定向正在浏览产品页面的用户提供的候选推荐。因此，该索引可以被生成以改进响应时间的技术问题。此外，自动函数调节是对数据稀缺问题的技术方案，数据稀缺问题是指缺乏数据来生成用于推荐函数的模型的问题。不同的所推荐的函数可以被测试和调节，以找到针对推荐函数的精度和模型复杂度之间的平衡。此外，当存在数据稀缺时，种类层次(category-level)关系可以用于确定和调节推荐函数。此外，评分函数可以被应用以选择向用户显示的候选推荐。根据一个实施方式，图1公开了混合推荐系统100。系统100包括混合推荐核110和推荐提供器子系统120。混合推荐核110生成推荐的推荐索引，并且推荐提供器子系统120从索引中确定向用户提供的推荐。混合推荐核110包括离线测试模块111、在线测试模块112、推荐函数优化器113以及推荐引擎115。推荐函数102可以由用户或者另一系统向系统100输入。推荐函数是用于基于一个或多个参数确定推荐的函数。推荐函数102可以包括统计模型、评论、可调节参数、测试计划、增强步骤、可应用推荐场景、不同场景所需的变化等中的至少一个。不同的函数可以被测试，并且其参数周期地被调节以优化推荐函数。推荐函数102可以标识购买模式，标识一起购买的同等产品或者成对产品，分析包裹(bundles)，考虑合并来自不同的购买和时间段的篮等等。篮可以是在线购物车，在进行交易来购买产品之前，用户选择要购买的产品被置于在线购物车中。离线测试模块111仿真在测试数据集上提供推荐的结果，以基于一个或多个性能指标测量推荐函数的有效性。在一个示例中，性能指标包括查全率(例如，消费者篮中的物品匹配我们的推荐的比率)和查准率(例如，证明是成功(例如，使得购买所推荐的产品)的推荐的百分比)，但是其他的性能指标也可以被使用。用于示例的物品或产品物品是适于购买的产品。产品可以是商品或服务。在一个实施方式中，来自数据101的数据包括历史购买数据和用户简档。历史购买数据包括与在线销售、离线销售、交易、日期、浏览历史等有关的任何数据。训练数据集和测试数据集可以从数据101生成。训练数据集可以用于创建推荐函数。例如，机器学习技术可以用于生成分类器，所述分类器标识购买模式并且确定用户和其购买模式之间的关系。这些关系可以用于从训练集生成推荐函数102。贝叶斯(Bayesian)网络、神经网络、奇异值分解(SVD)、分类器可以应用于训练集以确定推荐函数。爬山算法或其他数学优化技术可以用于优化推荐函数102。测试数据集用于测试由推荐函数102生成的推荐性能。例如，测试数据集被评估，以确定所推荐的产品的转化数量，或者确定其他的性能指标。推荐函数102可以包括被调节以尝试改进函数102的可调节参数，并且它们在迭代过程中能够被重新测试。在线测试模块112评估由在线测试系统104测试的推荐函数102的性能。在线测试系统104可以关于不同的用户尝试不同的推荐函数或推荐函数的不同变化，并且捕获在线行为，包括交易。例如，在线测试系统104为了评定推荐引擎115的性能，通过将已经向其提供了推荐的顾客组的表现与没有给其推荐的对照组的表现进行比较来执行在线测试。推荐的效果能够由离线测试模块111在宏观层次，通过比较性能指标，如每个顾客的平均篮大小、每个篮的平均销量、以及每个顾客的平均销量，而被评估。这些指标也可以在更精细的层次被分析，例如在产品种类层次，或者顾客群(customer segment)层次。备选地,推荐的有效性能够在宏观层次，通过将向顾客推荐的物品与最终放置在他们的购物车中的物品匹配，或者通过针对那些物品的点通率(click-through rate)而被评定。性能指标的其他示例以及评估推荐的关键性能指标包括:基线分析指标，比如发生次数或访问次数是否超过阈值；针对每个所推荐物品的漏斗分析指标，比如点击次数、物品添加到购物车的次数、购买的次数；篮指标，比如包含所推荐物品的篮的百分比，由推荐驱动的销售百分比；顾客分析指标，比如重复访问，顾客生命值；以及在运行时的系统性能指标。推荐函数优化器114可以基于性能指标对推荐函数中的可调节参数建议调节，并且可以允许用户进行调节。继而，该函数能够被重新测试。数据存储116可以存储推荐函数102、不同的数据集、性能指标以及由核110使用的任何其他信息，以生成推荐索引。数据存储116和数据存储125可以是数据库或其他类型的存储系统。推荐引擎115基于优化后的推荐函数生成推荐索引。推荐索引通过SKU或其他产品标识符标识一个或多个产品，该一个或多个产品针对用于在线销售或离线销售而提供的每个产品而将被推荐。这些索引存储在例如数据存储125中，并且由推荐提供器子系统120用于为用户实时地提供推荐。存储推荐索引的数据存储125可以是低时延数据存储，低时延数据存储向用户提供推荐而不招致令人不满意的延迟。数据存储可以包括被应用来进行最终推荐选择的附加过滤器或规则。推荐选择模块121，例如，通过执行索引查找，选择产品进行推荐。动态数据103可以标识用户当前正在浏览的产品，以及其他用户信息，因而查找能够被执行本文档来自技高网...

【技术保护点】
一种混合推荐系统，包括：离线测试模块，用于在数据集上离线测试推荐函数，并且还用于基于根据所述离线测试确定的性能指标来调节所述推荐函数；在线测试模块，用于由在线测试系统促进所述推荐函数的在线测试；由处理器执行的推荐引擎，用于从所述推荐函数的顶级表现集合生成推荐索引并且将所述推荐索引存储在数据存储中，所述推荐函数的顸级表现集合基于所述在线测试和离线测试确定；选择模块，用于接收标识用户的当前活动的动态数据，并且在至少一个所述推荐索引上执行查找以确定候选推荐；以及过滤器模块，用于基于过滤器或规则来选择所述候选推荐的一个或多个候选推荐以向所述用户展现。

【技术特征摘要】
...

【专利技术属性】
技术研发人员：S·D·柯克比，周西勇，C·布基斯，G·帕萨利斯，
申请(专利权)人：埃森哲环球服务有限公司，
类型：发明
国别省市：