一种推荐策略分桶方法、装置及设备制造方法及图纸

本申请公开了一种推荐策略分桶方法、装置及设备，用于实现配置多种推荐策略并根据每种推荐策略是否贴近用户需求调整相应的流量配比。该推荐策略分桶方法中：针对同一应用场景，配置多个推荐策略，每个推荐策略对应一个分桶；根据用户的用户标识确定所述用户对应的分桶；根据所述用户对应的分桶所对应的目标推荐策略，确定为所述用户推荐的内容；根据所述推荐的内容是否被用户接纳确定所述目标推荐策略的性能指标；若所述性能指标满足第一预设条件，则增加所述目标推荐策略对应的分桶对应的用户数量；和/或，若所述性能指标满足第二预设条件，则降低所述目标推荐策略对应的分桶对应的用户数量。

A method, device and equipment of recommended strategy

The application discloses a method, device and device for dividing the recommendation strategy into buckets, which is used to realize the configuration of multiple recommendation strategies and adjust the corresponding flow ratio according to whether each recommendation strategy is close to the user's demand. In this method, for the same application scenario, configure multiple recommendation policies, each recommendation policy corresponds to a bucket; determine the bucket corresponding to the user according to the user ID; determine the content recommended by the user according to the target recommendation policy corresponding to the bucket corresponding to the user; determine the content recommended by the user according to whether the recommended content is accepted by the user The performance index of the target recommendation strategy; if the performance index meets the first preset condition, increase the number of users corresponding to the buckets corresponding to the target recommendation strategy; and / or, if the performance index meets the second preset condition, reduce the number of users corresponding to the buckets corresponding to the target recommendation strategy.

【技术实现步骤摘要】
一种推荐策略分桶方法、装置及设备
本申请涉及信息
，尤其涉及一种推荐策略分桶方法、装置及设备。
技术介绍
随着信息技术的发展，为用户推荐个性化内容的需求也随之高涨。目前，大多数的推荐系统基于相同的策略以及用户的历史行为进行建模，以实现为用户推荐感兴趣的内容。然而对于不同场景和不同的用户群体，采用相同的策略进行内容，未必能够满足用户需求。此外，对于数据稀疏、冷启动等情况，也不适宜采用相同的推荐策略。
技术实现思路
本说明书实施例提供一种推荐策略分桶方法、装置及设备，用以解决采用单一推荐策略为用户推荐内容的局限性问题。第一方面，本说明书实施例提供的一种推荐策略分桶方法，包括：针对同一应用场景，配置多个推荐策略，每个推荐策略对应一个分桶；根据用户的用户标识确定所述用户对应的分桶；根据所述用户对应的分桶所对应的目标推荐策略，确定为所述用户推荐的内容；根据所述推荐的内容是否被用户接纳确定所述目标推荐策略的性能指标；若所述性能指标满足第一预设条件，则增加所述目标推荐策略对应的分桶对应的用户数量；和/或，若所述性能指标满足第二预设条件，则降低所述目标推荐策略对应的分桶对应的用户数量。在上述实施例中，针对每一个应用场景可以配置多种推荐策略，即设置多个分桶，然后根据推荐内容是否被用户接纳确定推荐策略的性能，对于性能较高的推荐策略，可以为增加为其分配的流量，即增加该推荐策略对应的用户数量，或者在性能较低时降低其流量，从而实现在更加灵活的为用户推荐内容。第二方面，本说明书实施例提供一种推荐装置，包括：配置模块，用于针对同一应用场景，配置多个推荐策略，每个推荐策略对应一个分桶；确定模块，用于根据用户的用户标识确定所述用户对应的分桶；推荐模块，用于根据所述用户对应的分桶所对应的目标推荐策略，确定为所述用户推荐的内容；性能确定模块，用于根据所述内容是否被用户接纳确定所述目标推荐策略的性能指标；分桶流量调整模块，用于若所述性能指标满足第一预设条件，则增加所述目标推荐策略对应的分桶对应的用户数量；和/或，若所述性能指标满足第二预设条件，则降低所述目标推荐策略对应的分桶对应的用户数量。第三方面，本说明书实施例提供一种推荐设备，包括：至少一个处理器，与所述至少一个处理器通信连接的存储器；所述至少一个处理器用于读取所述存储器中的程序，用于执行上述第一方面中的推荐策略分桶方法。第四方面，本说明书实施例提供一种计算机可读存储介质，所述计算机可读存储介质上存储有指令，所述指令被处理器执行时实现上述第一方面中的推荐策略分桶方法。附图说明图1为本说明书实施例提供的推荐策略分桶方法的流程示意图；图2为本说明书实施例提供的推荐策略的示意图；图3为本说明书实施例提供的推荐装置的结构示意图；图4为本说明书实施例提供的推荐设备的结构示意图。具体实施方式为使本说明书的目的、技术方案和优点更加清楚，下面将结合具体实施例及相应的附图对本说明书中的技术方案进行清楚、完整地描述。基于本说明书中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。本说明书实施例提供一种推荐策略分桶方法，用于实现配置多种推荐策略并根据每种推荐策略是否贴近用户需求调整相应的流量配比。参见图1，为本说明书实施例提供的推荐策略分桶方法的流程示意图，如图所示，该方法可以包括以下步骤：步骤101、针对同一应用场景，配置多个推荐策略，每个推荐策略对应一个分桶。针对不同的场景可以采用不同的推荐策略，例如，针对一款应用的首页和其下设的不同功能分页，可以使用不同的推荐策略为用户推荐内容。而在本说明书实施例中，即使在同一应用场景中，也可以配置多个推荐策略，以实现灵活地为用户进行推荐。推荐策略可以包括以下一种或多种：召回方式，从海量信息中召回用户可能感兴趣的内容，即推荐给用户的候选内容。举例说明，在一个学习阅读类的应用程序(Application，APP)中，包含有海量的学习内容或电子书籍等，可以根据用户的历史阅读记录分析用户偏好的学习类型、阅读类型从海量内容中选出用户可能感兴趣的若干个学习内容或电子书，或者，还可以根据学习、阅读的热度为用户推荐热度较高的若干条内容。如图2所示，召回方式具体可以包括基于标签的召回方式、基于行为的召回方式、基于热门的召回方式、基于随机因子的召回方式、基于深度神经网络(DeepNeuralNetwork，DNN)召回模型的召回方式等等。在一个推荐策略中，可以包含有一种或多种召回方式，对于每种召回方式可以设置有各自的权重，可以根据权重确定根据该召回方式召回的内容的数量。进一步地，每一种召回方式可以对应有一个开关，开关开启则采用该召回方式并获取该召回方式的结果数据集，关闭则不采用该召回方式，即不获取相应的结果数据集。为每个召回方式设置有开关，可以方便进行对比试验，从而优化推荐系统。过滤设置，即对召回的内容进行过滤，过滤掉用户可能不感兴趣的内容。例如，可以设置对用户已阅读的内容进行过滤，或者对用户已购买的商品进行过滤，或者对属于用户已标记不感兴趣的类型的内容进行过滤等。降权设置，可以对已经曝光过的内容进行降权。在召回内容时可以根据召回配置对召回的内容进行打分，得到第一分数，可作为确定内容显示顺序的参考，若确定召回的内容中包含已向用户展示的内容或已推荐给用户的内容，则可以在其第一分数的基础上乘以降权系数，以降低该内容的第一分数，从而可能导致该内容在展示给用户时的排位较为靠后。例如，设置降权系数“expoScore”：0.01，则表示将已曝光过的内容的第一分数乘以0.01。当然，乘以降权系数仅为一种具体实现方式，还可以通过其他方式实现降权，例如在第一分数的基础上减去降权分数等。加权设置，可以对部分类型的内容进行加权。例如，用户已标记偏好语言类学习内容，则可以对召回的语言类学习内容进行加权，即，对该语言类学习内容的第一分数乘以加权系数，以增加该内容的第一分数，从而可能使得该内容在展示给用户时的排位较为靠前。当然，乘以加权系数仅为一种具体实现方式，还可以通过其他方式实现降权，例如在第一分数的基础上加上加权分数等。排序模型，用于对召回的内容进行排序。不同的排序模型在训练时可能使用的训练样本或参数不同，导致对同样的输入内容输出的排序结果不同。排序模型用于预测用户对召回商品的点击率，对召回内容进行再次排序。例如模型1比其他模型新增了用户的使用时长的特征。通过在策略上配置不同模型进行对比试验，从而有助于选出排序更准确的模型，进而优化推荐系统。在一种可能的实现方式中，排序模型可以对召回的内容输出相应的第二分数，然后结合第一分数和第二分数确定内容的最终得分，从而确定内容的排序。打散设置，根据排序模型输出的第二分数确定内容的排序或者根据结合第一分数和第二分数确定的内容排序，可能会导致显示给用户的连续多个内容相近或属于相同类型，造成用户审美疲劳，因此，还可以对待推荐给用户的内容顺序进行调整。例如，若设置精品课程、电子书、有声读物的顺序比例为3:3:2，则可以将3个评分最高的精品课程显示在前面，然后显示3个评分最高的电子书，之后再显示2个评分最高的有声读物；然后可以再按照上述比例继续循环显示评分次之的精品课程、电子书、有声读物。降级设置，在检测到异本文档来自技高网...

【技术保护点】
1.一种推荐策略分桶方法，其特征在于，包括：针对同一应用场景，配置多个推荐策略，每个推荐策略对应一个分桶；根据用户的用户标识确定所述用户对应的分桶；根据所述用户对应的分桶所对应的目标推荐策略，确定为所述用户推荐的内容；根据所述推荐的内容是否被用户接纳确定所述目标推荐策略的性能指标；若所述性能指标满足第一预设条件，则增加所述目标推荐策略对应的分桶对应的用户数量；和/或，若所述性能指标满足第二预设条件，则降低所述目标推荐策略对应的分桶对应的用户数量。

【技术特征摘要】
1.一种推荐策略分桶方法，其特征在于，包括：针对同一应用场景，配置多个推荐策略，每个推荐策略对应一个分桶；根据用户的用户标识确定所述用户对应的分桶；根据所述用户对应的分桶所对应的目标推荐策略，确定为所述用户推荐的内容；根据所述推荐的内容是否被用户接纳确定所述目标推荐策略的性能指标；若所述性能指标满足第一预设条件，则增加所述目标推荐策略对应的分桶对应的用户数量；和/或，若所述性能指标满足第二预设条件，则降低所述目标推荐策略对应的分桶对应的用户数量。2.如权利要求1所述的方法，其特征在于，所述根据所述用户对应的分桶所对应的目标推荐策略，确定为所述用户推荐的内容，包括：根据所述目标推荐策略中的至少一种召回方式确定召回内容，所述召回内容表示推荐给用户的候选内容；对所述召回内容进行排序；根据排序后的召回内容确定为用户推荐的内容。3.如权利要求2所述的方法，其特征在于，所述根据所述目标推荐策略中的至少一种召回方式确定召回内容，包括：所述目标推荐策略中包括多种召回方式，根据每种召回方式的权重，确定根据每种召回方式召回的内容的数量，根据每种召回方式以及每种召回方式召回内容的数量确定召回内容。4.如权利要求2所述的方法，其特征在于，还包括：根据用户已阅读、已购买或者已标记不喜欢的内容，对所述召回内容进行过滤；和/或若所述召回内容中包含有已推荐给用户的内容，则降低所述已推荐给用户的内容的权重；和/或对所述召回内容中的第一类型的内容进行加权，所述第一类型为用户感兴趣的内容类型。5.如权利要求2所述的方法，其特征在于，所述对所述召回内容进行排序，包括：根据所述召回内容在召回时确定的第一分数和/或通过排序模型对所述召回内容进行打分得到的第二分数，对所述召回内容进行排序。6.如权利要求5所述的方法，其特征在于，在对所述召回内容进行排序之后，所述方法还包括：根据预设的内容类型顺序，对所述排序后的召回内容进行调整。7.如权利要求1所述的方法，其特征在于，所述根据所述推荐的内容是否被用户接纳确定所述目标推荐策略的性能指标，包括：根据用户是否点击所述推荐的内容确定用户点击率和/或商品点击率，根据所述用户点击率和/或商品点击率确定所述目标推荐策略的性能指标。8.如权利要求1所述的方法，其特征在于，若所述性能指标满足第二预设条件，所述方法还包括：修改所述目标推荐策略。9.一种推荐装置，其特征在于，包括：配置模块，用于针对同一应用场景，配置多个推荐策略，每个推荐策略对应一个分桶；确定模块，用于根据用...

【专利技术属性】
技术研发人员：王冉，杨明川，杨溥，徐唐，沈仁奎，邓鑫鑫，
申请(专利权)人：北京思维造物信息科技股份有限公司，
类型：发明
国别省市：北京,11