基于实时特征的推荐商品的快速二次排序方法和工具技术

本发明专利技术公开了一种基于实时特征的推荐商品的快速二次排序方法，包括以下步骤：计算各商品之间的关联性，得到商品画像；计算该用户与各商品之间的关联性，得到用户画像；进行模型训练，得到商品召回模型；当检测到特定用户访问时，首先根据该特定用户的用户画像利用商品召回模型获得待召回商品，然后再根据用户本次访问的商品以及前次访问的商品按照从新到旧的顺序选取预定数量的商品，作为用户的交易信息，对用户重新进行用户画像；根据重新得到的用户画像，再利用商品召回模型重新计算上述待召回商品的分值，按照这次计算的分值，作为待召回商品的显示排序依据。本发明专利技术还公开了基于上述方法的工具，电子设备与存储介质。

A fast method and tool of recommender ranking based on real-time feature

【技术实现步骤摘要】
基于实时特征的推荐商品的快速二次排序方法和工具
本专利技术涉及电子商务中的商品推荐领域。更具体地，涉及基于实时特征的推荐商品的快速二次排序方法和工具，以及相关电子设备和存储介质。
技术介绍
随着互联网和电子商务的快速发展，网上购物已经成为了常态。网上购物的种类多样，用户多出于实际需求和兴趣进行购物。用户在网上浏览或者购物的时候，互联网公司还会给用户进行商品推荐，推荐基本上都是根据用户历史购买和浏览的商品记录进行的。那么系统到底是如何推送商品的呢？系统推送商品这件事的本质是系统根据一定的推荐策略进行商品的“召回(match)”，也就是推荐系统根据用户画像和商品画像去推荐商品。这里面涉及到两个关键问题：召回和排序。“召回(match)”指从全量信息集合中触发尽可能多的正确结果，并将结果返回给“排序”。召回的方式有多种：协同过滤、主题模型、内容召回和热点召回等，而“排序(rank)“则是对所有召回的内容(也就是召回的商品)进行打分排序，选出得分最高的几个结果推荐给用户。在搜索系统中，用户会输入明确的搜索本文档来自技高网...

【技术保护点】
1.基于实时特征的推荐商品的快速二次排序方法，其特征在于，包括以下步骤：/n利用按次分类的商品交易信息，计算各商品之间的关联性，得到商品画像；/n根据各用户的交易信息和各商品画像，计算该用户与各商品之间的关联性，得到用户画像；/n根据各商品画像和用户画像进行模型训练，得到商品召回模型；/n当检测到特定用户访问时，首先根据该特定用户的用户画像利用商品召回模型获得待召回商品，然后再根据用户本次访问的商品以及前次访问的商品按照从新到旧的顺序选取预定数量的商品，作为用户的交易信息，对用户重新进行用户画像；/n根据重新得到的用户画像，再利用商品召回模型重新计算上述待召回商品的分值或者计算商品与用户之间的...

【技术特征摘要】
1.基于实时特征的推荐商品的快速二次排序方法，其特征在于，包括以下步骤：
利用按次分类的商品交易信息，计算各商品之间的关联性，得到商品画像；
根据各用户的交易信息和各商品画像，计算该用户与各商品之间的关联性，得到用户画像；
根据各商品画像和用户画像进行模型训练，得到商品召回模型；
当检测到特定用户访问时，首先根据该特定用户的用户画像利用商品召回模型获得待召回商品，然后再根据用户本次访问的商品以及前次访问的商品按照从新到旧的顺序选取预定数量的商品，作为用户的交易信息，对用户重新进行用户画像；
根据重新得到的用户画像，再利用商品召回模型重新计算上述待召回商品的分值或者计算商品与用户之间的距离分值，按照这次计算的分值，作为待召回商品的显示排序依据。


2.如权利要求1所述的基于实时特征的推荐商品的快速二次排序方法，其特征在于，还包括以下步骤：
利用商品的包括浏览信息在内的交易信息，计算各商品的转化率特征；
根据各商品画像，用户画像和各商品的转化率特征进行模型训练，得到商品召回模型。


3.如权利要求2所述的基于实时特征的推荐商品的快速二次排序方法，其特征在于，还包括：
计算商品与用户之间的距离分值的方法为：利用商品画像和用户画像，计算商品与各用户之间的距离特征，所述距离特征包括欧氏距离或余弦相似度；并且
训练模型时，利用各商品画像，用户画像，各商品的转化率特征和距离特征进行模型训练，得到商品召回模型。


4.如权利要求3所述的基于实时特征的推荐商品的快速二次排序方法，其特征在于，所述商品交易信息中包括用户购买的商品和用户浏览的商品，在计算各商品之间的关联性时，用户购买的商品和用户浏览的商品在数值上不同。


5.如权利要求1或者4所述的基于实时特...

【专利技术属性】
技术研发人员：马翼，王继云，朱战伟，
申请(专利权)人：叮当快药科技集团有限公司，
类型：发明
国别省市：北京;11