业务对象推荐方法技术

本申请公开了业务对象推荐方法,包括：通过业务对象价值评估模型包括的第一参数和第二参数，根据候选业务对象的第一特征数据确定所述候选业务对象的得分；根据所述得分确定向用户推荐的业务对象集；向所述客户端回送所述业务对象集。采用这种处理方式，使得将业务对象价值评估模型划分为参数化项和非参数化项，综合参数模型与非参模型评估特征分布未知的业务对象的价值，由于非参数化项使得模型能够拟合未知的业务对象特征分布，可以不断缩小参数模型与真实环境的差距；因此，可以有效提升特征分布未知的业务对象的价值准确度，从而使得单推荐时间步损失能够收敛，进而可以逐步提升业务对象推荐的准确度。

【技术实现步骤摘要】
业务对象推荐方法
本申请涉及数据处理
，具体涉及业务对象推荐方法。
技术介绍
推荐系统是利用电子商务网站向客户提供商品信息和建议，帮助用户决定应该购买什么产品，模拟销售人员帮助客户完成购买过程。商品冷启动是指针对用户行为匮乏商品的推荐，由于在商品冷启动情况下缺少进行推荐的数据基础，因此冷启动成为推荐系统中的一个经典问题。目前，一种典型的推荐系统冷启动方法是基于多臂赌博机置信上限的方法，其处理过程包括如下步骤：1)进行数据收集，以构建商品数据集，并对该商品数据集中的商品数据进行预处理，获得格式规范的商品显性特征；根据商品显性特征，基于潜在狄利克雷算法构造商品隐形特征，设置输出的商品隐形特征维度，重新标记商品；2)基于商品数据集构建候选商品集：根据商品隐形特征对商品数据集进行聚类，将商品聚类，在同一类簇中的商品具有相似的性质，在不同类簇中的商品差异性较大，从每个类簇中分别随机抽取一个商品，构建候选商品集；3)将从候选商品集中挑选最优商品视为多臂赌博机问题，基于置信区间上界算法计算出估分最高的商品，作为推荐商品；4)将候选商品集中评分最高的商品推荐给用户后，根据反馈更新用户特征以及权重参数。然而，在实现本专利技术过程中，专利技术人发现该技术方案至少存在如下问题：由于上述方案要求商品具有较为充足的用户行为特征数据，也就是说，用户行为特征数据要足够大到能够正确评估商品价值，因而只适合基于对商品价值进行参数化建模的针对新用户进行个性化商品推荐的应用场景。但是，在实际应用中更多的商品特征分布是未知的，也就是说，有些商品并不具有较为充足的用户行为特征数据，无法仅根据用户行为数据等构建的参数化模型正确评估商品价值。例如，在二手商品推荐场景中，由于二手成交商品中新品的占比较大且多为单品(孤品)，对应的成交周期较短，因而导致曝光时间短，又由于曝光流量在商品上的分布又较为均匀，因而对于二手商品可采集的用户行为特征数据会相对不足，也就是说，二手商品的价值无法根据有限维度的用户行为特征确定，对于这种商品特征分布未知的商品冷启动推荐应用场景，上述方案无法正确评估出商品价值，因而导致推荐结果不能逐步收敛，从而无法筛选出用户感兴趣的商品。
技术实现思路
本申请提供业务对象推荐方法，以解决现有技术存在的在商品冷启动场景下无法筛选出用户感兴趣商品的问题。本申请提供一种业务对象推荐方法，包括：通过业务对象价值评估模型包括的第一参数和第二参数，根据候选业务对象的第一特征数据确定所述候选业务对象的得分；所述第一特征数据包括用户行为特征数据；所述第一参数包括与所述第一特征数据相关的权重参数，所述第二参数包括未知的第二特征数据分布的参数；根据所述得分确定向用户推荐的业务对象集；向客户端推送所述业务对象集。可选的，所述业务对象包括：业务对象价值由所述第一特征数据和第二特征数据共同确定的业务对象，和/或业务对象价值由所述第一特征数据确定的业务对象。可选的，还包括：获取针对所述业务对象集的第一用户反馈信息；根据所述第一用户反馈信息更新所述第一参数和所述第二参数。可选的，所述第一用户反馈信息包括用户对业务对象的操作行为信息和浏览行为信息。可选的，所述根据所述第一用户反馈信息更新所述第一参数和所述第二参数，包括：根据所述操作行为信息更新所述用户行为特征数据；根据更新后的用户行为特征数据和所述浏览行为信息，生成训练样本；根据生成的训练样本和历史样本，更新所述第一参数和所述第二参数。可选的，还包括：根据更新前的第一参数和第二参数、和更新后的第一参数和第二参数，判断所述模型是否收敛；若上述判断结果为是，则停止更新所述模型。可选的，还包括：若上述判断结果为否，则继续更新所述模型。可选的，还包括：初始化所述第一参数和第二参数。可选的，所述初始化所述第一参数和第二参数，包括：向用户展示至少一次候选业务对象；获取针对所述至少一次候选业务对象的第二用户反馈信息；根据所述第二用户反馈信息生成所述模型的训练样本；根据所述训练样本，确定初始化的第一参数和第二参数。可选的，所述第一参数包括：线性机器学习模型的参数或非线性机器学习模型的参数；所述第二参数包括：与高斯过程相关的统计项，与狄利克雷过程相关的统计项，与无限维分布相关的统计项。可选的，所述业务对象包括：商品对象，视频对象，新闻对象。本申请还提供一种计算机可读存储介质，所述计算机可读存储介质中存储有指令，当其在计算机上运行时，使得计算机执行上述各种方法。本申请还提供一种包括指令的计算机程序产品，当其在计算机上运行时，使得计算机执行上述各种方法。与现有技术相比，本申请具有以下优点：本申请实施例提供的业务对象推荐方法，通过业务对象价值评估模型包括的第一参数和第二参数，根据候选业务对象的第一特征数据确定所述候选业务对象的得分；根据所述得分确定向用户推荐的业务对象集；向所述客户端回送所述业务对象集；这种处理方式，使得将业务对象价值评估模型划分为参数化项和非参数化项，综合参数模型与非参模型评估特征分布未知的业务对象的价值，由于非参数化项使得模型能够拟合未知的业务对象特征分布，可以不断缩小参数模型与真实环境的差距；因此，可以有效提升特征分布未知的业务对象的价值准确度，从而使得单推荐时间步损失能够收敛，进而可以逐步提升业务对象推荐的准确度。附图说明图1是本申请提供的业务对象推荐方法的实施例的流程图；图2是本申请提供的业务对象推荐方法的实施例的具体流程图；图3是本申请提供的业务对象推荐方法的实施例的具体流程图；图4是本申请提供的业务对象推荐方法的实施例的具体流程图；图5是本申请提供的业务对象推荐方法的实施例的具体流程图；图6是本申请提供的业务对象推荐方法的实施例的具体流程图。具体实施方式在下面的描述中阐述了很多具体细节以便于充分理解本申请。但是本申请能够以很多不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本申请内涵的情况下做类似推广，因此本申请不受下面公开的具体实施的限制。本申请实施例提供的业务对象推荐技术方案，其技术思想为：将业务对象价值评估模型划分为参数化项和非参数化项，综合参数模型与非参模型评估特征分布未知的业务对象的价值，进而根据该价值确定向用户推荐的业务对象。由于非参数化项使得模型能够拟合未知的商品特征分布，可以不断缩小参数模型与真实环境的差距，因此可以有效提升特征分布未知的业务对象的价值准确度，从而使得单推荐时间步损失能够收敛，进而可以逐步提升业务对象推荐的准确度。第一实施例请参考图1，其为本申请提供的一种业务对象推荐方法实施例的流程图，该方法的执行主体包括业务对象推荐装置。本申请提供的一种业务对象推荐方法包括：步骤S101：通过业务对象价值评估模型包括的本文档来自技高网...

【技术保护点】
1.一种业务对象推荐方法，其特征在于，包括：/n通过业务对象价值评估模型包括的第一参数和第二参数，根据候选业务对象的第一特征数据确定所述候选业务对象的得分；所述第一特征数据包括用户行为特征数据；所述第一参数包括与所述第一特征数据相关的权重参数，所述第二参数包括未知的第二特征数据分布的参数；/n根据所述得分确定向用户推荐的业务对象集；/n向客户端推送所述业务对象集。/n

【技术特征摘要】
1.一种业务对象推荐方法，其特征在于，包括：
通过业务对象价值评估模型包括的第一参数和第二参数，根据候选业务对象的第一特征数据确定所述候选业务对象的得分；所述第一特征数据包括用户行为特征数据；所述第一参数包括与所述第一特征数据相关的权重参数，所述第二参数包括未知的第二特征数据分布的参数；
根据所述得分确定向用户推荐的业务对象集；
向客户端推送所述业务对象集。


2.根据权利要求1所述的方法，其特征在于，所述业务对象包括：
业务对象价值由所述第一特征数据和第二特征数据共同确定的业务对象，和/或业务对象价值由所述第一特征数据确定的业务对象。


3.根据权利要求1所述的方法，其特征在于，还包括：
获取针对所述业务对象集的第一用户反馈信息；
根据所述第一用户反馈信息更新所述第一参数和所述第二参数。


4.根据权利要求3所述的方法，其特征在于，
所述第一用户反馈信息包括用户对业务对象的操作行为信息和浏览行为信息。


5.根据权利要求4所述的方法，其特征在于，所述根据所述第一用户反馈信息更新所述第一参数和所述第二参数，包括：
根据所述操作行为信息更新所述用户行为特征数据；
根据更新后的用户行...

【专利技术属性】
技术研发人员：彭艺，李楠，刘家豪，王超，谢淼，王寅，
申请(专利权)人：阿里巴巴集团控股有限公司，
类型：发明
国别省市：开曼群岛;KY