通用个性化推荐方法、推荐系统及训练方法技术方案

本发明专利技术公开了通用个性化推荐方法、推荐系统及训练方法，包括获取用户对象数据；根据用户对象数据获取待推荐的物品对象数据以及场景对象数据；将所述用户对象数据、物品对象数据以及场景对象数据分别映射为向量；将所有向量拼接后作为输入特征；使用排序模型基于所述输入特征对推荐结果进行打分并基于得分排序。在训练的过程中，本发明专利技术根据专家经验和业务规则确定对象之间的关系并转化为向量之间的关系，向量距离表征知识和经验，在推荐过程中自动化实现业务规则、人工经验的通用化，无需在不同的推荐场景定制化不同的业务规则。本发明专利技术能够解决推荐系统因为画像系统模块造成的低通用性和低扩展性。通用性和低扩展性。通用性和低扩展性。

【技术实现步骤摘要】
通用个性化推荐方法、推荐系统及训练方法


[0001]本专利技术属于互联网
，具体涉及个性化推荐方法。

技术介绍

[0002]近年来，随着互联网的快速发展，信息爆炸已成为常态，个性化推荐系统目前已经成为互联网产品的标配，基于点击率预测的实时推荐系统是目前个性化推荐系统，因为具备更高的推荐准确率，更好的用户体验，目前成为业务场景落地应用的主流架构。作为目前主流的实时个性化推荐系统可以实时捕获用户兴趣，相比传统的离线推荐效果具备巨大的效果优势。实时推荐系统架构要复杂很多，一般包括核心的数据流模块，画像系统模块，召回排序模块。外围的模块较多，但通常具备模型管理模块，AB测试模块，人工干预模块等。实时推荐系统的复杂度导致技术门槛高，研发成本高之外，并且因为不同的业务场景，需要高度定制化研发与该场景适配的画像系统模块，召回排序模块，导致推荐系统的低复用高定制化，进一步推高了个性化实时推荐系统的研发和应用成本。
[0003]目前国内一些头部互联网公司，逐渐在提供商业化的推荐系统服务，这里面比较著名的有字节跳动，阿里巴巴，腾讯等。目前国内提供的商用个性化推荐解决方案，成本和效率上的优势主要来自于以及比较完备的工程架构和较专业的研发人员。基于这样已经完备的工程架构和专业人员，可以迅速将推荐系统的基建工作进行复用。但解决方案本身仍需要供应商的算法和工程研发人员针对用户的业务场景，推荐对象类型进行定制化研发，并未从推荐系统本身实现完全的通用化和可拓展性。
[0004]因此目前个性化实时推荐技术门槛高，通用性和扩展性低，也成为实时个性化推荐系统在中小规模互联网企业，传统行业应用的瓶颈。

技术实现思路

[0005]本专利技术针对目前个性化实时推荐技术通用性和扩展性低的技术问题，提供一种通用个性化推荐方法。
[0006]为实现上述技术目的，本专利技术采用以下技术方案。
[0007]根据本专利技术的一方面，提供通用个性化推荐方法，包括：获取用户对象数据；根据用户对象数据获取待推荐的物品对象数据以及场景对象数据；将所述用户对象数据、物品对象数据以及场景对象数据分别映射为向量；将所有向量拼接后作为输入特征；使用排序模型基于所述输入特征对推荐结果进行打分并基于得分排序。
[0008]其中，所述用户对象数据包括性别，城市和偏好，用户对各个物品的历史行为，包括流量、点击、消费和反馈等。
[0009]其中，所述物品对象数据包括：群体用户对于该物品的反馈，主要包括群体用户对于该物品的行为数据，包括浏览情况、点击情况、消费情况和售后反馈情况等
其中，所述对应的场景包括场景的名称、场景在App中的位置、尺寸大小、背景素材和颜色等等。
[0010]其中，所述排序模型为逻辑回归模型、因子分解机模型、深度因子分解机模型或深度神经网络模型中的任意一种。
[0011]其中，所述拼接为横向拼接或者纵向拼接，所述横向拼接为将N个M*1的向量横向拼接为NM*1的向量，所述纵向拼接是拼接为N*M的矩阵，其中N为向量的个数，M为向量的长度。
[0012]根据本专利技术的另一方面，提供通用实时个性化推荐系统，包括：用户信息采集模块、通用对象嵌入模块、特征组合模块和排序模型；所述用户信息采集模块，用于获取用户对象数据；所述通用对象嵌入模块，用于根据用户对象数据获取待推荐的物品对象数据以及场景对象数据；将所述用户对象数据、物品对象数据以及场景对象数据分别映射为向量；所述特征组合模块，用于将所有向量拼接后作为输入特征；所述排序模型，用于使用排序模型基于所述输入特征对推荐结果进行打分并基于得分排序。
[0013]其中，所述排序模型为逻辑回归模型,因子分解机模型，深度因子分解机模型或深度神经网络模型中的任意一种。
[0014]根据本专利技术的又一方面，提供通用实时个性化推荐系统的训练方法，所述系统如以上技术方案提供的通用实时个性化推荐系统，所述训练方法包括：获取用户对象数据、物品对象数据以及场景对象数据；利用通用对象嵌入模块将所述用户对象数据、物品对象数据以及场景对象数据分别映射为向量；将所有向量拼接后作为所述排序模型的训练样本数据；根据业务规则和人工经验将对象之间的关系映射为向量之间的关系；将向量之间的关系使用向量距离描述，最大化特定对象向量之间的距离作为优化的另外目标；输出推荐结果并获取用户对推荐结果的反馈；利用推荐结果以及用户对推荐结果的反馈对通用对象嵌入模块和排序模型不断更新迭代。
[0015]根据本专利技术的再一方面，提供一种计算机可读介质，其上存储有计算机程序，所述程序被处理器执行时实现如上述所述的通用个性化推荐方法。
[0016]本专利技术所取得的有益技术效果：本专利技术使用基于业务目标的嵌入方式可以减少甚至完全取代画像系统模块，直接使用用户对象信息以及物品对象信息等原始未加工信息进行推荐，实现特征编码的通用化，能够解决推荐系统因为画像系统模块造成的低通用性和低扩展性；除了增加通用性外，本专利技术极大简化了推荐系统的复杂度，实现了从原始数据到结果的端到端的推荐；本专利技术根据专家经验和业务规则确定对象之间的关系并转化为向量之间的关系，向量距离表征知识和经验，在推荐过程中自动化实现业务规则、人工经验的通用化，无需在不同的推荐场景定制化不同的业务规则。
附图说明
[0017]图1为具体实施例中推荐系统的训练方法流程示意图。
具体实施方式
[0018]以下结合说明书附图和具体实施例对本专利技术做进一步详细的描述。
[0019]为了更好地理解本专利技术，以下给出相关术语解释：个性化推荐技术：基于用户相关数据预测用户的需求，为用户提供个性化的信息，服务的技术。
[0020]对象嵌入：是机器学习中表征学习技术的统称。概念上而言，它是指把一个维数为所有对象的数量的高维空间嵌入到一个维数低得多的连续向量空间中，每个对象被映射为实数域上的向量或矩阵。
[0021]画像：描述对象的信息集合。物品画像，描述待推荐的物品的信息集合，一般包括物品的类别，用途，价格，销量，库存等等。用户画像，通常分为两个维度：静态维度，包括性别，年龄，职业等；动态维度，包括近期订单，点击，颜色偏好等。
[0022]实施例：通用个性化推荐方法，包括：获取用户对象数据；根据用户对象数据获取待推荐的物品对象数据以及场景对象数据；将所述用户对象数据、物品对象数据以及场景对象数据分别映射为向量；将所有向量拼接后作为输入特征；使用排序模型基于所述输入特征对推荐结果进行打分并基于得分排序。
[0023]与上述实施例提供的通用个性化推荐方法相对应地，本实施例提供了通用实时个性化推荐系统，包括：用户信息采集模块、通用对象嵌入模块、特征组合模块和排序模型；所述用户信息采集模块，用于获取用户对象数据；所述通用对象嵌入模块，用于根据用户对象数据获取待推荐的物品对象数据以及场景对象数据；将所述用户对象数据、物品对象数据以及场景对象数据分别映射为向量；所述特征组合模块，用于将所有向量拼接后作为输入特征；所述排序模型，用于使用排序模型本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.通用个性化推荐方法，其特征在于，包括：获取用户对象数据；根据用户对象数据获取待推荐的物品对象数据以及场景对象数据；将所述用户对象数据、物品对象数据以及场景对象数据分别映射为向量；将所有向量拼接后作为输入特征；使用排序模型基于所述输入特征对推荐结果进行打分并基于得分排序。2.根据权利要求1所述的通用个性化推荐方法，其特征在于，所述用户对象数据包括描述用户的信息，所述信息包括该用户的性别、城市和偏好，所述信息还包括该用户对于各个物品的历史行为，所述历史行为包括该用户对于各物品产生的浏览、点击、消费和反馈。3.根据权利要求1所述的通用个性化推荐方法，其特征在于，所述物品对象数据包括物品的自身属性，所述物品的自身属性包括类目、用途、颜色和尺寸；所述物品对象数据还包括群体用户对于该物品的反馈，包括浏览情况、点击情况、消费情况和售后反馈。4.根据权利要求1所述的通用个性化推荐方法，其特征在于，所述对应的场景包括场景的名称、场景在App中的位置、尺寸大小、背景素材和颜色。5.根据权利要求1至4中任一项所述的通用个性化推荐方法，其特征在于，所述排序模型为逻辑回归模型、因子分解机模型、深度因子分解机模型或深度神经网络模型中的任意一种。6.根据权利要求1所述的通用个性化推荐方法，其特征在于，所述拼接为横向拼接或者纵向拼接，所述横向拼接为将N个M*1的向量横向拼接为NM*1的向量，所述纵向拼接是拼接为N*M的矩阵，其中N为向量的个数，M为向量的长度。7.通用实时个性化推荐系统，其特征...

【专利技术属性】
技术研发人员：李莉，祁斌川，林国义，
申请(专利权)人：同济大学，
类型：发明
国别省市：