[發明專利]用于計算排序分及建立模型的方法、裝置及商品推薦系統

有效

• 申請號: 201410544767.0
• 申請日: 2014-10-15
• 公開（公告）號: CN105574025B
• 公開（公告）日: 2018-10-16
• 發明（設計）人: 劉睿;呂韜;孫超;楊志雄
• 申請（專利權）人: 阿里巴巴集團控股有限公司
• 主分類號: G06F17/30
• 分類號: G06F17/30;G06Q30/02
• 代理公司: 北京清源匯知識產權代理事務所(特殊普通合伙) 11644
• 代理人: 馮德魁

本申請公開了一種用于計算待評價客體排序分的方法和裝置、一種用于建立排序分計算模型的方法和裝置、以及一種商品推薦系統。其中所述用于計算待評價客體排序分的方法包括：獲取待評價客體的原始評分數據、新增排序因子的值、以及從實際交互行為系統的歷史行為數據中提取的實際行為數據；以根據實際行為數據得到的實際排序分布、和根據預先設定的排序分計算模型得到的預測排序分布之間的差異最小化為優化目標，求解排序分計算模型中的新增排序因子的權重系數；采用所述排序分計算模型計算所述待評價客體的排序分。采用本申請提供的方法，不僅可以快速、方便地引入新增排序因子，而且計算出的排序分能夠相對客觀、準確地預測待評價客體的排序狀況。

技術領域

本申請涉及排序技術，具體涉及一種用于計算待評價客體排序分的方法。本申請同時提供一種用于計算待評價客體排序分的裝置，一種用于建立排序分計算模型的方法和裝置，以及一種商品推薦系統。

背景技術

隨著互聯網的普及和網站技術的發展，越來越多的用戶選擇在網上瀏覽、挑選、或者購買自己需要的商品。在這種情況下，很多網站都不同程度地采用各種形式的推薦技術向用戶進行商品推薦，比較通用的做法是選取特定的排序因子，并按照預先設定的排序算法計算待推薦商品的排序分，然后按照排序分值的高低選擇并推薦商品。

在計算排序分的過程中所采用的排序因子是指，影響最終商品排序的因素，通常可以選擇與商品相關的屬性作為排序因子，例如：價格、銷量、交易次數、買家數、熱搜詞次數等；依據上述排序因子計算排序分的算法也是多種多樣的，通常根據應用場景是否需要引入新的排序因子，可以分為以下兩種實現方案：

1)在日常排序場景(比如搜索，聚劃算等場景)下，影響最終排序結果的排序因子較為穩定，通常不會有新增排序因子融入進來，因此通常采用建立模型的方式，而且模型一般會設計的相對復雜，將每個特征(即：排序因子)與最終目標的各種可能關系都考慮進來，并利用機器學習的方式來確定模型中的各個排序因子的權重系數。如果要在這種場景下新增排序因子，通常需要修改已建立的模型，并重新求解模型中的所有排序因子的權重系數。

2)在新增業務排序因子較多的場景(例如，大促活動專場的排行榜場景)下，影響最終排序結果的排序因子較多，并且需要根據業務場景的特點在原有的常規排序因子的基礎上引入新的排序因子，例如，賣家的交易等級、賣家的VIP會員的月交易額等。因此通常采用比較簡單的方法計算排序分，即：根據專家經驗給定原有排序因子與新增排序因子之間的權重系數(該權重系數反映了排序因子對最終排序結果的影響力)，再用各個排序因子的值與其權重系數相乘求和，得出最終的排序分，計算公式如下所示，其中Y為最終的排序分，w_i為專家經驗給出的排序因子f_i的權重系數。

Y＝w₁f₁+...+w_nf_n

通過上面的描述可以看出，采用現有技術的第1)種方式引入新的排序因子，因為模型的變化，需要重新采集大量的訓練數據并采用機器學習算法進行訓練，重新計算新模型的各個排序因子的權重系數值，然后才能依據該模型計算商品的排序分，整個過程比較復雜；采用第2)種方式引入新的排序因子時，人工干預的因素比較大，排序因子的權重系數完全依靠專家的主觀經驗進行設定，因此計算出來的排序分很可能不夠準確，無法相對客觀地反映商品實際的排序狀況。

發明內容

本申請提供一種用于計算待評價客體排序分的方法和裝置，以解決現有技術無法方便地引入新的排序因子、以及單純依賴專家經驗設置權重系數導致排序分計算結果不準確的問題。本申請另外提供一種用于建立排序分計算模型的方法和裝置，以及一種商品推薦系統。

本申請提供一種用于計算待評價客體排序分的方法，包括：

獲取待評價客體的原始評分數據、新增排序因子的值、以及以實際交互行為系統中對應每個待評價客體的歷史行為數據為根據，從中提取的對應特定排序目標的實際行為數據；