[發明專利]在線系統個性化推薦的方法、系統以及裝置、電子設備

在審

• 申請號: 201610149438.5
• 申請日: 2016-03-16
• 公開（公告）號: CN107203518A
• 公開（公告）日: 2017-09-26
• 發明（設計）人: 劉通
• 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;G06Q30/06;G06Q30/02
• 代理公司: 北京市清華源律師事務所11441
• 代理人: 沈泳,李贊堅

技術領域

本申請涉及計算機技術領域，具體涉及一種在線系統個性化推薦的方法；相應于上述方法，本申請同時涉及一種在線個性化推薦的裝置以及電子設備，以及一種在線系統個性化推薦的系統。

背景技術

互聯網技術的迅猛發展使人類進入了信息爆炸的時代。海量信息的同時呈現，一方面使信息獲得者很難從中發現自己感興趣的部分，另一方面也使得大量少人問津的信息無法被一般用戶獲取，以上情況嚴重阻礙了信息效用的充分發揮。

為解決上述問題，目前出現了個性化推薦系統。個性化推薦系統通過建立用戶與信息之間的二元關系，利用已有的選擇過程或相似性關系挖掘每個用戶潛在感興趣的個性化信息，進而進行個性化推薦，使信息與信息使用者之間具有更高的匹配度。

現有技術下的個性化推薦系統，采用如下方式實現。

首先預先大量搜集用戶的行為，提煉出樣本數據，根據這些樣本數據，通過機器學習的方法，訓練得到用戶模型，在線根據每個用戶的用戶特征數據以及上述用戶模型，為用戶推薦個性化信息，在在線交易系統中，所述個性化信息對應于個性化推薦的實體，一般包括商品、店鋪或者品牌等；例如，亞馬遜網站根據用戶特征數據推薦書籍，就是個性化推薦實體的例子。

在上述現有技術下，需要通過不同系統搜集大量數據，并將采集到的原始數據，匯總到離線平臺。例如，將用戶曝光日志、點擊日志、成交數據、購物車行為、收藏夾數據等多個不同應用的數據，匯總到離線平臺。然后，根據這些原始數據計算所有用戶的特征以及特征數據，再根據這些數據中記錄的用戶反饋行為，如：點擊、訪問、點贊、收藏、預定、購買等，對樣本進行打標，最后在離線大數據平臺中進行模型訓練。訓練完畢，將獲得的用戶模型上線使用。

上述現有技術存在明顯缺陷，主要問題在于，需要從多個平臺回流數據，然后匯總、計算，這個過程需要耗費較多的計算資源和存儲資源；此外，由于各個平臺回流數據的效率和時點不一，造成模型訓練需要等待較長時間，使訓練模型的實時性差。而且，由于一次需要積累的數據量比較大，一般只能使用所搜集的一部分數據記錄，很多數據反映的情況無法反映到用戶模型中，無法真正落實大數據應用。

發明內容

本申請提供一種在線系統個性化推薦的方法，以解決現有技術下資源消耗過多，實時性差的問題，并真正落實大數據應用。本申請還提供一種在線個性化推薦系統，以及在線系統個性化推薦裝置；以及一種實現在線系統個性化推薦的電子設備。

本申請提供一種在線系統個性化推薦的方法，包括：

接收訪問用戶的訪問請求，并提取所述訪問用戶的用戶特征數據；

根據所述訪問用戶的用戶特征數據，以及當前用戶模型，提供個性化推薦信息；

實時搜集所述訪問用戶的用戶特征數據、為所述訪問用戶提供的所述個性化推薦信息、所述訪問用戶作出反饋操作的所述個性化推薦信息以及所做的反饋操作，并形成新增用戶模型訓練條目；

將所述新增用戶模型訓練條目加入訓練樣本集；

以當前訓練樣本集進行用戶模型訓練；

所述用戶模型訓練完成后，將所獲得的更新的用戶模型作為當前用戶模型。

可選的，所述用戶特征數據至少包括：用戶身份標識，并包括下列任何用戶特征數據中的至少一個：性別，年齡，交易記錄。

可選的，所述個性化推薦信息包括下列個性化推薦實體的至少一種：商品、店鋪、品牌。

可選的，所述訪問用戶作出反饋操作包括如下操作之一：點擊，訪問，點贊，收藏，預定，購買。

可選的，所述訓練數據條目中還包括以下數據的一種或者兩種：獲取該記 錄的時間點、資源位信息。

可選的，將積累的所述新增用戶模型訓練條目加入訓練樣本集之后，所述以當前訓練樣本集進行用戶模型訓練的步驟之前，執行下述步驟：

判斷所述新增用戶模型訓練樣本是否達到預定的閾值；若是，則進入下一步驟。

可選的，所述用戶模型訓練采用機器學習方法。

可選的，所述機器學習方法采用邏輯回歸方法或者梯度提升決策樹方法。

可選的，所述新增用戶模型訓練條目采用日志方式記錄。

相應的，本申請還提供一種在線系統個性化推薦的裝置，包括：

用戶特征數據提取單元，用于接收訪問用戶的訪問請求，并提取所述訪問用戶的用戶特征數據；

個性化推薦信息提供單元，用于根據所述訪問用戶的用戶特征數據，以及當前用戶模型，提供個性化推薦信息；