[發明專利]基于統計先驗的推薦方法及裝置

有效

• 申請號: 201710773532.2
• 申請日: 2017-08-31
• 公開（公告）號: CN110019290B
• 公開（公告）日: 2023-01-10
• 發明（設計）人: 郭鑫鵬;吳德龍
• 申請（專利權）人: 騰訊科技（深圳）有限公司
• 主分類號: G06F16/242
• 分類號: G06F16/242;G06F16/2458
• 代理公司: 北京三高永信知識產權代理有限責任公司 11138
• 代理人: 劉映東

本發明公開了一種基于統計先驗的推薦方法及裝置，屬于信息推薦技術領域。該方法包括：獲取各個待推薦項的CTR；根據各個待推薦項的CTR初始化各個待推薦項對應的貝塔分布的參數，貝塔分布用于表征待推薦項的預測CTR與預測CTR的概率密度的對應關系；對各個待推薦項對應的貝塔分布進行采樣，并根據采樣結果對待推薦項進行初始化推薦；根據接收到的對初始化推薦中推薦項的反饋，對推薦項對應的貝塔分布的參數進行更新；對各個待推薦項對應的貝塔分布進行重新采樣，并根據采樣結果進行更新推薦。本發明實施例解決了直接根據CTR進行待推薦項推薦時，由于僅CTR較高的待推薦項被頻繁推薦，而剩余的待推薦項無法被推薦，導致待推薦項的曝光率較低的問題。

技術領域

本發明實施例涉及信息推薦領域，特別涉及一種基于統計先驗的推薦方法及裝置。

背景技術

推薦功能作為應用程序中常見的功能，用于向用戶進行廣告推薦、附加功能推薦或相關應用程序推薦。

為了提高推薦項被用戶點擊的概率，相關技術中，服務器統計各個待推薦項的曝光次數以及被點擊次數，并根據曝光次數和被點擊次數計算得到各個待推薦項的CTR(Click-Through-Rate，點擊通過率)，從而根據各個待推薦項對應的CTR進行推薦。比如，服務器根據統計數據計算得到100個待推薦項的CTR，并對CTR最高的5個待推薦項進行推薦。

然而，直接基于CTR進行待推薦項推薦時，雖然推薦項被用戶點擊的概率較高，但是由于僅CTR較高的待推薦項被頻繁推薦，而剩余的待推薦項無法被推薦，導致待推薦項的曝光率較低，不利于探索用戶的興趣點。

發明內容

為了解決上述技術問題，本發明實施例提供了一種基于統計先驗的推薦方法及裝置。所述技術方案如下：

根據本發明實施例的第一方面，提供了一種基于統計先驗的推薦方法，該方法包括：

獲取各個待推薦項的CTR，CTR根據各個待推薦項的曝光次數以及被點擊次數計算得到；

根據各個待推薦項的CTR初始化各個待推薦項對應的貝塔分布的參數，貝塔分布用于表征待推薦項的預測CTR與預測CTR的概率密度的對應關系；

對各個待推薦項對應的貝塔分布進行采樣，并根據采樣結果對待推薦項進行初始化推薦，采樣結果中包括各個待推薦項對應的預測CTR；

根據接收到的對初始化推薦中推薦項的反饋，對推薦項對應的貝塔分布的參數進行更新；

對各個待推薦項對應的貝塔分布進行重新采樣，并根據采樣結果進行更新推薦。

根據本發明實施例的第二方面，提供了一種基于統計先驗的推薦裝置，該裝置包括：

獲取模塊，用于獲取各個待推薦項的CTR，CTR根據各個待推薦項的曝光次數以及被點擊次數計算得到；

初始化模塊，用于根據各個待推薦項的CTR初始化各個待推薦項對應的貝塔分布的參數，貝塔分布用于表征待推薦項的預測CTR與預測CTR的概率密度的對應關系；

初始化推薦模塊，用于對各個待推薦項對應的貝塔分布進行采樣，并根據采樣結果對待推薦項進行初始化推薦，采樣結果中包括各個待推薦項對應的預測CTR；

更新模塊，用于根據接收到的對初始化推薦中推薦項的反饋，對推薦項對應的貝塔分布的參數進行更新；

更新推薦模塊，用于對各個待推薦項對應的貝塔分布進行重新采樣，并根據采樣結果進行更新推薦。

根據本發明實施例的第三方面，提供了一種服務器，該服務器包括處理器和存儲器，所述存儲器中存儲有至少一條指令、至少一段程序、代碼集或指令集，所述指令、所述程序、所述代碼集或所述指令集由所述處理器加載并執行以實現如第一方面所述的基于統計先驗的推薦方法。