[發明專利]一種推薦結果排序修正方法及裝置，電子設備

有效

• 申請號: 201810064755.6
• 申請日: 2018-01-23
• 公開（公告）號: CN108334575B
• 公開（公告）日: 2022-04-26
• 發明（設計）人: 趙鵬
• 申請（專利權）人: 北京三快在線科技有限公司
• 主分類號: G06F16/9535
• 分類號: G06F16/9535
• 代理公司: 北京潤澤恒知識產權代理有限公司 11319
• 代理人: 莎日娜

本申請涉及一種推薦結果排序修正方法，屬于計算機技術領域，解決現有技術中推薦排序方法中存在的推薦結果準確率低的問題。本申請實施例公開的推薦結果排序修正方法包括：獲取當前用戶對歷史推薦結果的實時行為數據，根據所述實時行為數據，構造所述當前用戶針對當前推薦結果執行預設行為的概率分布模型，并進一步根據所述概率分布模型的采樣值，對所述當前推薦結果進行修正。本申請的排序修正方法，通過基于用戶的實時行為統計量對推薦結果列表的排序進行修正，推薦結果基于用戶的行為習慣獲得，有效提升了推薦結果的準確率，同時，提升了用戶體驗。

技術領域

本申請涉及計算機技術領域，特別是涉及一種推薦結果排序修正方法及裝置，電子設備。

背景技術

針對用戶的個性化排序是推薦系統里面很重要的一個研究課題。隨著網絡平臺業務的快速發展，每次用戶在訪問平臺頁面上的展位時，都有上百商家及產品被召回，進入到候選集展示給用戶。現有技術中，推薦結果列表主要通過推薦模型，如Learn to rank(排序學習)模型獲取。Learn to rank模型將機器學習技術應用到排序中，通過對每個用戶的推薦結果排序問題抽象為最優化問題；數據源是過去一段時間內的用戶行為日志，通過特征工程構造排序特征求解最優化問題。這種排序方法受限于系統采集的用戶行為日志，因為用戶的誤點或者線上日志記錄的問題，會導致得到的日志中會有很多噪聲；基于行為日志訓練機器學習模型，將會導致學習到的模型不準確，為了提升推薦效果，通常做法是對推薦結果列表的排序進行修正。

現有技術中常用的修正方法包括：對于推薦結果列表進行人為干預，對曝光多次，但是一直沒點擊的推薦結果做降權處理；或者，在訓練數據中增加用戶-推薦結果維度的交叉特征。然而，基于點擊率調權時，在推薦結果曝光次數足夠多的情況下，點擊率是一個常量，即推薦結果每次的調權值都是固定的，起不到優化推薦結果的作用。而用戶-推薦結果維度的交叉特征較難衡量，同樣無法有效修正推薦結果的排序。

可見，現有技術中的推薦結果排序修正方法，依然無法解決推薦結果準確率低的問題。

發明內容

本申請提供一種推薦結果排序修正方法，至少解決現有技術中的推薦排序方法存在的推薦結果準確率低的問題。

為了解決上述問題，第一方面，本申請實施例提供了一種推薦結果排序修正方法包括：

獲取當前用戶對歷史推薦結果的實時行為數據；

根據所述實時行為數據，構造所述當前用戶針對當前推薦結果執行預設行為的概率分布模型；

根據所述概率分布模型的采樣值，對所述當前推薦結果進行修正。

第二方面，本申請實施例提供了一種推薦結果排序修正裝置，包括：

實時行為數據獲取模塊，用于獲取當前用戶對歷史推薦結果的實時行為數據；

用戶行為概率分布模型構造模塊，用于根據所述實時行為數據，構造所述當前用戶針對當前推薦結果執行預設行為的概率分布模型；

排序修正模塊，用于根據所述概率分布模型的采樣值，對所述當前推薦結果進行修正。

第三方面，本申請實施例還公開了一種電子設備，包括存儲器、處理器及存儲在所述存儲器上并可在處理器上運行的計算機程序，所述處理器執行所述計算機程序時實現本申請實施例所述的推薦結果排序修正方法。

第四方面，本申請實施例提供了一種計算機可讀存儲介質，其上存儲有計算機程序，該程序被處理器執行時本申請實施例公開的推薦結果排序修正方法的步驟。