[發明專利]一種推薦對象的方法和系統

在審

• 申請號: 201911106511.0
• 申請日: 2019-11-13
• 公開（公告）號: CN110866805A
• 公開（公告）日: 2020-03-06
• 發明（設計）人: 劉正夫
• 申請（專利權）人: 第四范式（北京）技術有限公司
• 主分類號: G06Q30/06
• 分類號: G06Q30/06;G06K9/62
• 代理公司: 北京銘碩知識產權代理有限公司 11286
• 代理人: 曾世驍;尹淑梅

提供了一種推薦對象的方法和系統，所述方法包括：對多個用戶中的每個用戶構建用戶畫像，基于用戶畫像的每個標簽獲得對象?標簽數據，其中，對象?標簽數據是指基于標簽統計的所述多個用戶中具有所述標簽的用戶與對象之間的關聯信息；針對所述多個用戶中的目標用戶構建候選集，其中，構建候選集的步驟包括：針對目標用戶的用戶畫像中的每個標簽在對應的對象?標簽數據中選取排名最高的第一數量個對象，對基于用戶畫像選擇的對象進行合并和去重來構建與目標用戶對應的候選集；對候選集進行篩選以構建推薦集；以及向目標用戶展示推薦集中的對象。

技術領域

本發明涉及數據挖掘領域，提供了一種推薦對象的方法和系統。

背景技術

在大數據時代，每天都會產生大量的數據。例如，這些數據包含了不同用戶的特征、不同對象(例如，商品、服務、虛擬商品等)的特征以及用戶與對象之間的關聯信息(例如，購買/點擊/收藏)。用合適的方法對大量的數據進行分析，構建推薦系統，從而為不同的用戶推薦不同的對象，進而為用戶提供更好的服務。

當前的推薦系統分為“召回”和“排序”兩個模塊。“召回”指的是：為了減少“排序”模塊的計算量，從大量對象(例如，數量級為千萬級別的商品)中選出一部分對象(例如，數量級為百級別的商品)。“排序”則是按照用戶與對象的匹配程度進行打分，然后再按照分數來排序，將分數高的對象推薦給對應的用戶。

召回模塊通常采用“協同過濾”方法，但是“協同過濾”僅僅只能從數據角度來考慮用戶之間的相似度，最終得到的相似用戶是所有特征維度的綜合影響結果，并因此忽略了用戶單個維度之間的關系。進一步地說，傳統的“協同過濾”通常只能從對象所有特征綜合維度來召回一部分對象，這不利于推薦對象的多樣性。

此外，傳統的推薦系統計算完用戶與對象的匹配程度后便進行“排序”操作，“排序”完成后便按照排序后的結果將對象按照匹配度從高往低進行推薦。這種方法在一定時間之內，對同一個用戶很有可能推薦相同的對象，同樣不利于推薦的多樣性。

發明內容

本發明的目的在于提供一種推薦對象的方法和系統，以便在用戶量和商品量較大的情況下，在保證推薦準確率的前提下，提供推薦商品的多樣性。

本發明提供了一種推薦對象的方法，所述方法包括：對多個用戶中的每個用戶構建用戶畫像，基于用戶畫像的每個標簽獲得對象-標簽數據，其中，對象-標簽數據是指基于標簽統計的所述多個用戶中具有所述標簽的用戶與對象之間的關聯信息；針對所述多個用戶中的目標用戶構建候選集；對候選集進行篩選以構建推薦集；以及向目標用戶展示推薦集中的對象。其中，構建候選集的步驟包括：針對目標用戶的用戶畫像中的每個標簽在對應的對象-標簽數據中選取排名最高的第一數量個對象，對基于目標用戶的用戶畫像選擇的對象進行合并和去重來構建與目標用戶對應的候選集。

在根據發明構思的實施例中，對多個用戶中的每個用戶構建用戶畫像的步驟采用聚類的方式來實現。

在根據發明構思的實施例中，聚類的方式采用K平均算法來實現。

在根據發明構思的另一實施例中，對多個用戶中的每個用戶構建用戶畫像的步驟采用專家規則的方式來實現。

在根據發明構思的另一實施例中，針對所述多個用戶中的目標用戶構建候選集的步驟還包括：從全局數據中選取排名最高的第二數量個對象，其中，所述全局數據是指所述多個用戶與對象之間的關聯信息；從用戶歷史數據中選取排名最高的第三數量個對象，其中，所述用戶歷史數據是指目標用戶與對象之間的關聯信息；并且將第二數量個對象和第三數量個對象以及基于目標用戶的用戶畫像選擇的對象進行合并和去重來構建與目標用戶對應的候選集。

在根據發明構思的實施例中，所述方法還包括：對全部對象進行聚類以構建對象類別。

在根據發明構思的實施例中，對全部對象進行聚類以構建對象類別的方法采用K平均算法來實現。