[發(fā)明專利]基于實時特征的推薦商品的快速二次排序方法

有效

• 申請?zhí)枺?/td>: 201911336903.6
• 申請日: 2019-12-23
• 公開（公告）號: CN111161021B
• 公開（公告）日: 2021-10-08
• 發(fā)明（設(shè)計）人: 馬翼;王繼云;朱戰(zhàn)偉
• 申請（專利權(quán)）人: 叮當(dāng)快藥科技集團有限公司
• 主分類號: G06Q30/06
• 分類號: G06Q30/06;G06F16/9536
• 代理公司: 北京遠大卓悅知識產(chǎn)權(quán)代理有限公司 11369
• 代理人: 卞靜靜

本發(fā)明公開了一種基于實時特征的推薦商品的快速二次排序方法，包括以下步驟：計算各商品之間的關(guān)聯(lián)性，得到商品畫像；計算該用戶與各商品之間的關(guān)聯(lián)性，得到用戶畫像；進行模型訓(xùn)練，得到商品召回模型；當(dāng)檢測到特定用戶訪問時，首先根據(jù)該特定用戶的用戶畫像利用商品召回模型獲得待召回商品，然后再根據(jù)用戶本次訪問的商品以及前次訪問的商品按照從新到舊的順序選取預(yù)定數(shù)量的商品，作為用戶的交易信息，對用戶重新進行用戶畫像；根據(jù)重新得到的用戶畫像，再利用商品召回模型重新計算上述待召回商品的分值，按照這次計算的分值，作為待召回商品的顯示排序依據(jù)。本發(fā)明還公開了基于上述方法的電子設(shè)備與存儲介質(zhì)。

技術(shù)領(lǐng)域

本發(fā)明涉及電子商務(wù)中的商品推薦領(lǐng)域。更具體地，涉及基于實時特征的推薦商品的快速二次排序方法，以及相關(guān)電子設(shè)備和存儲介質(zhì)。

背景技術(shù)

隨著互聯(lián)網(wǎng)和電子商務(wù)的快速發(fā)展，網(wǎng)上購物已經(jīng)成為了常態(tài)。網(wǎng)上購物的種類多樣，用戶多出于實際需求和興趣進行購物。用戶在網(wǎng)上瀏覽或者購物的時候，互聯(lián)網(wǎng)公司還會給用戶進行商品推薦，推薦基本上都是根據(jù)用戶歷史購買和瀏覽的商品記錄進行的。

那么系統(tǒng)到底是如何推送商品的呢？

系統(tǒng)推送商品這件事的本質(zhì)是系統(tǒng)根據(jù)一定的推薦策略進行商品的“召回(match)”，也就是推薦系統(tǒng)根據(jù)用戶畫像和商品畫像去推薦商品。

這里面涉及到兩個關(guān)鍵問題：召回和排序。

“召回(match)”指從全量信息集合中觸發(fā)盡可能多的正確結(jié)果，并將結(jié)果返回給“排序”。

召回的方式有多種：協(xié)同過濾、主題模型、內(nèi)容召回和熱點召回等，而“排序(rank)“則是對所有召回的內(nèi)容(也就是召回的商品)進行打分排序，選出得分最高的幾個結(jié)果推薦給用戶。

在搜索系統(tǒng)中，用戶會輸入明確的搜索詞，根據(jù)搜索詞進行內(nèi)容的召回和呈現(xiàn)即可。但在商品推薦系統(tǒng)中，用戶可能會沒有一個明確的檢索詞(Query)輸入，而只是購買了或者瀏覽了某商品。推薦系統(tǒng)需要做的，就是根據(jù)用戶畫像、內(nèi)容畫像等各種信息為用戶推薦他可能感興趣的其它商品。

另外，由于沒有明確的檢索詞，推薦系統(tǒng)就需要從整個信息集合中挑選出盡可能多的相關(guān)結(jié)果，同時又需要剔除相關(guān)性較弱的結(jié)果，降低排序階段的工作量。

推薦系統(tǒng)如何召回？

召回策略主要包含兩大類，即基于內(nèi)容匹配的召回和基于系統(tǒng)過濾的召回。

1.基于內(nèi)容匹配的召回

內(nèi)容匹配即將用戶畫像與內(nèi)容畫像進行匹配，又分為基于內(nèi)容標(biāo)簽的匹配和基于知識的匹配。

例如，A用戶的用戶畫像中有一條標(biāo)簽是“喜歡麻辣口味”，那么在他買了麻辣小龍蝦之后，可以為他推薦麻辣豆腐干，麻辣魷魚等，這就是“基于內(nèi)容標(biāo)簽的匹配”。

“基于知識的匹配”則更進一步，需要系統(tǒng)存儲一條“知識”——麻辣小龍蝦是河鮮，這樣就可以為買麻辣小龍蝦的用戶推薦大閘蟹。基于內(nèi)容匹配的召回較為簡單、刻板，召回率較高，但準(zhǔn)確率較低(因為標(biāo)簽匹配并不一定代表真的感興趣)，比較適用于冷啟動的語義環(huán)境。

2.基于協(xié)同過濾的召回

如果僅使用上述較簡單的召回策略，推薦內(nèi)容會較為單一，目前業(yè)界最常用的基于協(xié)同過濾的召回，它又分為基于用戶、基于項目和基于模型的協(xié)同過濾。

其中，基于用戶(User-based)的協(xié)同推薦是最基礎(chǔ)的，它的基礎(chǔ)假設(shè)是“相似的人會有相同的喜好”，推薦方法是，發(fā)現(xiàn)與用戶相似的其他用戶，用用戶的瀏覽記錄或者購買記錄做相互推薦。

例如，通過瀏覽記錄或者購買記錄發(fā)現(xiàn)用戶一與用戶二的偏好類似，就將用戶一購買的商品推送給用戶二。