[發明專利]一種推薦系統的構建方法及裝置

在審

• 申請號: 201911394281.2
• 申請日: 2019-12-30
• 公開（公告）號: CN111143685A
• 公開（公告）日: 2020-05-12
• 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: G06F16/9535
• 分類號: G06F16/9535;G06Q30/06;G06N20/00
• 代理公司: 北京鼎佳達知識產權代理事務所(普通合伙) 11348
• 代理人: 任媛;劉鐵生

本發明公開了一種推薦系統的構建方法及裝置，涉及數據挖掘技術領域，主要目的在于通過對模型結構以及效果進行多目標優化，實現在提高推薦系統優化效果的同時避免模型結構變得復雜。本發明主要的技術方案為：根據交易數據獲取樣本數據集；確定推薦系統中排序模型的多個待優化目標以及多個待優化對象，待優化目標至少包括第一優化目標與第二優化目標，第一優化目標為表示模型效果的目標，第二優化目標為表示模型結構的目標，待優化對象為所述排序模型的超參數；基于樣本數據集利用多目標優化算法對多個待優化對象進行優化，得到多個優化模型；將多個優化模型按照預設策略整合為一個集成模型，將集成模型應用于所述推薦系統。

技術領域

本發明涉及數據挖掘技術領域，尤其涉及一種推薦系統的構建方法及裝置。

背景技術

在大數據時代，推薦系統可以為不同的客戶提供個性化的推薦結果，從而更好的服務客戶。尤其在電子商務領域中，如何準確的為不同客戶推薦不同的產品意義重大，而隨著互聯網數據量的爆炸式增長與機器學習技術的突破，使得構建自動化推薦系統成為現實。

目前，在構建推薦系統時，一般是利用機器學習算法構建模型，再利用訓練樣本對模型進行訓練，從而得到可用的推薦系統。而這種推薦系統向用戶推薦產品的準確性，主要依靠模型的訓練效果來體現，因此，對于推薦系統的優化，通常就是對模型效果進行優化，而在對模型效果進行優化的過程中，會使模型變得越來越復雜。而對于復雜的模型則容易導致該模型的訓練以及預測所消耗的時間增加，并且需要消耗更多的計算資源，同時，對于復雜的模型還容易導致過擬合，即在線下驗證時效果很好，但是在線上卻出現表現不佳的情況。由此可見，對于現有的推薦系統如何進行優化還需要進一步改進。

發明內容

鑒于上述問題，本發明提出了一種推薦系統的構建方法及裝置，主要目的在于通過對模型結構以及效果進行多目標優化，實現在提高推薦系統優化效果的同時避免模型結構變得復雜。

為達到上述目的，本發明主要提供如下技術方案：

一方面，本發明提供一種推薦系統的構建方法，具體包括：

根據交易數據獲取樣本數據集；

確定推薦系統中排序模型的多個待優化目標以及多個待優化對象，所述待優化目標至少包括第一優化目標與第二優化目標，所述第一優化目標為表示模型效果的目標，所述第二優化目標為表示模型結構的目標，所述待優化對象為所述排序模型的超參數；

基于所述樣本數據集利用多目標優化算法對所述多個待優化對象進行優化，得到多個優化模型；

將所述多個優化模型按照預設策略整合為一個集成模型，將所述集成模型應用于所述推薦系統。

另一方面，本發明提供一種推薦系統的構建裝置，具體包括：

獲取單元，用于根據交易數據獲取樣本數據集；

確定單元，用于確定推薦系統中排序模型的多個待優化目標以及多個待優化對象，所述待優化目標至少包括第一優化目標與第二優化目標，所述第一優化目標為表示模型效果的目標，所述第二優化目標為表示模型結構的目標，所述待優化對象為所述排序模型的超參數；

優化單元，用于基于所述獲取單元得到的樣本數據集利用多目標優化算法對所述確定單元確定的多個待優化對象進行優化，得到多個優化模型；

合成單元，用于將所述多個優化模型按照預設策略整合為一個集成模型，將所述集成模型應用于所述推薦系統。

另一方面，本發明提供一種存儲介質，所述存儲介質用于存儲的計算機程序，其中，所述計算機程序運行時控制所述存儲介質所在設備執行上述的推薦系統的構建方法。

另一方面，本發明提供一種處理器，所述處理器用于運行程序，其中，所述程序運行時執行上述的推薦系統的構建方法。