[發明專利]根據用戶行為和用戶畫像構建推薦引擎的方法

在審

• 申請號: 201911416982.1
• 申請日: 2019-12-31
• 公開（公告）號: CN111159561A
• 公開（公告）日: 2020-05-15
• 發明（設計）人: 李昭;陳浩;高靖;崔巖;盧述奇;陳呈;張宵
• 申請（專利權）人: 青梧桐有限責任公司
• 主分類號: G06F16/9535
• 分類號: G06F16/9535;G06F16/9537;G06Q30/06;G06Q50/12
• 代理公司: 北京晟睿智杰知識產權代理事務所(特殊普通合伙) 11603
• 代理人: 于淼

本申請公開了一種根據用戶行為和用戶畫像構建推薦引擎的方法，涉及數據統計技術領域，該方法一具體實施方式包括步驟：采集用戶信息以及房源信息；用戶信息包括用戶行為信息，預設頻率閾值，用戶行為的操作頻率大于各類型對應頻率閾值時為有效用戶行為信息；還包括用戶畫像信息，用戶畫像信息包括用戶消費信息和用戶偏好信息；生成第一召回數據源和第二召回數據源，根據LBS服務生成第一推薦數據源，通過Spark分布式框架進行特征工程處理得到第二推薦數據源訓練得到排序模型得到第一推薦房源，同時依據房主需求生成第二推薦房源，構建推薦引擎。該實施方式通過設置頻率閾值，提高用戶行為信息的準確性和高效性，以及提高訓練模型的準確性。

技術領域

本申請涉及數據統計技術領域，尤其涉及一種根據用戶行為和用戶畫像構建推薦引擎的方法。

背景技術

隨著互聯網的發展，用戶的興趣越來越廣泛，且隨著用戶所處環境及生活水平的改變，用戶的需求也在發生改變。目前，基于LBS(Location Based Services，基于位置的服務)推薦引擎召回和排序方法在長租公寓領域適用性存在的問題：

1、當前長租公寓采集用戶信息一般只根據用戶的線上記錄，渠道單一，造成用戶信息遺漏，樣本信息庫缺失；

2、召回方式行業內整體上是倒排索引加用戶行為召回，未考慮高質量公寓所具有的優質地塊價格等大宗標的物屬性；

3、粗排層內通用推薦粗排階段未針對高價值稀疏標的的場景做優化，長租公寓場景需要多層粗排序，既需要針對客戶強意圖和標的物關鍵屬性的匹配做LBS和價值匹配策略，又需要對用戶次要需求和房屋次要房態、地段特征做匹配策略；

4、排序層業界普遍基于用戶線上行為做pair-wise或list-wise的LearningToRank模型排序。但是長租公寓除了需要考慮用戶線上反饋還需要考慮帶看、簽約等情況，排序模型會更復雜，需要基于對排序模型做多級樣本權重刻畫，同時樣本的高度稀疏性和交易的大額屬性，需要對區域、房態等場景做深度細分，提升推薦質量；

5、干預調整層業界普遍基于競價排名的方式做精準的廣告插入，并未基于長租公寓特有的LBS方式建模，推薦效果不理想。

發明內容

有鑒于此，本申請公開了一種根據用戶行為和用戶畫像構建推薦引擎的方法，包括步驟：

采集用戶信息以及房源信息；

所述用戶信息包括用戶行為信息，統計預設時期內的所述用戶行為信息的類型和各類型對應的所述用戶行為的操作頻率，預設頻率閾值，所述用戶行為的操作頻率大于各類型對應所述頻率閾值時，所述用戶行為信息包括有效用戶行為信息；其中，所述用戶行為信息的類型包括用戶瀏覽網頁信息和用戶租住時長；

所述用戶信息還包括用戶畫像信息，所述用戶畫像信息包括用戶消費信息和用戶偏好信息；所述房源信息根據所述有效用戶行為信息劃分為實時用戶行為信息和歷史用戶行為信息；將所述實時用戶行為信息進行審查和校驗，根據分布式流處理開源框架實時進入在線數據庫；將所述歷史用戶行為信息生成日志，并將所述日志通過Spark框架計算引擎批量入離線數據倉庫；所述在線數據庫和所述離線數據倉庫生成第一召回數據源；

所述房源信息根據所述用戶畫像信息召回，通過離線數據倉庫內置的光盤、以及通過LBS進行篩選得到第二召回數據源；

將所述第一召回數據源和所述第二召回數據源根據LBS服務做價值匹配和地段特征匹配，得到相應的匹配度，依據所述匹配度依次從高到低排序生成第一推薦數據源；

將所述第一推薦數據源通過Spark分布式框架進行特征工程處理并進行評分得到第二推薦數據源；

將所述第二推薦數據源訓練得到排序模型；

將所述房源信息輸入到所述排序模型，得到所述房源信息的評分排序情況；