[發明專利]一種商品信息推送方法和裝置

在審

• 申請號: 202011156757.1
• 申請日: 2020-10-26
• 公開（公告）號: CN112348629A
• 公開（公告）日: 2021-02-09
• 發明（設計）人: 李銳佳;周建宏;王曙;文朝
• 申請（專利權）人: 邦道科技有限公司
• 主分類號: G06Q30/06
• 分類號: G06Q30/06;G06F16/9535;G06F16/9538;G06K9/62
• 代理公司: 北京路浩知識產權代理有限公司 11002
• 代理人: 郭亮

本發明實施例提供了一種商品信息推送方法和裝置，所述方法包括：提取商品類型集合中前預設數目的商品類型作為偏好商品類型集合，根據對于商品的評分和預設的推薦優先級算法，獲取偏好商品類型集合的推薦優先級，并根據推薦優先級生成實時推薦結果；根據商品的標簽數據對用戶進行聚類處理，并生成每個用戶群體的局部推薦模型；根據商品的評分數據生成全局推薦模型，并通過與局部推薦模型的加權合并生成離線推薦結果；將實時推薦結果和離線推薦結果進行加權計算，得到混合推薦結果。通過分別計算實時推薦結果和離線推薦結果，并對實時推薦結果和離線推薦結果進行加權計算獲取混合推薦結果，提高了推薦結果的動態變化能力，提升了用戶體驗效果。

技術領域

本發明涉及自然語言處理領域，尤其涉及一種商品信息推送方法和裝置。

背景技術

隨著互聯網的快速發展，引發了數據的迅猛增長。人們已經從信息時代跨越到大數據時代，如何從海量的數據中挖掘出用戶感興趣的信息，并且為用戶提供個性化推薦服務成了重要的研究課題。因此，相繼涌現出了許多的推薦模型，包括基于知識推薦、基于關聯規則推薦、基于內容推薦、基于位置信息推薦、協同過濾推薦等。然而，單一的推薦模型不能滿足復雜推薦場景，例如，外賣應用中需要位置信息和用戶美食偏好信息結合做推薦。

因此，按照一定的策略，組合兩種或兩種以上推薦算法的混合推薦系統應運而生，其彌補了單一推薦算法的不足，且獲得了更好的推薦結果。傳統的推薦系統往往基于Hadoop等批處理平臺構建，只能使用歷史數據集進行訓練；并且模型更新代價較大，無法適應數據流環境，算法時效性較差，不能使推薦結果和用戶近期的偏好相匹配，造成推薦效果差。

在如今的推薦系統中，用戶和推薦標的物的數目不斷上升，動輒百千萬計，用戶和推薦標的物之間選擇的重疊越來越少，用戶與推薦標的物的交互信息的減少使得傳統的協同過濾算法效果逐步下降。

目前對于流行的ALS矩陣因子分解推薦方法使用的是用戶對推薦目標的評分表，用戶評完一次分之后，更新總評分表中的一項，導致了推薦結果的動態變化能力較弱，用戶體驗較差的缺陷。

發明內容

本發明實施例提供一種商品信息推送方法和裝置，用以提高現有的推薦方法中推薦結果的動態變化能力，提高被推薦用戶的體驗。

第一方面，本發明實施例提供一種商品信息推送方法，包括：

提取商品類型集合中前預設數目的商品類型作為偏好商品類型集合，根據商品的評分數據和預設的推薦優先級算法，獲取所述偏好商品類型集合的推薦優先級，并根據所述推薦優先級生成實時推薦結果；

根據商品的標簽數據對用戶進行聚類處理，并生成每個用戶群體的局部推薦模型；根據商品的評分生成全局推薦模型，并通過與所述局部推薦模型的加權合并生成離線推薦結果；

將所述實時推薦結果和所述離線推薦結果進行加權計算，獲取混合推薦結果。

可選地，所述方法還包括：

對用戶的各種隱性操作的次數賦予對應的權重值，計算所述各種隱性操作的次數與對應權重值的積；

計算所述乘積結果與前一時間周期的偏好程度和時間衰減因子乘積的和作為用戶對于某一商品類型在該時間周期內的偏好程度值；

其中，所述隱性操作指能反映出用戶對商品偏好的前端操作。

可選地，所述根據用戶對于商品的評分和預設的推薦優先級算法，獲取所述用戶偏好商品類型集合的推薦優先級具體包括：

從所述用戶偏好商品類型集合中篩選出與用戶已評分商品的相似度超過預設的相似度閾值的商品；

基于所述超過預設相似度閾值的商品獲取所述候選商品值得推薦的程度值和所述候選商品不值得推薦的程度值；