[發(fā)明專利]一種基于組合特征的信息推薦方法、系統(tǒng)、設(shè)備及介質(zhì)

在審

• 申請?zhí)枺?/td>: 202211577179.8
• 申請日: 2022-12-09
• 公開（公告）號: CN115795163A
• 公開（公告）日: 2023-03-14
• 發(fā)明（設(shè)計）人: 孫明珠
• 申請（專利權(quán)）人: 蘇州摩多多信息科技有限公司
• 主分類號: G06F16/9535
• 分類號: G06F16/9535;G06F16/9536;G06Q50/00
• 代理公司: 蘇州思睿晶華知識產(chǎn)權(quán)代理事務(wù)所(普通合伙) 32403
• 代理人: 吳碧駿

本發(fā)明公開了一種基于組合特征的信息推薦方法、系統(tǒng)、設(shè)備及介質(zhì)，所述方法包括以下步驟：獲取用戶行為數(shù)據(jù)，基于用戶行為數(shù)據(jù)構(gòu)建向量集；基于用戶行為數(shù)據(jù)和向量集執(zhí)行分類召回操作，得到召回物品集；設(shè)置組合特征權(quán)重分配算法，基于召回物品集調(diào)用組合特征權(quán)重分配算法，得到組合權(quán)重；基于召回物品集和組合權(quán)重執(zhí)行物品信息精排推薦操作；本發(fā)明能夠采用向量關(guān)系、多種召回的策略以及組合特征的排序技術(shù)，進(jìn)而深度挖掘了單個物品特征、物品間的關(guān)聯(lián)關(guān)系，實現(xiàn)特征的深度解析和處理，最終更加準(zhǔn)確和有效為用戶提供信息推薦服務(wù)，克服流行性偏差和選擇偏差帶來的長尾問題；同時，能夠更好的挖掘組合特征，提升推薦的準(zhǔn)確度，優(yōu)化用戶體驗。

技術(shù)領(lǐng)域

本發(fā)明涉及信息流推薦技術(shù)領(lǐng)域，具體的，本發(fā)明應(yīng)用于數(shù)據(jù)平臺的綜合信息推薦領(lǐng)域，特別是涉及一種基于組合特征的信息推薦方法、系統(tǒng)、設(shè)備及介質(zhì)。

背景技術(shù)

目前，隨著互聯(lián)網(wǎng)信息爆炸式增長，信息過載現(xiàn)象越來越嚴(yán)重；故，如何更加高效地為用戶提供高質(zhì)量、高需求的信息，節(jié)省用戶時間，從而提升用戶的體驗和滿意度，是各個網(wǎng)絡(luò)平臺關(guān)注的重點。

現(xiàn)階段，推薦系統(tǒng)是幫助用戶解決信息過載的最有效的方法之一，因此成為近年學(xué)術(shù)界和工業(yè)界研究的熱點；常見的推薦系統(tǒng)基于召回和排序進(jìn)行信息流推薦；在召回方面，現(xiàn)有召回策略多數(shù)偏向于熱門物品的推薦，存在一定的流行度偏差和選擇偏差，所以對于長尾物品不夠友好，不能夠挖掘用戶的小眾偏好，這樣會削弱個性化召回的多樣性，推薦的內(nèi)容具有一定的同質(zhì)性，使得平臺的業(yè)務(wù)推薦的范圍越來越窄，不利于平臺內(nèi)容的分發(fā)，也不能滿足用戶小眾愛好的需求和給用戶帶來驚喜；在排序方面，傳統(tǒng)的排序策略基于邏輯回歸的排序方式，在組合特征方面沒有優(yōu)勢，如果需要組合某類特征，則需要人工手動組合，然后給到模型，去訓(xùn)練對應(yīng)的權(quán)重，最終，傳統(tǒng)排序?qū)τ谟脩舻狞c擊率和人均指標(biāo)漲幅影響較低；

綜上所述，目前推薦系統(tǒng)中所采用召回策略通常會削弱個性化召回的多樣性推薦的內(nèi)容具有一定的同質(zhì)性，長周期下會不斷降低推薦范圍，影響信息推薦的質(zhì)量和平臺業(yè)務(wù)發(fā)展，目前推薦系統(tǒng)中所采用的排序策略的特征單一性也較強，無法智能的進(jìn)行特征組合以實現(xiàn)更加有效的信息推薦排序。

發(fā)明內(nèi)容

本發(fā)明的目的在于，針對現(xiàn)有技術(shù)中的上述問題，提供一種基于組合特征的信息推薦方法、系統(tǒng)、設(shè)備及介質(zhì)，進(jìn)而解決現(xiàn)有技術(shù)中推薦系統(tǒng)所采用召回策略通常會削弱個性化召回的多樣性推薦的內(nèi)容具有一定的同質(zhì)性，長周期下會不斷降低推薦范圍，影響信息推薦的質(zhì)量和平臺業(yè)務(wù)發(fā)展，以及目前所采用的排序策略的特征單一性也較強，無法智能的進(jìn)行特征組合以實現(xiàn)更加有效的信息推薦排序的問題。

為解決上述技術(shù)問題，本發(fā)明的具體技術(shù)方案如下：

一方面，本發(fā)明提供一種基于組合特征的信息推薦方法，包括以下步驟：

數(shù)據(jù)向量化：

獲取用戶行為數(shù)據(jù)，基于所述用戶行為數(shù)據(jù)構(gòu)建向量集；

分類多層召回：

基于所述用戶行為數(shù)據(jù)和所述向量集執(zhí)行分類召回操作，得到召回物品集；

組合特征權(quán)重計算：

設(shè)置組合特征權(quán)重分配算法，基于所述召回物品集調(diào)用所述組合特征權(quán)重分配算法，得到組合權(quán)重；

信息精排推薦：

基于所述召回物品集和所述組合權(quán)重執(zhí)行物品信息精排推薦操作。

作為一種改進(jìn)的方案，所述基于所述用戶行為數(shù)據(jù)構(gòu)建物品向量集，包括：

識別所述用戶行為數(shù)據(jù)中的用戶點擊序列以及用戶點擊物品；

根據(jù)所述用戶點擊序列以及所述用戶點擊物品之間的關(guān)聯(lián)性，構(gòu)建物品圖；

采用第一采樣策略在所述物品圖上進(jìn)行物品采樣，得到結(jié)果物品；

設(shè)置第一詞向量模型，將所述結(jié)果物品輸入至所述第一詞向量模型進(jìn)行訓(xùn)練，得到與所述結(jié)果物品對應(yīng)的物品向量；

基于所述物品向量組成所述向量集。