一种个性化推荐方法及装置制造方法及图纸

本发明专利技术实施例公开了一种个性化推荐方法及装置，涉及互联网技术领域，能够提高在个性化推荐分析过程中应用范围。本发明专利技术包括：从模型库中提取推荐模型，并将所提取的推荐模型划分到至少两种推荐域中，推荐域包括内容类推荐域和行为类推荐域；根据划分得到的推荐域，分别建立得分转换单元；通过内容类域内得分转换单元，对内容类推荐集进行域内融合，并通过行为类域内得分转换单元，对行为类推荐集进行域内融合，再通过域间得分转换单元对内容类推荐集和行为类推荐集进行域间融合，得到至少3种融合集；根据得到的融合集，按照品类得分对商品品类进行排序，并在每个商品品类中对所选取的商品排序。发明专利技术适用于个性化推荐。

A Personalized Recommendation Method and Device

The embodiment of the invention discloses a personalized recommendation method and device, which relates to the field of Internet technology and can improve the application scope in the process of personalized recommendation analysis. The invention includes: extracting recommendation model from model library and dividing the extracted recommendation model into at least two recommendation domains, the recommendation domain includes content class recommendation domain and behavior class recommendation domain; establishing scoring conversion units respectively according to the recommended domains obtained; and dividing content class into content class recommendation domain and behavior class recommendation domain by scoring conversion unit in content class domain. Intra-domain fusion of Recommendation sets and intra-domain fusion of Recommendation sets of behavior classes are carried out by scoring conversion units in the domain of behavior classes. Then, inter-domain fusion of Recommendation sets of content classes and Recommendation sets of behavior classes is carried out by scoring conversion units between domains, and at least three fusion sets are obtained. According to the fusion set, commodities are scored according to category scores. Classes are sorted and the selected items are sorted in each commodity category. The invention is suitable for personalized recommendation.

【技术实现步骤摘要】
一种个性化推荐方法及装置
本专利技术涉及互联网
，具体涉及一种个性化推荐方法及装置。
技术介绍
互联网的出现与发展使人们生产、复制、传播信息的能为大大增强，人们正在面临前所未有的信息过载问题。随着电子商务规模的不断扩大，商品个数和种类快速增长，顾客需要花费大量的时间才能找到自己想买的商品。这种浏览大量无关的信息和产品过程无疑会使淹没在信息过载问题中的消费者不断流失。为了解决这些问题，个性化推荐系统应运而生，并已经开始应用在智能商务领域。个性化推荐系统建立在海量数据挖掘的基础上，结合机器学习算法实现对用户购买商品的预测，为顾客购物提供全个性化的决策支持，从而提升用户体验，增强用户粘度，提高电子商务网站的购买转化率。其中，可能得到的个性化的决策结果会有很多，比如在网购领域，基于用户输入的搜索词所能够返回的商品可能会有几千件，因此对于最终反馈的结果，如何以一种合理的方式展示给用户，成为了各大平台运营商重点研究的问题。
技术实现思路
本专利技术的实施例提供一种个性化推荐方法及装置，能够提高在个性化推荐分析过程中应用范围。为达到上述目的，本专利技术的实施例采用如下技术方案：第一方面，本专利技术的实施例提供的方法，包括：从模型库中提取推荐模型，并将所提取的推荐模型划分到至少两种推荐域中，所述推荐域包括内容类推荐域和行为类推荐域，其中，所述内容类推荐域包括：基于用户属性信息和标签信息建立的推荐模型，所述行为类推荐域包括：基于用户的购物行为建立的推荐模型；根据划分得到的推荐域，分别建立得分转换单元，所述得分转换单元至少包括：内容类域内得分转换单元、行为类域内得分转换单元和域间得分转换单元；通过所述内容类域内得分转换单元，对内容类推荐集进行域内融合，并通过所述行为类域内得分转换单元，对行为类推荐集进行域内融合，再通过所述域间得分转换单元对所述内容类推荐集和所述行为类推荐集进行域间融合，结合上下文推荐集，得到至少3种融合集；根据得到的融合集，按照品类得分对商品品类进行排序，并在每个商品品类中对所选取的商品排序。结合第一方面，在第一方面的第一种可能的实现方式中，所述根据划分得到的推荐域，分别建立得分转换单元，包括：利用历史单个推荐模型集数据和用户的行为数据，基于三层人工神经网络模型，通过误差反向传播算法对所述划分得到的推荐域中的推荐模型进行训练；将训练得到的推荐模型建立得分转换单元，其中，在所述得分转换单元中以单个召回数据作为输入，通过所述训练得到的推荐模型计算得到融合得分。结合第一方面的第一种可能的实现方式，在第二种可能的实现方式中，所述利用历史单个推荐模型集数据和用户的行为数据，基于三层人工神经网络模型，通过误差反向传播算法对所述划分得到的推荐域中的推荐模型进行训练，包括：根据推荐结果表，从所述历史单个推荐模型集数据和所述用户的行为数据中，获取用户商品对(user,item)、对应用户商品对的推荐来源rec_src和对应用户商品对的原始得分raw_score；对获取的推荐来源进行编码，其中，推荐域中的推荐模型有n个，并标识为模型1、模型2、…和模型n,模型i的编码为(0,0，…1…0)的n维向量，其中第i位的取值为1，其他取值均为0；根据所述用户商品对，检测用户对用户商品对所表示的推荐商品在指定时间段内是否存在点击或则浏览行为，若是则训练目标变量is_focused＝1，若否则is_focused＝0；建立所述三层人工神经网络模型，其中，输出层为推荐模型的推荐来源rec_src和原始得分raw_score，输出层为所述训练目标变量，隐含层为两层，推荐模型的训练采用误差反向传播算法。结合第一方面，在第一方面的第三种可能的实现方式中，所述通过所述域间得分转换单元对所述内容类推荐集和所述行为类推荐集进行域间融合，包括：通过所述内容类域内得分转换单元，将CB1,CB2,…CBp融合得到内容类域内融合集CB，通过所述行为类域内得分转换单元，对BM1,BM2,…BMq融合得到行为类域内融合集BM；根据CB和BM建立内容类和行为类类间融合集HM，其中，所述内容类推荐集有p个：CB1,CB2,…CBp，所述行为类推荐集有q个：BM1,BM2,…BMq，其中，CB1,CB2,…CBp表示内容类推荐集，BM1,BM2,…BMq表示行为类推荐集。结合第一方面的第三种可能的实现方式，在第四种可能的实现方式中，还包括：所述推荐域还包括上下文推荐域，所述上下文推荐域包括：基于时间、地点、天气和舆情信息建立的推荐模型；根据划分得到的上下文推荐域，建立上下文推荐域内得分转换单元，再通过上下文推荐域内得分转换单元，对上下文推荐集CT进行域内融合；将融合集HM和上下文推荐集CT，以预设的加权值进行加权融合，形成总融合集，所述最终融合集用于商品品类排序和商品排序。结合第一方面，在第一方面的第五种可能的实现方式中，所述按照品类得分对商品品类进行排序，并在每个商品品类中对所选取的商品排序，包括：计算所述总融合集中第i个品类的得分G_score(i)，其中，gds_score(i,j)表示第i个品类中的第j个商品，k表示…N表示…；前top-n(n>m)个推荐商品按如下规则生成：top1:i_rank＝1andg_rank＝1top2:i_rank＝1andg_rank＝2…topm:i_rank＝1andg_rank＝mtopm+1:i_rank＝2andg_rank＝1topm+2:i_rank＝2andg_rank＝2…直到取够n个商品为止，形成最终top-n融合推荐商品，并将最终top-n融合推荐商品按照所排顺序向用户反馈，其中，品类排序为g_rank,最大排序为m，品类内商品的排序为i_rank。第二方面，本专利技术的实施例提供的装置，包括：模型管理模块，用于从模型库中提取推荐模型，并将所提取的推荐模型划分到至少两种推荐域中，所述推荐域包括内容类推荐域和行为类推荐域，其中，所述内容类推荐域包括：基于用户属性信息和标签信息建立的推荐模型，所述行为类推荐域包括：基于用户的购物行为建立的推荐模型；融合模块，用于根据划分得到的推荐域，分别建立得分转换单元，所述得分转换单元至少包括：内容类域内得分转换单元、行为类域内得分转换单元和域间得分转换单元；并通过所述内容类域内得分转换单元，对内容类推荐集进行域内融合，并通过所述行为类域内得分转换单元，对行为类推荐集进行域内融合，再通过所述域间得分转换单元对所述内容类推荐集和所述行为类推荐集进行域间融合，并结合上下文推荐集，得到至少3种融合集；分析模块，用于根据得到的融合集，按照品类得分对商品品类进行排序，并在每个商品品类中对所选取的商品排序。结合第二方面，在第二方面的第一种可能的实现方式中，所述融合模块，具体用于利用历史单个推荐模型集数据和用户的行为数据，基于三层人工神经网络模型，通过误差反向传播算法对所述划分得到的推荐域中的推荐模型进行训练；并将训练得到的推荐模型建立得分转换单元，其中，在所述得分转换单元中以单个召回数据作为输入，通过所述训练得到的推荐模型计算得到融合得分。结合第二方面的第一种可能的实现方式，在第二种可能的实现方式中，所述融合模块，具体用于根据推荐结果表，从所述历史单个推荐模型集数据和所述用户本文档来自技高网...

【技术保护点】
1.一种个性化推荐方法，其特征在于，包括：从模型库中提取推荐模型，并将所提取的推荐模型划分到至少两种推荐域中，所述推荐域包括内容类推荐域和行为类推荐域，其中，所述内容类推荐域包括：基于用户属性信息和标签信息建立的推荐模型，所述行为类推荐域包括：基于用户的购物行为建立的推荐模型；根据划分得到的推荐域，分别建立得分转换单元，所述得分转换单元至少包括：内容类域内得分转换单元、行为类域内得分转换单元和域间得分转换单元；通过所述内容类域内得分转换单元，对内容类推荐集进行域内融合，并通过所述行为类域内得分转换单元，对行为类推荐集进行域内融合，再通过所述域间得分转换单元对所述内容类推荐集和所述行为类推荐集进行域间融合，结合上下文推荐集，得到至少3种融合集；根据得到的融合集，按照品类得分对商品品类进行排序，并在每个商品品类中对所选取的商品排序。

【技术特征摘要】
1.一种个性化推荐方法，其特征在于，包括：从模型库中提取推荐模型，并将所提取的推荐模型划分到至少两种推荐域中，所述推荐域包括内容类推荐域和行为类推荐域，其中，所述内容类推荐域包括：基于用户属性信息和标签信息建立的推荐模型，所述行为类推荐域包括：基于用户的购物行为建立的推荐模型；根据划分得到的推荐域，分别建立得分转换单元，所述得分转换单元至少包括：内容类域内得分转换单元、行为类域内得分转换单元和域间得分转换单元；通过所述内容类域内得分转换单元，对内容类推荐集进行域内融合，并通过所述行为类域内得分转换单元，对行为类推荐集进行域内融合，再通过所述域间得分转换单元对所述内容类推荐集和所述行为类推荐集进行域间融合，结合上下文推荐集，得到至少3种融合集；根据得到的融合集，按照品类得分对商品品类进行排序，并在每个商品品类中对所选取的商品排序。2.根据权利要求1所述的方法，其特征在于，所述根据划分得到的推荐域，分别建立得分转换单元，包括：利用历史单个推荐模型集数据和用户的行为数据，基于三层人工神经网络模型，通过误差反向传播算法对所述划分得到的推荐域中的推荐模型进行训练；将训练得到的推荐模型建立得分转换单元，其中，在所述得分转换单元中以单个召回数据作为输入，通过所述训练得到的推荐模型计算得到融合得分。3.根据权利要求2所述的方法，其特征在于，所述利用历史单个推荐模型集数据和用户的行为数据，基于三层人工神经网络模型，通过误差反向传播算法对所述划分得到的推荐域中的推荐模型进行训练，包括：根据推荐结果表，从所述历史单个推荐模型集数据和所述用户的行为数据中，获取用户商品对(user,item)、对应用户商品对的推荐来源rec_src和对应用户商品对的原始得分raw_score；对获取的推荐来源进行编码，其中，推荐域中的推荐模型有n个，并标识为模型1、模型2、…和模型n,模型i的编码为(0,0，…1…0)的n维向量，其中第i位的取值为1，其他取值均为0；根据所述用户商品对，检测用户对用户商品对所表示的推荐商品在指定时间段内是否存在点击或则浏览行为，若是则训练目标变量is_focused＝1，若否则is_focused＝0；建立所述三层人工神经网络模型，其中，输出层为推荐模型的推荐来源rec_src和原始得分raw_score，输出层为所述训练目标变量，隐含层为两层，推荐模型的训练采用误差反向传播算法。4.根据权利要求1所述的方法，其特征在于，所述通过所述域间得分转换单元对所述内容类推荐集和所述行为类推荐集进行域间融合，包括：通过所述内容类域内得分转换单元，将CB1,CB2,…CBp融合得到内容类域内融合集CB，通过所述行为类域内得分转换单元，对BM1,BM2,…BMq融合得到行为类域内融合集BM，其中，CB1,CB2,…CBp表示内容类推荐集，BM1,BM2,…BMq表示行为类推荐集；根据CB和BM建立内容类和行为类类间融合集HM，其中，所述内容类推荐集有p个：CB1,CB2,…CBp，所述行为类推荐集有q个：BM1,BM2,…BMq。5.根据权利要求4所述的方法，其特征在于，还包括：所述推荐域还包括上下文推荐域，所述上下文推荐域包括：基于时间、地点、天气和舆情信息建立的推荐模型；根据划分得到的上下文推荐域，建立上下文推荐域内得分转换单元，再通过上下文推荐域内得分转换单元，对上下文推荐集CT进行域内融合；将融合集HM和上下文推荐集CT，以预设的加权值进行加权融合，形成总融合集，所述最终融合集用于商品品类排序和商品排序。6.根据权利要求1所述的方法，其特征在于，所述按照品类得分对...

【专利技术属性】
技术研发人员：陈志宝，孙奉海，王彦，于为建，
申请(专利权)人：苏宁云商集团股份有限公司，
类型：发明
国别省市：江苏,32