一种多维互联推荐方法及系统与流程

本发明属于网络技术领域，尤其涉及一种多维互联推荐方法及系统。

背景技术：

目前电商平台，媒体网站对海量信息进行筛选、过滤，利用搜索引擎将用户最关注最感兴趣的信息展现在用户面前.但当用户无法准确描述自己的需求时，筛选效果大打折扣，同事搜索结果往往会照顾大多数用户的点击习惯，以热门结果为主，很难充分体现出个性化需求。目前的流行的推荐算法都比较单一往往只能满足局部推荐的要求。

目前电商平台，媒体网站对海量信息进行筛选、过滤，利用搜索引擎筛选信息时，当用户无法准确描述自己的需求效果将大打折扣,无法满足用户的多用性，很难充分体现出个性化需求，暴露出各种推荐方法的局限性，某个场景用算法A效果较好，另外一种场景用算法B效果较好。

技术实现要素：

本发明的发明目的是：为了解决现有技术中存在的以上问题，向用户提供更精准的推荐信息，本发明提出了一种多维互联推荐方法及系统。

本发明的技术方案是：一种多维互联推荐方法，包括以下步骤：

S1、提取用户历史行为日志形成基础数据，并采用Ensemble训练方法生成离线推荐结果；

S2、接受用户实时行为日志，根据用户的实时动作行为采用线性融合方法生成近线推荐结果；

S3、将步骤S1中的离线推荐结果与步骤S2中的近线推荐结果进行融合，采用优先级算法生成推荐结果。

进一步地，所述Ensemble训练方法包括L1层分类器和L2层分类器。

进一步地，所述所述步骤S1提取用户历史行为日志形成基础数据，并采用Ensemble训练方法生成离线推荐结果具体包括以下分步骤：

S11、将基础数据作为训练样本并按照1:1比例划分为Trainpig部分和Test Pig部分；

S12、对步骤S11中的Train pig部分提取特征形成特征向量，训练L1层分类模型；

S13、采用步骤S12中的L1层分类模型对步骤S11中的Test Pig部分进行预测，生成L1层预测结果；

S14、根据步骤S13中的L1层预测结果生成L2层的输入特征向量，对Test Pig部分训练L2层分类模型；

S15、对全部训练样本重新训练L1层分类模型；

S16、对待测样本提取特征并分别采用步骤S12中的L1层分类模型和步骤S15中重新训练的L1层分类模型生成两个预测结果，再采用步骤S14中的L2层分类模型根据两个预测结果生成离线推荐结果。

进一步地，所述行为日志包括展现日志和点击日志。

进一步地，所述展现日志包括展现的item、item推荐时采用的算法、推荐位置、item对应权重。

进一步地，所述步骤S2中根据用户的实时动作行为采用线性融合方法生成近线推荐结果具体为：根据用户的实时动作行为更新推荐出item对应策略的权重，重新计算推荐结果。

进一步地，如果用户的实时动作行为为展现日志，则减小推荐出item对应策略的权重，计算公式表示为：

其中，β′_k为更新后的权重，β_k为原始权重，Ctr_i为展现位置i的平均点击率，Score_k为算法K对该item的得分，Score_item为该item的总得分，λ为位置点击率的衰减常数，ε为算法点击率的衰减常数。

进一步地，如果用户的实时动作行为为点击日志，则增加推荐出item对应策略的权重，计算公式表示为：

其中，是点击衰减常数。

为了进一步的对本发明的多维互联推荐方法进行说明，本发明还提出了一种多维互联推荐系统，包括：

离线子系统，用于根据用户的历史行为日志建立训练样本，生成离线推荐结果并发送至在线子系统；

近线子系统，用于接收用户的实时行为日志，根据用户的实时行为日志生成近线推荐结果并发送至在线子系统；

在线子系统，用于接收并融合离线子系统生成的离线推荐结果及近线子系统生成的近线推荐结果，并将融合后的推荐结果反馈给用户。

进一步地，所述近线子系统设置在服务端，所述在线子系统面向用户端。

本发明的有益效果是：本发明根据用户的历史行为日志生成离线推荐结果，再根据用户的实时行为日志生成近线推荐结果，最后将两种推荐结果进行融合生成最终的推荐结果，通过运用不同分类算法的优势，推荐精度高，能够满足用户的个性化需求，更准确的把握用户关注的内容，具有良好的适应性。

附图说明

图1是本发明的多维互联推荐方法流程示意图。

图2是本发明的多维互联推荐系统结构示意图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。

如图1所示，为本发明的多维互联推荐方法流程示意图。一种多维互联推荐方法，包括以下步骤：

S1、提取用户历史行为日志形成基础数据，并采用Ensemble训练方法生成离线推荐结果；

S2、接受用户实时行为日志，根据用户的实时动作行为采用线性融合方法生成近线推荐结果；

S3、将步骤S1中的离线推荐结果与步骤S2中的近线推荐结果进行融合，采用优先级算法生成推荐结果。

在步骤S1中，本发明提取长期的、海量的用户历史行为日志形成基础数据，再对基础数据采用Ensemble训练方法生成离线推荐结果。以优化点击率为例，本发明可以将像用户展现过的item以及是否点击等历史行为日志形成基础数据。

本发明的Ensemble训练方法中的分类器包括L1层分类器和L2层分类器；L1层分类器是基础分类器，可以使用协同过滤、矩阵分解、contentbase等基础算法进行分类；L2层分类器基于L1层分类器，将L1层分类器的分类结果形成特征向量，再组合一些其他的特征后，形成L2层分类器(如GBDT)的输入。

本发明提取用户历史行为日志形成基础数据，并采用Ensemble训练方法生成离线推荐结果具体包括以下分步骤：

S11、将基础数据作为训练样本并按照1:1比例划分为Trainpig部分和Test Pig部分；

S12、对步骤S11中的Train pig部分提取特征形成特征向量，训练L1层分类模型；

S13、采用步骤S12中的L1层分类模型对步骤S11中的Test Pig部分进行预测，生成L1层预测结果；

S14、根据步骤S13中的L1层预测结果生成L2层的输入特征向量，对Test Pig部分训练L2层分类模型；

S15、对全部训练样本重新训练L1层分类模型；

S16、对待测样本提取特征并分别采用步骤S12中的L1层分类模型和步骤S15中重新训练的L1层分类模型生成两个预测结果，再采用步骤S14中的L2层分类模型根据两个预测结果生成离线推荐结果。

本发明根据不同的要求预设训练样本的划分比例，根据训练得到的L1层分类模型和L2层分类模型对待测样本进行分析，从而得到离线推荐结果。

在步骤S2中，本发明实时接收用户的行为日志，这里的行为日志包括展现日志和点击日志。其中，展现日志包括展现的item、item推荐时采用的算法、推荐位置、item对应权重。

本发明再根据用户的实时动作行为采用通过点击反馈进行调整的线性融合方法生成近线推荐结果，即根据用户的实时动作行为更新推荐出item对应策略的权重，重新计算推荐结果，包括以下两种情况：

如果用户的实时动作行为为展现日志，则减小推荐出item对应策略的权重，更新推荐出item对应策略的权重的计算公式表示为：

其中，β′_k为更新后的权重，β_k为原始权重，Ctr_i为展现位置i的平均点击率，Score_k为算法K对该item的得分，Score_item为该item的总得分，λ为位置点击率的衰减常数，ε为算法点击率的衰减常数。

如果用户的实时动作行为为点击日志，则增加推荐出item对应策略的权重，更新推荐出item对应策略的权重的计算公式表示为：

其中，是点击衰减常数。

本发明根据更新推荐出item对应策略的权重的计算公式生成与用户对应的加权线性模型，从而根据加权线性模型重新计算对应的推荐结果。

在步骤S3中，为了更迅速的进行响应，本发明采用优先级算法将步骤S1中的离线推荐结果与步骤S2中的近线推荐结果进行融合，生成最终的推荐结果。这里的优先级算法为本领域技术人员的常用技术手段，本发明不做赘述。

为了对本发明的多维互联推荐方法作进一步的详细说明，本发明还提出了一种多维互联推荐系统，包括：

离线子系统，用于根据用户的历史行为日志建立训练样本，生成离线推荐结果并发送至在线子系统；

近线子系统，用于接收用户的实时行为日志，根据用户的实时行为日志生成近线推荐结果并发送至在线子系统；

在线子系统，用于接收并融合离线子系统生成的离线推荐结果及近线子系统生成的近线推荐结果，并将融合后的推荐结果反馈给用户。

本发明的离线子系统设置在离线端，根据数据库中保存的用户历史行为日志等基础数据，通过对商品、用户及推荐算法采用Ensemble训练方法进行分析，生成离线推荐结果并发送至在线子系统。

本发明的近线子系统设置在服务端，实时接收用户的行为日志，并根据用户的实时动作行为采用通过点击反馈进行调整的线性融合方法生成近线推荐结果，发送至在线子系统。

本发明的在线子系统直接面向用户端，提供高性能和高可用性的推荐服务；在线子系统接收离线子系统生成的离线推荐结果及近线子系统生成的近线推荐结果，并采用优先级算法生成推荐结果，从而有效的减轻在线子系统的请求压力，实现在较短的时间内返回推荐结果。

本领域的普通技术人员将会意识到，这里所述的实施例是为了帮助读者理解本发明的原理，应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合，这些变形和组合仍然在本发明的保护范围内。