一种多维互联推荐方法及系统与流程

技术特征：

1.一种多维互联推荐方法，其特征在于，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。

2.如权利要求1所述的多维互联推荐方法，其特征在于，所述Ensemble训练方法包括L1层分类器和L2层分类器。

3.如权利要求2所述的多维互联推荐方法，其特征在于，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Train pig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。

4.如权利要求3所述的多维互联推荐方法，其特征在于，所述行为日志包括展现日志和点击日志。

5.如权利要求4所述的多维互联推荐方法，其特征在于，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。

6.如权利要求4所述的多维互联推荐方法，其特征在于，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。

7.如权利要求5所述的多维互联推荐方法，其特征在于，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：

${\mathrm{\β}}_k^{\′}={\mathrm{\β}}_k*(1-\mathrm{\λ}*{\mathrm{Ctr}}_i)*(1-\mathrm{\ϵ}*\frac{{\mathrm{Score}}_k}{{\mathrm{Score}}_{item}})$

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。

8.如权利要求6所述的多维互联推荐方法，其特征在于，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：

${\mathrm{\β}}_k^{\′}={\mathrm{\β}}_k*(1+\∂*\frac{{\mathrm{Score}}_k}{{\mathrm{Score}}_{item}})$

其中，是点击衰减常数。

9.一种多维互联推荐系统，其特征在于，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。

10.如权利要求9所述的多维互联推荐系统，其特征在于，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。