[发明专利]商品个性化排序模型训练方法及系统

说明书

本发明涉及一种商品个性化排序模型训练方法及系统，根据历史商品数据中长期兴趣特征对商品个性化排序模型进行离线训练，获得每个长期兴趣特征对应的参数，即获得一个精度较高的商品个性化排序模型，且排除了历史商品数据中短期兴趣特征，减少耗时。再间隔单位时间获取实时商品数据，对离线训练后的商品个性化排序模型进行扩展，根据实时商品数据中长期兴趣特征以及短期兴趣特征，对扩展后的商品个性化排序模型进行在线训练，获得更新的每个长期兴趣特征对应的参数以及每个短期兴趣特征对应的参数，从而实现每隔单位时间对扩展后的商品个性化排序模型进行更新一次，获得时效性更强的模型，实现模型的精度和时效性平衡，以获得更好的预测结果。

技术领域

本发明涉及数据处理技术领域，特别涉及一种商品个性化排序模型训练方法及系统。

背景技术

目前，给用户在线推荐商品是提高商品销售量的常用手段，主要通过对商品个性化排序模型进行训练，然后利用训练后的商品个性化排序模型进行输出预测，根据预测结果进行商品推荐。其中，商品个性化排序模型即是商品个性化推荐模型，商品个性化推荐模型包括模型输入、模型参数以及预测输出，根据模型输入以及模型参数进行模拟可获得预测输出，模型训练过程即是根据预测输出与实际输出的误差对模型参数进行不断调整的过程，使模型参数达到最优，从而使商品个性化推荐模型达到最优，再根据训练完成后的商品个性化推荐模型对待推荐商品进行模拟，获得待推荐商品的预测输出。

现有的商品个性化排序模型包括batch(批量)模式的LR(逻辑回归)模型和online(在线)模式下的LR模型，batch模式的LR模型是一种离线学习模型，原数据集是事先存储好的，是一种需要在原数据集上反复迭代以获得一个最优的模型参数，能确保模型推荐的精度，但是会导致batch模式下的LR模型无法在大数据集下多次迭代训练获得一个最新的模型，且采用的原数据集是历史数据，而当前售卖的商品和用户兴趣是随时变化的，从而利用该模型进行商品排序推荐时，会导致实时性较差。online模式下的LR模型是一种在线学习模型，实现了实时数据的增量训练，能追踪到用户的当前兴趣，即能确保模型的实时性，但是无法兼顾到较长周期的历史数据，且利用该模型进行训练时，对实时数据只迭代一次，从而利用该模型进行商品排序推荐时，会导致精度较低。

发明内容

基于此，有必要针对现有模型无法同时兼顾实时性和精度的问题，提供一种能同时提高时效性以及精度的商品个性化排序模型训练方法及系统。

一种商品个性化排序模型训练方法，包括如下步骤：

获取预设时间内的历史商品数据；

根据所述历史商品数据中的长期兴趣特征以及商品的预设输出目标，对所述商品个性化排序模型进行离线训练，获得每个所述长期兴趣特征对应的参数，其中，长期兴趣特征包括商品品牌以及商品类型；

间隔单位时间实时获取商品数据，并获取所述实时获取的商品数据中的所述商品的预设输出目标、所述长期兴趣特征以及短期兴趣特征，其中，所述短期兴趣特征包括商品ID以及档期ID；

根据所述短期兴趣特征，对离线训练后的所述商品个性化排序模型进行扩展，获得扩展后的商品个性化排序模型，其中，扩展后的所述商品个性化排序模型包括获得的每个所述长期兴趣特征对应的参数以及初始化的每个所述短期兴趣特征对应的参数；

根据所述实时获取的商品数据中的所述商品的预设输出目标、所述实时获取的商品数据中的所述长期兴趣特征以及所述短期兴趣特征，对扩展后的所述商品个性化排序模型进行在线训练，修正每个所述长期兴趣特征对应的参数以及每个所述短期兴趣特征对应的参数。

一种商品个性化排序模型训练系统，包括：

第一获取模块，用于获取预设时间内的历史商品数据；