[发明专利]产品推荐方法及系统

说明书

本申请实施例公开了产品推荐方法及系统。所述方法包括：接收并响应于产品推荐请求，获取用户在历史产品推荐策略中的行为反馈数据；基于所述行为反馈数据，利用策略逼近算法计算得到对应于所述产品推荐请求的产品推荐策略。利用本申请方法及系统实施例，可以提高产品推荐的准确性和推荐效率。

技术领域

本申请涉及信息处理技术领域，特别涉及一种产品推荐方法及系统。

背景技术

近几年，产品推荐技术在各类购物应用(Application，APP)中得到广泛的应用，产品推荐技术可以根据用户的行为特征、产品本身的属性等，向用户推荐更有价值的产品，实现对用户的引导作用，增强用户选购的目的性。如今，很多购物应用的用户数量、产品数量均已达到上亿数量级，用户的行为特征以及对产品的偏好也具有丰富性与多样性。因此，要从海量产品中根据复杂的用户行为特征选取出对用户最有价值的产品，对产品推荐技术来说是一个极具挑战的技术问题。

产品推荐技术往往体现在产品的排序上，例如将产品推荐价值越高的产品放置于产品排序越靠前的位置，产品的推荐价值在于产品更加符合用户的偏好与意图。目前，针对上述技术问题，通常的产品推荐方法是在每次进行产品排序时，可以基于产品本身的维度进行学习，并回归计算得到产品的推荐价值。例如在网络购物应用中，在接收用户的产品搜索词之后，可以根据产品的点击记录、成交记录等数据构造学习样本，根据所述学习样本回归计算出向该用户推荐产品的排序。此类产品推荐方法典型的如学习排序(LTR)方法、基于上下文的学习排序(Contextual LTR)方法等。发明人经过研究发现，此类产品推荐方法存在下列技术问题：

1、相对于用户的行为特征，现有技术中的产品推荐技术比较侧重于从产品本身的维度(如上述的产品数据)学习回归得到产品的推荐价值，一定程度上忽略了用户的行为特征对产品推荐的重要作用；

2、即使有些方法(如Contextual LTR方法)能够根据用户的历史行为，给不同的用户提供不同的产品排序结果。但是，上述方法的实现过程是离散的，每进行一次产品排序，用一次用户的历史行为。因此，上述方法没有考虑到用户搜索产品的连续性，用户最终选择是否购买产品，不是由某一次的产品排序所决定，而是由连续的产品搜索、连续的用户反馈所决定。

发明内容

本申请实施例的目的在于提供一种产品推荐方法及系统，可以提高产品推荐的准确性和推荐效率。

本申请实施例提供的产品推荐方法及系统具体是这样实现的：

一种产品推荐系统，所述系统包括客户端和搜索服务器，所述客户端与所述搜索服务器相耦合，其中，

客户端，用于发送产品推荐请求；

搜索服务器，用于接收并响应于产品推荐请求，获取用户在历史产品推荐策略中的行为反馈数据；以及，用于基于所述行为反馈数据，利用策略逼近算法计算得到对应于所述产品推荐请求的产品推荐策略。

一种产品推荐方法，所述方法包括：

接收并响应于产品推荐请求，获取用户在历史产品推荐策略中的行为反馈数据；

基于所述行为反馈数据，利用策略逼近算法计算得到对应于所述产品推荐请求的产品推荐策略。

本申请提供的产品推荐方法及系统，可以根据用户在历史产品推荐策略中的行为反馈数据，利用策略逼近算法计算得到最优的产品推荐策略。相对于现有技术方法，本申请可以利用强化学习方法中的策略逼近算法解决现有技术中连续的大规模状态/动作空间的产品推荐问题。诸如但不限于：

(1)本申请利用策略逼近算法计算产品的推荐价值，更加侧重于利用用户的历史行为特征，相对于现有技术中LTR、Contextual LTR等更加侧重于从产品本身角度考虑的方法，本申请方法能够从用户的历史行为特征中学习到更加准确的用户的偏好、意图等信息，从而提高产品推荐的准确性；