[发明专利]用于个性化推荐的排序方法，排序模型训练方法和排序系统

说明书

本发明提供用于个性化推荐的排序方法、排序系统以及排序模型的训练方法。该排序方法包括：获取用户数据与商品数据并生成用户‑商品对，获取所述用户‑商品对的特征，获取商品优惠特征和商品热销特征，以及使用排序模型基于所述用户‑商品对的特征、所述商品优惠特征和所述商品热销特征对商品打分并基于得分排序。该排序方法和系统可以准确模拟和预测用户在秒杀服务中的购买行为，充分利用长尾效应，有效避免排序模型对低客单价商品的偏置问题，提高购物网站的提升转化率和利润。

技术领域

本公开涉及计算机领域，具体涉及一种用于个性化推荐的排序方法，排序模型训练方法和排序系统。

背景技术

随着互联网和电子商务的快速发展，网上购物成为大多数用户购物的首选方式。购物网站针对用户使用个性化推荐算法以在种类繁多的商品中找出用户感兴趣的商品，精准的个性化推荐算法可以提高用户的购物体验，缩短购物时间。

在网上购物中经常以优惠促销的方式吸引用户。“秒杀”服务是近些年新出现的促销方式。但是，现有的个性化推荐算法考虑用户的实时兴趣变化和长期兴趣趋势，没有针对秒杀服务进行优化，因此个性化推荐算法在秒杀服务中进行推荐商品时存在偏向高优惠、低定价的低客单价商品的偏置问题，无法准确模拟并预测用户在秒杀服务中的购买行为，使得购物网站无法更有效地利用长尾效应(long tail effect)提高提升转化率(conversion rate optimization)和利润。

发明内容

本发明提出一种用于个性化推荐的排序方法，排序模型训练方法和排序系统，旨在克服现有的用于个性化推荐的排序算法仅考虑用户的实时兴趣变化和长期兴趣趋势而没有考虑到秒杀服务中的商品优惠特征的缺陷。

根据本发明的一方面，提供一种用于个性化推荐的排序方法，包括：

获取用户数据与商品数据并生成用户-商品对，

获取所述用户-商品对的特征，

获取商品优惠特征和商品热销特征，以及

使用排序模型基于所述用户-商品对的特征、所述商品优惠特征和所述商品热销特征对商品打分并基于得分排序。

其中，所述用户-商品对的特征包括用户特征，商品特征和用户商品交互特征。

其中，所述商品优惠特征包括所述商品的正常价格、优惠价格、优惠金额、优惠折扣中的至少一个。

其中，所述商品热销特征包括所述商品的实时购买数量和用户关注数量中的至少一个。

其中，以预定时间间隔获取或更新所述商品热销特征。

其中，所述排序模型为梯度提升树(GBDT)模型。

根据本发明的另一方面，提供一种用于个性化推荐的排序模型的训练方法，包括：

获取用户数据与商品数据并生成用户-商品对，

基于用户-商品对的特征生成所述排序模型的训练样本数据，

获取样本类型权重数据和价格等级权重数据，并基于所述样本类型权重数据和所述价格等级权重数据生成训练样本权重数据，

基于所述训练样本数据和所述训练样本权重数据训练排序模型。

其中，所述用户-商品对的特征包括用户特征，商品特征和用户商品交互特征。

其中，所述样本类型权重数据包括与所述用户与所述商品之间的内容相似度相关的权重数据，与所述用户与所述商品之间的购买相似度相关的权重数据以及与所述用户与所述商品之间的综合相似度相关的权重数据。

其中，所述价格等级权重数据包括与商品优惠特征相关的权重数据和与商品热销特征相关的权重数据。