[发明专利]对象推荐方法及装置

说明书

本公开提供一种对象推荐方法及装置。该对象推荐方法包括：获取用户特征数据；使用用户偏好预测模型来基于用户特征数据得到用户偏好预测结果，所述用户偏好预测结果包括针对待推荐对象集中的各个待推荐对象的用户偏好预测值；基于用户偏好预测结果，确定各个待推荐对象的用户偏好概率；使用Bandit算法来基于各个待推荐对象的用户偏好概率，确定各个待推荐对象的用户选择概率；根据所述各个待推荐对象的用户偏好概率和用户选择概率，确定推荐对象；以及将所确定的推荐对象推荐给用户。利用该方法，能够在确保冷启动时期的对象推荐准确率的情况下快速提升模型学习能力。

技术领域

本公开通常涉及计算机技术领域，更具体地，涉及对象推荐方法及装置。

背景技术

在对象推荐领域(例如，商品销售领域中的商品推荐)，相似功能的对象之间具有竞争关系。例如，针对APP播放产品和小型语音播放收钱音箱，如果用户已经购买了APP播放产品，则大概率不会再去购买小型语音播放收钱音箱。在这种情况下，如果向用户推荐小型语音播放收钱音箱，则用户不会发生购买行为，从而使得商品推荐的转化率非常低。

为了提升商品销售额，通常会基于与商品购买相关的用户样本数据来训练出用户偏好模型，然后使用用户偏好模型来为各种类型的用户推荐他们感兴趣(用户偏好)的商品进行广告触达，使得到达用户处的商品广告更加符合用户的需求，由此提升商品推荐的转化率。

然而，针对新推出的商品，与该商品购买相关的用户样本数据非常少，甚至不存在这类用户样本数据，由此在用户偏好模型训练时缺少与该商品相关的用户样本数据，使得该用户偏好模型不能准确地预测到用户针对这类商品的偏好度，从而使用该用户偏好模型不会向用户推荐这类商品。

发明内容

鉴于上述，本公开提供了一种对象推荐方法及装置。利用该对象推荐方法及装置，通过折衷考虑优先利用和优先探索，能够在确保冷启动时期的对象推荐准确率的情况下快速提升模型学习能力。

根据本公开的一个方面，提供了一种对象推荐方法，包括：获取用户特征数据；使用用户偏好预测模型来基于所述用户特征数据得到用户偏好预测结果，所述用户偏好预测结果包括针对待推荐对象集中的各个待推荐对象的用户偏好预测值；基于所述用户偏好预测结果，确定所述各个待推荐对象的用户偏好概率；使用Bandit算法来基于所述各个待推荐对象的用户偏好概率，确定所述各个待推荐对象的用户选择概率；根据所述各个待推荐对象的用户偏好概率和用户选择概率，确定推荐对象；以及将所确定的推荐对象推荐给用户。

可选地，在上述方面的一个示例中，所述用户偏好预测模型包括多个用户偏好预测模型，并且所述多个用户偏好预测模型是使用历史用户样本数据集并调整用户偏好预测模型的随机性来训练出的，所述用户样本数据包括用户特征数据和针对所述各个待推荐对象的推荐标签数据。

可选地，在上述方面的一个示例中，基于所述用户偏好预测结果，确定所述各个待推荐对象的用户偏好概率包括：基于多个用户偏好预测模型的用户偏好预测结果来计算出针对所述各个待推荐对象的用户偏好预测值的置信区间；以及基于所述各个待推荐对象的用户偏好预测值的置信区间，确定所述各个待推荐对象的用户偏好概率。

可选地，在上述方面的一个示例中，基于所述各个待推荐对象的用户偏好概率预测值的置信区间，确定所述各个待推荐对象的用户偏好概率包括：将所述各个待推荐对象的用户偏好概率预测值的置信区间的上限，确定为所述各个待推荐对象的用户偏好概率。

可选地，在上述方面的一个示例中，所述用户偏好预测模型的随机性包括：用户特征属性选择的随机性；和/或用户样本数据选择的随机性。

可选地，在上述方面的一个示例中，所述用户特征数据包括：用户画像数据；用户交易数据；用户社交数据；和/或用户行为数据。