[发明专利]一种音频产品的实时召回方法

权利要求书

1.一种音频产品的实时召回方法，其特征在于，包括如下步骤：

S1：实时触发推荐

基于用户发生实时有效收听行为或实时搜索点击行为进行触发，这里的有效收听标准是用户收听专辑超过60s或者用户收听专辑时长是该专辑的所有节目平均时长的一半以上，搜索点击行为指的是用户通过搜索框搜索关键词后，得到搜索列表后，点击专辑，则触发推荐；

S2：实时召回策略

由步骤S1中的触发推荐根据相关度、播放热度、Embedding、新鲜度以及ALS离线构建事实召回策略；

S3：去重和过滤

对于优先级高的召回策略召回的专辑，排在前面，目标数量设定偏大，优先级次之的召回策略的专辑排在后面，目前数量偏小，并且需要和之前优先级高的召回专辑进行去重，过滤主要是对昨天曝光过、最近30天收听过、收藏过、分享过的专辑进行过滤；

S4：添加权重

为了方便后续之后的排序流程的特征计算流程，在召回集的每个召回专辑添加加权权重，类别ID专辑属性值，方便后续的排序分值计算和重排序流程；

S5：精排

通过XGboost，深度学习预测机器学习模型，得到每个用户对自己的召回专辑池中的各个专辑的预测分值，分值范围在0～1之间，基于召回池的商品的预测分值对商品进行排序。

2.根据权利要求1所述的一种音频产品的实时召回方法，其特征在于：所述Embedding实质是一种映射，从语义空间到向量空间的映射，同时尽可能在向量空间保持原样本在语义空间的关系。

3.根据权利要求1所述的一种音频产品的实时召回方法，其特征在于：所述ALS是已经集成到Spark的Mllib库中的算法，不同于协同过滤求用户间相似度，而是一种基于矩阵分解的算法。

4.根据权利要求1所述的一种音频产品的实时召回方法，其特征在于：所述Spark是专为大规模数据处理而设计的快速通用的计算引擎，所述Mllib库是Spark的机器学习库，其目标是使实用的机器学习具有可扩展性和容易性。

5.根据权利要求1所述的一种音频产品的实时召回方法，其特征在于：所述XGboost是应用牛顿法(二阶泰勒展开)加入正则项，对每棵树的复杂度进行惩罚，防止过拟合，支持并行化，闪光点，虽然树与树串行，但同层级节点可并行，候选分裂点计算增益用多线程并行，训练速度快。