[发明专利]一种音频产品的实时召回方法

说明书

本发明公开了实时召回技术领域的一种音频产品的实时召回方法，包括如下步骤：S1：实时触发推荐，S2：实时召回策略，S3：去重和过滤，S4：添加权重，S5：精排；本发明在音频类产品的独特的推荐场景下能实时对音频产品进行召回，覆盖率高、效果精准的个性化在线推荐系统，方便工作人员对音频产品的数据实时化召回工作，减少工作人员的工作负担，提高工作人员的召回工作效率。

技术领域

本发明涉及实时召回技术领域，具体为一种音频产品的实时召回方法。

背景技术

在当今的互联网产品中，推荐系统越来越成为标配，例如电商平台推荐商品，新闻APP推荐新闻等，在音频领域中，为用户进行个性化推荐的最小的单位是专辑，专辑下又划分各个小的节目,有的音频产品专辑数是远远小于自己的用户数，如何在这种独特的场景下，开发性能稳定而且效果精准的个性化在线推荐系统，是一个难度颇高且需要不断探索的难题。

性化推荐系统中最重要的一个环节是召回环节，它主要作用是是从几百万甚至上千万的商品中基于用户的兴趣类型从中过滤出几千到几百个商品，决定了最终推荐效果的上限，基于此，本发明设计了一种音频产品的实时召回方法，以解决上述问题。

发明内容

本发明的目的在于提供一种音频产品的实时召回方法，以解决上述背景技术中提出的问题。

为实现上述目的，本发明提供如下技术方案：一种音频产品的实时召回方法，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等流程，在召回集的每个召回专辑添加加权权重，类别ID等专辑属性值，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。

优选的，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。

优选的，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。

优选的，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。

优选的，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。