[发明专利]基于实时特征的推荐商品的快速二次排序方法

权利要求书

1.基于实时特征的推荐商品的快速二次排序方法，其特征在于，包括以下步骤：

利用按次分类的商品交易信息，计算各商品之间的关联性，得到商品画像；

根据各用户的交易信息和各商品画像，计算各用户与各商品之间的关联性，得到用户画像；

根据各商品画像和用户画像进行模型训练，得到商品召回模型；

当检测到特定用户访问时，首先根据该特定用户的用户画像利用商品召回模型获得待召回商品，然后再根据用户本次访问的商品以及前次访问的商品按照从新到旧的顺序选取预定数量的商品，作为用户的交易信息，对用户重新进行用户画像；

根据重新得到的用户画像，再利用商品召回模型重新计算上述待召回商品的分值或者计算商品与用户之间的距离分值，按照这次计算的分值，作为待召回商品的显示排序依据。

2.如权利要求1所述的基于实时特征的推荐商品的快速二次排序方法，其特征在于，还包括以下步骤：

利用商品的包括浏览信息在内的交易信息，计算各商品的转化率特征；

根据各商品画像，用户画像和各商品的转化率特征进行模型训练，得到商品召回模型。

3.如权利要求2所述的基于实时特征的推荐商品的快速二次排序方法，其特征在于，还包括：

计算商品与用户之间的距离分值的方法为：利用商品画像和用户画像，计算商品与各用户之间的距离特征，所述距离特征包括欧氏距离或余弦相似度；并且

训练模型时，利用各商品画像，用户画像，各商品的转化率特征和距离特征进行模型训练，得到商品召回模型。

4.如权利要求3所述的基于实时特征的推荐商品的快速二次排序方法，其特征在于，所述商品交易信息中包括用户购买的商品和用户浏览的商品，在计算各商品之间的关联性时，用户购买的商品和用户浏览的商品在数值上不同。

5.如权利要求1或者4所述的基于实时特征的推荐商品的快速二次排序方法，其特征在于，计算各商品之间的关联性采用word2vector算法，计算出商品的特征向量，作为商品画像。

6.如权利要求5所述的基于实时特征的推荐商品的快速二次排序方法，其特征在于，商品的特征向量以50维向量代表。

7.如权利要求5所述的基于实时特征的推荐商品的快速二次排序方法，其特征在于，计算各用户与各商品之间的关联性是通过统计用户购买过的商品，根据商品画像进行加和取均值来计算。

8.如权利要求2所述的基于实时特征的推荐商品的快速二次排序方法，其特征在于，计算各商品的转化率特征时，分不同的时间窗口进行计算。

9.如权利要求5所述的基于实时特征的推荐商品的快速二次排序方法，其特征在于，训练模型在spark平台上进行，且使用GBDT+LR或Random Forest算法进行计算训练。

10.如权利要求5所述的基于实时特征的推荐商品的快速二次排序方法，其特征在于，用户本次访问的商品以及前次访问的商品按照从新到旧的顺序选取预定数量的商品为：在redis里面存储的用户在进入APP之后点击过的商品，按照时间顺序，选取最近的10个商品。

11.电子设备，其特征在于，包括：至少一个处理器，以及与所述至少一个处理器通信连接的存储器，其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器执行权利要求1-10中任一项所述的方法。

12.存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时，实现权利要求1-10中任一项所述的方法。