[发明专利]基于实时特征的推荐商品的快速二次排序方法

说明书

本发明公开了一种基于实时特征的推荐商品的快速二次排序方法，包括以下步骤：计算各商品之间的关联性，得到商品画像；计算该用户与各商品之间的关联性，得到用户画像；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，按照这次计算的分值，作为待召回商品的显示排序依据。本发明还公开了基于上述方法的电子设备与存储介质。

技术领域

本发明涉及电子商务中的商品推荐领域。更具体地，涉及基于实时特征的推荐商品的快速二次排序方法，以及相关电子设备和存储介质。

背景技术

随着互联网和电子商务的快速发展，网上购物已经成为了常态。网上购物的种类多样，用户多出于实际需求和兴趣进行购物。用户在网上浏览或者购物的时候，互联网公司还会给用户进行商品推荐，推荐基本上都是根据用户历史购买和浏览的商品记录进行的。

那么系统到底是如何推送商品的呢？

系统推送商品这件事的本质是系统根据一定的推荐策略进行商品的“召回(match)”，也就是推荐系统根据用户画像和商品画像去推荐商品。

这里面涉及到两个关键问题：召回和排序。

“召回(match)”指从全量信息集合中触发尽可能多的正确结果，并将结果返回给“排序”。

召回的方式有多种：协同过滤、主题模型、内容召回和热点召回等，而“排序(rank)“则是对所有召回的内容(也就是召回的商品)进行打分排序，选出得分最高的几个结果推荐给用户。

在搜索系统中，用户会输入明确的搜索词，根据搜索词进行内容的召回和呈现即可。但在商品推荐系统中，用户可能会没有一个明确的检索词(Query)输入，而只是购买了或者浏览了某商品。推荐系统需要做的，就是根据用户画像、内容画像等各种信息为用户推荐他可能感兴趣的其它商品。

另外，由于没有明确的检索词，推荐系统就需要从整个信息集合中挑选出尽可能多的相关结果，同时又需要剔除相关性较弱的结果，降低排序阶段的工作量。

推荐系统如何召回？

召回策略主要包含两大类，即基于内容匹配的召回和基于系统过滤的召回。

1.基于内容匹配的召回

内容匹配即将用户画像与内容画像进行匹配，又分为基于内容标签的匹配和基于知识的匹配。

例如，A用户的用户画像中有一条标签是“喜欢麻辣口味”，那么在他买了麻辣小龙虾之后，可以为他推荐麻辣豆腐干，麻辣鱿鱼等，这就是“基于内容标签的匹配”。

“基于知识的匹配”则更进一步，需要系统存储一条“知识”——麻辣小龙虾是河鲜，这样就可以为买麻辣小龙虾的用户推荐大闸蟹。基于内容匹配的召回较为简单、刻板，召回率较高，但准确率较低(因为标签匹配并不一定代表真的感兴趣)，比较适用于冷启动的语义环境。

2.基于协同过滤的召回

如果仅使用上述较简单的召回策略，推荐内容会较为单一，目前业界最常用的基于协同过滤的召回，它又分为基于用户、基于项目和基于模型的协同过滤。

其中，基于用户(User-based)的协同推荐是最基础的，它的基础假设是“相似的人会有相同的喜好”，推荐方法是，发现与用户相似的其他用户，用用户的浏览记录或者购买记录做相互推荐。

例如，通过浏览记录或者购买记录发现用户一与用户二的偏好类似，就将用户一购买的商品推送给用户二。