[发明专利]一种针对在线平台局部业务需求的高可用流量调控方法和装置

说明书

本发明涉及一种针对在线平台局部业务需求的高可用流量调控方法和装置。该方法包括：1)建立基础支持组件，包括：日志收集、特征抽取、模型学习、模型存储；2)基于灵活可插拔协同工作机制，在线部署调控模型；3)离线定期更新调控模型，并替换线上已有模型。本发明提出了针对在线平台局部业务需求的高效、安全的流量调控方法。该方法设计中调控模型与在线平台已有排序系统相互独立，从而可以被灵活高效地部署在不同网络平台中；此外调控模型通过优化一个带约束的目标实现，这使得在完成调控目标的同时，可以很好保证平台整体不受过多负面影响。

技术领域

本发明属于信息技术领域，涉及一种针对在线网络平台中各种不同局部业务需求的高效、安全的流量调控方法和装置。

背景技术

随着互联网技术发展，涉及各领域的网络平台也不断出现，包括内容搜索引擎、电子商务系统等。而在这些平台中，为了尽可能匹配用户搜索意图与兴趣，都会部署复杂的个性化排序或者推荐系统来决定每次面向用户展示的内容(即控制平台流量分配)。以电子商务平台为例，针对来的每一个用户，平台会通过学习到的用户偏好模型给所有候选商品打偏好分，之后分数最高的k个商品会被选为最终展示结果。

与此同时，随着业务多样化，各种平台内部也开始出现越来越多需要满足的不同业务需求，这随之也给我们带来了很多不同的局部流量调控任务。具体地，给定预先标记好的目标调控商品，我们需要进一步主动提升或减少平台分配给他们的流量。例如，在电子商务系统中新品促销业务中，为了使得新品有更多的曝光机会，我们需要分配给标记好的部分新品更多流量，从而起到促销作用；在作弊商品打压任务中，我们需要主动减少给作弊商品的流量来维护商家公平竞争的平台环境。

对于上述流量调控任务，目前的方案主要有两种：第一种方案中我们可以直接设置流量调控数值：其中增加流量可以通过直接在平台中在固定展示位展示等不同形式实现；减少流量可以通过提前设置黑名单等方式实现。但这种方法缺乏对平台整体影响的考虑。例如在新品促销任务中，新品价格分布的不同可能会误导后续平台对用户购买价格偏好的理解，从而产生不同的推荐结果、影响用户购物体验，给平台带来经济损失。另外在有些特殊的调控任务中，如作弊商品打压，我们目标商品标记由一些数据驱动的算法给出，考虑其中存在误判的可能，直接基于算法标记结果来硬性调控流量可能会错误打压部分非作弊商品且无法及时调整，为平台带来不利影响。另外一种方案基于目前先进的神经网络与强化学习技术，提出构建全新考虑调控目标的排序系统。但这种方法往往以调控目标为核心，却忽略了平台原本匹配用户搜索意图与兴趣的核心目标。此外这类方法要求替换平台原有的排序或推荐系统，这在真实场景下同样并不易实现。

整体看，网络平台中局部的业务需求越来越频繁且多样化。给出一种能高效、安全完成调控目标的方法不仅有重要的学术价值，同时会有广泛的应用前景。

发明内容

本发明提出了一种针对在线平台局部业务需求的高可用流量调控方法和装置。通过设计并优化一个带约束的调控目标，以及设计一个灵活的可插拔机制，使得本发明可以在众多在线平台中高效、安全地实现局部流量调控任务。

本发明采用的技术方案如下：

一种针对在线平台局部业务需求的高可用流量调控方法，包括以下步骤：

建立基础支持组件，通过基础支持组件收集线上相关数据并训练可插拔的流量调控模型；

在线部署流量调控模型，并与网络平台中已有的排序系统协同工作以实现流量调控目标。

进一步地，调控模型可以被离线定期更新，并替换线上已有模型。

进一步地，基础支持组件中，日志收集组件负责收集线上相关数据；特征抽取组件负责处理收集到的数据，进而得到模型训练所需要的特征；模型学习组件负责基于日志收集与特征抽取组件结果训练调控模型；模型存储组件负责模型的历史版本记录以及线上模型替换。