[发明专利]一种人工智能虚拟形象信息推荐算法系统及方法

权利要求书

1.一种人工智能虚拟形象信息推荐算法系统，包括信息推荐系统(17)，其特征在于：所述信息推荐系统(17)包括客户端(1)、客户业务后端(2)、模型服务模块(3)、机器学习框架模块(4)、训练数据模块(5)、数据分析模块(6)、内容源数据(7)、特征平台(8)、批量数据计算及存储系统(9)、流式计算系统(10)、实验分流模块(11)、召回模块(12)、排序模块(13)和在线存储模块(14)，所述信息推荐系统(17)的外部设置有调度系统(15)、监控报警系统(16)，所述信息推荐系统(17)的输出端与调度系统(15)的输入端传输连接，所述调度系统(15)的输出端与监控报警系统(16)的输入端传输连接。

2.根据权利要求1所述的一种人工智能虚拟形象信息推荐算法系统，其特征在于：所述数据分析模块(6)的输出端与训练数据模块(5)和特征平台(8)的输入端传输连接，所述内容源数据(7)的输出端与训练数据模块(5)和特征平台(8)的输入端传输连接，所述训练数据模块(5)的输出端与机器学习框架模块(4)的输入端传输连接，所述机器学习框架模块(4)的输出端与模型服务模块(3)的输入端传输连接，所述模型服务模块(3)的输出端与实验分流模块(11)、召回模块(12)和排序模块(13)输入端传输连接，所述实验分流模块(11)、召回模块(12)和排序模块(13)的输出端与客户业务后端(2)的输入端传输连接。

3.根据权利要求1所述的一种人工智能虚拟形象信息推荐算法系统，其特征在于：所述特征平台(8)的输出端与机器学习框架模块(4)、批量数据计算及存储系统(9)和流式计算系统(10)的输入端传输连接，所述批量数据计算及存储系统(9)和流式计算系统(10)的输出端与在线存储模块(14)的输入端传输连接，所述在线存储模块(14)的输出端与实验分流模块(11)、召回模块(12)和排序模块(13)的输入端传输连接，所述客户业务后端(2)的输出端与特征平台(8)的输入端传输连接。

4.根据权利要求1所述的一种人工智能虚拟形象信息推荐算法系统，其特征在于：所述客户业务后端(2)的输出端与客户端(1)的输入端传输连接，所述客户端(1)和客户业务后端(2)的输出端均与数据分析模块(6)的输入端传输连接。

5.根据权利要求1所述的一种人工智能虚拟形象信息推荐算法系统，其特征在于：所述数据分析模块(6)包括分析点击通过率、人均浏览率、付费转化率、留存率、不同来源、不同区域、不同品类和不同频道，所述内容源数据(7)的来源包括个人App、局域网、手机小程序、服务器、业务数据和云平台。

6.根据权利要求5所述的一种人工智能虚拟形象信息推荐算法系统，其特征在于：所述数据分析模块(6)和内容源数据(7)运行的结果分为数据来源，数据来源包括物品信息、用户信息和用户对物品的偏好，数据来源通过推荐引擎将物品A、物品B、物品C和物品D推荐给用户A、用户B、用户C和用户D。

7.根据权利要求6所述的一种人工智能虚拟形象信息推荐算法系统，其特征在于：所述推荐引擎包括Feed信息流、相关推荐和猜你喜欢、所述推荐引擎将推荐的数据上传至数据分析模块(6)，且推荐引擎的输出端与数据分析模块(6)的输入端传输连接。

8.根据权利要求1所述的一种人工智能虚拟形象信息推荐算法系统，其特征在于：所述模型服务模块(3)包括UCB兴趣探索软件、GBDT+LR算法软件、NLP语义分析软件、HMF深度召回软件、DeepWide深度学习软件，且UCB兴趣探索软件、GBDT+LR算法软件、NLP语义分析软件、HMF深度召回软件、DeepWide深度学习软件分别针对不同的数据源。

9.根据权利要求1所述的一种人工智能虚拟形象信息推荐算法系统，其特征在于：所述机器学习框架模块(4)基于协同过滤的推荐方法，包括收集数据、找到相似用户和物品和进行推荐三个流程。

10.根据权利要求1-9任意一项所述的一种人工智能虚拟形象信息推荐算法系统及方法，其特征在于，包括以下步骤：

步骤一：基于用户信息的推荐，根据系统用户的基本信息发现用户的相关程度；

步骤二：系统首先根据用户的属性建模，摄取用户的年龄、性别、兴趣等信息；

步骤三：根据这些特征计算用户间的相似度，系统通过计算发现用户A和用户C信息的比较相似，就会把A喜欢的物品推荐给C；

步骤四：基于物品信息和用户对物品偏好的推荐，使用物品本身的相似度；

步骤五：系统首先对物品的属性进行建模，通过相似度计算，发现物品A和C相似度较高，系统还会发现用户A喜欢物品A；

步骤六：由此得出结论，用户A很可能对物品C也感兴趣，于是将物品C推荐给A；

步骤七：根据用户的相似度权重以及他们对物品的偏好，预测当前用户没有偏好的未涉及物品，计算得到一个排序的物品列表作为推荐；

步骤八：对于用户A根据用户的历史偏好，计算得到一个相同历史偏好的用户C，然后将用户C喜欢的物品D推荐给用户A。