[发明专利]通用个性化推荐方法、推荐系统及训练方法

权利要求书

1.通用个性化推荐方法，其特征在于，包括：

获取用户对象数据；

根据用户对象数据获取待推荐的物品对象数据以及场景对象数据；将所述用户对象数据、物品对象数据以及场景对象数据分别映射为向量；

将所有向量拼接后作为输入特征；

使用排序模型基于所述输入特征对推荐结果进行打分并基于得分排序。

2.根据权利要求1所述的通用个性化推荐方法，其特征在于，所述用户对象数据包括描述用户的信息，所述信息包括该用户的性别、城市和偏好，所述信息还包括该用户对于各个物品的历史行为，所述历史行为包括该用户对于各物品产生的浏览、点击、消费和反馈。

3.根据权利要求1所述的通用个性化推荐方法，其特征在于，所述物品对象数据包括物品的自身属性，所述物品的自身属性包括类目、用途、颜色和尺寸；所述物品对象数据还包括群体用户对于该物品的反馈，包括浏览情况、点击情况、消费情况和售后反馈。

4.根据权利要求1所述的通用个性化推荐方法，其特征在于，所述对应的场景包括场景的名称、场景在App中的位置、尺寸大小、背景素材和颜色。

5.根据权利要求1至4中任一项所述的通用个性化推荐方法，其特征在于，所述排序模型为逻辑回归模型、因子分解机模型、深度因子分解机模型或深度神经网络模型中的任意一种。

6.根据权利要求1所述的通用个性化推荐方法，其特征在于，所述拼接为横向拼接或者纵向拼接，所述横向拼接为将N个M*1的向量横向拼接为NM*1的向量，所述纵向拼接是拼接为N*M的矩阵，其中N为向量的个数，M为向量的长度。

7.通用实时个性化推荐系统，其特征在于,包括：用户信息采集模块、通用对象嵌入模块、特征组合模块和排序模型；

所述用户信息采集模块，用于获取用户对象数据；

所述通用对象嵌入模块，用于根据用户对象数据获取待推荐的物品对象数据以及场景对象数据；将所述用户对象数据、物品对象数据以及场景对象数据分别映射为向量；

所述特征组合模块，用于将所有向量拼接后作为输入特征；

所述排序模型，用于使用排序模型基于所述输入特征对推荐结果进行打分并基于得分排序。

8.根据权利要求7所述的通用实时个性化推荐系统，其特征在于, 所述排序模型为逻辑回归模型、因子分解机模型、深度因子分解机模型或深度神经网络模型中的任意一种。

9.通用实时个性化推荐系统的训练方法，其特征在于，所述系统为权利要求7或8任意一项权利要求所述的系统，所述方法包括：

获取用户对象数据、物品对象数据以及场景对象数据；

利用通用对象嵌入模块将所述用户对象数据、物品对象数据以及场景对象数据分别映射为向量；

将所有向量拼接后作为所述排序模型的训练样本数据；根据业务规则和人工经验将对象之间的关系映射为向量之间的关系；将向量之间的关系使用向量距离描述，最大化特定对象向量之间的距离作为优化的另外目标；

输出推荐结果并获取用户对推荐结果的反馈；

利用推荐结果以及用户对推荐结果的反馈对通用对象嵌入模块和排序模型不断更新迭代。

10.一种计算机可读介质，其上存储有计算机程序，所述程序被处理器执行时实现如权利要求1-6中任一项所述的通用个性化推荐方法。