[发明专利]通用个性化推荐方法、推荐系统及训练方法

说明书

本发明公开了通用个性化推荐方法、推荐系统及训练方法，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。在训练的过程中，本发明根据专家经验和业务规则确定对象之间的关系并转化为向量之间的关系，向量距离表征知识和经验，在推荐过程中自动化实现业务规则、人工经验的通用化，无需在不同的推荐场景定制化不同的业务规则。本发明能够解决推荐系统因为画像系统模块造成的低通用性和低扩展性。

技术领域

本发明属于互联网技术领域，具体涉及个性化推荐方法。

背景技术

近年来，随着互联网的快速发展，信息爆炸已成为常态，个性化推荐系统目前已经成为互联网产品的标配，基于点击率预测的实时推荐系统是目前个性化推荐系统，因为具备更高的推荐准确率，更好的用户体验，目前成为业务场景落地应用的主流架构。作为目前主流的实时个性化推荐系统可以实时捕获用户兴趣，相比传统的离线推荐效果具备巨大的效果优势。实时推荐系统架构要复杂很多，一般包括核心的数据流模块，画像系统模块，召回排序模块。外围的模块较多，但通常具备模型管理模块，AB测试模块，人工干预模块等。实时推荐系统的复杂度导致技术门槛高，研发成本高之外，并且因为不同的业务场景，需要高度定制化研发与该场景适配的画像系统模块，召回排序模块，导致推荐系统的低复用高定制化，进一步推高了个性化实时推荐系统的研发和应用成本。

目前国内一些头部互联网公司，逐渐在提供商业化的推荐系统服务，这里面比较著名的有字节跳动，阿里巴巴，腾讯等。目前国内提供的商用个性化推荐解决方案，成本和效率上的优势主要来自于以及比较完备的工程架构和较专业的研发人员。基于这样已经完备的工程架构和专业人员，可以迅速将推荐系统的基建工作进行复用。但解决方案本身仍需要供应商的算法和工程研发人员针对用户的业务场景，推荐对象类型进行定制化研发，并未从推荐系统本身实现完全的通用化和可拓展性。

因此目前个性化实时推荐技术门槛高，通用性和扩展性低，也成为实时个性化推荐系统在中小规模互联网企业，传统行业应用的瓶颈。

发明内容

本发明针对目前个性化实时推荐技术通用性和扩展性低的技术问题，提供一种通用个性化推荐方法。

为实现上述技术目的，本发明采用以下技术方案。

根据本发明的一方面，提供通用个性化推荐方法，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。

其中，所述用户对象数据包括性别，城市和偏好，用户对各个物品的历史行为，包括流量、点击、消费和反馈等。

其中，所述物品对象数据包括：群体用户对于该物品的反馈，主要包括群体用户对于该物品的行为数据，包括浏览情况、点击情况、消费情况和售后反馈情况等

其中，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、背景素材和颜色等等。

其中，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。

其中，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。

根据本发明的另一方面，提供通用实时个性化推荐系统，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；