[发明专利]在线离线混合推荐方法及系统

摘要

本发明提供了一种在线离线混合推荐方法及系统，通过对全量数据进行深度学习，提高了精度与冷启动的问题。同时根据每个用户的使用情况，实时对离线使用情况进行纠正，解决个性化以及响应速度的问题。相比于传统的方案，该在线与离线混合的方案使用离线模型作为整个推荐服务的中间结果。该中间结果由于使用了全量数据进行学习，性能会更为优越。主要用以应对冷启动与数据稀少等问题。而在线模型是一个更为轻量级的模型，使用离线模型的结果与当前企业用户的偏好结合生成结果。本发明通过结合离线与在线模型在兼顾推荐质量的同时保证了不同企业的个性需求，提升了用户体验；通过自动化的训练管道，基本全自动自动更新权值，降低了模型的维护成本。

主权项

1.一种在线离线混合推荐方法，其特征在于包括如下步骤：/n所述在线离线混合推荐方法分为训练过程与预测过程，所述预测过程包括SaaS系统调用预测服务的步骤，预测推荐模型推荐预测的步骤，结果返回的步骤，所述训练过程包括在线学习步骤和离线学习步骤；/n所述SaaS系统调用预测服务的具体步骤如下：/n步骤S11：SaaS系统通过API接口调用预测服务进行业务匹配或业务分类；/n步骤S12：预测服务将该请求处理为模型可以接受的向量形式；/n步骤S13：预测服务将处理为向量形式的请求发送给预测推荐模型；/n所述预测推荐模型推荐预测的具体步骤如下：/n步骤S21：离线模型对请求进行计算，并返回推荐结果；/n步骤S22：预测服务查询在缓存中是否需要对预测结果进行个性化纠偏，本步骤与步骤S21同时进行；/n步骤S23：若步骤S22结果为“是”，将预测结果送入Streaming Model中进行二次处理；若步骤S22结果为“否”，步骤S21直接返回推荐结果；/n所述结果返回的具体步骤如下：/n步骤S31：接收离线预测结果和二次处理结果，得出预测综合结果；/n步骤S32：利用基于协同过滤方法的Streaming Model对结果进行进一步的修正；/n所述在线学习步骤如下：将用户实时的选择数据与当时的预测数据，实时送入Streaming Model中进行学习更新；/n所述离线学习步骤如下：每隔一定时间，调度器会将数据库中的历史数据抽取出来，经过处理采样后进行训练服务，在训练时会按照设定的规则自动调整参数并自动选取训练的最优模型，选出的最优模型会在评估模块中与历史版本模型在指定任务上进行评比，当性能超过历史模型达到一个阈值时，触发模型权值的更新。/n