CN109190043A

CN109190043A - 推荐方法及装置，存储介质，电子设备及推荐***

Info

Publication number: CN109190043A
Application number: CN201811046294.6A
Authority: CN
Inventors: 钟超; 高玉龙; 王忠秀
Original assignee: Beijing Sankuai Online Technology Co Ltd
Current assignee: Beijing Sankuai Online Technology Co Ltd
Priority date: 2018-09-07
Filing date: 2018-09-07
Publication date: 2019-01-11
Anticipated expiration: 2038-09-07
Also published as: CN109190043B

Abstract

本公开涉及一种推荐方法及装置，存储介质，电子设备及推荐***，用以解决相关技术中推荐***的多样性和准确性较低的问题。该推荐方法包括：收集用户行为数据，根据所述用户行为数据调用召回模型集合中的多个召回模型，得到多个召回结果，其中，所述多个召回模型包括主召回模型和与所述主召回模型具有不同召回规则的次召回模型；从所述次召回模型的召回结果中选择满足预设条件的目标召回结果；对所述主召回模型的召回结果和所述目标召回结果进行排序后推荐给用户。

Description

推荐方法及装置，存储介质，电子设备及推荐***

技术领域

本公开涉及数据处理技术领域，具体地，涉及一种推荐方法及装置，存储介质，电子设备及推荐***。

背景技术

互联网场景下，推荐***是很多产品不可或缺的一部分，其可以在用户没有显式行为的条件下为用户提供优质的个性化推荐服务。

例如，在外卖场景中，需要用户快速决策，因此应用程序的首页需要的是能给用户提供多种需求。既要通过一些新颖性推荐结果，起到流量分发的作用，同时需要给用户提供精准个性化推荐，从而缩短用户的商品选择时间。这就对推荐***提供了更高的多样性和准确性的需求。

但是，相关技术中，推荐***针对某一具体的场景通常只能使用一种召回模型，例如基于物品的推荐算法Itembased CF召回模型，导致在数据粒度上和算法上都比较单一，无法提供更加精准以及个性化的推荐服务。

发明内容

本公开实施例主要目的是提供一种推荐方法及装置，存储介质，电子设备及推荐***，以解决相关技术中推荐***的多样性和准确性较低的问题。

为了实现上述目的，本公开实施例第一方面提供一种推荐方法，所述方法包括：

收集用户行为数据，根据所述用户行为数据调用召回模型集合中的多个召回模型，得到多个召回结果，其中，所述多个召回模型包括主召回模型和与所述主召回模型具有不同召回规则的次召回模型；

从所述次召回模型的召回结果中选择满足预设条件的目标召回结果；

对所述主召回模型的召回结果和所述目标召回结果进行排序后推荐给用户。

可选地，所述从所述次召回模型的召回结果中选择满足预设条件的目标召回结果，包括：

根据所述次召回模型的日志数据，从所述次召回模型的召回结果中选择点击率和/或转化率满足阈值条件的召回结果作为所述目标召回结果。

可选地，所述根据所述用户行为数据调用线上召回模型集合中的多个召回模型，包括：

将所述用户行为数据按照预定的流量配比分别用于调用所述主召回模型和所述次召回模型，其中，进入所述主召回模型流量的占比为85％以上，且进入所述次召回模型流量的占比大于0。

可选地，所述方法还包括：

根据所述次召回模型的日志数据，确定所述次召回模型每一召回规则的曝光率和转化率；

将曝光率高于第一阈值且转化率低于第二阈值的召回规则从所述次召回模型中的删除。

可选地，所述召回结果为推荐给用户的商家信息；所述主召回模型采用基于物品的Itembased召回规则或者基于用户Userbased的召回规则，所述次召回模型采用以下至少一种召回规则：用户兴趣召回，关联规则，矩阵分解。

可选地，所述方法还包括：

获取用户的历史行为数据；

根据所述历史行为数据计算与主召回对象相似的召回对象；

将每一主召回对象的相似召回对象存储到该主召回对象对应的召回模型的待召回集合中。

可选地，所述根据所述历史行为数据计算与主召回对象相似的召回对象列表，包括：

根据所述历史行为数据采用以下至少一种相似度的计算方法计算与主召回对象相似的召回对象：余弦相似度，杰卡相似度，对数似然LLR相似度。

本公开实施例第二方面提供一种推荐装置，所述装置包括：

数据收集模块，用于收集用户行为数据；

模型调用模块，用于根据所述用户行为数据调用召回模型集合中的多个召回模型，得到多个召回结果，其中，所述多个召回模型包括主召回模型和与所述主召回模型具有不同召回规则的次召回模型；

结果筛选模块，用于从所述次召回模型的召回结果中选择满足预设条件的目标召回结果；

排序推荐模块，用于对所述主召回模型的召回结果和所述目标召回结果进行排序后推荐给用户。

可选地，所述结果筛选模块用于：

可选地，所述模型调用模块用于：

可选地，所述装置还包括：

指标计算模块，用于根据所述次召回模型的日志数据，确定所述次召回模型每一召回规则的曝光率和转化率；

规则删除模块，用于将曝光率高于第一阈值且转化率低于第二阈值的召回规则从所述次召回模型中的删除。

可选地，所述装置还包括：

获取模块，用于获取用户的历史行为数据；

相似度计算模块，用于根据所述历史行为数据计算与主召回对象相似的召回对象；

存储模块，用于将每一主召回对象的相似召回对象存储到该主召回对象对应的召回模型的待召回集合中。

可选地，所述相似度计算模块用于：

本公开实施例第三方面提供一种非临时性计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现第一方面所述方法的步骤。

本公开实施例第四方面提供一种电子设备，包括：

存储器，其上存储有计算机程序；

处理器，用于执行所述存储器中的所述计算机程序，以实现第一方面所述方法的步骤。

本公开实施例第五方面提供一种推荐***，所述推荐***包括至少一个服务器，所述至少一个服务器上部署有用于存储召回结果的日志数据的日志***，召回模型集合，以及用于执行第一方面所述方法的装置。

采用上述技术方案，至少可以达到如下技术效果：

本公开实施例提供的推荐方法在使用主召回模型之外，还使用了具有不同召回规则的次召回模型，提升了算法的多样性，进而提升了推荐***的个性化。并且针对次召回模型的召回结果，可以将优质的，评分高的召回结果与主召回模型的召回结果进行融合，从而在提升多样性的基础上同时保证了推荐的精确度。

本公开实施例的其他特征和优点将在随后的具体实施方式部分予以详细说明。

附图说明

附图是用来提供对本公开的进一步理解，并且构成说明书的一部分，与下面的具体实施方式一起用于解释本公开，但并不构成对本公开的限制。在附图中：

图1是本公开实施例提供的一种推荐方法的流程示意图；

图2是本公开实施例提供的一种推荐***的结构示意图；

图3是图2所示的推荐***中线上推荐逻辑的示意图；

图4是图2所示的推荐***中反馈***筛选次召回模型中的目标召回结果的示意图；

图5是本公开实施例提供的另一种推荐***的结构示意图；

图6是本公开实施例提供的一种推荐装置的结构示意图；

图7是本公开实施例提供的一种电子设备的结构示意图。

具体实施方式

以下结合附图对本公开的具体实施方式进行详细说明。应当理解的是，此处所描述的具体实施方式仅用于说明和解释本公开，并不用于限制本公开。

本公开实施例提供的一种推荐方法，如图1所示，该方法包括：

S101、收集用户行为数据，根据所述用户行为数据调用召回模型集合中的多个召回模型，得到多个召回结果。

其中，所述多个召回模型包括主召回模型和与所述主召回模型具有不同召回规则的次召回模型。

值得说明的是，推荐***中的召回例如可以是热门召回、用户兴趣召回、关联规则、协同过滤、矩阵分解和DNN(Deep Neural Network，深度神经网络)等。针对不同的应用场景，可以采用不同的召回模型。例如，推荐场景为应用程序APP首页或者不同品类的大类页时，要求让用户打开APP或进入大类页时可以快速找到用户想要的信息，因此，此种场景下可以主要根据用户的个人偏好进行推荐。又例如，用户进入商品详情页时，要求向用户推荐与当前商品相关的其他商品，此种场景下，可以以当前详情页的商品为主，用户的偏好信息为辅的方式进行推荐。又例如，用户会通过品类列表页上的筛选项或搜索框进入品类列表页获取信息，若当前筛选项或搜索条件搜索出的结果较少或者没有结果，要求触发推荐逻辑进行信息推荐，此种情况下，可以结合当前搜索条件的扩展以及用户偏好信息进行推荐。上述举例中，不同的推荐方式适用的召回模型可能不同。

因此，在具体实施时，可以根据实际的应用场景设定主召回模型和次召回模型的召回规则，其中，主召回模型的召回规则相比次召回模型更贴近应用场景，次召回模型的召回规则可以作为多样性的补充。另外，不同应用场景下，采用不同的召回模型，相应的召回结果也不同，例如针对社交网站，该召回结果可以是用户，针对购物网站，该召回结果可以是商家或者商品。

S102、从所述次召回模型的召回结果中选择满足预设条件的目标召回结果。

次召回模型的召回结果中通常会混入精准度不高的召回结果，因此，为了避免影响最终推荐显示给用户的推荐结果的准精度，本步骤S102可以从次召回模型的召回结果中筛选出优质的召回结果，例如通过预先设定的相应的条件从所有次召回模型的召回结果中筛选出转化率高，或者点击率高，或者与主召回对象相似度得分较高的召回结果。

S103、对所述主召回模型的召回结果和所述目标召回结果进行排序后推荐给用户。

具体地，推荐应用大多是向用户展示一个推荐结果列表，属于topN推荐模式，因此，在得到主召回模型的召回结果和筛选出来的目标召回结果作为推荐候选集后，还需要对推荐候选集进行排序，最后将排序后的推荐结果通过相应的接口API提供给上层应用展现给用户。

相关技术中使用单一的召回模型，只能覆盖特定用户的偏好习惯，无法对所有用户群体都能有好的表现。而本公开实施例提供的技术方案中，在使用主召回模型之外，还使用了具有不同召回规则的次召回模型，提升了算法的多样性，进而提升了推荐***的个性化。并且针对次召回模型的召回结果，可以将优质的，评分高的召回结果与主召回模型的召回结果进行融合，从而在提升多样性的基础上同时保证了推荐的精确度。

具体地，上述步骤S102可以包括：根据所述次召回模型的日志数据，从所述次召回模型的召回结果中选择点击率和/或转化率满足阈值条件的召回结果作为所述目标召回结果。也就是说，步骤S102中所述的预设条件是指用于衡量召回结果的精准度的指标的阈值条件，该指标包括点击率和/或转化率，并且该点击率和转化率均可以从日志数据中获得。

具体地，日志数据包括体现被推荐展示的曝光日志，体现被用户点击查看的点击日志，被推荐对象是商品或商家的情况下，还包括体现用户是否下单购买商品的成单日志。从而基于曝光日志以及点击日志即可计算得到召回对象的点击率，基于点击日志以及成单日志即可计算得到召回对象的转化率。

示例地，图2是本公开实施例提供的一种应用场景的示意图，如图2所示的推荐***，包括：在线***11，反馈***12。其中，所述在线***11包括召回模型集合，如图2中所示的主召回模型，次召回模型1至次召回模型N，所述在线***11用于将用户的行为数据分流到各个召回模型，得到召回结果，并记录召回结果的每一召回对象的日志数据；

所述反馈***12用于，根据所述日志数据确定点击率和/或转化率满足阈值条件的目标召回结果，并将所述目标召回结果融合到所述主召回模型的召回结果中。

基于图2所示的推荐***，详细的推荐流程如图3所示：

线上***通过上层应用采集到用户的行为数据后，首先将行为数据分流到各个召回模型，得到每一召回模型输出的召回结果。图3是以基于每一召回模型得到一召回对象进行举例，得到召回对象1至召回对象N+1。反馈***基于日志***中的日志数据，从次召回模型的召回结果中筛选点击率和/或转化率满足阈值条件的目标召回对象，将目标召回对象与主召回模型的召回对象作为候选集，然后将候选集输入排序模型进行排序，最后将排序后的推荐结果通过相应的接口API提供给上层应用展现给用户。

可选地，步骤S101中根据所述用户行为数据调用线上召回模型集合中的多个召回模型包括：将所述用户行为数据按照预定的流量配比分别用于调用所述主召回模型和所述次召回模型，其中，进入所述主召回模型流量的占比为85％以上，且进入所述次召回模型流量的占比大于0。仍以图2进行举例，在采集到用户行为数据后，可以使用85％以上且95％以下的行为数据流量调用主召回模型，剩余的5％至15％的流量进入次召回模型1至N。使得次召回模型的召回结果作为主召回模型的多样性的补充，而非作为主导，从而保证了推荐的精准度。

在本公开实施例的一种可能的实现方式中，所述方法还包括：根据所述次召回模型的日志数据，确定所述次召回模型每一召回规则的曝光率和转化率；将曝光率高于第一阈值且转化率低于第二阈值的召回规则从所述次召回模型中的删除；和/或，将曝光率高于第三阈值且点击率低于第四阈值的召回规则从召回模型中删除。也就是说，若某一商品，被推荐次数多(即曝光率高)，但是被用户点击查看的次数少(即点击率小)，则表明召回该商品的召回规则不够精确，不符合用户的需求，因此，可以从召回模型中删除。同理，对于曝光率高，转化率小的商品，也可以从召回模型中删除，提升模型推荐的准确度。上述只是举例说明，还可以针对点击率以及转化率设定相应的精度阈值，以此判断召回规则是否需要删除，即当点击率或者转化率小于相应的精度阈值时，从召回模型中删除召回规则。

仍以图2进行说明，反馈***基于日志***中的日志数据，计算各个次召回模型的相关指标的过程如图4所示。其中，每一所述日志数据包括召回模型的标识，该召回模型的主召回对象的标识，该召回模型召回的与该主召回对象相似的对象的标识。其中，图4中所示的id为线上实验的召回规则的标识，用于反馈***识别该日志数据代表的线上召回规则，cf_id为召回模型的标识，item1为该召回模型中的主item，item2为该召回模型中与主item相似的item，ctr是指曝光到点击的点击率，cvr是指点击到成单的转化率。

具体地，反馈***在日志***中可以获取每个召回规则的主item和该召回模型召回出的item的关系，同时可以从日志***中知道每一被召回出的对象的曝光和点击率，这样，根据曝光率和点击率即可确定哪些召回规则是准确适用的，哪些召回规则可以被删除。

示例地，假设在次召回模型A中的主召回对象为item1，对应的相似召回对象是item2，item3，item5，item6，并且，由日志数据可知，item2，item3，item5，item6分别被曝光100，200，50，400次，分别被点击80，100，30，10次。由此可知item2，item3，item5，item6的点击率分别是0.8，0.5，0.6，0.025。则在此种情况下，可以将召回item2，item3，item5与主召回模型的召回对象进行融合(即进行排序后推荐展示给用户)，进一步还可以将召回item6的召回规则从次召回模型A删除。

本公开实施例提供的上述方法可以用于即时配送领域，例如外卖商家推荐，也就是说，上述召回结果为推荐给用户的商家信息。在此种情况下，所述主召回模型采用基于物品的Itembased召回规则或者基于用户Userbased的召回规则，所述次召回模型采用以下至少一种召回规则：用户兴趣召回，关联规则，矩阵分解。

可选地，本公开实施例提供的推荐方法还包括离线计算各召回对象之间相似度的方法，包括：获取用户的历史行为数据；根据所述历史行为数据计算与主召回对象相似的召回对象；将每一主召回对象的相似召回对象存储到该主召回对象对应的召回模型的待召回集合中。

示例地，如图5所示，推荐***包括一离线***13，主要功能用于对用户历史行为数据的抽取。具体地，可以使用的用户历史行为数据包括用户在一段时长内(例如90天)以下行为的数据：用户浏览的poi(Point of Interest，兴趣点)；在会话session内用户点击poi的数据；在session内用户搜索后有点击poi行为的数据。

其中，离线***抽取的用户历史行为数据可以存储在基于Hadoop的数据仓库工具Hive表中。其中，存储的表字段如下表1所示：

表1

离线***抽取得到的用户历史行为数据，用于计算更新物品之间的相似度。例如，相似度的计算工具可以采用MapReduce算法的分布式计算Spark实现，可以实现计算亿级别的召回对象item之间的相似度。在具体实施时，可以经过三个MapReduce完成item之间的相似度计算，每个MapReduce完成一个计算算子，共如下三个计算算子：

a)前处理算子：

b)范数算子：

c)相似度算子：S_i,j＝similarity(dot_i,j,n_i,n_j),

下面以具体计算向量的杰卡相似度为例子说明计算过程，其中，例如需要计算杰卡相似度的向量如下：

则通过上述前处理算子计算可得到：

进一步经过范数算子计算可得到：

进一步计算杰卡相似度为：

上述只是以杰卡相似度进行举例说明，在具体实施时，可以根据计算余弦相似度，杰卡相似度，对数似然LLR相似度中的任一种相似度算法计算召回对象之间的相似度。下表2示出了三种常用的相似度计算方法分别对应的计算算子。

表2

可选地，在经过相似度计算，得到主召回对象与其它对象的相似度列表后，可以将相似度列表以如下格式存储到键值kv***：

key:item

value:item_1:weight_1,item_2:weight_2,……,item_N:weight_N

其中，item表示主召回对象，item_1至item_N是与item相似度的其他对象，weight表示item之间的相似度。其中，每一主召回对象的相似度列表用于提供给线上***的各个召回模型进行物品召回，采用键值存储提高了召回效率。

基于相同的发明构思，本公开实施例还提供一种推荐装置，用于实施上述方法实施例提供的推荐方法的步骤，如图6所示，所述装置包括：

数据收集模块61，用于收集用户行为数据；

模型调用模块62，用于根据所述用户行为数据调用召回模型集合中的多个召回模型，得到多个召回结果，其中，所述多个召回模型包括主召回模型和与所述主召回模型具有不同召回规则的次召回模型；

结果筛选模块63，用于从所述次召回模型的召回结果中选择满足预设条件的目标召回结果；

排序推荐模块64，用于对所述主召回模型的召回结果和所述目标召回结果进行排序后推荐给用户。

采用上述装置，该装置除了使用主召回模型之外，还使用了具有不同召回规则的次召回模型，提升了算法的多样性，进而提升了推荐***的个性化。并且针对次召回模型的召回结果，可以将优质的，评分高的召回结果与主召回模型的召回结果进行融合，从而在提升多样性的基础上同时保证了推荐的精确度。

可选地，所述结果筛选模块63用于：

可选地，所述模型调用模块62用于：

将所述用户行为数据按照预定的流量配比分别用于调用所述主召回模型和所述次召回模型，其中，进入所述主召回模型流量的占比为85％至95％。

可选地，所述装置还包括：

获取模块，用于获取用户的历史行为数据；

可选地，所述相似度计算模块用于：

关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。

本公开实施例还提供一种非临时性计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述推荐方法的步骤。

本公开实施例还提供一种电子设备，包括：

存储器，其上存储有计算机程序；

处理器，用于执行所述存储器中的所述计算机程序，以实现上述推荐方法的步骤。

示例地，图7是本公开实施例提供的上述电子设备的一种结构示意图。其中，该电子设备可以被提供为一种服务器。参照图7，电子设备700包括处理组件701，其进一步包括一个或多个处理器，以及由存储器702所代表的存储器资源，用于存储可由处理组件701的执行的指令，例如应用程序。存储器702中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外，处理组件701被配置为执行指令，以执行上述推荐方法的步骤。

电子设备700还可以包括一个电源组件703被配置为执行电子设备700的电源管理，一个有线或无线网络接口704被配置为将电子设备连接到网络，和一个输入输出(I/O)接口705。电子设备700可以操作基于存储在存储器702的操作***，例如WindowsServerTM，Mac OS XTM，UnixTM，LinuxTM，FreeBSDTM或类似。

本公开实施例还提供一种推荐***，所述推荐***包括至少一个服务器，所述至少一个服务器上部署有用于存储召回结果的日志数据的日志***，召回模型集合，以及用于执行上述推荐方法的装置。也就是说，执行上述推荐方法的装置，运行召回模型集合，存储日志数据的***可以部署在同一服务器上，也可以分别部署在不同服务器上，本公开对此不做限定。

以上结合附图详细描述了本公开的优选实施方式，但是，本公开并不限于上述实施方式中的具体细节，在本公开的技术构思范围内，可以对本公开的技术方案进行多种简单变型，这些简单变型均属于本公开的保护范围。另外需要说明的是，在上述具体实施方式中所描述的各个具体技术特征，在不矛盾的情况下，可以通过任何合适的方式进行组合，为了避免不必要的重复，本公开实施例对各种可能的组合方式不再另行说明。

此外，本公开的各种不同的实施方式之间也可以进行任意组合，只要其不违背本公开的思想，其同样应当视为本公开所公开的内容。

Claims

1.一种推荐方法，其特征在于，所述方法包括：

2.根据权利要求1所述的方法，其特征在于，所述从所述次召回模型的召回结果中选择满足预设条件的目标召回结果，包括：

3.根据权利要求1所述的方法，其特征在于，所述根据所述用户行为数据调用线上召回模型集合中的多个召回模型，包括：

4.根据权利要求1至3中任一项所述的方法，其特征在于，所述方法还包括：

5.根据权利要求1至3中任一项所述的方法，其特征在于，所述召回结果为推荐给用户的商家信息；所述主召回模型采用基于物品的Itembased召回规则或者基于用户Userbased的召回规则，所述次召回模型采用以下至少一种召回规则：用户兴趣召回，关联规则，矩阵分解。

6.根据权利要求1至3中任一项所述的方法，其特征在于，所述方法还包括：

获取用户的历史行为数据；

根据所述历史行为数据计算与主召回对象相似的召回对象；

7.根据权利要求6所述的方法，其特征在于，所述根据所述历史行为数据计算与主召回对象相似的召回对象列表，包括：

8.一种推荐装置，其特征在于，所述装置包括：

数据收集模块，用于收集用户行为数据；

9.一种非临时性计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现权利要求1至7中任一项所述方法的步骤。

10.一种电子设备，其特征在于，包括：

存储器，其上存储有计算机程序；

处理器，用于执行所述存储器中的所述计算机程序，以实现权利要求1至7中任一项所述方法的步骤。

11.一种推荐***，其特征在于，所述推荐***包括至少一个服务器，所述至少一个服务器上部署有用于存储召回结果的日志数据的日志***，召回模型集合，以及用于执行权利要求1至7中任一项所述方法的装置。