CN111241388A

CN111241388A - 多策略召回方法、装置、电子设备及可读存储介质

Info

Publication number: CN111241388A
Application number: CN201911286330.0A
Authority: CN
Inventors: 苏义伟
Original assignee: Beijing Sankuai Online Technology Co Ltd
Current assignee: Beijing Sankuai Online Technology Co Ltd
Priority date: 2019-12-13
Filing date: 2019-12-13
Publication date: 2020-06-05

Abstract

本公开提供了一种多策略召回方法、装置、电子设备及可读存储介质，所述方法包括：接收访问请求，所述访问请求包括：目标用户信息；基于至少一个召回策略生成目标用户信息在每个召回策略下对应的召回对象集，作为召回策略的初召回对象集；针对每个召回策略，根据目标用户信息对应的用户行为向量和召回策略的初召回对象集中对象的向量，确定目标用户信息和召回策略的匹配度，所述目标用户信息的用户行为向量是根据目标用户信息对应的历史行为序列中每个对象的向量生成的；针对每个召回策略，根据目标用户信息和召回策略的匹配度确定召回策略的召回数量；根据每个召回策略的召回数量和初召回对象集生成综合召回对象集。本公开可以提高召回的准确度。

Description

多策略召回方法、装置、电子设备及可读存储介质

技术领域

本公开涉及个性化推荐技术领域，尤其涉及一种多策略召回方法、装置、电子设备及可读存储介质。

背景技术

随着互联网的快速发展，搜索引擎技术逐渐成熟，成为人们寻找信息的主要入口。通常，搜索引擎根据用户输入的查询语句，在互联网上进行召回，然后对召回的相关查询结果进行排序，最终将排序靠前的查询结果展示给用户。

现有技术中，一种常用的召回方法可以包括如下步骤：首先，通过多种召回策略召回对应的多个对象集，例如，分别通过用户兴趣、协同过滤、热门召回三种召回策略召回得到三个对象集；然后，按照经验从每个对象集中选取合适数量的对象；最后，基于从每个对象集中选取的对象生成最终的召回对象集。

发明人对上述方案进行研究之后发现，上述方案通过经验选取合适数量的对象，无法准确的反应用户偏好，无法满足用户个性化的需要，从而导致召回的准确度较低。

发明内容

本公开提供一种多策略召回方法、装置、电子设备及可读存储介质，可以根据用户行为向量和初召回对象集中对象的向量确定目标用户信息和召回策略的匹配度，并根据该匹配度确定召回策略的召回数量，由于用户行为向量体现了用户的偏好，从而满足了用户个性化的需求，可以提高召回的准确度。

根据本公开的第一方面，提供了一种多策略召回方法，所述方法包括：

接收访问请求，所述访问请求包括：目标用户信息；

基于至少一个召回策略生成所述目标用户信息在每个所述召回策略下对应的召回对象集，作为所述召回策略的初召回对象集；

针对每个所述召回策略，根据所述目标用户信息对应的用户行为向量和所述召回策略的初召回对象集中对象的向量，确定所述目标用户信息和所述召回策略的匹配度，所述目标用户信息的用户行为向量是根据所述目标用户信息对应的历史行为序列中每个对象的向量生成的；

针对每个所述召回策略，根据所述目标用户信息和所述召回策略的匹配度确定所述召回策略的召回数量；

根据每个所述召回策略的召回数量和所述初召回对象集生成综合召回对象集。

根据本公开的第二方面，提供了一种多策略召回装置，所述装置包括：

访问请求接收模块，用于接收访问请求，所述访问请求包括：目标用户信息；

初召回模块，用于基于至少一个召回策略生成所述目标用户信息在每个所述召回策略下对应的召回对象集，作为所述召回策略的初召回对象集；

匹配度确定模块，用于针对每个所述召回策略，根据所述目标用户信息对应的用户行为向量和所述召回策略的初召回对象集中对象的向量，确定所述目标用户信息和所述召回策略的匹配度，所述目标用户信息的用户行为向量是根据所述目标用户信息对应的历史行为序列中每个对象的向量生成的；

召回数量确定模块，用于针对每个所述召回策略，根据所述目标用户信息和所述召回策略的匹配度确定所述召回策略的召回数量；

综合召回模块，用于根据每个所述召回策略的召回数量和所述初召回对象集生成综合召回对象集。

根据本公开的第三方面，提供了一种电子设备，包括：

处理器、存储器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述程序时实现前述多策略召回方法。

根据本公开的第四方面，提供了一种可读存储介质，当所述存储介质中的指令由电子设备的处理器执行时，使得电子设备能够执行前述多策略召回方法。

本公开提供了一种多策略召回方法、装置、电子设备及可读存储介质，可以通过接收访问请求，其中访问请求包括：目标用户信息；基于至少一个召回策略生成所述目标用户信息在每个所述召回策略下对应的召回对象集，作为所述召回策略的初召回对象集；针对每个所述召回策略，根据所述目标用户信息对应的用户行为向量和所述召回策略的初召回对象集中对象的向量，确定所述目标用户信息和所述召回策略的匹配度，所述目标用户信息的用户行为向量是根据所述目标用户信息对应的历史行为序列中每个对象的向量生成的；针对每个所述召回策略，根据所述目标用户信息和所述召回策略的匹配度确定所述召回策略的召回数量；根据每个所述召回策略的召回数量和所述初召回对象集生成综合召回对象集。可以根据用户行为向量和初召回对象集中对象的向量确定目标用户信息和召回策略的匹配度，并根据该匹配度确定召回策略的召回数量，由于用户行为向量体现了用户的偏好，从而满足了用户个性化的需求，可以提高召回的准确度。

附图说明

为了更清楚地说明本公开的技术方案，下面将对本公开的描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本公开的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1示出了本公开的多策略召回方法的步骤流程图；

图2示出了本公开的确定目标用户信息和召回策略的匹配度的步骤流程图；

图3示出了本公开的确定召回策略的召回数量的步骤流程图；

图4示出了本公开的确定历史行为序列中每个对象的向量的步骤流程图；

图5示出了本公开的确定召回策略的初召回对象集中对象的向量的的步骤流程图；

图6示出了本公开的确定目标用户信息对应的用户行为向量的步骤流程图；

图7示出了本公开的确定综合召回对象集的步骤流程图；

图8示出了本公开的多策略召回装置的结构图；

图9示出了本公开的匹配度确定模块的结构图；

图10示出了本公开的召回数量确定模块的结构图；

图11示出了本公开的确定历史行为序列中每个对象的向量的模块结构图；

图12示出了本公开的确定召回策略的初召回对象集中对象的向量的模块结构图；

图13示出了本公开的确定综合召回对象集的模块结构图；

图14示出了本公开的综合召回模块的结构图；

图15示出了本公开的电子设备的结构图。

具体实施方式

下面将结合本公开中的附图，对本公开中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本公开一部分实施例，而不是全部的实施例。基于本公开中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本公开保护的范围。

本公开的实施例可以应用于个性化推荐平台的后台服务器中，该后台服务器可以通过客户端向用户推荐适合用户的对象，以使用户对推荐的对象的点击率和下单率较高，最终实现较高的经济回报。在个性化推荐过程中，召回是举足轻重的一个环节，其准确度会影响点击率和下单率。本公开的实施例将重点介绍一种多策略召回方法。本公开可以接收到用户使用的客户端发送的访问请求，并生成综合召回对象集，以推荐给该用户。

参照图1，其示出了本公开的多策略召回方法的步骤流程图，具体如下：

步骤101，接收访问请求，所述访问请求包括：目标用户信息。

其中，访问请求可以是用户使用的客户端生成的。例如，用户在移动终端上安装有某一个性化推荐平台的客户端，从而用户可以在该客户端提供的界面中输入目标用户信息和对应的验证信息，并点击登录控件，此时，客户端会生成包括目标用户信息的访问请求。

上述访问请求中的目标用户信息可以为表明用户身份的唯一标识，例如，用户登录客户端所使用的邮箱账号、手机账号、个性化推荐平台分配的唯一标识。

上述用户输入的验证信息可以为用于验证用户身份的信息，例如，密码、验证码等。

步骤102，基于至少一个召回策略生成所述目标用户信息在每个所述召回策略下对应的召回对象集，作为所述召回策略的初召回对象集。

其中，召回策略是从大量的对象中确定部分对象的规则，可以包括但不限于：协同过滤、热点召回、用户兴趣召回。可以理解，不同召回策略的具体规则不同，从而召回目的不同，最终得到的召回对象集中包含的对象也是不同的。

对于协同过滤，其可以根据用户和用户之间的相似度，以及对象与对象之间的相似度，确定召回对象集，以推荐给用户。例如，对于用户 User1，首先确定用户User1关注的对象集OBJS1；然后确定与User1存在相同关注对象的用户集UserS2，以及用户集UserS2中每个用户User2关注的对象集OBJS2；最后，将每个用户User2关注的对象集OBJS2作为召回对象集，以推荐给用户User1。

对于热点召回，可以统计对象的销量、点击量等代表对象的受欢迎程度的指标，从而将受欢迎程度的指标取值较高的若干对象召回，以推荐给用户。例如，以销量为例，若存在对象集OBJ1、OBJ2、OBJ3、OBJ4、 OBJ5、OBJ6、OBJ7、OBJ8、OBJ9、OBJ10，其销量分别为SVO1、SVO2、SVO3、SVO4、SVO5、SVO6、SVO7、SVO8、SVO9、SVO10，且VO1>SVO2>SVO3>SVO4>SVO5>SVO6>SVO7>SVO8>SVO9>SVO10，则可以将销量较高的前5个对象OBJ1、OBJ2、OBJ3、OBJ4、OBJ5作为召回对象集，以推荐给某个正在访问的用户。

对于用户兴趣召回，可以计算用户特征向量和对象之间的相似度，从而将相似度最高的若干对象召回。例如，若存在对象集OBJ1、OBJ2、 OBJ3、OBJ4、OBJ5、OBJ6、OBJ7、OBJ8、OBJ9、OBJ10，其与一个用户的用户特征向量的相似度分别为：SID1、SID2、SID3、SID4、SID5、 SID6、SID7、SID8、SID9、SID10，且 SID1>SID2>SID3>SID4>SID5>SID6>SID7>SID8>SID9>SID10，从而可以将相似度最高的前5个对象OBJ1、OBJ2、OBJ3、OBJ4、OBJ5作为召回对象集，以推荐给该用户。

召回策略已经是公知的技术，本公开中涉及的至少一个召回策略可以是任何的召回策略，本公开对召回策略的选取不加以限制。

此外，上述不同召回策略中提到的对象可以为个性化推荐平台中涉及的任意推荐对象。例如，当个性化推荐平台为网络销售平台时，推荐对象可以为网络销售平台上的商户或商品。

步骤103，针对每个所述召回策略，根据所述目标用户信息对应的用户行为向量和所述召回策略的初召回对象集中对象的向量，确定所述目标用户信息和所述召回策略的匹配度，所述目标用户信息的用户行为向量是根据所述目标用户信息对应的历史行为序列中每个对象的向量生成的。

其中，用户行为向量是根据用户的历史行为序列生成的，而用户行为序列中包含了用户曾经访问或下单的若干对象，从而可以体现用户的偏好。用户行为向量可以是用户行为序列中的每个对象的向量之和。例如，对于包含3个对象的用户行为序列，3个对象的向量分别为：[OV1₁， OV1₂，…，OV1_s]，[OV2₁，OV2₂，…，OV2_s]，[OV3₁，OV3₂，…， OV3_s]，从而可以将3个对象的向量求和得到用户行为向量： [OV1₁+OV2₁+OV3₁，OV1₂+OV2₂+OV3₂，…，OV1_s+OV2_s+OV3_s]。

为了避免用户行为序列太长，使得用户行为向量中每项的取值过大，导致后续的运算量较大，用户行为向量还可以是用户行为序列中的所有对象的向量的平均向量。例如，对于上述包含3个对象的用户行为序列，可以将3个对象的向量进行平均运算得到用户行为向量： [(OV1₁+OV2₁+OV3₁)/3，(OV1₂+OV2₂+OV3₂)/3，…，(OV1_s+OV2_s+OV3_s)/3]。

可以理解，初召回对象集中对象的向量和用户行为序列中的对象的向量均可以唯一的表示对象，对象的向量和对象的唯一标识分别是两种不同形式的对象的身份信息。其中，对象的向量可以是对象的唯一标识的向量表示，可以通过将对象的唯一标识转换为向量得到。初召回对象集中的对象和用户行为序列中的对象均可以为个性化推荐平台中涉及的部分对象，从而可以针对个性化推荐平台中涉及的所有对象，预先生成每个对象的向量。

针对每个召回策略，在获取到用户行为向量和该召回策略的初召回对象集中对象的向量之后，可以确定目标用户信息和召回策略的匹配度。目标用户信息和召回策略的匹配度可以表示用户对召回策略的偏好程度。若匹配度越大，则表示用户对该召回策略的偏好程度越高，即用户越喜欢该召回策略召回的对象；若匹配程度越小，则表示用户对该召回策略的偏好程度越低，即用户越不喜欢该召回策略召回的对象。

上述用户对召回策略的偏好程度可以体现在：用用户行为序列中与召回策略的初召回对象集中的包含的相同对象或类似对象的数目。若相同对象或类似对象的数目越多，则用户对召回策略的偏好程度越高，用户行为向量和初召回对象集中对象的向量的相似度越高；若相同对象或类似对象的数目越少，则用户对召回策略的偏好程度越低，用户行为向量和初召回对象集中对象的向量的相似度越低。从而可以将用户行为向量和初召回对象集中对象之间的相似度作为目标用户信息与召回策略的匹配度。

步骤104，针对每个所述召回策略，根据所述目标用户信息和所述召回策略的匹配度确定所述召回策略的召回数量。

其中，召回数量与匹配度呈正向关系，即：若匹配度越大，则召回数量越大；若匹配度越小，则召回数量越小。对于一个召回策略，若目标用户信息与该召回策略的匹配度较大，则可以为该召回策略分配较大的召回数量；若目标用户信息与该召回策略的匹配度较小，则可以为该召回策略分配较小的召回数量。例如，对于3种召回策略：RES1、RES2、RES3，目标用户信息和每个召回策略的归一化匹配度分别为：MAD1、MAD2、 MAD3，且MAD1>MAD2>MAD3，其中，MAD1＝0.6，MAD2＝0.3， MAD3＝0.1，若总召回数量为100，则可以首先将100分为三个不同大小的召回数量：60、30、10，然后将召回数量60分配给MAD1，将召回数量30分配给MAD2，将召回数量10分配给MAD3。

需要说明的是，本公开不限制确定召回数量的具体算法，只要保证如上召回数量与匹配度的上述正向关系即可。

步骤105，根据每个所述召回策略的召回数量和所述初召回对象集生成综合召回对象集。

具体地，对于每个召回策略的初召回对象集，由于初召回对象集中的对象是存在顺序的，从而可以根据召回数量从初召回对象集中选取排序靠前的召回对象，作为该召回策略的再召回对象集，最终所有召回策略的再召回对象集构成综合召回对象集。

例如，存在三种召回策略：RES1、RES2、RES3，召回数量分别为 100、150、160，其中，RES1的初召回对象集包括：REO1₁、REO1₂、…、 REO1_M，RES2的初召回对象集包括：REO2₁、REO2₂、…、REO2_L，RES3 的初召回对象集包括：REO3₁、REO3₂、…、REO3_N，从而，RES1的再召回对象集包括：REO1₁、REO1₂、…、REO1₁₀₀，RES2的再召回对象集包括： REO2₁、REO2₂、…、REO2₁₅₀，RES3的再召回对象集包括：REO3₁、 REO3₂、…、REO3₁₆₀，最终得到综合召回对象集包括：REO1₁、REO1₂、…、 REO1₁₀₀、REO2₁、REO2₂、…、REO2₁₅₀、REO3₁、REO3₂、…、REO3₁₆₀。

在生成综合召回对象集之后，可以对综合召回对象集进行排序之后推荐给用户。为了提高点击率或下单率，可以预估召回对象集中的每个对象的点击率或下单率，并按照点击率或下单率对综合召回对象集进行排序。

其中，点击率或下单率可以用深度学习模型预估，深度学习模型需要预先通过大量的训练样本训练得到。对于用于预估点击率的深度学习模型，训练样本可以包括：对象的各种特征和用于监督训练的点击率，对于用于预估下单率的深度学习模型，训练样本可以包括：对象的各种特征和用于监督训练的下单率。

在本公开的另一种实施例中，参照图2示出的确定目标用户信息和召回策略的匹配度的步骤流程图，所述图1中的步骤103包括子步骤1031至 1033：

子步骤1031，针对每个所述召回策略，从所述召回策略的初召回对象集中选取目标数量的对象，作为所述召回策略的参考对象集。

其中，目标数量是每个召回策略的参考对象集的中包含的对象数目，可以根据实际应用场景设定，本公开对其不加以限制。例如，当初召回对象集中包含300个对象时，可以将目标数量设置为10。

可以理解，每个召回策略都是基于一定目标进行召回的，从而初召回对象集中包含的对象是具有一定顺序的，本公开可以获取排序靠前的目标数量的对象。例如，对于基于销量的热点召回，其初召回对象集中的对象是按照销量降序排列的，从而可以将排序靠前的10个对象作为参考对象集中的对象。

子步骤1032，针对每个所述召回策略，根据所述召回策略的参考对象集中每个对象的向量生成所述召回策略的召回向量。

具体地，对于每个召回策略，可以将其参考对象集中所有对象的向量求和得到每个召回策略的召回向量。例如，对于包含10个对象的参考对象集，10个对象的向量分别为：[OV1₁，OV1₂，…，OV1_s]，[OV2₁， OV2₂，…，OV2_s]，…，[OV10₁，OV10₂，…，OV10_s]，从而可以将10个对象的向量求和得到召回策略的召回向量：[OV1₁+OV2₁+…+OV10₁， OV1₂+OV2₂+…+OV10₂，…，OV1_s+OV2_s+…+OV10_s]。

为了避免参考对象集中包含的对象过多，使得召回向量中每项的取值过大，导致后续的运算量较大，召回向量还可以是参考对象集中的所有对象的向量的平均向量。例如，对于上述包含10个对象的参考对象集，可以将10个对象的向量进行平均运算得到召回向量： [(OV1₁+OV2₁+…+OV10₁)/10，(OV1₂+OV2₂+…+OV10₂)/10，…， (OV1_s+OV2_s+…+OV10_s)/10]。

子步骤1033，针对每个所述召回策略，根据所述用户行为向量和所述召回策略的召回向量的相似度，确定所述目标用户信息和所述召回策略的匹配度。

具体地，用户行为向量和召回向量的相似度可以采用基于欧几里得距离的相似度、余弦相似度、基于曼哈顿距离的相似度等，本公开对具体运算方法不加以限制。本公开以基于欧几里得距离的相似度为例，用户行为向量和召回向量的相似度可以按照如下公式计算得到：

其中，SIM_i为第i个召回策略和用户行为向量的相似度，S为召回向量和用户行为向量的长度，UBV_s为用户行为向量的第s项，RECV_s为召回向量的第s项。

在实际应用中，可以直接将公式(1)得到的相似度作为目标用户信息和第i个召回策略的匹配度，或对公式(1)得到的相似度进行变换得到目标用户信息和第i个召回策略的匹配度。可以理解，若相似度越大，则匹配度越大；若相似度越小，则匹配度越小。

在本公开的实施例可以根据用户行为向量和召回策略的召回向量的相似度，确定目标用户信息和召回策略的匹配度，有助于提高匹配度的准确度。

在本公开的另一种实施例中，参照图3示出的确定召回策略的召回数量的步骤流程图，所述图1中的步骤104包括子步骤1041至1042：

子步骤1041，对所述目标用户信息和每个所述召回策略的匹配度进行归一化处理，得到所述目标用户信息和每个所述召回策略的归一化匹配度。

其中，归一化处理可以将目标用户信息和每个召回策略的匹配度转换为0至1之间，且目标用户信息和所有召回策略的匹配度之和为1。最简单的归一化处理可以采用如下公式实现：

其中，NMAD_i为目标用户信息和第i个召回策略的归一化匹配度， MAD_i为目标用户信息和第i个召回策略的匹配度，I为召回策略的数目。

对于3个召回策略：RES1、RES2、RES3，每个召回策略与目标用户信息的匹配度分别为0.8、0.7、0.5，基于上述公式(2)可以得到每个召回策略与目标用户信息的归一化匹配度分别为：0.8/(0.8+0.7+0.5)＝0.4、0.7/ (0.8+0.7+0.5)＝0.35、0.5/(0.8+0.7+0.5)＝0.25。

此外，还可以采用Softmax函数对目标用户信息和每个召回策略的匹配度进行归一化处理，具体如下公式：

公式(3)中的变量和公式(2)中的变量对应相同的意义，在此不再赘述。

对于3个召回策略：RES1、RES2、RES3，每个召回策略与目标用户信息的匹配度分别为0.8、0.7、0.5，基于上述公式(3)可以得到每个召回策略与目标用户信息的归一化匹配度分别为：e^0.8/(e^0.8+e^0.7+e^0.5)＝0.38、 e^0.7/(e^0.8+e^0.7+e^0.5)＝0.34、e^0.5/(e^0.8+e^0.7+e^0.5)＝0.28。

相对于公式(2)，公式(3)可以采用Softmax函数计算归一化匹配度，从而对于和目标用户信息的匹配度为0的召回策略，可以分配很小的召回数量，而不是直接分配为0，避免最终该召回策略不存在任何召回对象的情况发生。

子步骤1042，针对每个召回策略，计算所述归一化匹配度和预设的召回总数量的乘积，得到所述召回策略的召回数量。

具体地，基于公式(2)的匹配度，召回策略的召回数量可以根据如下公式计算得到：

其中，NUM为预设的召回总数量，RECN_i为第i个召回策略的召回数量。

根据上述公式(4)可知，所有召回策略的召回数量之和为预设的召回总数量，从而可以尽可能的将预设的召回总数量合理且全部分配给每个召回策略。例如，对于3个召回策略RES1、RES2、RES3，通过公式(2)计算得到的每个召回策略与目标用户信息的归一化匹配度分别为0.4、0.35、 0.25，从而可以基于公式(4)，将预设的召回总数量100分配给RES1、 RES2、RES3，得到其召回数量分别为：100*0.4＝40、100*0.35＝35、 100*0.25＝25。

此外，基于公式(3)的匹配度，召回策略的召回数量可以根据如下公式计算得到：

公式(5)中的变量和公式(4)中的变量对应相同的意义，在此不再赘述。

根据上述公式(5)可知，所有召回策略的召回数量之和也为预设的召回总数量，从而可以尽可能的将预设的召回总数量合理且全部分配给每个召回策略。例如，对于3个召回策略RES1、RES2、RES3，通过公式(3)计算得到的每个召回策略与目标用户信息的归一化匹配度分别为0.38、0.34、 0.28，从而可以基于公式(5)，将预设的召回总数量100分配给RES1、 RES2、RES3，得到其召回数量分别为：100*0.38＝38、100*0.34＝34、 100*0.28＝28。

本公开的实施例可以对匹配度进行归一化，从而保证尽可能的将预设的召回总数量合理且全部分配给每个召回策略。

在本公开的另一种实施例中，参照图4示出的确定历史行为序列中每个对象的向量的步骤流程图，在图1中的步骤101之前，所述方法还包括步骤106至107：

步骤106，按照预设的时间周期获取用户信息集，所述用户信息集中至少包括所述目标用户信息。

其中，时间周期可以例如为但不限于：天、周、月等。当时间周期为天时，可以在每天的凌晨获取个性化推荐平台中，当天内活跃的所有用户的信息，构成用户信息集。

可以理解，因为步骤103中需要使用目标用户信息对应的历史行为序列中每个对象的向量，所以需要在步骤106中获取包含目标用户信息的用户信息集，以在107中为用户信息集中的每个用户信息的历史行为序列中每个对象的向量，以使步骤101可以从步骤107提供的用户信息的历史行为序列中每个对象的向量中，获取目标用户信息的历史行为序列中的对象的向量。

步骤107，将所述用户信息集中的每个用户信息的历史行为序列输入至向量生成模型中，预测得到所述用户信息的历史行为序列中每个对象的向量，所述向量生成模型是通过无监督训练预先得到的。

其中，向量生成模型可以为深度学习模型，该向量生成模型可以采用大量的对象训练得到，从而可以通过学习将每个对象转换为唯一的向量，该向量的长度可以根据实际应用设定，例如可以设定为128。

常用的生成向量的深度学习模型可以包括但不限于：Graph Embedding 模型、Word2vec模型等。

本公开可以按照时间周期离线生成所有活跃用户的历史行为序列中包含的所有对象的向量，从而可以方便使用时直接读取对象的向量，相对于召回时实时获取对象的向量，有助于减小召回消耗的时间。

在本公开的另一种实施例中，参照图5示出的确定召回策略的初召回对象集中对象的向量的步骤流程图，在图4中的步骤107之后，所述方法还包括步骤108：

步骤108，针对所述召回策略的初召回对象集中的每个对象，从对象向量集中获取所述对象的向量，所述对象向量集是根据所述每个用户信息的历史行为序列中每个对象的向量和所述对象生成的。

在本公开中，可以预先将步骤107生成的对象的向量和对象按照对应关系存储至对象向量集中，从而使得召回时直接查询对象对应的向量，有助于降低召回消耗的时间。

在本公开的另一种实施例中，参照图6示出的确定目标用户信息对应的用户行为向量的步骤流程图，在图4中的107之后，所述方法还包括步骤109：

步骤109，从用户行为向量集中获取所述目标用户信息的用户行为向量，所述用户行为向量集是根据所述每个用户信息的用户行为向量和所述用户信息生成的，所述每个用户信息的用户行为向量是根据所述每个用户信息的历史行为序列中每个对象的向量生成的。

在本公开中，可以预先根据步骤107生成的每个用户信息对应的历史行为序列中包含的对象的向量，确定每个用户信息对应的用户行为向量，并将用户信息和用户行为向量按照对应关系存储至用户行为向量集中，从而使得召回时直接查询目标用户信息对应的用户行为向量，有助于降低召回消耗的时间。

其中，用户行为向量可以是用户行为序列中的每个对象的向量之和。例如，对于包含3个对象的用户行为序列，3个对象的向量分别为： [OV1₁，OV1₂，…，OV1_s]，[OV2₁，OV2₂，…，OV2_s]，[OV3₁，OV3₂，…， OV3_s]，从而可以将3个对象的向量求和得到用户行为向量：[OV1₁+OV2₁+OV3₁，OV1₂+OV2₂+OV3₂，…，OV1_s+OV2_s+OV3_s]。

在本公开的另一种实施例中，参照图7示出的确定综合召回对象集的步骤流程图，所述图1中的步骤105包括子步骤1051至子步骤1052：

子步骤1051，针对每个所述召回策略，从所述召回策略的初召回对象集中获取所述召回数量的对象，得到所述召回策略的再召回对象集。

具体地，对于每个召回策略的初召回对象集，由于初召回对象集是存在顺序的，从而可以根据召回数量从初召回对象集中选取排序靠前的召回对象，作为该召回策略的再召回对象集。例如，存在三种召回策略： RES1、RES2、RES3，召回数量分别为100、150、160，其中，RES1的初召回对象集包括：REO1₁、REO1₂、…、REO1_M，RES2的初召回对象集包括：REO2₁、REO2₂、…、REO2_L，RES3的初召回对象集包括：REO3₁、 REO3₂、…、REO3_N，从而，RES1的再召回对象集包括：REO1₁、 REO1₂、…、REO1₁₀₀，RES2的再召回对象集包括：REO2₁、REO2₂、…、REO2₁₅₀，RES3的再召回对象集包括：REO3₁、REO3₂、…、REO3₁₆₀。

子步骤1052，将各召回策略的再召回对象集合并为综合召回对象集。

对于子步骤1051得到的每个召回测策略的再召回对象集，可以将其合并得到综合召回对象集包括：REO1₁、REO1₂、…、REO1₁₀₀、REO2₁、 REO2₂、…、REO2₁₅₀、REO3₁、REO3₂、…、REO3₁₆₀。

可以理解，在本公开的某一实施例中，还可以在得到综合召回对象集之后，对其中的对象进行一次排序。例如，可以对综合召回对象集中的各对象按照点击率再排序。

本公开的实施例可以按照每个召回策略的召回数量，准确的获取该召回策略对应的再召回对象集，最终根据召回策略对应的再召回对象集生成综合召回对象集。

综上所述，本公开提供了一种多策略召回方法，包括：接收访问请求，所述访问请求包括：目标用户信息；基于至少一个召回策略生成所述目标用户信息在每个所述召回策略下对应的召回对象集，作为所述召回策略的初召回对象集；针对每个所述召回策略，根据所述目标用户信息对应的用户行为向量和所述召回策略的初召回对象集中对象的向量，确定所述目标用户信息和所述召回策略的匹配度，所述目标用户信息的用户行为向量是根据所述目标用户信息对应的历史行为序列中每个对象的向量生成的；针对每个所述召回策略，根据所述目标用户信息和所述召回策略的匹配度确定所述召回策略的召回数量；根据每个所述召回策略的召回数量和所述初召回对象集生成综合召回对象集。可以根据用户行为向量和初召回对象集中对象的向量确定目标用户信息和召回策略的匹配度，并根据该匹配度确定召回策略的召回数量，由于用户行为向量体现了用户的偏好，从而满足了用户个性化的需求，可以提高召回的准确度。

参照图8，其示出了在本公开的多策略召回装置的结构图，具体如下：

访问请求接收模块201，用于接收访问请求，所述访问请求包括：目标用户信息。

初召回模块202，用于基于至少一个召回策略生成所述目标用户信息在每个所述召回策略下对应的召回对象集，作为所述召回策略的初召回对象集。

匹配度确定模块203，用于针对每个所述召回策略，根据所述目标用户信息对应的用户行为向量和所述召回策略的初召回对象集中对象的向量，确定所述目标用户信息和所述召回策略的匹配度，所述目标用户信息的用户行为向量是根据所述目标用户信息对应的历史行为序列中每个对象的向量生成的。

召回数量确定模块204，用于针对每个所述召回策略，根据所述目标用户信息和所述召回策略的匹配度确定所述召回策略的召回数量。

综合召回模块205，用于根据每个所述召回策略的召回数量和所述初召回对象集生成综合召回对象集。

在本公开的另一种实施例中，参照图9示出的匹配度确定模块的结构图，所述图8中的匹配度确定模块203包括参考对象集确定子模块2031、召回向量确定子模块2032和匹配度确定子模块2033：

参考对象集确定子模块2031，用于针对每个所述召回策略，从所述召回策略的初召回对象集中选取目标数量的对象，作为所述召回策略的参考对象集。

召回向量确定子模块2032，用于针对每个所述召回策略，根据所述召回策略的参考对象集中每个对象的向量生成所述召回策略的召回向量。

匹配度确定子模块2033，用于针对每个所述召回策略，根据所述用户行为向量和所述召回策略的召回向量的相似度，确定所述目标用户信息和所述召回策略的匹配度。

在本公开的另一种实施例中，参照图10示出的召回数量确定模块的结构图，所述图1中的召回数量确定模块204包括匹配度归一化子模块2041 和召回数量确定子模块2042：

匹配度归一化子模块2041，用于对所述目标用户信息和每个所述召回策略的匹配度进行归一化处理，得到所述目标用户信息和每个所述召回策略的归一化匹配度。

召回数量确定子模块2042，用于针对每个召回策略，计算所述归一化匹配度和预设的召回总数量的乘积，得到所述召回策略的召回数量。

在本公开的另一种实施例中，参照图11示出的确定历史行为序列中每个对象的向量的模块结构图，所述装置还包括用户信息集获取模块206和对象向量预测模块207：

用户信息集获取模块206，用于按照预设的时间周期获取用户信息集，所述用户信息集中至少包括所述目标用户信息。

对象向量预测模块207，用于将所述用户信息集中的每个用户信息的历史行为序列输入至向量生成模型中，预测得到所述用户信息的历史行为序列中每个对象的向量，所述向量生成模型是通过无监督训练预先得到的。

在本公开的另一种实施例中，参照图12示出的确定召回策略的初召回对象集中对象的向量的模块结构图，所述装置还包括用户信息集获取模块 206、对象向量预测模块207和对象向量获取模块208：

对象向量获取模块208，用于针对所述召回策略的初召回对象集中的每个对象，从对象向量集中获取所述对象的向量，所述对象向量集是根据所述每个用户信息的历史行为序列中每个对象的向量和所述对象生成的。

在本公开的另一种实施例中，参照图13示出的确定目标用户信息对应的用户行为向量的结构框图，所述装置还包括用户信息集获取模块206、对象向量预测模块207和用户行为向量获取模块209：

用户行为向量获取模块209，用于从用户行为向量集中获取所述目标用户信息的用户行为向量，所述用户行为向量集是根据所述每个用户信息的用户行为向量和所述用户信息生成的，所述每个用户信息的用户行为向量是根据所述每个用户信息的历史行为序列中每个对象的向量生成的。

在本公开的另一种实施例中，参照图14示出的确定综合召回对象集的结构图，所述图8中的综合召回模块205包括再召回子模块2051和综合召回子模块2052：

再召回子模块2051，用于针对每个所述召回策略，从所述召回策略的初召回对象集中获取所述召回数量的对象，得到所述召回策略的再召回对象集。

综合召回子模块2052，用于将各召回策略的再召回对象集合并为综合召回对象集。

综上所述，本公开提供了一种多策略召回装置，所述装置包括：访问请求接收模块，用于接收访问请求，所述访问请求包括：目标用户信息；初召回模块，用于基于至少一个召回策略生成所述目标用户信息在每个所述召回策略下对应的召回对象集，作为所述召回策略的初召回对象集；匹配度确定模块，用于针对每个所述召回策略，根据所述目标用户信息对应的用户行为向量和所述召回策略的初召回对象集中对象的向量，确定所述目标用户信息和所述召回策略的匹配度，所述目标用户信息的用户行为向量是根据所述目标用户信息对应的历史行为序列中每个对象的向量生成的；召回数量确定模块，用于针对每个所述召回策略，根据所述目标用户信息和所述召回策略的匹配度确定所述召回策略的召回数量；综合召回模块，用于根据每个所述召回策略的召回数量和所述初召回对象集生成综合召回对象集。可以根据用户行为向量和初召回对象集中对象的向量确定目标用户信息和召回策略的匹配度，并根据该匹配度确定召回策略的召回数量，由于用户行为向量体现了用户的偏好，从而满足了用户个性化的需求，可以提高召回的准确度。

本公开还提供了一种电子设备，参照图15，包括：处理器301、存储器302以及存储在所述存储器302上并可在所述处理器上运行的计算机程序3021，所述处理器301执行所述程序时实现前述实施例的多策略召回方法。

本公开还提供了一种可读存储介质，当所述存储介质中的指令由电子设备的处理器执行时，使得电子设备能够执行前述实施例的多策略召回方法。

对于装置实施例而言，由于其与方法实施例基本相似，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

在此提供的算法和显示不与任何特定计算机、虚拟***或者其它设备固有相关。各种通用***也可以与基于在此的示教一起使用。根据上面的描述，构造这类***所要求的结构是显而易见的。此外，本公开也不针对任何特定编程语言。应当明白，可以利用各种编程语言实现在此描述的本公开的内容，并且上面对特定语言所做的描述是为了披露本公开的最佳实施方式。

在此处所提供的说明书中，说明了大量具体细节。然而，能够理解，本公开可以在没有这些具体细节的情况下实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。

类似地，应当理解，为了精简本公开并帮助理解各个发明方面中的一个或多个，在上面对本公开的示例性实施例的描述中，本公开的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该公开的方法解释成反映如下意图：即所要求保护的本公开要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说，如下面的权利要求书所反映的那样，发明方面在于少于前面公开的单个实施例的所有特征。因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本公开的单独实施例。

本领域那些技术人员可以理解，可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件，以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外，可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述，本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。

本公开的各个部件实施例可以以硬件实现，或者以在一个或者多个处理器上运行的软件模块实现，或者以它们的组合实现。本领域的技术人员应当理解，可以在实践中使用微处理器或者数字信号处理器(DSP)来实现根据本公开的多策略召回设备中的一些或者全部部件的一些或者全部功能。本公开还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序。这样的实现本公开的程序可以存储在计算机可读介质上，或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到，或者在载体信号上提供，或者以任何其他形式提供。

应该注意的是上述实施例对本公开进行说明而不是对本公开进行限制，并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本公开可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的***、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

以上所述仅为本公开的较佳实施例而已，并不用以限制本公开，凡在本公开的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本公开的保护范围之内。

以上所述，仅为本公开的具体实施方式，但本公开的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本公开揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本公开的保护范围之内。因此，本公开的保护范围应以权利要求的保护范围为准。

Claims

1.一种多策略召回方法，其特征在于，所述方法包括：

接收访问请求，所述访问请求包括：目标用户信息；

2.根据权利要求1所述的方法，其特征在于，所述针对每个所述召回策略，根据所述目标用户信息对应的用户行为向量和所述召回策略的初召回对象集中对象的向量，确定所述目标用户信息和所述召回策略的匹配度的步骤，包括：

针对每个所述召回策略，从所述召回策略的初召回对象集中选取目标数量的对象，作为所述召回策略的参考对象集；

针对每个所述召回策略，根据所述召回策略的参考对象集中每个对象的向量生成所述召回策略的召回向量；

针对每个所述召回策略，根据所述用户行为向量和所述召回策略的召回向量的相似度，确定所述目标用户信息和所述召回策略的匹配度。

3.根据权利要求1所述的方法，其特征在于，所述针对每个所述召回策略，根据所述目标用户信息和所述召回策略的匹配度确定所述召回策略的召回数量的步骤，包括：

对所述目标用户信息和每个所述召回策略的匹配度进行归一化处理，得到所述目标用户信息和每个所述召回策略的归一化匹配度；

针对每个召回策略，计算所述归一化匹配度和预设的召回总数量的乘积，得到所述召回策略的召回数量。

4.根据权利要求1所述的方法，其特征在于，所述方法还包括：

按照预设的时间周期获取用户信息集，所述用户信息集中至少包括所述目标用户信息；

将所述用户信息集中的每个用户信息的历史行为序列输入至向量生成模型中，预测得到所述用户信息的历史行为序列中每个对象的向量，所述向量生成模型是通过无监督训练预先得到的。

5.根据权利要求4所述的方法，其特征在于，所述召回策略的初召回对象集中对象的向量是通过如下步骤得到的：

针对所述召回策略的初召回对象集中的每个对象，从对象向量集中获取所述对象的向量，所述对象向量集是根据所述每个用户信息的历史行为序列中每个对象的向量和所述对象生成的。

6.根据权利要求4所述的方法，其特征在于，所述目标用户信息对应的用户行为向量是通过如下步骤得到的：

从用户行为向量集中获取所述目标用户信息的用户行为向量，所述用户行为向量集是根据所述每个用户信息的用户行为向量和所述用户信息生成的，所述每个用户信息的用户行为向量是根据所述每个用户信息的历史行为序列中每个对象的向量生成的。

7.根据权利要求1所述的方法，其特征在于，所述根据每个所述召回策略的召回数量和所述初召回对象集生成综合召回对象集的步骤，包括：

针对每个所述召回策略，从所述召回策略的初召回对象集中获取所述召回数量的对象，得到所述召回策略的再召回对象集；

将各召回策略的再召回对象集合并为综合召回对象集。

8.一种多策略召回装置，其特征在于，所述装置包括：

9.一种电子设备，其特征在于，包括：

处理器、存储器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-7中任一项所述的多策略召回方法。

10.一种可读存储介质，其特征在于，当所述存储介质中的指令由电子设备的处理器执行时，使得电子设备能够执行如方法权利要求1-7中任一项所述的多策略召回方法。