[发明专利]用于处理推荐请求的方法和推荐引擎

说明书

本发明涉及一种用于处理来自连接到推荐平台(2)的设备(1)的用户的推荐请求的方法，推荐平台(2)还连接到引用多个项的至少一个项服务器(3)、连接到至少一个内部评级服务器(4)并且连接到至少一个外部评级服务器(5)，平台(2)包括存储所述用户的偏好配置文件的存储单元(22)和处理单元(21)，该方法的特征在于其包括通过处理单元(21)执行以下步骤：(a)从设备(1)接收包括请求的项的至少一个属性、用户的标识符和时间长度的推荐请求；(b)选择由项服务器(3)引用的项的匹配所述属性和用户的偏好配置文件的子集；(c)根据用户的偏好配置文件和由所述内部评级服务器(4)和所述外部评级服务器(5)提供的分数来确定所述子集的项的初始排序；(d)动态地更新所述初始排序；(e)当所述时间界限结束时或者当用户请求中断更新时，将当前排序作为最终排序发送到设备(1)。本发明还涉及一种用于执行所述方法的系统。

技术领域

本发明的领域是推荐引擎的领域。

更具体地，本发明涉及一种用于处理推荐请求的方法。

背景技术

推荐引擎是旨在例如根据用户过去的选择来自动识别能够使用户感兴趣的项/内容的实时信息过滤系统。

这样的系统特别被使用在“企业对消费者”(B2C)背景中，例如以增加电子商务平台的销售额。

已知推荐引擎因此提出：

-预测用户对给定项的分数；

-对项进行排序以便对它们进行比较。

在这样的B2C背景中，推荐引擎的最重要特征是反应性，即，系统考虑用户偏好、与系统的互动、等等的及时性。

这样的以用户为中心的推荐系统被称为“基于记忆”的，因为评级数据库被永久维持以便被直接用于向活跃用户生成推荐。对比之下，在“基于模型”的系统中，即以项为中心，数据被离线预处置。当服务由用户运行时，“学习”模型用于预测。

然而，在“企业对企业”(B2B)背景中，其中推荐的收件人不是消费者，要求是大不相同的。

具体地，引擎应当使优先于反应性的推荐的质量、可信度和透明度最大化。此外，引擎应当确保针对噪声、损坏数据和电子垃圾的良好弹性。

已知B2B引擎例如被描述在欧洲专利申请EP2466496或EP1014282中。

然而，已知引擎仍然要求改进(优先于反应性)它们的结果的质量或可靠性，并且遭受被称为“冷启动”的现象：这些引擎需要巨大量数据来开始有性能。此外，当仅仅几个项已经由用户评级时，已知推荐引擎很可能使用在可用项上的伪评级或默认投票，其可能产生不信任。

因此，存在对克服这些缺陷的改进的推荐引擎的强烈需要。

发明内容

出于这些目的，本发明提供了一种用于处理来自通过公共网络连接到推荐平台的设备的用户的推荐请求的方法，所述推荐平台还通过安全网络连接到引用多个项的至少一个项服务器并且连接到至少一个内部评级服务器，所述推荐平台还通过公共网络连接到至少一个外部评级服务器，所述平台包括存储所述用户的偏好配置文件的存储单元和处理单元，

所述方法的特征在于其包括通过所述处理单元执行以下步骤：

(a)从所述设备接收包括请求的项的至少一个属性、所述用户的标识符和时间长度的所述推荐请求；

(b)选择由所述项服务器引用的所述项的匹配所述属性和所述用户的所述偏好配置文件的子集；

(c)根据所述用户的所述偏好配置文件和由所述内部评级服务器和所述外部评级服务器提供的分数来确定所述子集的所述项的初始排序；