[发明专利]基于微反馈的推荐方法和系统

权利要求书

1.一种基于微反馈的推荐方法，其特征在于，包括：

步骤S1：初始化模型生成模块使用规则法生成候选推荐数据，初始化基于机器学习的推荐概率预测模型，并使用候选推荐数据对基于机器学习的推荐概率预测模型进行训练，得到训练后的基于机器学习的推荐概率预测模型；

步骤S2：推荐内容生成模块加载训练后的基于机器学习的推荐概率预测模型，并依据接收到的推荐影响因子生成推荐内容；

步骤S3：推荐记录模块将所有的推荐影响因子及对应的推荐内容记录为日志；

步骤S4：微反馈模型优化模块使用微反馈信息和日志对训练后的基于机器学习的推荐概率预测模型进行优化；并利用优化后的推荐概率预测模型进行内容推荐；

所述步骤S1包括：

步骤S1.1：获取形式化描述的业务规则，并将业务规则加载至可支持当前业务规则运行的规则引擎；

步骤S1.2：获取形式化描述的推荐影响因子数据字典描述；

步骤S1.3：获取候选推荐数据中的推荐候选项描述信息；

步骤S1.4：将获取的形式化描述的推荐影响因子数据字典描述以及推荐候选项描述信息，生成模拟数据；

步骤S1.5：将模拟数据利用规则引擎进行判定，并将规则引擎判定结果记录为日志，判定结果中每一个条目形式包括：推荐影响因子数据，推荐候选项描述信息以及判定结果；

步骤S1.6：利用日志对基于机器学习的推荐概率预测模型进行训练，得到训练后的基于机器学习的推荐概率预测模型；

步骤S1.7：将推荐影响因子与单个推荐候选项描述信息输入训练后的基于机器学习的推荐概率预测模型，得到当前推荐候选项描述信息在当前推荐影响因子下被推荐的概率；

所述步骤S2包括：

步骤S2.1：获取推荐请求，推荐请求包括推荐影响因子和需要返回的条目数量N；

步骤S2.2：将推荐影响因子和单个推荐候选项描述信息输入训练后的基于机器学习的推荐概率预测模型，得到每个推荐候选项描述信息对应的推荐概率，推荐概率大于等于预设值TH_POS时，则为推荐项；推荐概率小于等于预设值TH_NEG时，则为不推荐项；且0≤TH_NEG＜TH_POS≤1；由所有的推荐项组成推荐项集合，由所有的不推荐项组成不推荐项集合；

步骤S2.3：从推荐项集合中随机采样N项组成推荐列表；从不推荐项集合中随机采样N项组合成不推荐列表；列表中的单项格式为推荐项id，推荐概率；

所述步骤S4包括：

步骤S4.1：用户采样记录推荐列表中项目以及不推荐列表中抽取的预设比例项目的使用效果，并计算推荐项目的抽样转化比例T_POS_RATE和不推荐项目的抽样转化比例F_NEG_RATE，且不推荐项目的抽样未转化比例T_NEG_RATE=1-F_NEG_RATE；

推荐项目的抽样转化比例=抽样推荐项目转化数/抽样推荐项目总数；

不推荐项目的抽样转化比例=抽样不推荐项目转化数/抽样不推荐项目总数；

步骤S4.2：获取推荐记录模块生成的日志，日志推荐项目总和为POS_TOTAL，不推荐项目总和为NEG_TOTAL；

步骤S4.3：根据推荐项目的抽样转化比例T_POS_RATE、不推荐项目的抽样未转化比例T_NEG_RATE、日志推荐项目总和POS_TOTAL以及日志不推荐项目总和为NEG_TOTAL计算修正推荐项目数UPDATE_POS_NUM和修正不推荐项目数UPDATE_NEG_NUM；

UPDATE_POS_NUM=POS_TOTAL*T_POS_RATE

UPDATE_NEG_NUM=NEG_TOTAL*T_NEG_RATE

步骤S4.4：从推荐项集合中取出概率最高的UPDATE_POS_NUM条记录作为修正后正例训练样本数据，类标为1；从不推荐项集合中取出打分最低的UPDATE_NEG_NUM条记录作为修正后负例训练样本数据，类标为0；

步骤S4.5：利用修正后正例训练样本数据和修正后负例训练样本数据共同组成修正后训练样本数据；

步骤S4.6：初始化新的推荐概率预测模型，利用修正后的训练样本数据训练新的推荐概率预测模型，训练完成后使用训练后的推荐概率预测模型为所有训练样本进行预测，得到推荐概率；

步骤S4.7：使用训练后的推荐概率预测模型对修正后正例训练样本数据中的样本进行概率预测，并计算概率均值，记为POS_AVG；

步骤S4.8：使用训练后的推荐概率预测模型对修正后负例训练样本数据中的样本进行概率预测，并计算概率均值，记为NEG_AVG；

步骤S4.9：选取修正后正例训练样本数据中概率大于等于概率均值POS_AVG的样本构成最终正样本集合，类标为1；取修正后负例训练样本数据中概率小于等于概率均值NEG_AVG的样本构成最终负样本集合，类标为0；利用当前正样本集合和负样本集合共同组成最终训练集合；

步骤S4.10：利用最终训练集合训练训练后的推荐概率预测模型，得到优化后的推荐概率预测模型，利用优化后的推荐概率预测模型进行内容推荐。