[发明专利]基于微反馈的推荐方法和系统

说明书

本发明提供了一种基于微反馈的推荐方法及系统，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；并利用优化后的概率预测模型进行内容推荐。

技术领域

本发明涉及数据处理、推荐系统技术领域，具体地，涉及一种基于微反馈的推荐方法和系统。

背景技术

推荐系统在生产生活的各个领域已经被广泛应用，如在广告领域被用于投放更精准的广告、在搜索领域帮助用户更快找到目标、在医疗领域可以用于辅助推荐诊疗方法，等等。

现有推荐系统，在初始化时，需要采用历史日志数据进行建模，如果没有历史数据，采用业务经验规则建模，所得到的规则模型又无法获得良好的平滑、泛化效果；模型更新时，需要获得详细的推荐结果标注数据，以迭代优化模型。但是在一些场景下，部署之前，推荐系统无法获得生产环境的历史日志数据(此处包括但不限于日志数据、脱敏后的日志数据、采样后的日志数据等)，仅有业务人员的经验总结；部署之后，也不具备对接“推荐结果详细数据”的条件。上文“推荐结果详细数据”指每一个推荐项所对应的结果，结果包括但不限于“是否查看”、“是否点击”、“是否购买”等转化行为。通过业务人员将庞大的推荐结果逐条输入给推荐系统也不具备可操作性。这种约束下，现有推荐系统将无法准确推荐、无法持续优化模型。

专利文献CN112218126A(申请号：202011084443.5)公开了一种基于终端的内容推荐效果反馈方法、系统及设备,属于智能电视技术领域,通过获取用户对目标终端的触发指令；根据触发指令,获取用户的操作路径；发送推荐内容评价请求；接收用户对推荐内容的评价结果；基于预设规则,根据操作路径和评价结果,获取推荐内容的推荐效果。从而实现对终端推荐内容的效果反馈,从而使得终端的内容推荐与推荐效果反馈形成闭环,提升推荐内容的精准度。可以为广电、新媒体、运营商、智能电视相关业务厂商提供用户反馈数据收录通道,可以用于优化推荐系统推荐策略、运营工作效果衡量、用户观影习惯分析等,在优化用户体验的同时丰富了推荐系统的推荐效果改善机制形成推荐及反馈的内容推送闭环。该专利反馈信息粒度需要通过每一个推荐终端收集每一次反馈作为优化依据，本发明仅需要转化效果的抽样统计值；该专利信息反馈途径需要保持推荐终端与推荐系统之间的联系以获取反馈许局，本发明仅需要图形界面填写两个抽样统计值即可；该专利初始推荐模型的推荐模型为规则模型，而本发明为基于规则模型拟合的机器学习模型，具备更好的泛化、平滑特性。

专利文献CN106897912B(申请号：201710034167.3)公开了一种基于epsilon反馈算法的推荐系统冷启动方法,将免疫反馈模型引入Epsilon-greedy算法,利用免疫反馈模型动态调整epsilon值,首先将所有的物品当前用户的点击情况初始化为0,即让每个要推荐给用户的物品没有先验知识；然后根据用户点击推荐物品的结果更新epsilon值,并根据更新的epsilon值选择物品推荐给用户。本发明利用免疫反馈模型的变化使epsilon值能够在短时间内快速升高,让算法快速收敛,同时又能够在算法收敛时让epsilon值快速降低,以较小的概率去“探索”用户其他偏好,利用已经“探索”到的用户偏好为用户进行推荐,以达到更好的推荐效果。和现有算法相比,本发明在平均点击率、点击总数以及选择到最优值的概率3个指标上的表现都更优。该专利反馈信息的粒度需要记录用户的每次反馈并用于后续的模型更新，本发明仅需要使用采样后的转化率来进行模型更新；该专利模型初始化方法使用用户的行为反馈来进行模型的初始化与冷启动，本发明使用业务经验规则来初始化模型。

发明内容

针对现有技术中的缺陷，本发明的目的是提供一种基于微反馈的推荐方法及系统。