[发明专利]一种AI推荐引擎赋能商品营销方法

说明书

本发明公开一种AI推荐引擎赋能商品营销方法，包括如下步骤：（1）推荐引擎准备：包括算法准备和数据准备两部分；（2）推荐引擎发布：对推荐引擎进行配置，完成后即可进行发布；（3）推荐引擎在线实时推荐：对推荐商品进行排序，根据干预规则配置内容进行动态解析，对结果数据进行重排。本发明中推荐引擎从底层收集基础信息，经过清洗整合进入数据准备层。根据不同算法的输入要求，制定适配的特征视图。在算法配置阶段，经过算法的学习训练，得到用户对每种商品的评分，得出topN项目进行推荐。最后，可用数据分桶形式，进行评估效果，根据预测的准确性及时调整流量分流。

技术领域

本发明涉及智能化商品推荐领域，具体是设计一种应用大数据实现AI推荐引擎赋能商品营销方法。

背景技术

当今社会正在从互联网的IT时代，过渡到今天的大数据DT时代。人类社会每日生成的数据的量、数据的多样性、数据的复杂性都经历了质的飞跃，可以说大数据正在引领人工智能的发展。如何合理利用数据资产，让大数据AI在实际的生产业务中发挥出应有的价值，是当前很多领域的研究方向。

在基于客户消费习惯进行个性化推荐时，很多企业遇到如下商品推荐问题。1、通过客户标签进行个性化客户分群，在根据不同客户分群推荐不同的商品，无法根据客户反馈效果进行推荐调整，过于依赖事前分析标签。2、无法实现冷启动推荐，对于新客户，在缺少关键画像数据下，推荐效果差。3、推荐效果的好坏依赖于业务人员的经验，无法做到根据每个人的不同情况推荐不同商品。

发明内容

发明目的：本发明目的在于针对现有技术的不足，提供一种AI推荐引擎赋能商品营销方法，使用了AI算法结合用户特征数据、商品特征数据、并通过实时接收用户操作反馈数据，不断优化商品推荐，解决传统投放中“不精准”、“反应慢”、“不智能”的问题，真正实现“千人千面”的个性化推荐，帮助运营商、金融等行业有效提升点击率、转化率及用户粘性，极大地增加客户的经营效益。

技术方案：本发明所述AI推荐引擎赋能商品营销方法，包括如下步骤：

(1)推荐引擎准备：包括算法准备和数据准备两部分，其中数据准备是将采集的用户数据、行为数据、商品数据和日志数据分类后处理为离线数据、近场数据和事件数据，为算法提供数据支持；算法准备是通过算法管理模块上传多种算法，并为相关算法预先补充商品特征、用户特征、商品MAB特征和用户行为特征；

(2)推荐引擎发布：对推荐引擎进行配置，将上传的算法进行分组设置，并设定干预规则，通过SQL通用函数动态设置，对算法排序的结构进行人为干预，最后设定推送规则，设置主动接触渠道规则和发送时间；推荐引擎配置完成后即可进行发布；

(3)推荐引擎在线实时推荐：推荐引擎接受用户请求，根据用户请求拉取推荐商品的主题、标签、素材和品类的召回集，再根据当前召回集拉取偏好和相似召回集，然后再通过召回集对素材相关的特征进行筛选过滤，将特征实时传入模型进行点击量预估，根据机器学习模型和/或深度学习模型实时打分，对推荐商品进行排序，在模型排序后，判断是否有步骤(2)配置的干预规则，如果有引入，根据干预规则配置内容进行动态解析，对结果数据进行重排。

本发明进一步优选地技术方案为，步骤(1)中数据准备部分的离线数据准备是将用户数据、行为数据、商品数据，提供标准的接口协议，通过智慧中心提供调度，将数据导入hadoop数据平台；

近场数据准备是将各渠道触点用户行为数据直接通过流处理引擎传到决策中心；

事件数据准备是外系统日志数据在加工和过滤后，通过文件、HTTP、socke或消息队列的方式输入到流处理进行过滤和累计，处理生成事件数据。

作为优选地，步骤(1)中算法管理模块上传的算法包括MAB、GBDT和/或LR算法。

优选地，步骤(2)中在对算法进行分组设置时，每个算法分组中设置一个默认算法，其余算法合并容量为100％。