[发明专利]一种数据分发方法及推荐系统

说明书

本发明涉及一种数据分发方法及推荐系统，所述方法具体步骤如下：调用启动脚本，所述启动脚本用于启动数据分发处理的初始化，读取配置文件并进行解析，从中获取以下信息：文件名model_file、类名modle_class、策略类型modle_type，缓存上述解析得到的文件名、类名、策略类型，以参数的形式传递给分发器架构，启动分发策略，将分发策略加载到系统中，执行分发策略。本发明，统一了分发器架构，可将编写好的策略加载到系统中，容易维护、更新分发策略，业务兼容性好；采用redis缓存进行模块间通信，数据分发响应时间低；分发时通过用户分数的判断，可为老用户推送个性化信息，新老用户推荐不同内容，更符合用户需求。

技术领域

本发明涉及推荐系统中的数据分发技术领域，具体说是一种数据分发方法及推荐系统。

背景技术

随着互联网技术的发展，推荐系统（个性化推荐系统）的使用非常普遍，推荐系统的任务是联系用户和信息，一方面帮助用户发现对自己有价值的信息，另一方面让信息能够展示在对它感兴趣的用户面前，实现信息消费者和信息生产者的双赢，解决信息过载的问题。

推荐系统可应用在：

音乐、电影的推荐，

电子商务中商品推荐，

个性化阅读(新闻消息)，

社交网络好友推荐、朋友圈推荐，

基于位置的服务推荐，等等。

在推荐系统中，第一个环节是分发阶段，合理的分发策略是推荐系统的重点，第二个环节是召回阶段，召回算法是该阶段的关键，第三个环节是排序阶段，将召回阶段得到的候选集进行精准排序，推荐给用户。

所谓召回，可以理解为向用户粗选一批待推荐的信息（商品信息，视频信息等等），相当于粗排序，之后再通过排序模型进行精排序，例如使用CTR（Click-Through Rate，点阅率）预估的rank模型（排名模型），即：召回 = 排序（精排） = 后续其他处理步骤。所以召回的目的在于：从原始数据（一般理解为全量信息集合）中触发尽可能多的正确结果（即召回数据），并将正确结果（即召回数据）返回给排序。

当数据（指原始数据，一般理解为全量信息集合）接入推荐系统时，通常需要通过数据分发器传输给数据召回器，数据召回器负责完成召回阶段的处理，根据召回策略（即召回算法）的不同，数据召回器不唯一，在一个推荐系统中，可能存在多个数据召回器，设计适当的数据分发方法，对于提高数据接入后传输给数据召回器的效率，影响很大，但是，现有技术中，针对数据分发方法的成熟方案鲜有记载，重视程度不够，缺乏成熟度高、有实用价值的数据分发方案。

推荐系统中常用的召回策略（即召回算法）大致如下：

协同过滤模型（主要可以分为基于用户的协同过滤、 基于物品的协同过滤）、向量化召回模型和深度树匹配模型，协同过滤模型无法做到全局检索，而向量化召回模型对模型的结构进行了限制。深度树匹配模型解决了上述两个方面的限制，可以做到全局检索+使用先进模型。

发明内容

针对现有技术中存在的缺陷，本发明的目的在于提供一种数据分发方法及推荐系统，统一了分发器架构，可将编写好的策略加载到系统中，容易维护、更新分发策略，业务兼容性好；采用redis缓存进行模块间通信，数据分发响应时间低；分发时通过用户分数的判断，可为老用户推送个性化信息，新老用户推荐不同内容，更符合用户需求。

为达到以上目的，本发明采取的技术方案是：

一种数据分发方法，其特征在于，包括：

调用启动脚本，所述启动脚本用于启动数据分发处理的初始化，

读取配置文件并进行解析，从中获取以下信息：文件名model_file、类名modle_class、策略类型modle_type，