[发明专利]一种基于个性化召回的推荐系统优化方法

权利要求书

1.一种基于个性化召回的推荐系统优化方法，其特征在于，具体包括如下步骤：

步骤A：设定召回阶段召回物品的数量N，其中N0，即推荐系统召回阶段候选集数量；

步骤B：设定召回阶段召回策略的数量n，其中n0，即推荐系统召回阶段有多少路召回策略；

步骤C：设定相似度阈值δ，即物品与物品之间的相似度超过此阈值，表示物品较相似；

步骤D：设定召回阶段每个用户对每路召回的数量为K₁,K₂,...,K_n，初始化值为K_i＝N/n，i＝1,2...n；

步骤E：根据用户特征信息以及物品特征信息，通过词向量模型计算出每个物品的embedding向量，然后根据余弦相似度计算出所有物品与物品之间的相似度，形成物品相似度矩阵，其中，余弦相似度公式如下：

步骤F：根据召回阶段召回策略以及其召回数量K_i,i＝1,2,...,n，计算召回阶段每路召回策略召回的topK_i,i＝1,2,...,n物品；

步骤G：根据用户行为数据、物品与物品相似度数据以及召回阶段每路策略召回的物品数据，计算出每个用户每路召回策略的权重占比β₁,β₂,...,β_n，然后计算出每个用户对每路召回的数量K'_i＝N*β_i,i＝1,2,...,n；

步骤H：重复上述步骤E至步骤G，直到每个用户的每路召回策略召回数量不发生变化即止，得到每个用户每路召回策略最终召回数量

步骤I：针对每个用户在每路召回策略下的召回数量获取其物品作为召回阶段的候选集结果，然后供排序阶段进行重排序，最终给出推荐结果。

2.根据权利要求1所述一种基于个性化召回的推荐系统优化方法，其特征在于，所述步骤G，具体包含如下：

步骤G1：通过用户近一个月的行为数据获取每个用户点击的物品；

步骤G2：根据步骤G1获取的用户近一个月点击的物品，通过物品与物品相似度数据，匹配出用户近一个月点击的物品以及其相似度超过δ的相似物品，作为用户偏好的物品集；

步骤G3：根据步骤G2获取到的用户偏好物品与召回阶段每路召回策略召回的物品进行匹配，计算出每路召回策略中能够匹配到的物品数量为k₁,k₂,...,k_n，占比情况然后通过softmax函数进行归一化得到每个用户每路召回策略权重占比β₁,β₂,...,β_n。

3.根据权利要求1所述一种基于个性化召回的推荐系统优化方法，其特征在于，在步骤C中，相似度阈值δ的取值范围为[0,1]，参考经验值为0.8。

4.根据权利要求1所述一种基于个性化召回的推荐系统优化方法，其特征在于，在步骤E中，利用物品的词向量以及余弦相似度，计算物品与物品之间相似度。

5.根据权利要求1所述一种基于个性化召回的推荐系统优化方法，其特征在于，在步骤F中，通过不同召回策略以及召回数量获取每个用户每个召回策略的召回物品。

6.根据权利要求1所述一种基于个性化召回的推荐系统优化方法，其特征在于，在步骤H中，通过不断的重复迭代步骤E至步骤F，直到每个用户的每路召回策略召回数量不发生变化即止，得到每个用户每路召回策略最终召回数量