具体实施方式

以下结合附图对本申请实施例的具体实施方式进行详细说明。应当理解的是，此处所描述的具体实施方式仅用于说明和解释本申请实施例，并不用于限制本申请实施例。

图1示意性示出了根据本申请实施例的纺织原料推荐方法的流程示意图。如图1所示，在本申请一实施例中，提供了一种纺织原料推荐方法，包括以下步骤：

步骤101，获取用户的行为数据。

步骤102，根据行为数据确定用户在各个维度上针对纺织原料商品的兴趣程度以及用户之间的用户相似度。

首先，可以通过系统的日志全量记录获取到用户的行为数据。用户的行为数据包括用户在多个不同时长的时间段内针对原料商品的操作行为。操作行为中的有效行为包括浏览、点击、播放、点赞、评论、转发等操作。通过获取一段时间内用户的行为数据，则可以确定用户在各个维度上针对纺织原料商品的兴趣程度，还可以确定不同用户之间的用户相似度。因此，可以通过统计挖掘的方式，计算出用户对特定维度的偏好，以带权列表的方式刻画出不同用户的兴趣偏好，以达到千人千面个性化推荐的第一步，数据直观，可解释性强。还可以将得到的用户画像数据用于其他业务上，为其他业务的个性化推荐打下基础。

在一个实施例中，根据行为数据确定用户对纺织原料商品的兴趣程度以及用户之间的用户相似度包括：获取用户每个操作行为对应的原料商品的商品属性；根据操作行为和商品属性确定用户针对每个原料商品的兴趣程度。

具体地，在获取到用户的行为数据后，可以获取到用户的每个操作行为所对应的原料商品，以及该原料商品对应的商品属性。然后根据操作行为和商品属性确定用户针对每个原料商品的兴趣程度。进一步地，商品属性包括商品关键词。根据操作行为和商品属性确定用户针对每个原料商品的兴趣程度包括：针对每个原料商品，确定用户针对原料商品的商品关键词的兴趣得分；对兴趣得分进行排序，以确定用户针对商品关键词的偏好序列；根据偏好序列确定用户在关键词维度上针对每个原料商品的兴趣程度。具体地，可以统计在一段时间内，用户的点击操作，以及该点击操作对应的原料商品。可以通过原料商品自身属性权重，计算出用户对某一个属性值的兴趣程度。对于点赞、评论、收藏等深层行为，可以表明用户对这类内容更具偏好性，针对这一类操作可以进行加权处理。可以根据以下公式确定兴趣得分：

其中，score_k指用户对关键词k的兴趣得分，i是指行为数据中用户第i个操作的原料商品，a_i是指第i个操作的原料商品对应的行为权重，例如，可以设置点赞操作的权重高于点击操作的权重。w_i是指关键词k针对第i个操作的原料商品的权重，f(t_i)为时间衰减函数，表明用户在时间t对第i个操作的原料商品的兴趣衰减程度，表示距离当前时间越长，感兴趣的衰减程度越高。分母是所有行为原料的个数。所有关键词计算出score值后再进行归一化排序，即可得出用户在关键词兴趣上的偏好序列。其他维度依赖的计算方式类似，但各维度计算结果都是带权重分的多值列表。

在计算出用户针对每个原料商品的商品关键词的兴趣得分后，可以对兴趣得分进行排序，从而可以确定用户针对商品关键词的偏好序列，然后即可根据偏好序列确定用户在关键词维度上针对每个原料商品的兴趣程度。

步骤103，根据兴趣程度确定针对用户的第一推荐候选集。

步骤104，确定原料商品之间的原料相似度。

步骤105，根据用户相似度和原料相似度，确定用户的第二推荐候选集。

步骤106，将用户的行为数据、各个纺织原料的原料特征、上下文信息中的至少一者输入至预测模型，以确定用户的第三推荐候选集。

步骤107，根据第一推荐候选集、第二推荐候选集以及第三推荐候选集确定用户的最终推荐集。

步骤108，将最终推荐集中包括的原料商品确定为针对用户的推荐原料商品。

在确定用户在关键词维度上针对每个原料商品的兴趣程度后，可以根据该用户的兴趣程度确定针对该用户的第一推荐候选集，即确定针对该用户的原料商品的推荐候选集。然后，可以继续确定每个原料商品之间的原料相似度。进一步地，在一个实施例中，确定原料商品之间的原料相似度包括：获取各个原料商品的原料数据；根据原料数据确定每个原料商品的特征向量；对特征向量进行聚类，以确定原料商品之间的原料相似度。

具体地，如图2所示，给出了数据召回的流程示意图。本实施例中还可以基于ICF召回需要计算物料间(原料商品)的相似度，例如可以根据文本、音频、图像、视频等原料类别，通过NLP、图像理解、视频理解等方式综合计算出每个原料商品的向量表达embedding，再通过embedding聚类出各原料最近似的原料，从而计算得到每个原料商品之间的原料相似度，后续则可以根据原料相似度快速确定出与目标原料的相似的其他原料商品。然后，可以根据用户相似度和原料相似度，确定针对每个用户的第二推荐候选集。也可以说，在数据召回时，可以有多种召回方式，包括基于兴趣内容类召回，协同过滤类召回及算法类召回等。最终确定的第二推荐候选集，可以是根据这三种召回方式结合的结果确定的。具体地，兴趣内容类召回是指，基于用户的兴趣画像，可以为用户匹配不同维度的原料商品。例如，假设用户喜欢全棉类的，则可以从全棉类内容中选取最新/最热内容召回，即作为该用户的第二推荐候选集，这种方式非常直观且可解释性强。根据不同维度组成一级或多级索引组成多路兴趣召回，而由于用户画像中各维度兴趣点都有权重，因此召回对应原料的数量可根据权重自适应调整。协同过滤类召回是指，基于用户相似度和原料相似度为用户推荐一些原料商品。基于用户相似度推荐可以简单理解为“将跟你看过相同原料的用户，他们看过的物料推荐给你”，即User Collaborative Filtering——UCF，基于原料相似度推荐的原理可以简单理解为“将你看过原料的相似原料推荐给你”，即Item Collaborative Filtering——ICF，因此此召回方式的根本在于找到相似用户或相似原料的过程。算法召回是指在离线状态下，通过用户的操作记录、上下文及操作记录中涉及的原料与原料特征，以及样本数据对模型进行训练并将训练好的模型同步给预测服务，然后可以通过线上获取到用户id及用户上下文，传入至预测服务即可生成用户特征、上下文特征。再结合原料特征及模型计算各原料商品的打分，排序后取topN作为召回集传回推荐引擎。其中，上下文可以包括用户操作时间序列，商品创建时间序列等信息。

算法需要数据，数据需要特征，特征是模型训练数据中最重要的部分，各类算法的本质也是根据现有样本分布拟合出一个最接近真实情况的概率分布函数，需要拟合的参数就是各个特征的权重，通过这个函数即可获取特定用户或原料的特征下用户对原料的感兴趣程度(点击的概率)。用户特征，包括上下文特征，根据用户离线的行为日志统计，类似用户画像，假设此时用户属性类别、各维度偏好、对各行为的统计量，与工厂画像属性相关匹配度等都已用特征工程处理完毕并结构化存入hive表，同理对原料在资源池获取属性类别特征，通过客户端日志获取原料各维度统计类信息，保存至hive表，再通过一个定时任务将hive内的特征数据整合，这样将离线计算的用户及原料维度特征保存至hive表，同时更新至redis供线上实时获取。

基于这些基础召回可以作为候选集。根据上述方式确定的第一推荐候选集、第二推荐候选集以及第三推荐候选集即可确定用户的最终推荐集推荐，然后则可以将最终推荐集中包括的原料商品确定为针对用户的推荐原料商品。系统还可以对推荐集向后进行排序、重排序等工作，以此为基础实现后续的多个推荐功能。具体地，在一个实施例中，将最终推荐集中包括的原料商品确定为针对用户的推荐原料商品还包括：按照推荐度从高至低的顺序对最终推荐集中包括的原料商品进行排序；调整属于同一类型的原料商品的顺序和推荐数量；选取预设数量的序号在前的原料商品确定为用户的推荐原料商品。可以将用户的行为数据、各个纺织原料的原料特征、上下文信息中的至少一者输入至预测模型，以确定用户的第三推荐候选集。即可以通过预测模型对输入的数据进行分析，以对用户可能感兴趣的原料商品，即确定针对每个用户的第三推荐候选集。可以根据第一推荐候选集、第二推荐候选集以及第三推荐候选集确定出针对该用户的最终推荐集，并可以将最终推荐集中包括的原料商品确定为针对用户的推荐原料商品。

在一个实施例中，方法还包括：获取用户的实时操作日志；根据所操作日志确定原料商品的推荐曝光率和曝光点击率中的至少一者；根据推荐曝光率和曝光点击率调整针对用户的推荐原料商品。

实时流用于实时从日志中获取有效信息，对于用户访问频次较高的应用属于必需品，可以反馈用户的实时行为和原料的实时统计信息，使用流式计算工具flink进行处理。通常可以从数据仓库中生成的离线画像数据是天级或小时级的定时任务，对一些需要实时反馈用户行为的场景无法满足要求，例如用户刚曝光过的数据需要过滤或降权，刚点过的原料商品在一刷推荐时可以推些相似的物品，一些负反馈信息需要记录并实时生效，通过实时收集的用户日志根据不同需求逻辑进行实时计算能快速获取这些信息，反馈给系统快速做出变化。具体地，通过实时收集到用户在APP上的操作日志，通过大数据实时计算引擎flink等，计算出APP上原料商品的推荐曝光率，曝光点击率等指标。推荐曝光率＝推荐后用户实际能看到的原料商品数量/实时推荐出来的原料商品数量。曝光点击率＝实际点击的原料商品数量/推荐后用户实际能看到的实际原料商品数量。推荐曝光率高的话，表明用户愿意一直刷系统自动推荐给该用户的原料商品列表，所以用户一直刷列表，一直曝光不同原料商品。曝光点击率高的话，说明用户不止愿意刷系统推荐给他的原料商品列表，不止看列表上的摘要等，还会点击进去看具体原料商品的详情内容。根据功能不同实时计算结果一般输出到不同的redis key当中，供线上取用。原料侧的计算目标类似，例如原料被曝光、点击、点赞等数据的实时情况，特别是新原料经过冷启动曝光后，能快速反映出这个原料的效果走势，判别出原料质量优劣，影响其后续的推荐策略。原料的实时计算结果也存在redis当中。

在一个实施例中，上述方法还包括：对行为数据进行特征提取，以确定对应的用户特征；确定获取行为数据中包含的每个操作行为对应的原料商品的商品特征；根据商品特征和行为数据确定每个用户特征的特征权重；通过特征权重调整针对用户的推荐原料商品。

将上述三类召回组合使用，多路召回共同构成候选集，在召回过程中根据业务规则对用户曝光、点击或负反馈等数据进行过滤，同时召回层面也需要兼顾用户兴趣与多样性探索，否则用户可能陷入到细化看的内容越来越多，后面精排的操作空间较小，用户未知偏好的内容推不出来。因此需要在召回阶段让候选集类别更多样，协同过滤的原理能够产生一定多样性但也是在相似的圈子里打转，可以通过对更多类别或相似类别进行探索召回。可以重排来优化用户体验，同类内容的控量或打散，也需要根据用户行为进行策略上的调整，根据用户连续几刷点或不点来决定下一刷控量打散的度量等。同时还需要调整内容多样性来进行兴趣探索，特别是对于画像及行为不够丰富的用户。同时对于运营业务也需要在这里调整排序，比如纺织行业相关政策内容的置顶、热点内容的加权、运营内容的提权或降权等。经过重排序后的所有原料，就整装待发，根据前端调用所需返回结果数量进行topN截断，展示给用户。因此，可以根据用户的实时操作日志来确定确定原料商品的推荐曝光率和曝光点击率，并根据推荐曝光率和曝光点击率调整针对用户的推荐原料商品。

在本申请中，还可以提供线上预测功能。线上使用预测服务的形式，可以实时提供预测推断服务，通过推荐引擎接口将待排序候选集的原料id、用户id以及请求上下文信息传给预测服务。预测服务中也分为特征抽取、原料打分排序等模块。通过传入的原料id及用户id，可以从特征库中在线抽取特征，结合上下文特征得到所有候选集的特征信息，进而通过模型中各特征权重，计算每个原料的打分。这个过程中注意被抽取的特征id要同训练好模型中的特征id保持一致，同时各原料特征抽取和打分过程通过并行化方式提升系统性能。训练好的模型由离线训练流程定时同步到线上预测服务机器。

上述的纺织原料推荐方法中，利用了纺织行业的工厂产能大数据，根据用户画像，原料商品的画像等匹配关系，满足了个人用户和认证企业用户更精准的原料匹配推荐需求，实现更加智能化的原料商品推荐，推荐准确率更高。

本申请实施例提供了一种存储介质，其上存储有程序，该程序被处理器执行时实现上述纺织原料推荐方法。

本申请实施例提供了一种处理器，处理器用于运行程序，其中，程序运行时执行上述纺织原料推荐方法。

在一个实施例中，提供了一种纺织原料推荐装置，包括上述的处理器。

处理器中包含内核，由内核去存储器中调取相应的程序单元。内核可以设置一个或以上，通过调整内核参数来实现上述的纺织原料推荐方法。

存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)，存储器包括至少一个存储芯片。

在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图3所示。该计算机设备包括通过系统总线连接的处理器A01、网络接口A02、存储器(图中未示出)和数据库(图中未示出)。其中，该计算机设备的处理器A01用于提供计算和控制能力。该计算机设备的存储器包括内存储器A03和非易失性存储介质A04。该非易失性存储介质A04存储有操作系统B01、计算机程序B02和数据库(图中未示出)。该内存储器A03为非易失性存储介质A04中的操作系统B01和计算机程序B02的运行提供环境。该计算机设备的网络接口A02用于与外部的终端通过网络连接通信。该计算机程序B02被处理器A01执行时以实现一种纺织原料推荐方法。

本领域技术人员可以理解，图3中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。

本申请实施例提供了一种设备，设备包括处理器、存储器及存储在存储器上并可在处理器上运行的程序，处理器执行程序时实现以下步骤：获取用户的行为数据；根据行为数据确定用户在各个维度上针对纺织原料商品的兴趣程度以及用户之间的用户相似度；根据兴趣程度确定针对用户的第一推荐候选集；确定原料商品之间的原料相似度；根据用户相似度和原料相似度，确定用户的第二推荐候选集；将用户的行为数据、各个纺织原料的原料特征、上下文信息中的至少一者输入至预测模型，以确定用户的第三推荐候选集；根据第一推荐候选集、第二推荐候选集以及第三推荐候选集确定用户的最终推荐集；将最终推荐集中包括的原料商品确定为针对用户的推荐原料商品。

在一个实施例中，行为数据包括用户在多个不同时长的时间段内针对原料商品的操作行为；根据行为数据确定用户对纺织原料商品的兴趣程度以及用户之间的用户相似度包括：获取用户每个操作行为对应的原料商品的商品属性；根据操作行为和商品属性确定用户针对每个原料商品的兴趣程度。

在一个实施例中，商品属性包括商品关键词；根据操作行为和商品属性确定用户针对每个原料商品的兴趣程度包括：针对每个原料商品，确定用户针对原料商品的商品关键词的兴趣得分；对兴趣得分进行排序，以确定用户针对商品关键词的偏好序列；根据偏好序列确定用户在关键词维度上针对每个原料商品的兴趣程度。

在一个实施例中，确定用户针对原料商品的商品关键词的兴趣得分包括：根据以下公式确定兴趣得分：

其中，score_k指用户对关键词k的兴趣得分，i是指行为数据中用户第i个操作的原料商品，a_i是指第i个操作的原料商品对应的行为权重，w_i是指关键词k针对第i个操作的原料商品的权重，f(t_i)为时间衰减函数，表明用户在时间t对第i个操作的原料商品的兴趣衰减程度。

在一个实施例中，确定原料商品之间的原料相似度包括：获取各个原料商品的原料数据；根据原料数据确定每个原料商品的特征向量；对特征向量进行聚类，以确定原料商品之间的原料相似度。

在一个实施例中，将最终推荐集中包括的原料商品确定为针对用户的推荐原料商品还包括：按照推荐度从高至低的顺序对最终推荐集中包括的原料商品进行排序；调整属于同一类型的原料商品的顺序和推荐数量；选取预设数量的序号在前的原料商品确定为用户的推荐原料商品。

在一个实施例中，方法还包括：对行为数据进行特征提取，以确定对应的用户特征；确定获取行为数据中包含的每个操作行为对应的原料商品的商品特征；根据商品特征和行为数据确定每个用户特征的特征权重；通过特征权重调整针对用户的推荐原料商品。

在一个实施例中，方法还包括：获取用户的实时操作日志；根据所述操作日志确定原料商品的推荐曝光率和曝光点击率中的至少一者；根据推荐曝光率和曝光点击率调整针对用户的推荐原料商品。

本申请还提供了一种计算机程序产品，当在数据处理设备上执行时，适于执行初始化有如下方法步骤的程序：获取用户的行为数据；根据行为数据确定用户在各个维度上针对纺织原料商品的兴趣程度以及用户之间的用户相似度；根据兴趣程度确定针对用户的第一推荐候选集；确定原料商品之间的原料相似度；根据用户相似度和原料相似度，确定用户的第二推荐候选集；将用户的行为数据、各个纺织原料的原料特征、上下文信息中的至少一者输入至预测模型，以确定用户的第三推荐候选集；根据第一推荐候选集、第二推荐候选集以及第三推荐候选集确定用户的最终推荐集；将最终推荐集中包括的原料商品确定为针对用户的推荐原料商品。

本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。

存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。存储器是计算机可读介质的示例。

计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。

还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。

以上仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。