1.本发明涉及移动互联网技术领域，特别地涉及一种基于多模型融合的快速云服务召回推荐方法
背景技术：2.现有技术的推荐方式：现有云服务召回方法中，存在桶边界固化或泛化参数不合理问题，这造成较邻近候选点(云服务)易丢失的问题；另一方面，单一推荐模型具有各自的局限性，模型推荐效果仍有一定的改进空间。
3.通过使用改进的云服务快速召回方法及多模型融合方法，提高模型的推荐实时性和推荐效果。
技术实现要素：4.针对上述现有技术存在的问题，本发明提供一种基于多模型融合的快速云服务召回推荐方法，以解决上述提到的技术问题。
5.为了实现上述目的，本发明通过以下技术方案实现：首先，对推荐物品进行清洗及预处理，包括但不限于去冗余、去噪、零空值填充，提取物品的数值、文本、图像特征。
6.进一步优化地，使用改进的基于正态分布的局部敏感哈希策略粗排算法，对推荐候选集进行粗排序和召回，将百万级别甚至更高的候选物品，进行初筛，降低到万级或以下，进而输入到精排层进行精排序和推荐。该部分主要对局部敏感哈希召回方法进行改进。由于大规模云服务推荐常常出现时延高、响应慢的问题，而基于局部敏感哈希多桶召回策略由于桶边界固化，导致邻近点易于丢失的问题，故本发明在局部敏感哈希的基础上，加入正态分布的随机偏置项，泛化桶边界，提高云服务较邻近候选点召回率。其中改进后的局部敏感哈希多桶召回策略表达式如公式所示：
[0007][0008]
其中，是向下取整操作，^是与操作，x是高维空间中的k维embdding向量，v是随机生成的k维映射向量，w是分桶宽度，bn是到间的一个正态分布随机变量，避免分桶边界固化。
[0009]
进一步优化地，输入到精排层(多模型融合推荐模型)，对物品进行打分与精排序，最终返回topn推荐结果列表。多模型融合推荐模型针对单一模型具有各自的特长与局限性，同时也为了提高云服务推荐结果多样性，通过集成学习的方法，整合多个弱的点击率预估模型，形成一个强点击率预估模型，提高模型推荐效果。
[0010]
综上，本发明提供一种基于多模型融合的快速云服务召回推荐方法，本发明通过设计基于正态分布的局部敏感哈希多桶策略云服务召回方法，解决大规模云服务推荐时延高、较邻近点易丢失的问题，提高了推荐实时性；同时通过使用集成学习方法融合多模型特
长的方法，解决云服务推荐结果缺乏多样性及模型自身各具局限性的问题，进而提高模型推荐效果。
附图说明
[0011]
图1是本发明的快速云服务召回层处理流程示意图；
[0012]
图2是本发明的多模型融合方法结构示意图；
具体实施方式
[0013]
下面结合附图对本发明做进一步说明。
[0014]
如图1-2所示，本发明是一种基于多模型融合的快速云服务召回推荐方法，首先，对推荐物品进行清洗及预处理，包括但不限于去冗余、去噪、零空值填充，提取物品的数值、文本、图像特征。
[0015]
进一步优化地，使用改进的基于正态分布的局部敏感哈希策略粗排算法，对推荐候选集进行粗排序和召回，将百万级别甚至更高的候选物品，进行初筛，降低到万级或以下，进而输入到精排层进行精排序和推荐。该部分主要对局部敏感哈希召回方法进行改进。由于大规模云服务推荐常常出现时延高、响应慢的问题，而基于局部敏感哈希多桶召回策略由于桶边界固化，导致邻近点易于丢失的问题，故本发明在局部敏感哈希的基础上，加入正态分布的随机偏置项，泛化桶边界，提高云服务较邻近候选点召回率。其中改进后的局部敏感哈希多桶召回策略表达式如公式所示：
[0016][0017]
其中，是向下取整操作，^是与操作，x是高维空间中的k维embdding向量，v是随机生成的k维映射向量，w是分桶宽度，bn是到间的一个正态分布随机变量，避免分桶边界固化。
[0018]
进一步优化地，输入到精排层(多模型融合推荐模型)，对物品进行打分与精排序，最终返回topn推荐结果列表。多模型融合推荐模型针对单一模型具有各自的特长与局限性，同时也为了提高云服务推荐结果多样性，通过集成学习的方法，整合多个弱的点击率预估模型，形成一个强点击率预估模型，提高模型推荐效果。
[0019]
综上，本发明提供一种基于多模型融合的快速云服务召回推荐方法，本发明通过设计基于正态分布的局部敏感哈希多桶策略云服务召回方法，解决大规模云服务推荐时延高、较邻近点易丢失的问题，提高了推荐实时性；同时通过使用集成学习方法融合多模型特长的方法，解决云服务推荐结果缺乏多样性及模型自身各具局限性的问题，进而提高模型推荐效果。
技术特征：1.一种基于多模型融合的快速云服务召回推荐方法，其特征在于，本召回推荐方法首先对推荐物品进行清洗及预处理，包括但不限于去冗余、去噪、零空值填充，提取物品的数值、文本、图像特征。2.根据权利要求1所述一种基于多模型融合的快速云服务召回推荐方法，其特征在于，使用改进的基于正态分布的局部敏感哈希策略粗排算法，对推荐候选集进行粗排序和召回，将百万级别甚至更高的候选物品，进行初筛，降低到万级或以下，进而输入到精排层进行精排序和推荐。该部分主要对局部敏感哈希召回方法进行改进。由于大规模云服务推荐常常出现时延高、响应慢的问题，而基于局部敏感哈希多桶召回策略由于桶边界固化，导致邻近点易于丢失的问题，故本发明在局部敏感哈希的基础上，加入正态分布的随机偏置项，泛化桶边界，提高云服务较邻近候选点召回率。其中改进后的局部敏感哈希多桶召回策略表达式如公式所示：。3.根据权利要求1所述一种基于多模型融合的快速云服务召回推荐方法，其特征在于，输入到精排层(多模型融合推荐模型)，对物品进行打分与精排序，最终返回topn推荐结果列表。多模型融合推荐模型针对单一模型具有各自的特长与局限性，同时也为了提高云服务推荐结果多样性，通过集成学习的方法，整合多个弱的点击率预估模型，形成一个强点击率预估模型，提高模型推荐效果。
技术总结本发明提供了一种基于多模型融合的快速云服务召回推荐方法，首先，对推荐物品进行清洗及预处理，包括但不限于去冗余、去噪、零空值填充，提取物品的数值、文本、图像特征过设计基于正态分布的局部敏感哈希多桶策略云服务召回方法，解决大规模云服务推荐时延高、较邻近点易丢失的问题，提高了推荐实时性；同时通过使用集成学习方法融合多模型特长的方法，解决云服务推荐结果缺乏多样性及模型自身各具局限性的问题，进而提高模型推荐效果。进而提高模型推荐效果。进而提高模型推荐效果。
技术研发人员：李少波 杨明宝 周鹏 张钧星 张安思 傅广
受保护的技术使用者：贵州大学
技术研发日：2022.03.29
技术公布日：2022/7/5
