推薦算法優(yōu)化方法、裝置及系統(tǒng)的制作方法
【專利摘要】本發(fā)明公開了一種推薦算法優(yōu)化方法、裝置及系統(tǒng)，屬于計算機(jī)【技術(shù)領(lǐng)域】。所述方法包括：獲取統(tǒng)計的各個推薦算法的效果數(shù)據(jù)；根據(jù)每個推薦算法的所述效果數(shù)據(jù)在各個推薦算法中的比重獲取每個推薦算法的流量分流概率；根據(jù)所述流量分流概率為每個推薦算法分配流量請求。本發(fā)明通過實時獲取每個推薦算法的推薦成功率自動為每個推薦算法分配流量，解決了現(xiàn)有技術(shù)中在優(yōu)化的過程中，需要人工為推薦算法分配流量，優(yōu)化周期長的問題；達(dá)到了可以大大降低優(yōu)化周期，提高優(yōu)化效率及準(zhǔn)確率的效果。
【專利說明】推薦算法優(yōu)化方法、裝置及系統(tǒng)

【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及計算機(jī)【技術(shù)領(lǐng)域】，特別涉及一種推薦算法優(yōu)化方法、裝置及系統(tǒng)。

【背景技術(shù)】
[0002] 推薦系統(tǒng)的推薦引擎中通常會同時運(yùn)行多個推薦算法，在離線時統(tǒng)計每個推薦算 法的效果數(shù)據(jù)；然后基于離線統(tǒng)計的結(jié)果，調(diào)整每個推薦算法的流量分配，從而進(jìn)一步優(yōu)化 整體的推薦效果。
[0003] 傳統(tǒng)的推薦算法優(yōu)化的流程如下：確定新推薦算法以及對應(yīng)的少量流量；待推薦 引擎準(zhǔn)備好后，管理人員在前端為該新推薦算法進(jìn)行流量分配；觀察該新推薦算法的推薦 效果，若推薦效果較優(yōu)，則管理人員繼續(xù)將流量分配給該新推薦算法；重復(fù)上面的流程直到 將流量都分配給推薦效果最好的推薦算法。
[0004] 在實現(xiàn)本發(fā)明的過程中，發(fā)明人發(fā)現(xiàn)上述技術(shù)至少存在以下問題：在優(yōu)化的過程 中，需要人工根據(jù)推薦效果為推薦算法分配流量，優(yōu)化周期長。


【發(fā)明內(nèi)容】

[0005] 為了解決現(xiàn)有技術(shù)中在優(yōu)化的過程中，需要人工為推薦算法分配流量，優(yōu)化周期 長的問題，本發(fā)明實施例提供了一種推薦算法優(yōu)化方法、裝置及系統(tǒng)。所述技術(shù)方案如下：
[0006] 第一方面，提供了一種推薦算法優(yōu)化方法，所述方法包括：
[0007] 獲取統(tǒng)計的各個推薦算法的效果數(shù)據(jù)，所述效果數(shù)據(jù)用于反映每個推薦算法在相 同的統(tǒng)計時間窗口所對應(yīng)的推薦成功率；
[0008] 根據(jù)每個推薦算法的所述效果數(shù)據(jù)在各個推薦算法中的比重獲取每個推薦算法 的流量分流概率；
[0009] 根據(jù)所述流量分流概率為每個推薦算法分配流量請求。
[0010] 第二方面，提供了一種推薦算法優(yōu)化裝置，所述裝置包括：
[0011] 獲取模塊，用于獲取統(tǒng)計的各個推薦算法的效果數(shù)據(jù)，所述效果數(shù)據(jù)用于反映每 個在相同的統(tǒng)計時間窗口所對應(yīng)的推薦成功率；
[0012] 計算模塊，用于根據(jù)所述獲取模塊獲取的每個推薦算法的所述效果數(shù)據(jù)在各個推 薦算法中的比重獲取每個推薦算法的流量分流概率；
[0013] 分配模塊，用于根據(jù)所述計算模塊計算得到的所述流量分流概率為每個推薦算法 分配流量請求。
[0014] 第三方面，提供了一種推薦算法優(yōu)化系統(tǒng)，所述系統(tǒng)包括服務(wù)器和至少一個終 端；
[0015] 所述服務(wù)器包括如第二方面所述的推薦算法優(yōu)化裝置。
[0016] 本發(fā)明實施例提供的技術(shù)方案帶來的有益效果是：
[0017] 通過獲取統(tǒng)計的各個推薦算法的效果數(shù)據(jù)；根據(jù)每個推薦算法的效果數(shù)據(jù)計算每 個推薦算法的流量分流概率；根據(jù)每個推薦算法的流量分流概率為每個推薦算法分配流量 請求；解決了現(xiàn)有技術(shù)中在優(yōu)化的過程中，需要人工為推薦算法分配流量，優(yōu)化周期長的問 題；這里推薦算法的效果數(shù)據(jù)反映了推薦算法的推薦成功率，由于可以根據(jù)統(tǒng)計的每個推 薦算法的推薦成功率自動為每個推薦算法分配流量，能更好的為推薦成功率較高的推薦算 法分配較多的流量，從而達(dá)到了可以大大降低優(yōu)化周期，提高優(yōu)化效率及準(zhǔn)確率的效果。

【專利附圖】

【附圖說明】
[0018] 為了更清楚地說明本發(fā)明實施例中的技術(shù)方案，下面將對實施例描述中所需要使 用的附圖作簡單地介紹，顯而易見地，下面描述中的附圖僅僅是本發(fā)明的一些實施例，對于 本領(lǐng)域普通技術(shù)人員來講，在不付出創(chuàng)造性勞動的前提下，還可以根據(jù)這些附圖獲得其他 的附圖。
[0019] 圖1是本發(fā)明一個實施例中提供的推薦算法優(yōu)化方法所涉及的實施環(huán)境的示意 圖；
[0020] 圖2是本發(fā)明一個實施例中提供的推薦算法優(yōu)化方法的方法流程圖；
[0021] 圖3A是本發(fā)明另一個實施例中提供的推薦算法優(yōu)化方法的方法流程圖；
[0022] 圖3B是本發(fā)明部分實施例中提供的對選取的各個時間段所對應(yīng)的推薦成功率進(jìn) 行統(tǒng)計的統(tǒng)計示意圖；
[0023] 圖4是部分實施例中所涉及的服務(wù)器的內(nèi)部結(jié)構(gòu)關(guān)系的示意圖；
[0024] 圖5是一個實施例中為流量請求分配推薦算法的過程的流程圖；
[0025] 圖6是本發(fā)明一個實施例中提供的推薦算法優(yōu)化裝置的結(jié)構(gòu)示意圖；
[0026] 圖7是本發(fā)明另一個實施例中提供的推薦算法優(yōu)化裝置的結(jié)構(gòu)示意圖；
[0027] 圖8是本發(fā)明部分實施例中提供的服務(wù)器的結(jié)構(gòu)示意圖；
[0028] 圖9是本發(fā)明一個實施例中提供的推薦算法優(yōu)化系統(tǒng)的示意圖。

【具體實施方式】
[0029] 為使本發(fā)明的目的、技術(shù)方案和優(yōu)點更加清楚，下面將結(jié)合附圖對本發(fā)明實施方 式作進(jìn)一步地詳細(xì)描述。文中所講的"至少一個"是指一個、兩個或兩個以上。
[0030] 請參見圖1所示，其示出了本發(fā)明一個實施例中提供的推薦算法優(yōu)化方法所涉及 的實施環(huán)境的示意圖。該實施環(huán)境可以包括服務(wù)器120和至少一個終端140,服務(wù)器120可 以通過有線網(wǎng)絡(luò)方式或無線網(wǎng)絡(luò)方式與終端140連接。
[0031] 服務(wù)器120具有向終端140推薦業(yè)務(wù)的功能，比如可以根據(jù)該終端用戶在瀏覽器 中的瀏覽內(nèi)容、搜索內(nèi)容以及用戶的操作等信息為該用戶推薦相應(yīng)的業(yè)務(wù)。該服務(wù)器120 可以是一臺服務(wù)器，或者由若干臺服務(wù)器組成的服務(wù)器集群，或者是一個云計算服務(wù)中心。 該服務(wù)器140可以是推薦系統(tǒng)的后臺服務(wù)器。
[0032] 終端140可以對服務(wù)器120發(fā)送的推薦業(yè)務(wù)進(jìn)行響應(yīng)，比如點擊瀏覽該推薦業(yè) 務(wù)。終端140通?？梢园ㄖ悄苁謾C(jī)、平板電腦、智能電視、電子書閱讀器、MP3播放器 (Moving Picture Experts Group Audio Layer III，動態(tài)影像專家壓縮標(biāo)準(zhǔn)音頻層面 3)、 MP4 (Moving Picture Experts Group Audio Layer IV，動態(tài)影像專家壓縮標(biāo)準(zhǔn)音頻層面 4)播放器、膝上型便攜計算機(jī)和臺式計算機(jī)等等。
[0033] 請參見圖2所示，其示出了本發(fā)明一個實施例中提供的推薦算法優(yōu)化方法的方法 流程圖。該推薦算法優(yōu)化方法主要以應(yīng)用于圖1所示的實施環(huán)境中的服務(wù)器120中進(jìn)行舉 例說明。該推薦算法優(yōu)化方法可以包括：
[0034] 201，獲取統(tǒng)計的各個推薦算法的效果數(shù)據(jù)，效果數(shù)據(jù)用于反映每個推薦算法在相 同的統(tǒng)計時間窗口所對應(yīng)的推薦成功率；
[0035] 202,根據(jù)每個推薦算法的效果數(shù)據(jù)在各個推薦算法中的比重獲取每個推薦算法 的流量分流概率；
[0036] 203,根據(jù)流量分流概率為每個推薦算法分配流量請求。
[0037] 綜上所述，本發(fā)明實施例提供的推薦算法優(yōu)化方法，通過獲取統(tǒng)計的各個推薦算 法的效果數(shù)據(jù)；根據(jù)每個推薦算法的效果數(shù)據(jù)計算每個推薦算法的流量分流概率；根據(jù)流 量分流概率為每個推薦算法分配流量請求；解決了現(xiàn)有技術(shù)中在優(yōu)化的過程中，需要人工 為推薦算法分配流量，優(yōu)化周期長的問題；這里推薦算法的效果數(shù)據(jù)反映了推薦算法的推 薦成功率，由于可以根據(jù)統(tǒng)計的每個推薦算法的推薦成功率自動為每個推薦算法分配流 量，能更好的為推薦成功率較高的推薦算法分配較多的流量，從而達(dá)到了可以大大降低優(yōu) 化周期，提高優(yōu)化效率及準(zhǔn)確率的效果。
[0038] 請參見圖3A所示，其示出了本發(fā)明一個實施例中提供的推薦算法優(yōu)化方法的方 法流程圖。該推薦算法優(yōu)化方法主要以應(yīng)用于圖1所示的實施環(huán)境中的服務(wù)器120中進(jìn)行 舉例說明。該推薦算法優(yōu)化方法可以包括：
[0039] 301，對于每一個推薦算法，獲取推薦算法在屬于統(tǒng)計時間窗口內(nèi)的至少兩個互相 重疊的時間段所對應(yīng)的推薦成功率，互相重疊的每個時間段具有相同的統(tǒng)計結(jié)束時刻和不 同的統(tǒng)計開始時刻；
[0040] 這里所講的推薦算法可用于為終端提供推薦業(yè)務(wù)的服務(wù)。在實際應(yīng)用中，提供推 薦業(yè)務(wù)的服務(wù)器中通?？梢园卸鄠€推薦算法，當(dāng)終端向該服務(wù)器發(fā)送流量請求時，月艮 務(wù)器則可以為該流量請求選擇一個推薦算法，根據(jù)該推薦算法為該流量請求確定出推薦結(jié) 果，并將推薦結(jié)果發(fā)送給終端，這樣，終端則可以根據(jù)推薦結(jié)果進(jìn)行響應(yīng)，比如可以對推薦 結(jié)果進(jìn)行點擊瀏覽等（即對推薦結(jié)果進(jìn)行成功響應(yīng))，當(dāng)然，終端也可以選擇忽視該推薦結(jié) 果，即不對該推薦結(jié)果進(jìn)行任何響應(yīng)或不進(jìn)行成功響應(yīng)。
[0041] 服務(wù)器可以結(jié)合推薦算法的推薦成功率為推薦算法分配流量請求。很顯然，在獲 取推薦算法成功率時，需要根據(jù)已收集到的終端對推薦算法所推薦的推薦結(jié)果進(jìn)行的響應(yīng) 反饋來確定推薦算法的推薦成功率。
[0042] 在實際應(yīng)用的過程中，由于推薦算法的推薦成功率會受到很多因素的影響，很多 時候在較短的時間段內(nèi)并不穩(wěn)定，比如一個推薦算法在1天前的每天內(nèi)，推薦的成功率都 比較低，但在這1天的推薦成功率突然增加很多（比如節(jié)日當(dāng)天促銷，網(wǎng)上售價比較低，此 時推薦給終端的推薦成功率會比較高)，這1天的推薦成功率是不能準(zhǔn)確代表該推薦算法的 推薦成功率的，因此，在具體統(tǒng)計的過程中，通常會選取多個不同的時間段進(jìn)行推薦算法的 優(yōu)化，每個時間段具有相同的統(tǒng)計結(jié)束時刻和不同的統(tǒng)計開始時刻。這里所講的相同的統(tǒng) 計結(jié)束時刻為統(tǒng)計時間窗口的結(jié)束時刻，該統(tǒng)計結(jié)束時刻可以與本次統(tǒng)計時的統(tǒng)計時刻相 同，也可以與本次統(tǒng)計時的統(tǒng)計時刻不同，即可以為在本次統(tǒng)計的統(tǒng)計時刻之前的某一個 時刻。
[0043] 舉例來講，在同一個統(tǒng)計時刻對推薦算法所對應(yīng)的一些時間段進(jìn)行統(tǒng)計時，可以 選擇在該統(tǒng)計時刻之前的多個不同時間段進(jìn)行統(tǒng)計，比如可以統(tǒng)計該推薦算法在統(tǒng)計時刻 前的5分鐘內(nèi)的推薦成功率，還可以統(tǒng)計該推薦算法在統(tǒng)計時刻前的1小時內(nèi)的推薦成功 率，這里統(tǒng)計時間窗口的結(jié)束時刻與統(tǒng)計時刻相同。比如，統(tǒng)計時刻為2012年9月10日的 上午9點，選取的時間段可以為以2012年9月10日的上午9點為結(jié)束時刻的5分鐘內(nèi)，以 2012年9月10日的上午9點為結(jié)束時刻的1小時內(nèi)，或以2012年9月10日的上午9點為 結(jié)束時刻的1天內(nèi)、1周內(nèi)或1個月內(nèi)等，并統(tǒng)計每個推薦算法分別在這些時間段內(nèi)進(jìn)行推 薦的推薦成功率。
[0044] 請參見圖3B所示，其示出了本發(fā)明部分實施例中提供的對選取的各個時間段所 對應(yīng)的推薦成功率進(jìn)行統(tǒng)計的統(tǒng)計示意圖，圖3B中示出了推薦算法1在選取的各個時間段 所對應(yīng)的推薦成功率，以及推薦算法2在選取的各個時間段所對應(yīng)的推薦成功率，其中，選 取的時間段分別為：統(tǒng)計時刻前的5分鐘內(nèi)（第一時間段)、統(tǒng)計時刻前的15分鐘內(nèi)（第二時 間段)、統(tǒng)計時刻前的35分鐘內(nèi)（第三時間段)和統(tǒng)計時刻前的60分鐘內(nèi)（第四時間段)。對 于推薦算法1來講，在第一時間段內(nèi)統(tǒng)計出的推薦成功率為37%，在第二時間段內(nèi)統(tǒng)計出的 推薦成功率為70%，在第三時間段內(nèi)統(tǒng)計出的推薦成功率為24%，在第四時間段內(nèi)統(tǒng)計出的 推薦成功率為50% ;對于推薦算法2來講，在第一時間段內(nèi)統(tǒng)計出的推薦成功率為64%，在第 二時間段內(nèi)統(tǒng)計出的推薦成功率為25%，在第三時間段內(nèi)統(tǒng)計出的推薦成功率為50%，在第 四時間段內(nèi)統(tǒng)計出的推薦成功率為37%。
[0045] 再舉例來講，在同一個統(tǒng)計時刻對推薦算法所對應(yīng)的一些時間段進(jìn)行統(tǒng)計時，可 以選擇在某一個指定時刻之前的多個不同時間段進(jìn)行統(tǒng)計，這里所講的指定時刻為統(tǒng)計 時間窗口的結(jié)束時刻，該統(tǒng)計時間窗口的結(jié)束時刻為本次統(tǒng)計的統(tǒng)計時刻之前的某一個時 亥lj。如，統(tǒng)計時刻為2012年9月10日的上午9點，指定時刻可以為2012年9月9日的 上午7點，這樣選取的時間段可以為以2012年9月9日的上午7點為結(jié)束時刻的5分鐘內(nèi)， 以2012年9月9日的上午7點為結(jié)束時刻的1小時內(nèi)，或以2012年9月9日的上午7點 為結(jié)束時刻的1天內(nèi)或1周內(nèi)等，并統(tǒng)計每個推薦算法在這些時間段內(nèi)進(jìn)行推進(jìn)的推薦成 功率。
[0046] 在一種可能的實現(xiàn)方式中，獲取推薦算法在每個時間段內(nèi)的推薦成功率的具體過 程如下：
[0047] 第一，獲取推薦算法在每個時間段中對應(yīng)的響應(yīng)動作和推薦結(jié)果，響應(yīng)動作是至 少一個終端在時間段內(nèi)對根據(jù)推薦算法確定的推薦結(jié)果的成功響應(yīng)，推薦結(jié)果是在時間段 內(nèi)根據(jù)推薦算法確定的推薦結(jié)果；
[0048] 在具體應(yīng)用時，終端會不斷地向服務(wù)器發(fā)送流量請求，服務(wù)器在接收到流量請求 之后，會為流量請求分配推薦算法，且服務(wù)器在為一個流量請求分配推薦算法之后，通常還 對該流量請求進(jìn)行標(biāo)記，該標(biāo)記用于表示該流量請求是標(biāo)記的推薦算法進(jìn)行推薦處理的， 對應(yīng)的，推薦算法對該流量請求進(jìn)行處理，為該流量請求確定一個推薦結(jié)果，并將推薦結(jié)果 反饋給發(fā)送該流量請求的終端，這樣，終端則可以根據(jù)推薦結(jié)果進(jìn)行積極的響應(yīng)操作，比如 點擊瀏覽等，很顯然，如果終端的用戶對推薦結(jié)果沒有興趣，通常會選擇忽略該推薦結(jié)果， 比如不對該推薦結(jié)果進(jìn)行響應(yīng)或直接關(guān)閉該推薦結(jié)果。這里所講的響應(yīng)動作為終端根據(jù)推 薦結(jié)果進(jìn)行積極地響應(yīng)操作，或者說終端根據(jù)推薦結(jié)果進(jìn)行的成功響應(yīng)。
[0049] 由于將推薦結(jié)果發(fā)送給終端的時間以及終端反饋響應(yīng)動作的時候均是可以確定 的，因此可以獲取在確定的時間段中某個推薦算法對應(yīng)的響應(yīng)動作和推薦結(jié)果。
[0050] 第二，統(tǒng)計響應(yīng)動作的數(shù)量與推薦結(jié)果的數(shù)量；
[0051] 對于一個時間段來講，服務(wù)器可以統(tǒng)計該時間段內(nèi)每一個推薦算法所對應(yīng)的響應(yīng) 動作的總數(shù)量和推薦結(jié)果的總數(shù)量。
[0052] 第三，將響應(yīng)動作的數(shù)量除以推薦結(jié)果的數(shù)量得到的商值確定為推薦算法在時間 段內(nèi)的推薦成功率。
[0053] 對于一個時間段來講，將統(tǒng)計出的某個推薦算法的響應(yīng)動作的數(shù)量除以推薦結(jié)果 的數(shù)量，得到一個商值，則可以將該商值作為該時間段內(nèi)該推薦算法的推薦成功率。需要說 明的是，在實際應(yīng)用中，由于終端并不完全對推薦結(jié)果進(jìn)行響應(yīng)，因此該商值通常小于1。
[0054] 值得注意的是，對于不同的推薦算法，選取的時間段均應(yīng)當(dāng)是相同的。舉例來講， 對于推薦算法1來講，選取的時間段為統(tǒng)計時刻前1小時的時間段和統(tǒng)計時刻前7天的時 間段，相應(yīng)的，對于推薦算法2來講，選取的時間段也應(yīng)當(dāng)為統(tǒng)計時刻前1小時的時間段和 統(tǒng)計時刻前7天的時間段。
[0055] 302,將互相重疊的每個時間段所對應(yīng)的推薦成功率和與時間段對應(yīng)的權(quán)重相乘， 得到乘積，將每個乘積相加得到的和值確定為推薦算法統(tǒng)計時間窗口的效果數(shù)據(jù)；
[0056] 在通常情況下，由于不同的時間段對推薦成功率的影響可能是不同的，因此在確 定推薦算法的總的推薦成功率時，通常需要根據(jù)實際情況預(yù)先為不同的時間段設(shè)置權(quán)重。 舉例來說，統(tǒng)計時刻前的7天內(nèi)的第一時間段與統(tǒng)計時刻前的前5分鐘內(nèi)的第二時間段通 常對推薦成功率的影響不同；通常，第一時間段由于時間跨度較長，在此時間段內(nèi)的推薦成 功率能更好的預(yù)估后續(xù)該推薦算法的推薦效果，即對推薦算法的影響可能比較大，而第二 時間段由于時間跨度比較短，由于會存在網(wǎng)絡(luò)狀況等突發(fā)情況，在時間跨度較短的第二時 間段確定出的推薦成功率的穩(wěn)定性比較差；因此在考慮推薦效果時，通常會較少的考慮該 時間段的影響。
[0057] 對于一個推薦算法來講，由于根據(jù)步驟301已經(jīng)確定出了在多個時間段內(nèi)該推薦 算法的推薦成功率，則可以根據(jù)每個時間段所對應(yīng)的推薦成功率以及權(quán)重確定該推薦算法 的效果數(shù)據(jù)，即具體算法為：將該推薦算法的每個時間段內(nèi)所對應(yīng)的推薦成功率分別與對 應(yīng)的權(quán)重相乘，得到與每個時間段對應(yīng)的乘積，然后將每個乘積相加得到的和值，將該和值 確定為推薦算法的效果數(shù)據(jù)。舉例來講，若為推薦算法選取的時間段分別為統(tǒng)計時刻前的1 個小時、統(tǒng)計時刻前的3個小時、統(tǒng)計時刻前的5個小時、統(tǒng)計時刻前的1天、統(tǒng)計時刻前的 7天，統(tǒng)計出來的每個時間段對應(yīng)的推薦成功率分別為w_lhour、w_3hour、w_5hour、w_lday 和 w_7day，每個時間段對應(yīng)的權(quán)重分別為 Effect_lhour、Effect_3hour、Effect_5hour、 Effect_lday和Effect_7day，則最后得到的該推薦算法的效果數(shù)據(jù)則為：Effect_final=w -lhour*Effeet-lhour+w-3hour*Effeet-3hour+w-5hour*Effeet-5hour+w-lday*Effeet-1 day+w_7 day^Ef f ect_7 day 〇
[0058] 仍舊參見圖3B，如果為第一時間段、第二時間段、第三時間段和第四時間段設(shè)置的 權(quán)重分別為〇· 1、〇· 2、0· 3和0· 4,則推薦算法1的效果數(shù)據(jù)為：44· 9%=0· 1*37%+0· 2*70%+0· 3*24%+0· 4*50% ;類似的，推薦算法 2 的效果數(shù)據(jù)為：41· 2%=0· 1*64%+0· 2*25%+0· 3*50%+0· 4 氺 37%。
[0059] 303,將每個推薦算法的效果數(shù)據(jù)相加，得到和值；
[0060] 304,對于每一個推薦算法，將推薦算法的效果數(shù)據(jù)除以和值，得到推薦算法的流 量分流概率；
[0061] 舉例來講，存在三個推薦算法，分別為推薦算法1、推薦算法2和推薦算法3,每個 推薦算法的效果數(shù)據(jù)分別為效果數(shù)據(jù)1、效果數(shù)據(jù)2和效果數(shù)據(jù)3,則推薦算法1的流量分 流概率為：效果數(shù)據(jù)1八效果數(shù)據(jù)1+效果數(shù)據(jù)2+效果數(shù)據(jù)3)，對應(yīng)的，推薦算法2的流量 分流概率為：效果數(shù)據(jù)2八效果數(shù)據(jù)1+效果數(shù)據(jù)2+效果數(shù)據(jù)3)，推薦算法3的流量分流 概率為：效果數(shù)據(jù)3八效果數(shù)據(jù)1+效果數(shù)據(jù)2+效果數(shù)據(jù)3)。
[0062] 仍舊參見圖3B所示，假如僅存在推薦算法1和推薦算法2,則推薦算法1的流 量分流概率為：44. 9〇V(44. 9%+41. 2%) =52. 15%，推薦算法2的流量分流概率為：41. 2%/ (44. 9%+41, 2%) =47. 85%〇
[0063] 305,在預(yù)定時間段內(nèi)根據(jù)流量分流概率為每個推薦算法分配流量請求，預(yù)定時間 段為本次的統(tǒng)計結(jié)束時刻與下一次的統(tǒng)計結(jié)束時刻之間的時間段。
[0064] 在具體應(yīng)用時，由于服務(wù)器可能會接收大量終端發(fā)送來的流量請求，因此需要不 斷地統(tǒng)計出最新的流量分流概率才能更好的提高對流量請求的推薦效果。由于服務(wù)器很可 能在非常短的時間（比如1秒)中接收到大量的流量請求，如果每接收到一個流量請求，均去 統(tǒng)計出一套新的流量分流概率，則會使得推薦時間比較長，對服務(wù)器的處理要求比較高，且 由于在較短時間內(nèi)對推薦算法分配接收到的流量請求時的差別也通常不會太大，因此在計 算出流量分流概率之后，可以在持續(xù)的預(yù)定時間段內(nèi)使用該計算出的流量分流概率為推薦 算法分配流量請求，該預(yù)定時間段通常為本次的統(tǒng)計結(jié)束時刻與下一次的統(tǒng)計結(jié)束時刻之 間的時間段。該預(yù)定時間段的選取可以根據(jù)實際確定，比如可以確定為1分鐘、5分鐘或1 小時等。
[0065] 換句話說，在本次統(tǒng)計完成后，服務(wù)器可以根據(jù)統(tǒng)計出來的推薦算法的流量分流 概率為推薦算法分配流量請求，直到下一次統(tǒng)計完成得到新的推薦算法的流量分類概率， 此時則丟棄原有的推薦算法的流量分流概率，使用新的推薦算法的流量分類概率為推薦算 法分配流量請求。
[0066] 綜上所述，本發(fā)明實施例提供的推薦算法優(yōu)化方法，通過獲取統(tǒng)計的各個推薦算 法的效果數(shù)據(jù)；根據(jù)每個推薦算法的效果數(shù)據(jù)計算每個推薦算法的流量分流概率；根據(jù)流 量分流概率為每個推薦算法分配流量請求；解決了現(xiàn)有技術(shù)中在優(yōu)化的過程中，需要人工 為推薦算法分配流量，優(yōu)化周期長的問題；這里推薦算法的效果數(shù)據(jù)反映了推薦算法的推 薦成功率，由于可以根據(jù)統(tǒng)計的每個推薦算法的推薦成功率自動為每個推薦算法分配流 量，能更好的為推薦成功率較高的推薦算法分配較多的流量，從而達(dá)到了可以大大降低優(yōu) 化周期，提高優(yōu)化效率及準(zhǔn)確率的效果。
[0067] 在一種可能的實現(xiàn)方式中，請參見圖4所示，其示出了部分實施例中所涉及的服 務(wù)器的內(nèi)部結(jié)構(gòu)關(guān)系的示意圖，該服務(wù)器120可以包括但不限于：用戶接口處理單元42、接 入層44、數(shù)據(jù)庫46、統(tǒng)計單元48和存儲單元410,其中，用戶接口處理單元42可以用于獲取 終端140發(fā)送的各種信息，比如流量請求或響應(yīng)動作；接入層44可以調(diào)用推薦算法so_l， 推薦算法so_l和推薦算法so_3對流量請求進(jìn)行處理，在實際應(yīng)用中，可能還存在其他的推 薦算法，這里僅是進(jìn)行示意性舉例；數(shù)據(jù)庫46用于存放從終端140獲取的響應(yīng)動作的信息； 統(tǒng)計單元48可以根據(jù)數(shù)據(jù)庫中的響應(yīng)動作對每個推薦算法的效果數(shù)據(jù)進(jìn)行統(tǒng)計，一般的， 統(tǒng)計單元48可以實時對數(shù)據(jù)庫46中的響應(yīng)動作數(shù)據(jù)進(jìn)行統(tǒng)計，比如實時統(tǒng)計每個推薦算 法分別在1小時滑動窗口、3小時滑動窗口、5小時滑動窗口、1個自然天的固定窗口或7個 自然天的固定窗口的效果數(shù)據(jù)；存儲單元410用于存放統(tǒng)計單元48統(tǒng)計后的每個推薦算法 的效果數(shù)據(jù)。
[0068] 在具體實現(xiàn)時，用戶接口處理單元42接收終端140發(fā)送的流量請求，并將該流量 請求發(fā)送給接入層44,接入層44在接收到流量請求之后，則可以向存儲單元410請求查詢 每個推薦算法的效果數(shù)據(jù)，存儲單元410向接入層44返回每個推薦算法的效果數(shù)據(jù)，接入 層44根據(jù)從存儲單元410獲取的每個推薦算法的效果數(shù)據(jù)計算出每個推薦算法的流量分 流概率，接入層44根據(jù)計算得到的每個推薦算法流量分流概率為該流量請求分配推薦算 法。更優(yōu)的，接入層44在計算出每個推薦算法的流量分流概率之后，可以在指定時間段內(nèi) 持續(xù)使用該計算出的每個推薦算法的流量分流概率為流量請求分配推薦算法，比如可以將 該指定時間設(shè)置為1分鐘，當(dāng)1分鐘結(jié)束后，對接入層44中已經(jīng)存儲的每個推薦算法的流 量分流概率進(jìn)行刪除，這樣當(dāng)接收到下一個流量請求時，繼續(xù)執(zhí)行向存儲單元410請求查 詢每個推薦算法的效果數(shù)據(jù)的步驟。
[0069] 一般來講，該指定時間的設(shè)置是為了避免接入層在每接收到一個流量請求后，均 要到存儲單元410獲取每個推薦算法的效果數(shù)據(jù)，并根據(jù)獲取的每個推薦算法的效果數(shù)據(jù) 計算出每個推薦算法的流量分流概率的情況，因為在短時間內(nèi)從存儲單元410中多次獲取 的每個推薦算法的效果數(shù)據(jù)可能都是相同或相近，對優(yōu)化推薦算法的分配并無明顯的改 善，而這種頻繁從存儲單元410獲取效果數(shù)據(jù)并計算流量分流概率會較多的消耗服務(wù)器的 計算性能。
[0070] 很顯然，統(tǒng)計單元48可以直接根據(jù)統(tǒng)計出的每個推薦算法的效果數(shù)據(jù)計算出每 個推薦算法的流量分流概率，并將每個推薦算法的流量分流概率存儲至存儲單元410中， 此時，接入層44可以直接向存儲單元410請求查詢每個推薦算法的流量分流概率，存儲單 元410向接入層44返回每個推薦算法的流量分流概率。更優(yōu)的，統(tǒng)計單元48可以在每接 收到終端140發(fā)送的一個響應(yīng)動作時或每隔預(yù)定時間間隔所指示的時刻時進(jìn)行一次統(tǒng)計 操作，將每次統(tǒng)計出的每個推薦算法的流量分流概率存儲至存儲單元410中，對應(yīng)的，存儲 單元410可以將最后一次獲取的每個推薦算法的流量分流概率替換原來存在的每個推薦 算法的流量分流概率，或者存儲單元410可以將每次獲取的每個推薦算法的流量分流概率 均按照統(tǒng)計時間進(jìn)行保存，但這種情況下，當(dāng)接入層44向存儲單元410請求查詢每個推薦 算法的流量分流概率時，存儲單元410可以向接入層44返回最晚統(tǒng)計時間所對應(yīng)的每個推 薦算法的效果數(shù)據(jù)。
[0071] 接入層44還可以通過手動觸發(fā)的方式查詢存儲單元410中每個推薦算法的效果 數(shù)據(jù)或流量分流概率。
[0072] 值得注意的是，由于服務(wù)器120可以是一臺獨立的服務(wù)器，也可以是多個服務(wù)器 的組合，因此當(dāng)服務(wù)器120為一臺獨立的服務(wù)器時，這里的接入層44、數(shù)據(jù)庫46、統(tǒng)計單元 48和存儲單元410則為該臺服務(wù)器中的組成結(jié)構(gòu)，當(dāng)服務(wù)器120為多個服務(wù)器的組合時，這 里的接入層44、數(shù)據(jù)庫46、統(tǒng)計單元48和存儲單元410可以分別位于不同的服務(wù)器中。
[0073] 在另一種可能的實現(xiàn)方式中，請參見圖5所示，其示出了一個實施例中為流量請 求分配推薦算法的過程的流程圖，實現(xiàn)為流量請求分配推薦算法的過程的設(shè)備可以為圖4 中所示服務(wù)器中的接入層44中，該流量請求分配推薦算法的過程可以包括：
[0074] 501、接收至少一個終端發(fā)送的流量請求；
[0075] 比如，首先可以通過用戶接口處理單元42接收至少一個終端發(fā)送的流量請求，用 戶接口處理單元42將接收到的流量請求發(fā)送給接入層44,這樣接入層44也會同步接收到 至少一個終端發(fā)送的流量請求。
[0076] 502、遍歷緩存中所有推薦算法的效果數(shù)據(jù)；
[0077] 接入層44可以遍歷本地緩存中所有推薦算法的效果數(shù)據(jù)。
[0078] 503、若檢測到緩存中沒有推薦算法的效果數(shù)據(jù)或檢測到緩存中推薦算法的效果 數(shù)據(jù)過期，則觸發(fā)后端查詢推薦算法的效果數(shù)據(jù)；
[0079] 若接入層44檢測到本地緩存中沒有推薦算法的效果數(shù)據(jù)或檢測到本地緩存中推 薦算法的效果數(shù)據(jù)過期時，則可以出發(fā)后端的存儲單元410查詢推薦算法的效果數(shù)據(jù)。
[0080] 504、若檢測到緩存中推薦算法的效果數(shù)據(jù)未過期，則在緩存中查詢推薦算法的效 果數(shù)據(jù)；
[0081] 若接入層44檢測到緩存中推薦算法的效果數(shù)據(jù)未過期，則可以直接在本地緩存 中查詢推薦算法的效果數(shù)據(jù)。
[0082] 505、若某一個推薦算法的效果數(shù)據(jù)查詢失敗，則排除該推薦算法，得到剩余有效 的推薦算法；
[0083] 506、根據(jù)有效的推薦算法的效果數(shù)據(jù)，計算每個有效的推薦算法的流量分流概 率；
[0084] 507、根據(jù)計算出的每個有效的推薦算法的流量分流概率為該流量請求隨機(jī)分配 推薦算法。
[0085] 由上可知，由于推薦算法的效果數(shù)據(jù)反映了推薦算法的推薦成功率，且這里由于 可以根據(jù)統(tǒng)計的每個推薦算法的推薦成功率自動為每個推薦算法分配流量，能更好的為推 薦成功率較高的推薦算法分配較多的流量，從而達(dá)到了可以大大降低優(yōu)化周期，自動實現(xiàn) 分流優(yōu)化，提高優(yōu)化效率及準(zhǔn)確率的效果；同時，由于接入層中的本地緩存中可以緩存有推 薦算法的效果數(shù)據(jù)或流量分流概率，因此該推薦算法優(yōu)化方法也能自動容滅，避免某些推 薦算法在特定情況下，推薦效果急據(jù)下降，自動將流量分配給效果較好的算法。
[0086] 在其他可能的實現(xiàn)方式中，推薦算法在某個時間段內(nèi)的效果數(shù)據(jù)還可以為該時間 段內(nèi)響應(yīng)動作的總數(shù)量，對于一個推薦算法，可以將每個時間段所對應(yīng)的效果數(shù)據(jù)乘以為 該時間段設(shè)定的權(quán)重，得到乘積，將每個時間段所對應(yīng)的乘積相加，得到的和值為推薦算法 的總效果數(shù)據(jù)。根據(jù)每個推薦算法的總效果數(shù)據(jù)確定每個推薦算法所占的權(quán)重或者每個推 薦算法的流量分流概率。
[0087] 舉例來講，存在的推薦算法分別為推薦算法1、推薦算法2和推薦算法3,確定統(tǒng)計 的時間段分別為時間段1、時間段2和時間段3,為每個時間段分配的權(quán)重分別為wl、《2和 w3 ；
[0088] 對于推薦算法1來講，統(tǒng)計的時間段1內(nèi)的與推薦算法1對應(yīng)的響應(yīng)動作的總數(shù) 量為N11，統(tǒng)計的時間段2內(nèi)的與推薦算法1對應(yīng)的響應(yīng)動作的總數(shù)量為N12,統(tǒng)計的時間 段3內(nèi)的與推薦算法1對應(yīng)的響應(yīng)動作的總數(shù)量為N13,據(jù)此得到的推薦算法1的總效果數(shù) 據(jù)為疋1=￥1_11+￥2_12+￥3_13;
[0089] 對于推薦算法2來講，統(tǒng)計的時間段1內(nèi)的與推薦算法2對應(yīng)的響應(yīng)動作的總數(shù) 量為N21，統(tǒng)計的時間段2內(nèi)的與推薦算法2對應(yīng)的響應(yīng)動作的總數(shù)量為N22,統(tǒng)計的時間 段3內(nèi)的與推薦算法2對應(yīng)的響應(yīng)動作的總數(shù)量為N23,據(jù)此得到的推薦算法2的總效果數(shù) 據(jù)為：F2=wl*N21+w2*N22+w3*N23 ;
[0090] 對于推薦算法3來講，統(tǒng)計的時間段1內(nèi)的與推薦算法3對應(yīng)的響應(yīng)動作的總數(shù) 量為N31，統(tǒng)計的時間段2內(nèi)的與推薦算法3對應(yīng)的響應(yīng)動作的總數(shù)量為N32,統(tǒng)計的時間 段3內(nèi)的與推薦算法3對應(yīng)的響應(yīng)動作的總數(shù)量為N33,據(jù)此得到的推薦算法3的總效果數(shù) 據(jù)為：F3=wl*N31+w2*N32+w3*N33 ;
[0091] 這樣推薦算法1最后所占的權(quán)重或者說流量分流概率為：F1AF1+F2+F3)，推薦算 法2最后所占的權(quán)重或者說流量分流概率為：F2AF1+F2+F3)，推薦算法3最后所占的權(quán)重 或者說流量分流概率為：F3AF1+F2+F3)。
[0092] 以下為本發(fā)明的裝置實施例，對于其中未詳盡描述的細(xì)節(jié)，可以參考上述對應(yīng)的 方法實施例。
[0093] 請參見圖6所示，其示出了本發(fā)明一個實施例中提供的推薦算法優(yōu)化裝置的結(jié)構(gòu) 示意圖。該推薦算法優(yōu)化裝置主要以應(yīng)用于圖1所示的實施環(huán)境中的服務(wù)器120中進(jìn)行舉 例說明。該推薦算法優(yōu)化裝置可以包括：獲取模塊602、計算模塊604和分配模塊606。
[0094] 獲取模塊602,可以用于獲取統(tǒng)計的各個推薦算法的效果數(shù)據(jù)，效果數(shù)據(jù)用于反映 每個推薦算法在相同的統(tǒng)計時間窗口所對應(yīng)的推薦成功率；
[0095] 計算模塊604,可以用于根據(jù)獲取模塊602獲取的每個推薦算法的效果數(shù)據(jù)在各 個推薦算法中的比重獲取每個推薦算法的流量分流概率；
[0096] 分配模塊606,可以用于根據(jù)計算模塊604計算得到的流量分流概率為每個推薦 算法分配流量請求。
[0097] 綜上所述，本發(fā)明實施例提供的推薦算法優(yōu)化裝置，通過獲取統(tǒng)計的各個推薦算 法的效果數(shù)據(jù)；根據(jù)每個推薦算法的效果數(shù)據(jù)計算每個推薦算法的流量分流概率；根據(jù)流 量分流概率為每個推薦算法分配流量請求；解決了現(xiàn)有技術(shù)中在優(yōu)化的過程中，需要人工 為推薦算法分配流量，優(yōu)化周期長的問題；這里推薦算法的效果數(shù)據(jù)反映了推薦算法的推 薦成功率，由于可以根據(jù)統(tǒng)計的每個推薦算法的推薦成功率自動為每個推薦算法分配流 量，能更好的為推薦成功率較高的推薦算法分配較多的流量，從而達(dá)到了可以大大降低優(yōu) 化周期，提高優(yōu)化效率及準(zhǔn)確率的效果。
[0098] 請參見圖7所示，其示出了本發(fā)明一個實施例中提供的推薦算法優(yōu)化裝置的結(jié)構(gòu) 示意圖。該推薦算法優(yōu)化裝置主要以應(yīng)用于圖1所示的實施環(huán)境中的服務(wù)器120中進(jìn)行舉 例說明。該推薦算法優(yōu)化裝置可以包括：獲取模塊702、計算模塊704和分配模塊706。 [0099] 獲取模塊702,可以用于獲取統(tǒng)計的各個推薦算法的效果數(shù)據(jù)，效果數(shù)據(jù)用于反映 反映每個推薦算法在相同的統(tǒng)計時間窗口所對應(yīng)的推薦成功率；
[0100] 計算模塊704,可以用于根據(jù)獲取模塊702獲取的每個推薦算法的效果數(shù)據(jù)在各 個推薦算法中的比重獲取每個推薦算法的流量分流概率；
[0101] 分配模塊706,可以用于根據(jù)計算模塊704計算得到的流量分流概率為每個推薦 算法分配流量請求。
[0102] 在本實施例中的第一種可能的實現(xiàn)方式中，獲取模塊702可以包括：獲取子模塊 702a和確定子模塊702b。
[0103] 獲取子模塊702a，可以用于對于每一個推薦算法，獲取推薦算法在屬于統(tǒng)計時間 窗口內(nèi)的至少兩個互相重疊的時間段所對應(yīng)的推薦成功率，互相重疊的每個時間段具有相 同的統(tǒng)計結(jié)束時刻和不同的統(tǒng)計開始時刻；
[0104] 確定子模塊702b，可以用于將互相重疊的每個時間段所對應(yīng)的推薦成功率和與時 間段對應(yīng)的權(quán)重相乘，得到乘積，將每個乘積相加得到的和值確定為推薦算法在統(tǒng)計時間 窗口的效果數(shù)據(jù)。
[0105] 在本實施例中的第二種可能的實現(xiàn)方式中，獲取子模塊702a可以包括：獲取子單 元702al、統(tǒng)計子單元702a2和確定子單元702a3。
[0106] 獲取子單元702al，可以用于獲取推薦算法在每個時間段中對應(yīng)的響應(yīng)動作和推 薦結(jié)果，響應(yīng)動作是至少一個終端在時間段內(nèi)對根據(jù)推薦算法確定的推薦結(jié)果的成功響 應(yīng)，推薦結(jié)果是在時間段內(nèi)根據(jù)推薦算法確定的推薦結(jié)果；
[0107] 統(tǒng)計子單元702a2,可以用于統(tǒng)計響應(yīng)動作的數(shù)量與推薦結(jié)果的數(shù)量；
[0108] 確定子單元702a3,可以用于將統(tǒng)計子單元702a2統(tǒng)計出的響應(yīng)動作的數(shù)量除以 統(tǒng)計子單元702a2統(tǒng)計出的推薦結(jié)果的數(shù)量得到的商值確定為推薦算法在時間段內(nèi)的推 薦成功率。
[0109] 在本實施例中的第三種可能的實現(xiàn)方式中，計算模塊704可以包括：和值獲取子 模塊704a和概率獲取子模塊704b。
[0110] 和值獲取子模塊704a，可以用于將每個推薦算法的效果數(shù)據(jù)相加，得到和值；
[0111] 概率獲取子模塊704b，可以用于對于每一個推薦算法，將推薦算法的效果數(shù)據(jù)除 以和值，得到推薦算法的流量分流概率。
[0112] 在本實施例中的第四種可能的實現(xiàn)方式中，分配模塊706還可以用于：
[0113] 在預(yù)定時間段內(nèi)根據(jù)流量分流概率為每個推薦算法分配流量請求，預(yù)定時間段為 本次的統(tǒng)計結(jié)束時刻與下一次的統(tǒng)計結(jié)束時刻之間的時間段。
[0114] 綜上所述，本發(fā)明實施例提供的推薦算法優(yōu)化裝置，通過獲取統(tǒng)計的各個推薦算 法的效果數(shù)據(jù)；根據(jù)每個推薦算法的效果數(shù)據(jù)計算每個推薦算法的流量分流概率；根據(jù)流 量分流概率為每個推薦算法分配流量請求；解決了現(xiàn)有技術(shù)中在優(yōu)化的過程中，需要人工 為推薦算法分配流量，優(yōu)化周期長的問題；這里推薦算法的效果數(shù)據(jù)反映了推薦算法的推 薦成功率，由于可以根據(jù)統(tǒng)計的每個推薦算法的推薦成功率自動為每個推薦算法分配流 量，能更好的為推薦成功率較高的推薦算法分配較多的流量，從而達(dá)到了可以大大降低優(yōu) 化周期，提高優(yōu)化效率及準(zhǔn)確率的效果。
[0115] 需要說明的是：上述實施例中提供的推薦算法優(yōu)化裝置在對推薦算法進(jìn)行優(yōu)化 時，僅以上述各功能模塊的劃分進(jìn)行舉例說明，實際應(yīng)用中，可以根據(jù)需要而將上述功能分 配由不同的功能模塊完成，即將服務(wù)器的內(nèi)部結(jié)構(gòu)劃分成不同的功能模塊，以完成以上描 述的全部或者部分功能。另外，上述實施例提供的推薦算法優(yōu)化裝置與推薦算法優(yōu)化方法 實施例屬于同一構(gòu)思，其具體實現(xiàn)過程詳見方法實施例，這里不再贅述。
[0116] 請參見圖8所示，其示出了本發(fā)明部分實施例中提供的服務(wù)器的結(jié)構(gòu)方框圖。該 服務(wù)器800用于實施上述實施例提供的推薦算法優(yōu)化方法。該服務(wù)器800包括中央處理單 元（CPU) 801、包括隨機(jī)存取存儲器（RAM) 802和只讀存儲器（ROM) 803的系統(tǒng)存儲器804， 以及連接系統(tǒng)存儲器804和中央處理單元801的系統(tǒng)總線805。該服務(wù)器800還包括幫助 計算機(jī)內(nèi)的各個器件之間傳輸信息的基本輸入/輸出系統(tǒng)（I/O系統(tǒng))806,和用于存儲操作 系統(tǒng)813、應(yīng)用程序814和其他程序模塊815的大容量存儲設(shè)備807。
[0117] 該基本輸入/輸出系統(tǒng)806包括有用于顯不信息的顯不器808和用于用戶輸入信 息的諸如鼠標(biāo)、鍵盤之類的輸入設(shè)備809。其中該顯示器808和輸入設(shè)備809都通過連接到 系統(tǒng)總線805的輸入/輸出控制器810連接到中央處理單元801。該基本輸入/輸出系統(tǒng) 806還可以包括輸入輸出控制器810以用于接收和處理來自鍵盤、鼠標(biāo)、或電子觸控筆等多 個其他設(shè)備的輸入。類似地，輸入輸出控制器810還提供輸出到顯示屏、打印機(jī)或其他類型 的輸出設(shè)備。
[0118] 該大容量存儲設(shè)備807通過連接到系統(tǒng)總線805的大容量存儲控制器(未示出)連 接到中央處理單元801。該大容量存儲設(shè)備807及其相關(guān)聯(lián)的計算機(jī)可讀介質(zhì)為服務(wù)器800 提供非易失性存儲。也就是說，該大容量存儲設(shè)備807可以包括諸如硬盤或者CD-ROM驅(qū)動 器之類的計算機(jī)可讀介質(zhì)(未示出）。
[0119] 不失一般性，該計算機(jī)可讀介質(zhì)可以包括計算機(jī)存儲介質(zhì)和通信介質(zhì)。計算機(jī) 存儲介質(zhì)包括以用于存儲諸如計算機(jī)可讀指令、數(shù)據(jù)結(jié)構(gòu)、程序模塊或其他數(shù)據(jù)等信息的 任何方法或技術(shù)實現(xiàn)的易失性和非易失性、可移動和不可移動介質(zhì)。計算機(jī)存儲介質(zhì)包括 RAM、ROM、EPROM、EEPR0M、閃存或其他固態(tài)存儲其技術(shù)，CD-ROM、DVD或其他光學(xué)存儲、磁帶 盒、磁帶、磁盤存儲或其他磁性存儲設(shè)備。當(dāng)然，本領(lǐng)域技術(shù)人員可知該計算機(jī)存儲介質(zhì)不 局限于上述幾種。上述的系統(tǒng)存儲器804和大容量存儲設(shè)備807可以統(tǒng)稱為存儲器。
[0120] 根據(jù)本公開的各種實施例，該服務(wù)器800還可以通過諸如因特網(wǎng)等網(wǎng)絡(luò)連接到網(wǎng) 絡(luò)上的遠(yuǎn)程計算機(jī)運(yùn)行。也即服務(wù)器800可以通過連接在該系統(tǒng)總線805上的網(wǎng)絡(luò)接口單 元811連接到網(wǎng)絡(luò)812，或者說，也可以使用網(wǎng)絡(luò)接口單元811來連接到其他類型的網(wǎng)絡(luò)或 遠(yuǎn)程計算機(jī)系統(tǒng)(未示出）。
[0121] 該存儲器還包括一個或者一個以上的程序，該一個或者一個以上程序存儲于存儲 器中，且經(jīng)配置以由一個或者一個以上中央處理單元801執(zhí)行。上述一個或者多個中央處 理單元801具有如下功能 ：
[0122] 獲取統(tǒng)計的各個推薦算法的效果數(shù)據(jù)，效果數(shù)據(jù)用于反映每個推薦算法在相同的 統(tǒng)計時間窗口所對應(yīng)的推薦成功率；
[0123] 根據(jù)每個推薦算法的效果數(shù)據(jù)在各個推薦算法中的比重獲取每個推薦算法的流 量分流概率；
[0124] 根據(jù)流量分流概率為每個推薦算法分配流量請求。
[0125] 在本實施例中的第一種可能的實現(xiàn)方式中，獲取統(tǒng)計的各個推薦算法的效果數(shù) 據(jù)，包括：
[0126] 對于每一個推薦算法，獲取推薦算法在屬于統(tǒng)計時間窗口內(nèi)的至少兩個互相重疊 的時間段所對應(yīng)的推薦成功率，互相重疊的每個時間段具有相同的統(tǒng)計結(jié)束時刻和不同的 統(tǒng)計開始時刻；
[0127] 將互相重疊的每個時間段所對應(yīng)的推薦成功率和與時間段對應(yīng)的權(quán)重相乘，得到 乘積，將每個乘積相加得到的和值確定為推薦算法在統(tǒng)計時間窗口的效果數(shù)據(jù)。
[0128] 在本實施例中的第二種可能的實現(xiàn)方式中，獲取推薦算法在屬于統(tǒng)計時間窗口內(nèi) 的至少兩個互相重疊的時間段所對應(yīng)的推薦成功率，包括：
[0129] 獲取推薦算法在每個時間段中對應(yīng)的響應(yīng)動作和推薦結(jié)果，響應(yīng)動作是至少一個 終端在時間段內(nèi)對根據(jù)推薦算法確定的推薦結(jié)果的成功響應(yīng)，推薦結(jié)果是在時間段內(nèi)根據(jù) 推薦算法確定的推薦結(jié)果；
[0130] 統(tǒng)計響應(yīng)動作的數(shù)量與推薦結(jié)果的數(shù)量；
[0131] 將響應(yīng)動作的數(shù)量除以推薦結(jié)果的數(shù)量得到的商值確定為推薦算法在時間段內(nèi) 的推薦成功率。
[0132] 在本實施例中的第三種可能的實現(xiàn)方式中，根據(jù)每個推薦算法的效果數(shù)據(jù)在各個 推薦算法中的比重獲取每個推薦算法的流量分流概率，包括：
[0133] 將每個推薦算法的效果數(shù)據(jù)相加，得到和值；
[0134] 對于每一個推薦算法，將推薦算法的效果數(shù)據(jù)除以和值，得到推薦算法的流量分 流概率。
[0135] 在本實施例中的第四種可能的實現(xiàn)方式中，根據(jù)流量分流概率為每個推薦算法分 配流量請求，包括：
[0136] 在預(yù)定時間段內(nèi)根據(jù)流量分流概率為每個推薦算法分配流量請求，預(yù)定時間段為 本次的統(tǒng)計結(jié)束時刻與下一次的統(tǒng)計結(jié)束時刻之間的時間段。
[0137] 請參見圖9所示，其示出了本發(fā)明一個實施例中提供的推薦算法優(yōu)化系統(tǒng)的示意 圖，該推薦算法優(yōu)化系統(tǒng)主要以應(yīng)用于圖1所示的實施環(huán)境中進(jìn)行舉例說明。該推薦算法 優(yōu)化系統(tǒng)可以包括服務(wù)器902和至少一個終端904,服務(wù)器902通過有線網(wǎng)絡(luò)方式或無線網(wǎng) 絡(luò)方式與終端904連接，終端904可以向服務(wù)器902發(fā)送流量請求，服務(wù)器902可以為終端 904反饋推薦結(jié)果，對應(yīng)的，終端904可以選擇對該推薦結(jié)果進(jìn)行響應(yīng)。
[0138] 服務(wù)器902可以包括圖6或圖7中所描述的推薦算法優(yōu)化裝置，或服務(wù)器902可 以為圖8中所描述的服務(wù)器。
[0139] 綜上所述，本發(fā)明實施例提供的推薦算法優(yōu)化系統(tǒng)，通過在服務(wù)器獲取統(tǒng)計的各 個推薦算法的效果數(shù)據(jù)；根據(jù)每個推薦算法的效果數(shù)據(jù)計算每個推薦算法的流量分流概 率；根據(jù)流量分流概率為每個推薦算法分配流量請求；解決了現(xiàn)有技術(shù)中在優(yōu)化的過程 中，需要人工為推薦算法分配流量，優(yōu)化周期長的問題；這里推薦算法的效果數(shù)據(jù)反映了推 薦算法的推薦成功率，由于可以根據(jù)統(tǒng)計的每個推薦算法的推薦成功率自動為每個推薦算 法分配流量，能更好的為推薦成功率較高的推薦算法分配較多的流量，從而達(dá)到了可以大 大降低優(yōu)化周期，提高優(yōu)化效率及準(zhǔn)確率的效果。
[0140] 上述本發(fā)明實施例序號僅僅為了描述，不代表實施例的優(yōu)劣。
[0141] 本領(lǐng)域普通技術(shù)人員可以理解實現(xiàn)上述實施例的全部或部分步驟可以通過硬件 來完成，也可以通過程序來指令相關(guān)的硬件完成，所述的程序可以存儲于一種計算機(jī)可讀 存儲介質(zhì)中，上述提到的存儲介質(zhì)可以是只讀存儲器，磁盤或光盤等。
[0142] 以上所述僅為本發(fā)明的較佳實施例，并不用以限制本發(fā)明，凡在本發(fā)明的精神和 原則之內(nèi)，所作的任何修改、等同替換、改進(jìn)等，均應(yīng)包含在本發(fā)明的保護(hù)范圍之內(nèi)。
【權(quán)利要求】
1. 一種推薦算法優(yōu)化方法，其特征在于，所述方法包括： 獲取統(tǒng)計的各個推薦算法的效果數(shù)據(jù)，所述效果數(shù)據(jù)用于反映每個推薦算法在相同的 統(tǒng)計時間窗口所對應(yīng)的推薦成功率； 根據(jù)每個推薦算法的所述效果數(shù)據(jù)在各個推薦算法中的比重獲取每個推薦算法的流 量分流概率； 根據(jù)所述流量分流概率為每個推薦算法分配流量請求。
2. 根據(jù)權(quán)利要求1所述的方法，其特征在于，所述獲取統(tǒng)計的各個推薦算法的效果數(shù) 據(jù)，包括： 對于每一個推薦算法，獲取所述推薦算法在屬于所述統(tǒng)計時間窗口內(nèi)的至少兩個互相 重疊的時間段所對應(yīng)的推薦成功率，互相重疊的每個時間段具有相同的統(tǒng)計結(jié)束時刻和不 同的統(tǒng)計開始時刻； 將互相重疊的每個時間段所對應(yīng)的推薦成功率和與所述時間段對應(yīng)的權(quán)重相乘，得到 乘積，將每個乘積相加得到的和值確定為所述推薦算法在所述統(tǒng)計時間窗口的效果數(shù)據(jù)。
3. 根據(jù)權(quán)利要求2所述的方法，其特征在于，所述獲取所述推薦算法在屬于所述統(tǒng)計 時間窗口內(nèi)的至少兩個互相重疊的時間段所對應(yīng)的推薦成功率，包括： 獲取所述推薦算法在每個時間段中對應(yīng)的響應(yīng)動作和推薦結(jié)果，所述響應(yīng)動作是至少 一個終端在所述時間段內(nèi)對根據(jù)所述推薦算法確定的推薦結(jié)果的成功響應(yīng)，所述推薦結(jié)果 是在所述時間段內(nèi)根據(jù)所述推薦算法確定的推薦結(jié)果； 統(tǒng)計所述響應(yīng)動作的數(shù)量與所述推薦結(jié)果的數(shù)量； 將所述響應(yīng)動作的數(shù)量除以所述推薦結(jié)果的數(shù)量得到的商值確定為所述推薦算法在 所述時間段內(nèi)的推薦成功率。
4. 根據(jù)權(quán)利要求2或3所述的方法，其特征在于，所述根據(jù)每個推薦算法的所述效果數(shù) 據(jù)在各個推薦算法中的比重獲取每個推薦算法的流量分流概率，包括： 將每個推薦算法的所述效果數(shù)據(jù)相加，得到和值； 對于每一個推薦算法，將所述推薦算法的效果數(shù)據(jù)除以所述和值，得到所述推薦算法 的流量分流概率。
5. 根據(jù)權(quán)利要求4所述的方法，其特征在于，所述根據(jù)所述流量分流概率為每個推薦 算法分配流量請求，包括： 在預(yù)定時間段內(nèi)根據(jù)所述流量分流概率為每個推薦算法分配流量請求，所述預(yù)定時間 段為本次的所述統(tǒng)計結(jié)束時刻與下一次的統(tǒng)計結(jié)束時刻之間的時間段。
6. -種推薦算法優(yōu)化裝置，其特征在于，所述裝置包括： 獲取模塊，用于獲取統(tǒng)計的各個推薦算法的效果數(shù)據(jù)，所述效果數(shù)據(jù)用于反映每個在 相同的統(tǒng)計時間窗口所對應(yīng)的推薦成功率； 計算模塊，用于根據(jù)所述獲取模塊獲取的每個推薦算法的所述效果數(shù)據(jù)在各個推薦算 法中的比重獲取每個推薦算法的流量分流概率； 分配模塊，用于根據(jù)所述計算模塊計算得到的所述流量分流概率為每個推薦算法分配 流量請求。
7. 根據(jù)權(quán)利要求6所述的裝置，其特征在于，所述獲取模塊，包括： 獲取子模塊，用于對于每一個推薦算法，獲取所述推薦算法在屬于所述統(tǒng)計時間窗口 內(nèi)的至少兩個互相重疊的時間段所對應(yīng)的推薦成功率，互相重疊的每個時間段具有相同的 統(tǒng)計結(jié)束時刻和不同的統(tǒng)計開始時刻； 確定子模塊，用于將互相重疊的每個時間段所對應(yīng)的推薦成功率和與所述時間段對應(yīng) 的權(quán)重相乘，得到乘積，將每個乘積相加得到的和值確定為所述推薦算法在所述統(tǒng)計時間 窗口的效果數(shù)據(jù)。
8. 根據(jù)權(quán)利要求7所述的裝置，其特征在于，所述獲取單元，包括： 獲取子單元，用于獲取所述推薦算法在每個時間段中對應(yīng)的響應(yīng)動作和推薦結(jié)果，所 述響應(yīng)動作是至少一個終端在所述時間段內(nèi)對根據(jù)所述推薦算法確定的推薦結(jié)果的成功 響應(yīng)，所述推薦結(jié)果是在所述時間段內(nèi)根據(jù)所述推薦算法確定的推薦結(jié)果； 統(tǒng)計子單元，用于統(tǒng)計所述響應(yīng)動作的數(shù)量與所述推薦結(jié)果的數(shù)量； 確定子單元，用于將所述統(tǒng)計子單元統(tǒng)計出的所述響應(yīng)動作的數(shù)量除以所述統(tǒng)計子單 元統(tǒng)計出的所述推薦結(jié)果的數(shù)量得到的商值確定為所述推薦算法在所述時間段內(nèi)的推薦 成功率。
9. 根據(jù)權(quán)利要求7或8所述的裝置，其特征在于，所述計算模塊，包括： 和值獲取單元，用于將每個推薦算法的所述效果數(shù)據(jù)相加，得到和值； 概率獲取單元，對于每一個推薦算法，將所述推薦算法的效果數(shù)據(jù)除以所述和值，得到 所述推薦算法的流量分流概率。
10. 根據(jù)權(quán)利要求9所述的裝置，其特征在于，所述分配模塊，還用于： 在預(yù)定時間段內(nèi)根據(jù)所述流量分流概率為每個推薦算法分配流量請求，所述預(yù)定時間 段為本次的所述統(tǒng)計結(jié)束時刻與下一次的統(tǒng)計結(jié)束時刻之間的時間段。
11. 一種推薦算法優(yōu)化系統(tǒng)，其特征在于，所述系統(tǒng)包括服務(wù)器和至少一個終端； 所述服務(wù)器包括如權(quán)利要求6至10中任一所述的推薦算法優(yōu)化裝置。
【文檔編號】G06F17/30GK104090893SQ201310689281
【公開日】2014年10月8日 申請日期:2013年12月13日 優(yōu)先權(quán)日:2013年12月13日
【發(fā)明者】程章敏 申請人:深圳市騰訊計算機(jī)系統(tǒng)有限公司