[发明专利]基于逻辑回归推荐方法、装置、计算设备、可读存储介质

说明书

本发明涉及基于逻辑回归推荐方法，混合推荐方法为：S1、获取用户行为相关数据；S2、根据步骤S1获取的用户行为相关数据，提取物品特征元数据、用户特征元数据、用户行为特征元数据，并对元数据进行处理，通过CF算法和CB算法进行检索引擎的搜索，对物品召回，得到粗排序索引库数据；S3、物品召回完成后，利用训练后的逻辑回归模型对粗排序索引库数据进一步精排序，得到精排序索引库数据；S4、按规定的度量标准对精排序索引库数据进行去重过滤，取出前N项推荐结果返回给页面，呈现给用户。本发明在基于内容和协同过滤方法的基础上，融入逻辑回归模型的推荐方法，能够有效提升推荐效果。

技术领域

本发明属于个性化推荐技术领域，尤其涉及一种基于逻辑回归精排序模型的混合推荐方法。

背景技术

随着大数据时代的到来，推荐系统已成为大众在面对海量互联网信息筛选问题时的最佳解决方案。一个完整的推荐系统其核心是推荐引擎，推荐引擎是一种算法，旨在通过从大量数据中过滤有用的信息，为用户提供所需的相关项目。推荐引擎可以通过存储和分析用户行为日志、物品评分等历史信息挖掘数据集中的样本模式，进一步分析用户特征，产生与用户需求和兴趣共同相关的项目结果，提供推荐服务。这些推荐系统给用户带来便捷的信息筛选服务的同时，也丰富了用户的互联网生活。

传统的推荐算法包括协同过滤推荐算法(Collaborative FilteringRecommendation，CF算法)和基于内容的推荐算法(Content-based Recommendation，CB算法)，这两种算法也是大多数电商网站和门户网站所采取的推荐方案，应用十分广泛。CF算法是通过用户历史行为信息和物品信息，生成UI(User-Item)矩阵，通过矩阵计算出推荐内容间的相关程度，给出推荐结果。CB算法具体分为两种，引入item属性的基于内容推荐即以物品特征为相似度的计算依据，和引入user属性的基于内容推荐即以用户特征作为相似度的计算依据。上述两种算法在实际的推荐应用中都存在一些问题，传统的CF算法和CB算法由于仅仅依赖于物品特征或用户特征分析，推荐精度较低、缺乏个性化，推荐结果无法对用户进行有效解释并且易产生马太效应，同时可能会由于用户行为稀疏而导致推荐结果覆盖率低的问题。

因此，基于这些问题，提供一种使用CF算法和CB算法进行项目召回完成粗排序后，再利用逻辑回归算法(Logistic Regression，LR算法)建立精排序的算法模型完成筛选工作，对索引库中由CB算法、CF算法召回的数据进行去重、精排，筛选出最终的Top-N推荐结果反馈给用户的基于逻辑回归精排序模型的混合推荐方法，具有重要的现实意义。

发明内容

本发明的目的在于克服现有技术的不足，提供一种使用CF算法和CB算法进行项目召回完成粗排序后，再利用逻辑回归算法(Logistic Regression，LR算法)建立精排序的算法模型完成筛选工作，对索引库中由CB算法、CF算法召回的数据进行去重、精排，筛选出最终的Top-N推荐结果反馈给用户的基于逻辑回归精排序模型的混合推荐方法。

本发明解决其技术问题是采取以下技术方案实现的：

基于逻辑回归推荐方法，所述混合推荐方法为：

S1、获取用户行为相关数据；

S2、根据步骤S1获取的用户行为相关数据，提取物品特征元数据、用户特征元数据、用户行为特征元数据，并对元数据进行处理，通过CF算法和CB算法进行检索引擎的搜索，对物品召回，得到粗排序索引库数据；

S3、物品召回完成后，利用训练后的逻辑回归模型对粗排序索引库数据进一步精排序，得到精排序索引库数据，其中，所述逻辑回归模型的表示方法为：

P(y＝1|x；θ)表示给定x条件下事件y发生的条件概率，即用户选中物品y的概率，θ是该条件概率的权重列向量，x为条件行向量；θ^T为权重列向量的转置；