[发明专利]一种目标对象的推荐排序处理方法、装置及服务器

说明书

本说明书实施例公开了一种目标对象的推荐排序处理方法、装置及服务器。一些实施例中综合考虑递增频度和衰减频度对排序结果的影响，同时还考虑递了递增与衰减的影响程度。根据所述递增频度数据、递增步长、衰减频度数据、衰减步长确定目标对象的优先级权重；根据所述优先级权重，确定所述目标对象的推荐排序结果。本说明书一些实施例中可以设置增频度参数、衰减频度参数，每个参数可以配置单独的步长，从而计算优先级权重分值，可以快速获得一种简捷高效进行优先级排序推荐的方法，免去了大数据采集、机器学习等繁琐过程和与之相伴的成本，同时又保留了适配不同场景的灵活性。

技术领域

本说明书实施例方案属于金融业务中的计算机数据处理技术领域，尤其涉及一种目标对象的推荐排序处理方法、装置及服务器。

背景技术

在软件应用开发中存在很多需要进行推荐排序的场景。例如应用在某段时间产生多个不同业务的推送消息，若消息同时全部推送给用户，会造成不好的应用使用体验，因此常常需要对业务的消息进行排序，选出排名靠前的消息作为优先推荐给用户的消息。当然，在不同的场景下还有其他的推送需求，例如新产品的体验、优惠券的发放等，在应用开发或设计时，常常需要面对推荐排序的优化问题。

现有开发推荐机制通常采用机器学习的方式，依托大数据采集分析完成。现有方案的处理流程通常包括：

a)采集大量客户行为数据，并对数据进行过滤清洗，选择关键数据因子，分成训练集和测试集；

b)对客户行为数据进行预处理，对客户进行监督或无监督学习以聚群分类；

c)选取多维机器学习算法，基于客户分群和行为数据学习推荐模型；

d)对推荐模型进行迭代调优，确定推荐模型。利用推荐模型输出的排序果进行推荐。

现有的方案需要大量的训练数据进行机器学习，模型训练过程繁琐复杂，耗时长，机器学习计算机资源消耗较大以及大量数据的获取成本较高。最终产生推荐模型旺旺可读性、可理解性较差，预测结果完全依赖训练样本，输出结果可靠性难以控制。

因此，业内亟需一种可以更加简洁、可靠、灵活配置以适应不同场景需求的推荐实现方案。

发明内容

本说明书实施例目的在于提供一种目标对象的推荐排序处理方法、装置及服务器，可以快速完成推荐机制的建立，获得推荐排序结果，降低获取推荐排序的复杂度，减少成本和资源消耗。

本说明书实施例提供的一种目标对象的推荐排序处理方法、装置及服务器是包括以下方式实现的：

一种目标对象的推荐排序处理方法，所述方法包括：

获取目标对象的递增频度数据和衰减频度数据，所述递增频度数据包括确定为会提升排序优先级的因子，所述衰减频度数据包括确定为会降低排序优先级的因子；

分别确定所述递增频度数据对应的递增步长、衰减频度数据对应的衰减步长，所述递增步长表示因子对提升排序优先级的影响程度数据，所述衰减步长表示因子对降低排序优先级的影响程度数据；

根据所述递增频度数据、递增步长、衰减频度数据、衰减步长确定所述目标对象的优先级权重；

根据所述优先级权重，确定所述目标对象的推荐排序结果。

一个方法实施例中，所述递增频度数据包括所述目标对象被使用者的作用次数。

一个方法实施例中，所述衰减频度数据包括所述目标对象未被使用者作用的时间长度。

一个方法实施例中，所述根据所述递增频度数据、递增步长、衰减频度数据、衰减步长确定所述目标对象的优先级权重包括：

根据所述递增频度数据、递增步长、衰减频度数据、衰减步长计算所述目标对象的优先级权重的波动幅度；