[發明專利]對象推薦方法和裝置、推薦信息處理方法和裝置

有效

• 申請號: 201610154736.3
• 申請日: 2016-03-17
• 公開（公告）號: CN107203558B
• 公開（公告）日: 2021-03-09
• 發明（設計）人: 黃帆
• 申請（專利權）人: 騰訊科技（深圳）有限公司
• 主分類號: G06F16/9535
• 分類號: G06F16/9535
• 代理公司: 廣州華進聯合專利商標代理有限公司 44224
• 代理人: 何平;鄧云鵬

1.一種對象推薦方法，所述方法包括：

獲取候選對象集合中各對象的原始分值；所述對象包括用戶、商品和應用程序中的至少一種；所述對象的原始分值通過對所述對象的多個維度的對象屬性進行評分得到；

獲取當前對象推薦場景下預設的目標分值概率累積分布；

將所述原始分值按照升序或者降序排序，并按照排序順序依次調整每個原始分值為相應的目標分值，使得所述目標分值滿足所述目標分值概率累積分布；所述目標分值為與所述對象對應的預測事件發生的概率值；當所述對象為用戶時，所述預測事件為加好友事件；當所述對象為商品時，所述預測事件為商品購買事件；當所述對象為應用程序時，所述預測事件為應用程序下載事件；

根據所述目標分值從所述候選對象集合中挑選相應的對象；

生成與挑選出的對象對應的推薦信息，并將所述推薦信息推送至終端；所述推薦信息包括對象描述文本、描述圖片和對應的目標分值中的至少一種。

2.根據權利要求1所述的方法，其特征在于，所述將所述原始分值按照升序或者降序排序，并按照排序順序依次調整每個原始分值為相應的目標分值，使得所述目標分值滿足所述目標分值概率累積分布，包括：

將所述原始分值按照升序排序，根據排序結果獲得各所述原始分值對應的原始分值概率累積值；

根據所述目標分值概率累積分布，將所述原始分值概率累積值映射為與所述原始分值概率累積值匹配的目標分值概率累積值；

將所述原始分值映射為與所述目標分值概率累積值對應的目標分值。

3.根據權利要求2所述的方法，其特征在于，所述根據所述目標分值概率累積分布，將所述原始分值概率累積值映射為與所述原始分值概率累積值匹配的目標分值概率累積值，包括：

根據所述目標分值概率累積分布，查找與所述原始分值概率累積值相等的目標分值概率累積值；

若查找到，則將所述原始分值概率累積值映射為查找到的目標分值概率累積值；

若未查找到，則

將所述原始分值概率累積值映射為與所述原始分值概率累積值最接近的目標分值概率累積值；或者，

將所述原始分值概率累積值映射為小于所述原始分值概率累積值的最大目標分值概率累積值；或者，

將所述原始分值概率累積值映射為大于所述原始分值概率累積值的最小目標分值概率累積值；或者，

獲取小于所述原始分值概率累積值的最大目標分值概率累積值和大于所述原始分值概率累積值的最小目標分值概率累積值間的平均值，將所述原始分值概率累積值映射為所述平均值。

4.根據權利要求1所述的方法，其特征在于，所述目標分值是根據預測模型對預測樣本集進行概率預測獲得的概率值，且所述預測模型是根據訓練樣本集并通過邏輯回歸算法進行訓練獲得的。

5.根據權利要求1所述的方法，其特征在于，所述方法還包括：

獲取當前對象推薦場景下的全量訓練樣本集和全量預測樣本集；

根據所述全量訓練樣本集并通過邏輯回歸算法訓練獲得預測模型；

根據所述預測模型對全量預測樣本集進行分值預測，獲得目標分值概率分布；

根據所述目標分值概率分布獲得相應的目標分值概率累積分布。

6.根據權利要求1所述的方法，其特征在于，所述方法還包括：

獲取當前對象推薦場景下的全量訓練樣本集和全量預測樣本集；

對所述全量訓練樣本集進行均勻采樣，根據采樣獲得的訓練樣本并通過邏輯回歸算法訓練獲得預測模型；

對所述預測模型進行校準；

根據校準的預測模型對全量預測樣本集進行分值預測，獲得目標分值概率分布；

根據所述目標分值概率分布獲得相應的目標分值概率累積分布。

7.根據權利要求6所述的方法，其特征在于，所述對所述全量訓練樣本集進行均勻采樣，根據采樣獲得的訓練樣本并通過邏輯回歸算法訓練獲得預測模型，包括：

對所述全量訓練樣本集中的全量負訓練樣本進行均勻采樣，根據所述全量訓練樣本集中的全量正訓練樣本和采樣獲得的負訓練樣本并通過邏輯回歸算法訓練獲得預測模型。