一种推荐结果排序修正方法及装置，电子设备制造方法及图纸

本申请涉及一种推荐结果排序修正方法，属于计算机技术领域，解决现有技术中推荐排序方法中存在的推荐结果准确率低的问题。本申请实施例公开的推荐结果排序修正方法包括：获取当前用户对历史推荐结果的实时行为数据，根据所述实时行为数据，构造所述当前用户针对当前推荐结果执行预设行为的概率分布模型，并进一步根据所述概率分布模型的采样值，对所述当前推荐结果进行修正。本申请的排序修正方法，通过基于用户的实时行为统计量对推荐结果列表的排序进行修正，推荐结果基于用户的行为习惯获得，有效提升了推荐结果的准确率，同时，提升了用户体验。

【技术实现步骤摘要】
一种推荐结果排序修正方法及装置，电子设备
本申请涉及计算机
，特别是涉及一种推荐结果排序修正方法及装置，电子设备。
技术介绍
针对用户的个性化排序是推荐系统里面很重要的一个研究课题。随着网络平台业务的快速发展，每次用户在访问平台页面上的展位时，都有上百商家及产品被召回，进入到候选集展示给用户。现有技术中，推荐结果列表主要通过推荐模型，如Learntorank(排序学习)模型获取。Learntorank模型将机器学习技术应用到排序中，通过对每个用户的推荐结果排序问题抽象为最优化问题；数据源是过去一段时间内的用户行为日志，通过特征工程构造排序特征求解最优化问题。这种排序方法受限于系统采集的用户行为日志，因为用户的误点或者线上日志记录的问题，会导致得到的日志中会有很多噪声；基于行为日志训练机器学习模型，将会导致学习到的模型不准确，为了提升推荐效果，通常做法是对推荐结果列表的排序进行修正。现有技术中常用的修正方法包括：对于推荐结果列表进行人为干预，对曝光多次，但是一直没点击的推荐结果做降权处理；或者，在训练数据中增加用户-推荐结果维度的交叉特征。然而，基于点击率调权时，在推荐结果曝光次数足够多的情况下，点击率是一个常量，即推荐结果每次的调权值都是固定的，起不到优化推荐结果的作用。而用户-推荐结果维度的交叉特征较难衡量，同样无法有效修正推荐结果的排序。可见，现有技术中的推荐结果排序修正方法，依然无法解决推荐结果准确率低的问题。
技术实现思路
本申请提供一种推荐结果排序修正方法，至少解决现有技术中的推荐排序方法存在的推荐结果准确率低的问题。为了解决上述问题，第一方面，本申请实施例提供了一种推荐结果排序修正方法包括：获取当前用户对历史推荐结果的实时行为数据；根据所述实时行为数据，构造所述当前用户针对当前推荐结果执行预设行为的概率分布模型；根据所述概率分布模型的采样值，对所述当前推荐结果进行修正。第二方面，本申请实施例提供了一种推荐结果排序修正装置，包括：实时行为数据获取模块，用于获取当前用户对历史推荐结果的实时行为数据；用户行为概率分布模型构造模块，用于根据所述实时行为数据，构造所述当前用户针对当前推荐结果执行预设行为的概率分布模型；排序修正模块，用于根据所述概率分布模型的采样值，对所述当前推荐结果进行修正。第三方面，本申请实施例还公开了一种电子设备，包括存储器、处理器及存储在所述存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现本申请实施例所述的推荐结果排序修正方法。第四方面，本申请实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时本申请实施例公开的推荐结果排序修正方法的步骤。本申请实施例公开的推荐结果排序修正方法，通过获取当前用户对历史推荐结果的实时行为数据，然后，根据所述实时行为数据，构造所述当前用户针对当前推荐结果执行预设行为的概率分布模型，并进一步根据所述概率分布模型的采样值，对所述当前推荐结果进行修正，解决了现有技术中推荐排序方法存在的推荐结果准确率低的问题。本申请基于用户的实时行为统计量对推荐结果列表的排序进行修正，推荐结果基于用户的行为习惯获得，有效提升了推荐结果的准确率，同时，提升了用户体验。附图说明为了更清楚地说明本申请实施例的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。图1是本申请实施例一的推荐结果排序修正方法流程图；图2是本申请实施例二的推荐结果排序修正方法构造的一个Beta分布示意图；图3是本申请实施例三的推荐结果排序修正装置的结构示意图。具体实施方式下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。实施例一本实施例公开的一种推荐结果排序修正方法，如图1所示，该方法包括：步骤110至步骤130。步骤110，获取当前用户对历史推荐结果的实时行为数据。具体实施时，从全网用户实时行为数据流解析出当前用户对已经展示的推荐结果的预设行为列表,而后从推荐结果的品类维度，对所述当前用户的行为列表进行统计分析，确定用户在过去指定时间段(如两个小时)内，对已经曝光(即展示)的不同品类的推荐结果的点击次数和不点击次数。具体实施时，此处预设行为根据推荐结果的优化目标确定。例如，对于以提高点击率为优化目标的推荐系统，所述预设行为包括，“点击”；对于以提高访购率为优化目标的推荐系统，所述预设行为包括，“购买”。具体实施时，也可以从推荐结果维度，对所述当前用户的行为列表进行统计分析，确定用户在过去指定时间段(如两个小时)内，对已经曝光(即展示)的不同推荐结果的点击次数和不点击次数。步骤120，根据所述实时行为数据，构造所述当前用户针对当前推荐结果执行预设行为的概率分布模型。具体实施时，所述实时行为数据包括：用户对已曝光推荐结果的预设行为次数。以预设行为为“点击”为例，所述实时行为数据包括：用户在过去预设时间内(如两个小时内)对曝光的推荐结果的点击次数，和未点击次数。然后，以所述点击次数和未点击次数作为参数，构造用户对当前推荐结果执行点击行为的概率分布模型。具体实施时，所述概率分布模型可以为Beta分布模型，也可以为高斯分布模型。步骤130，根据所述概率分布模型的采样值，对所述当前推荐结果进行修正。在构造概率分布模型之后，通过对概率分布曲线进行采样，以得到的采样值作为权重，修正推荐结果列表中推荐结果的推荐得分，并进一步对推荐结果列表进行重新排序，从而起到修正推荐结果的作用。本申请实施例公开的推荐结果排序修正方法，通过获取当前用户对历史推荐结果的实时行为数据，然后，根据所述实时行为数据，构造所述当前用户针对当前推荐结果执行预设行为的概率分布模型，并进一步根据所述概率分布模型的采样值，对所述当前推荐结果进行修正，解决了现有技术中推荐排序方法存在的推荐结果准确率低的问题。本申请基于用户的实时行为统计量对推荐结果列表的排序进行修正，推荐结果基于用户的行为习惯获得，有效提升了推荐结果的准确率，同时，提升了用户体验。实施例二本实施例是本申请公开的推荐结果排序修正方法的一个具体实施例，。基于实施例一，具体实施时，所述获取当前用户对历史推荐结果的实时行为数据，包括：获取当前用户对历史曝光的三级品类推荐结果所执行的实时行为数据。在获取当前用户对历史推荐结果的实时行为数据时，可以从品类的维度获取实时数据，也可以从产品维度获取实时数据。由于推荐系统产品众多，从产品维度获取实时数据，可能会存在数据稀疏的问题，即在预设时间段内，某些产品可能从未曝光过，系统将无法获取用户对该产品的实时数据流。因此，优选的，基于品类维度，获取当前用户对历史曝光的推荐结果所执行的实时行为数据。具体实施时，推荐系统的产品会设置不同级别的品位标签。例如，推荐结果“金泉港IMAX国际影城”的一级品类标签为“休闲娱乐”，二级品类标签为“本文档来自技高网...

【技术保护点】
1.一种推荐结果排序修正方法，其特征在于，包括：获取当前用户对历史推荐结果的实时行为数据；根据所述实时行为数据，构造所述当前用户针对当前推荐结果执行预设行为的概率分布模型；根据所述概率分布模型的采样值，对所述当前推荐结果进行修正。

【技术特征摘要】
1.一种推荐结果排序修正方法，其特征在于，包括：获取当前用户对历史推荐结果的实时行为数据；根据所述实时行为数据，构造所述当前用户针对当前推荐结果执行预设行为的概率分布模型；根据所述概率分布模型的采样值，对所述当前推荐结果进行修正。2.根据权利要求1所述的方法，其特征在于，所述获取当前用户对历史推荐结果的实时行为数据的步骤，包括：获取当前用户对历史曝光的三级品类推荐结果所执行的实时行为数据。3.根据权利要求2所述的方法，其特征在于，所述实时行为数据包括：指定时间段内，对历史曝光的每个三级品类下的推荐结果执行预设行为的次数和不执行预设行为的次数。4.根据权利要求3所述的方法，其特征在于，所述根据所述实时行为数据，构造所述当前用户针对当前推荐结果执行预设行为的概率分布模型的步骤，包括：根据当前用户对历史曝光的每个三级品类下的推荐结果执行预设行为的次数和不执行预设行为的次数确定模型参数，构造所述当前用户针对相应三级品类推荐结果执行预设行为的概率分布模型。5.根据权利要求1至4任一项所述的方法，其特征在于，所述根据所述概率分布模型的采样值，对所述当前推荐结果进行修正的步骤，包括：通过对所述概率分布模型对应的概率分布曲线进行随机采样，确定所述概率分布模型的采样值；将所述采样值与所述当前推荐结果的推荐得分的乘积，作为所述当前推荐结果...

【专利技术属性】
技术研发人员：赵鹏，
申请(专利权)人：北京三快在线科技有限公司，
类型：发明
国别省市：北京,11