[发明专利]一种基于推荐系统的数据处理方法以及装置

权利要求书

1.一种基于推荐系统的数据处理方法，其特征在于，包括：

获取至少一个具有待调节参数的在线推荐模型分别输出的推荐结果数据，所述在线推荐模型的结构为极限学习机的结构；

当每个在线推荐模型的运行时间满足预设时间周期时，分别统计所述每个在线推荐模型分别输出的所述推荐结果数据所关联的实际业务评估值，并确定各所述待调节参数与各所述实际业务评估值之间的当前映射关系；

根据所述当前映射关系和历史映射关系集合对所述每个在线推荐模型中的所述待调节参数进行优化调节，并将所述当前映射关系添加至所述历史映射关系集合，以在下一个时间周期中继续对优化调节后的各待调节参数进行优化调节，直至存在优化调节后的待调节参数满足收敛条件时，将具有满足收敛条件的待调节参数的在线推荐模型确定为所述推荐系统的固定在线推荐模型，所述优化调节为根据替代函数和优化调节算法对各所述待调节参数的优化调节，所述替代函数为基于预设的优化调节算法并根据所述当前映射关系以及历史映射关系集合所构建的函数，所述替代函数是用于计算待调节参数对应的预测业务评估值的函数，所述优化调节算法为不同于所述极限学习机的优化算法，所述优化调节算法为可实现多维度数值优化的最优化算法。

2.如权利要求1所述的方法，其特征在于，所述获取至少一个具有待调节参数的在线推荐模型分别输出的推荐结果数据，具体包括：

将至少一个用户推荐输入数据组分别输入至对应的在线推荐模型，并根据每个在线推荐模型中的待调节参数，分别对所述每个在线推荐模型中所输入的用户推荐输入数据组进行计算，以得到所述每个在线推荐模型分别输出的推荐结果数据；

其中，一个用户推荐输入数据组对应一个在线推荐模型；所述一个用户推荐输入数据组包括多个用户标识分别对应的用户推荐输入数据；所述一个在线推荐模型输出的推荐结果数据包括所述一个用户推荐输入数据组中的各用户推荐输入数据分别对应的推荐结果数据。

3.如权利要求2所述的方法，其特征在于，所述将至少一个用户推荐输入数据组分别输入至对应的在线推荐模型，并根据每个在线推荐模型中的待调节参数，分别对所述每个在线推荐模型中所输入的用户推荐输入数据组进行计算，以得到所述每个在线推荐模型分别输出的推荐结果数据，包括：

将至少一个用户推荐输入数据组分别输入至对应的在线推荐模型；

根据每个在线推荐模型中的固定参数，分别对所述每个在线推荐模型中所输入的用户推荐输入数据组进行计算，以得到所述每个在线推荐模型分别对应的隐层数据；所述隐层数据包括基于神经网络且具有预设数量的隐层节点；

根据每个在线推荐模型中的待调节参数，分别对所述每个在线推荐模型分别对应的隐层数据进行计算，以得到所述每个在线推荐模型分别输出的推荐结果数据。

4.如权利要求1所述的方法，其特征在于，所述根据所述当前映射关系和历史映射关系集合对所述每个在线推荐模型中的所述待调节参数进行优化调节，并将所述当前映射关系添加至所述历史映射关系集合，以在下一个时间周期中继续对优化调节后的各待调节参数进行优化调节，直至存在优化调节后的待调节参数满足收敛条件时，将具有满足收敛条件的待调节参数的在线推荐模型确定为所述推荐系统的固定在线推荐模型，包括：

基于预设的优化调节算法，并根据所述当前映射关系以及历史映射关系集合构建替代函数，并根据所述替代函数和所述优化调节算法对各所述待调节参数进行优化调节；其中，所述替代函数是用于计算待调节参数对应的预测业务评估值的函数；

将具有优化调节后的待调节参数的在线推荐模型确定为更新后的在线推荐模型，并将所述当前映射关系添加至所述历史映射关系集合；

在下一个时间周期中重新运行各更新后的在线推荐模型，并继续对所述各更新后的在线推荐模型中的待调节参数进行优化调节，直至存在优化调节后的待调节参数满足收敛条件时，将具有满足收敛条件的待调节参数的在线推荐模型确定为所述推荐系统的固定在线推荐模型。

5.如权利要求4所述的方法，其特征在于，

所述收敛条件为相邻两个时间周期中分别统计的所述实际业务评估值之间的差值小于预设的评估值阈值；或者，

所述收敛条件为对所述每个在线推荐模型中的各所述待调节参数进行优化调节的次数达到预设的次数阈值。