[发明专利]一种基于推荐系统的推荐模型生成方法及相关装置

说明书

技术领域

本申请涉及计算机技术领域，特别涉及一种基于推荐系统的推荐模型生成方法、生成装置、计算机可读存储介质及计算机终端。

背景技术

随着互联网的快速发展，为人们的生活带来了许多便利，同时也带了海量的数据信息，不夸张的说人类已经进入了一个数据大爆炸的时代。消费者在数据的海洋中，面临众多的选择、种类繁多的新领域以及过载的信息，在这些新选择中，消费者往往无所适从。另一方面，内容的生产者面对平台中的众多用户，往往也是找不到合适的用户，也就无法寻找到最便捷的渠道来展示自己的优势信息。

因此，出现了推荐系统来解决上述的问题。推荐系统的核心是推荐算法，推荐算法的好坏就决定了推荐系统的好坏，而评判一个推荐算法主要通过准确率和召回率来判断。准确率是指预测为正的样本中有多少是真正的正样本，也就是通过模型进行预测的结果中有多少是对的；召回率是指样本中的正例有多少被预测正确了，也就是模型的预测结果覆盖了样本中的多少正确的例子。

目前，常用的推荐算法主要包括协同过滤算法和基于内容的推荐算法。在协同过滤算法中用户对于物品的喜好被量化为用户对物品的评分，并以一个用户关联一个物品的评分矩阵进行表示。协同过滤算法具有较好的自动化程度，以及个性化程度较高，但是具有一定的数据稀疏性问题。对于基于内容的推荐算法其推荐结果直观，容易解释，但也存在数据稀疏性的问题。

进一步的，研究者推出了GLSLIM模型，该模型在一定程度上优化了数据稀疏性的问题，而且具有较高的准确率，但是该算法的召回率较低，不利于推荐系统使用。

因此，如何使推荐算法在准确率和召回率中取得一个平衡，是本领域技术人员所关注的重点问题。

发明内容

本申请的目的是提供一种基于推荐系统的推荐模型生成方法、生成装置、计算机可读存储介质及计算机终端，通过将GLSLIM模型和PLSA模型进行调整参数达到最优的模型状态，再将这两个模型通过目标函数进行融合得到目标函数，最后把目标函数通过调整参数得到最优的推荐模型，解决了GLSLIM模型的召回率较低的问题，使推荐结果能满足不同用户的个性化需求。

为解决上述技术问题，本申请提供一种基于推荐系统的推荐模型生成方法，包括：

将GLSLIM模型根据数据集进行准确率调参处理得到第一推荐模型，进行推荐结果计算得到第一结果目标函数；

将PLSA模型根据所述数据集进行召回率调参处理得到第二推荐模型，进行推荐结果计算得到第二结果目标函数；

将所述第一结果目标函数与所述第二结果目标函数进行融合处理得到融合目标函数，根据所述数据集进行平衡调参处理得到推荐模型。

可选的，所述将GLSLIM模型根据数据集进行准确率调参处理得到第一推荐模型，进行推荐结果计算得到第一结果目标函数包括：

在第一预设范围内取多个用户个性化权重参数；

将每个所述用户个性化权重参数带入到所述GLSLIM模型中，根据所述数据集进行计算得到多个第一推荐结果；

将每个所述第一推荐结果进行计算得到多个准确率，选取所述准确率最大的所述用户个性化权重参数设置为所述GLSLIM模型的最终用户个性化权重参数，得到所述第一推荐模型；

将所述第一推荐模型进行推荐结果计算得到所述第一结果目标函数。

可选的，所述将PLSA模型根据所述数据集进行召回率调参处理得到第二推荐模型，进行推荐结果计算得到第二结果目标函数包括：

在第二预设范围内取多个类别参数；

将每个所述类别参数带入到所述PLSA模型中，根据所述数据集进行计算得到多个第二推荐结果；

将每个所述第二推荐结果进行计算得到多个召回率，选取所述召回率最大的所述类别参数设置为所述PLSA模型的最终类别参数，得到所述第二推荐模型；

将所述第二推荐模型进行推荐结果计算得到所述第二结果目标函数。

可选的，所述将所述第一结果目标函数与所述第二结果目标函数进行融合处理得到融合目标函数，根据所述数据集进行平衡调参处理得到推荐模型包括：

将所述第一结果目标函数与所述第二结果目标函数通过r＝α*r₁+(1-α)*r₂进行融合得到融合目标函数r；其中，所述第一结果目标函数为r₁，所述第二结果目标函数为r₂；

在第三预设范围内取多个推荐结果占比参数α；

将每个所述推荐结果占比参数α带入到所述融合目标函数r中进行计算得到多个目标函数值；