[发明专利]热点数据的推荐方法和装置

权利要求书

1.一种热点数据的推荐方法，其特征在于，包括：

计算数据的热度得分以生成所述数据的热度标签；

使用所述热度标签对所述数据的特征向量进行打标，以生成训练数据；

通过对训练数据集进行训练以得到热点数据推荐模型；

使用所述热点数据推荐模型确定热点数据并进行推荐。

2.根据权利要求1所述的方法，其特征在于，计算数据的热度得分以生成所述数据的热度标签包括：

计算数据在最近时段内的访问增加率；

根据所述访问增加率计算所述数据的热度得分；

通过将所述热度得分与预设阈值进行比较以生成所述数据的热度标签。

3.根据权利要求2所述的方法，其特征在于，计算数据在最近时段内的访问增加率包括：

计算数据在最近时段内平均每天的第一访问量，以及数据在指定时段内平均每天的第二访问量，所述指定时段长于所述最近时段且包括所述最近时段；

将所述第一访问量与所述第二访问量之比作为所述数据在最近时段内的访问增加率。

4.根据权利要求2所述的方法，其特征在于，通过将所述热度得分与预设阈值进行比较以生成所述数据的热度标签包括：

将所述热度得分与预设阈值进行比较，若所述热度得分大于所述预设阈值，则将所述数据的热度标签置为1；否则，将所述数据的热度标签置为0。

5.根据权利要求1所述的方法，其特征在于，通过对训练数据集进行训练以得到热点数据推荐模型包括：

将所述训练数据集中的训练数据分为离散数据集和连续数据集；

对所述离散数据集和所述连续数据集分别使用不同的网络进行特征处理，并将处理后的特征进行拼接；

将拼接后的特征输入至反向联合训练层以得到热点数据推荐模型。

6.根据权利要求5所述的方法，其特征在于，对于所述离散数据集，首先利用梯度下降树的叶子节点进行特征选择，然后对选择的特征通过因子分解机生成低维稠密特征向量以进行特征处理。

7.根据权利要求5所述的方法，其特征在于，对于所述连续数据集，使用深度学习神经网络进行特征处理。

8.一种热点数据的推荐装置，其特征在于，包括：

标签生成模块，用于计算数据的热度得分以生成所述数据的热度标签；

数据打标模块，用于使用所述热度标签对所述数据的特征向量进行打标，以生成训练数据；

模型训练模块，用于通过对训练数据集进行训练以得到热点数据推荐模型；

数据推荐模块，用于使用所述热点数据推荐模型确定热点数据并进行推荐。

9.一种推荐热点数据的电子设备，其特征在于，包括：

一个或多个处理器；

存储装置，用于存储一个或多个程序，

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-7中任一所述的方法。

10.一种计算机可读介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行时实现如权利要求1-7中任一所述的方法。