1.基于邏輯回歸推薦方法，其特征在于：所述方法為：

S1、獲取用戶行為相關數據；

S2、根據步驟S1獲取的用戶行為相關數據，提取物品特征元數據、用戶特征元數據、用戶行為特征元數據，并對元數據進行處理，通過CF算法和CB算法進行檢索引擎的搜索，對物品召回，得到粗排序索引庫數據；

S3、物品召回完成后，利用訓練后的邏輯回歸模型對粗排序索引庫數據進一步精排序，得到精排序索引庫數據，其中，所述邏輯回歸模型的表示方法為：

P(y＝1|x；θ)表示給定x條件下事件y發生的條件概率，即用戶選中物品y的概率，θ是該條件概率的權重列向量，x為條件行向量；θ^T為權重列向量的轉置；

S4、按規定的度量標準對精排序索引庫數據進行去重過濾，取出前N項推薦結果返回給頁面，呈現給用戶；

所述步驟S3中對邏輯回歸模型的訓練方法為：

S301、獲取并處理邏輯回歸模型訓練數據集及測試數據集；

S302、利用訓練數據集對邏輯回歸模型進行訓練，并通過最大似然原理及梯度下降法確定一組特征權重[θ₀,θ₁,θ₂,θ₃,……θn]，將得到的一組特征權重與特征值加權即可確定線性回歸函數：

h_θ(x)＝θ₀+θ₁x₁+θ₂x₂+…+θ_nx_n

式中：x₁,x₂,x₃,……,x_n是每個樣本的n個特征值，將線性回歸函數與Sigmoid函數結合，從而可求出p(y＝1|x；θ)，最終得到邏輯回歸模型；

S303、利用測試數據集對步驟S302中得到的邏輯回歸模型進行測試，若測試結果滿足要求，則確定邏輯回歸模型；若測試結果不滿足要求，則重復步驟S301、S302直至測試結果滿足要求，最后得到確定后的邏輯回歸模型；

所述步驟S301中對邏輯回歸模型訓練數據進行獲取并處理的方法為：

a)獲取用戶畫像數據、物品數據、標簽數據；

b)定義用戶的標簽label，并將label值設置為0或1；

c)抽取用戶畫像數據，將用戶的信息轉換成多個特征格式，每個用戶特征都賦權重值為1，將所有的權重值放入字典中；

d)抽取物品特征，將去重后的物品名稱itemName取出進行分詞，然后把分好的詞放入字典中再去重，將分詞標記token轉換成標識符ID，把標識符ID當作物品的特征來處理；

e)將標簽值label、用戶信息、物品信息列表中的數據進行替換，即將分詞標記token轉換成標識符ID，在原有字典的基礎上生成第1步字典，將用戶特征user_feature轉換為用戶標識符userID，生成第2步字典，將物品特征item_feature轉換為物品標識符itemID，生成第3步字典，從第3步字典中取出用戶標識符userID、物品標識符itemID，拼接在一起放入文件中，得到最終的訓練測試數據集。